Modélisation du comportement complexe de type autistique chez la souris et impact de l'obésité induite pendant la grossesse en utilisant la vision par ordinateur et des approches d'apprentissage profonde

Modeling complex autistic-like behavior in mice and impact of obesity induced during pregnancy by using computer vision and deep learning approaches

• Auteur / Autrice : Raul De sousa silva
• Direction : Séverine Dubuisson
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/02/2023
• Etablissement(s) : Aix-Marseille
• Ecole(s) doctorale(s) : École Doctorale Mathématiques et Informatique de Marseille (Marseille)
• Partenaire(s) de recherche : Laboratoire : LIS Laboratoire d'Informatique et Systèmes
• Partenaire(s) de recherche : Equipe de recherche : Traitement Automatique du Langage Ecrit et Parlé

Mots clés

Mots clés libres

Complexe de type autistique

Vision par ordinateur

Apprentissage profonde

Obésité induite pendant la grossesse

Autistic-like behavior

Computer vision

Deep learning

Gestational weight gain

Résumé

Cette thèse vise à modéliser les comportements de cinq souris modèles présentant des troubles du spectre autistique (TSA), causés par des mutations génétiques ou par une prise de poids gestationnelle excessive (GWG, détectée aujourd'hui chez la moitié des femmes), ou une combinaison des deux. Nous allons joindre l'expertise complémentaire de trois équipes de trois laboratoires pour étudier tout au long de la vie le «comportement spontané» des souris se déplaçant librement dans un espace ouvert, en utilisant un système récemment développé basé sur des outils nouveaux et évolutifs (Live Mouse Tracker - LMT https:/ /livemousetracker.org, DeepLabCut - DLC http://www.mackenziemathislab.org/deeplabcut). Les comportements de tous les êtres vivants consistent en des modèles dans le temps : l'identification de cet ensemble de modèles disponibles pour un animal est essentielle pour faire des descriptions quantitatives du comportement. Nous proposons ainsi un pipeline d'analyse comportementale 3D dédié à l'étude de séries temporelles d'actions uniques (incluant des actions individuelles, dyadiques ou de groupe). Ce cadre s'appuiera sur la vision par ordinateur (tracking, reconnaissance de pose, …) et les techniques récentes d'apprentissage en profondeur (transformateurs, auto-encodeurs, …), et considérera ces séries temporelles d'actions à plusieurs échelles de temps. L'objectif principal de cette thèse est ensuite de développer des algorithmes pour identifier de nouveaux motifs et séquences comportementaux dans des modèles murins de TSA par rapport à des témoins. La thèse sera scindée en deux parties complémentaires : Partie 1 : modélisation de l'activité locomotrice complexe appliquée à cinq modèles murins de TSA. Nous allons développer un algorithme pour retrouver des séquences de comportements extraites de l'analyse de l'activité locomotrice (trajectoires points et comportements extraits par LMT), consistant à : Partie 2 : Identifier de nouveaux motifs et séquences comportementaux dans des modèles murins de TSA par rapport aux témoins.

This thesis aims at modelling behaviors in five autism spectrum disorder (ASD) mouse models, caused by genetic mutations or by excessive gestational weight gain (GWG, detected today in half of the women), or a combination of both. We will join the complementary expertise of three teams from three laboratories to investigate lifelong the «spontaneous behavior» of mice freely moving into an open space, by using a recently developed system based on novel and evolutive tools (Live Mouse Tracker - LMT https://livemousetracker.org, DeepLabCut - DLC http://www.mackenziemathislab.org/deeplabcut). Behaviors of all living beings consists of patterns in time: identifying this set of patterns available to an animal is key to making quantitative descriptions of behavior. We thus propose a 3D behavioral analysis pipeline dedicated to the study of temporal series of single actions (including individual, dyadic or group actions). This framework will rely on computer vision (tracking, pose recognition, .) and recent deep learning techniques (transformers, autoencoders, ), and will consider these action time series at multiple time-scales. The main goal of this thesis is then to develop algorithms to Identify novel behavioral motifs and sequences in mouse models of ASD compared with controls. The thesis will we split into two complementary parts: Part 1: modeling complex locomotor activity applied to five mouse models of ASD. We will develop an algorithm to find sequences of behaviors extracted from the analysis of locomotor activity (trajectories points and behaviors extracted by LMT), consisting in: Part 2: Identify novel behavioral motifs and sequences in mouse models of ASD compared with controls.