Rauchen während der Schwangerschaft kann das Risiko für Verhaltensstörungen bei Neugeborenen erhöhen

Forscher aus Japan zeigen mithilfe KI-basierter Verhaltensexperimente an Mäusen, dass eine vorgeburtliche Nikotinexposition ein Risikofaktor für Autismus (ASD) und eine Aufmerksamkeitsdefizit-Hyperaktivitätsstörung (ADHS) bei Neugeborenen ist.

Schon seit langem nutzen Wissenschaftler Tiermodelle, um zu verstehen, wie eine pränatale Nikotinexposition (PNE) zu neurologischen Entwicklungsstörungen führt. Durch eine sorgfältige Analyse des Verhaltens von Nagetieren können sie schließen, ob PNE neurologische Veränderungen und die davon betroffenen Gehirnregionen verursacht. Leider haben die Studien zu Verhaltensänderungen, die durch PNE bei Mäusen hervorgerufen werden, bisher unterschiedliche Ergebnisse gezeigt, von denen einige widersprüchlich sind. Obwohl es für diese Diskrepanzen mehrere Gründe geben kann, sind menschliches Versagen und Voreingenommenheit die Hauptverdächtigen.

Im Allgemeinen beruht die Beurteilung komplexer Verhaltensweisen von Tieren, insbesondere sozialer Interaktionen, auf den Bemühungen menschlicher Beobachter, was zu einem grundlegenden Maß an Subjektivität führt, das schwer zu beseitigen ist. Aber was wäre, wenn wir künstliche Intelligenz (KI) nutzen könnten, um aus Beobachtungen des Verhaltens von PNE-Mäusen genauere und unvoreingenommenere Ergebnisse zu erzielen?

Lernbasiertes System zur automatischen Analyse von Filmmaterial

In einer aktuellen Studie, die in der Fachzeitschrift „Cells“ veröffentlicht wurde, entwickelten und trainierten Forscher der Abteilung für Molekulare und Zellphysiologie der Medizinischen Fakultät der Shinshu-Universität, Japan, ein tiefes lernbasiertes System zur automatischen Analyse von Filmmaterial aus Verhaltensexperimenten an Mäusen. Sie nutzten dieses Tool, um die durch PNE bei Mäusen hervorgerufenen Verhaltensänderungen ohne Beobachtervoreingenommenheit zu analysieren und so den Zusammenhang zwischen Nikotin und neurologischen Entwicklungsstörungen aufzuklären.

Das vorgeschlagene KI-basierte Framework basierte auf einer Kombination aus zwei etablierten Open-Source-Toolkits, nämlich DeepLabCut und Simple Behavioral Analysis (SimBA). „KI-Tools können die Körperteile von Tieren in markierungslosen Videoaufnahmen kennzeichnen und ihre Posen mithilfe überwachten maschinellen Lernens präzise abschätzen“, erklärt Professor Katsuhiko Tabuchi. „Da das Verhalten von Tieren als eine bestimmte Anordnung von Körperteilen über einen kurzen Zeitraum definiert ist, können Deep-Learning-Toolkits wie SimBA die mit DeepLabCut erhaltenen Posenschätzungen verwenden, um verschiedene Arten von Tierverhalten zu klassifizieren“, fügt er hinzu.

Nachdem die Forscher mithilfe manuell gekennzeichneter Daten ein optimales Trainingsprotokoll für ihr Framework ermittelt hatten, führten sie mehrere Experimente mit PNE- und Kontrollmäusen durch und suchten nach Indikatoren für ADHS- und ASD-ähnliches Verhalten. Zunächst führten sie „Klippenvermeidungs-Reaktionstests“ durch, mit denen die Impulsivität getestet wird. Bei diesen Tests platzierten sie die Test-Maus auf einer leicht erhöhten Plattform und notierten – sowohl manuell als auch mit dem KI-System –, wie lange die Maus wartete, bevor sie von der Plattform heruntersprang. Die Testergebnisse deuten darauf hin, dass PNE-Mäuse impulsiver sind, ein Verhaltensmerkmal von ADHS beim Menschen.

Sie testeten auch das Arbeitsgedächtnis von Mäusen, die ein Y-förmiges Labyrinth verwendeten, und zählten, wie oft jede Maus spontan von einem Arm des Labyrinths zum anderen wechselte. „Wir beobachteten einen Rückgang der spontanen Veränderung bei PNE-Mäusen, was darauf hindeutet, dass ihr Arbeitsgedächtnis verändert war, was ein weiteres Verhaltensmerkmal von ADHS ist“, kommentiert Zhou. „Diese Ergebnisse deuten darauf hin, dass vorgeburtliche Nikotinexposition bei Mäusen ADHS verursachen kann, was mit klinischen Berichten beim Menschen übereinstimmt“, ergänzt sie.

Schließlich führten die Forscher Outdoor- und soziale Interaktionsexperimente durch, die die größte Herausforderung für ihr KI-basiertes System darstellten. In diesen Experimenten beobachteten die Forscher entweder eine oder zwei Mäuse, die sich frei in einem großen Gehege verhielten, und suchten nach Anzeichen für Angst und soziales Verhalten, wie etwa Fellpflege und Gefolgschaft. Interessanterweise zeigten PNE-Mäuse soziale Verhaltensdefizite und erhöhte Angstzustände, die Merkmale von ASD sind. Die anschließende histologische Analyse des Hippocampus-Hirngewebes bestätigte eine verminderte Neurogenese, ein Kennzeichen von ASD. Daher scheint es, dass Rauchen nicht nur das Risiko für ADHS, sondern auch für ASD erhöht.

Bemerkenswert ist, dass die mit dem KI-basierten System erzielten Ergebnisse äußerst zuverlässig waren, wie Tabuchi hervorhebt: „Wir haben die Genauigkeit unseres Verhaltensanalyse-Frameworks validiert, indem wir einen sorgfältigen Vergleich zwischen den vom Modell generierten Ergebnissen und den Verhaltensbewertungen mehrerer menschlicher Annotatoren vorgenommen haben, was als Goldstandard gilt.“ Diese Analysen untermauern das Potenzial des vorgeschlagenen Ansatzes und zeigen seine Fähigkeiten für viele Arten von Verhaltensstudien.

Mit etwas Glück, so die Forscher, werden weitere Bemühungen den Weg zu einem soliden Verständnis der Mechanismen hinter neurologischen Entwicklungsstörungen wie ASD und ADHS ebnen, was letztendlich zu besseren diagnostischen Instrumenten und therapeutischen Methoden führen wird.