Una plataforma de IA permite seguir en tiempo real el comportamiento animal sin equipos de alto costo

Observar cómo se mueve un animal puede parecer una tarea simple, pero para muchas áreas de la neurociencia y la biología del comportamiento es una fuente central de datos. La postura, la velocidad, la dirección de la mirada o la secuencia de movimientos pueden ayudar a estudiar dolor, aprendizaje, efectos de fármacos, interacción social o enfermedades neurológicas. El problema es que medir todo eso con precisión suele requerir programas separados, computadoras potentes y bastante trabajo manual. Un nuevo estudio propone una alternativa más integrada y liviana.

El sistema, llamado SqueakPose Studio, reúne en una misma plataforma varias etapas que en muchos laboratorios todavía están fragmentadas: importar videos, etiquetar partes del cuerpo, entrenar el modelo de inteligencia artificial, validar su desempeño y luego aplicar ese modelo para analizar nuevas grabaciones. A eso se suma SqueakView, que permite desplegar el modelo en dispositivos pequeños de computación en el borde de la red, y MouseHouse, una estructura modular pensada para experimentos continuos en jaulas.

La idea de fondo es usar visión por computadora para traducir video en mediciones cuantitativas del comportamiento. En vez de depender de observadores humanos o de flujos de trabajo que procesan todo después del experimento, la plataforma está diseñada para que parte del análisis ocurra en tiempo real. Eso puede ser útil cuando un experimento necesita reaccionar al comportamiento del animal mientras está ocurriendo, por ejemplo para sincronizar sensores, activar estímulos o registrar eventos con una marca temporal más precisa.

Los autores compararon su sistema con DeepLabCut, una de las herramientas más conocidas para este tipo de tareas. Según sus pruebas, SqueakPose alcanzó una precisión espacial comparable al localizar puntos anatómicos, pero con mejoras importantes en velocidad. En uno de los benchmarks reportados, el procesamiento de inferencia sobre un video de campo abierto fue unas 8,5 veces más rápido. También informaron ventajas en entrenamiento y en la posibilidad de ejecutar el sistema no solo en GPU de escritorio, sino también en CPU, Apple Silicon y hardware embebido.

Ese cambio puede parecer técnico, pero tiene implicancias concretas. Si una herramienta de seguimiento corporal funciona con equipos más modestos y con menos piezas de software intermedias, más laboratorios pueden usarla y adaptarla. También se reduce la distancia entre recolectar los datos y analizarlos, algo valioso en estudios donde el tiempo importa. En la práctica, eso podría facilitar experimentos más continuos y comparables sobre comportamiento animal.

El trabajo se concentra sobre todo en la arquitectura del sistema y en su desempeño como método. No presenta por sí mismo un hallazgo biológico nuevo sobre el cerebro o la conducta, sino una herramienta para estudiar mejor esos fenómenos. Esa distinción importa: el valor de la plataforma dependerá de cuánto se adopte en otros laboratorios, de si mantiene su rendimiento con distintos animales y escenarios, y de qué tan fácil resulte integrarla a experimentos fuera de las condiciones evaluadas por sus creadores.

También hay límites propios de este tipo de desarrollo. Los benchmarks comparan tareas y configuraciones concretas, de modo que no garantizan automáticamente el mismo rendimiento en cualquier entorno experimental. Además, aunque el sistema está pensado para ampliar el acceso, sigue requiriendo entrenamiento de modelos, cámaras adecuadas y criterios claros para etiquetar los datos iniciales. La automatización no elimina la necesidad de diseño experimental cuidadoso.

Aún con esas cautelas, el estudio apunta a un cambio importante en cómo se hace ciencia del comportamiento. Cuando una herramienta logra convertir video en mediciones confiables, rápidas y relativamente accesibles, no solo ahorra tiempo: también amplía qué preguntas pueden hacerse los laboratorios sobre el movimiento y la conducta. En ese sentido, la novedad no está solo en que una IA “vea” mejor, sino en que puede volver más medible y reproducible una parte clave de la investigación biológica.