Soutenance de thèse de DE SOUSA SILVA Raul
Titre de thèse
Modélisation du comportement complexe de type autistique chez la souris et impact de la prise de nourriture grasse pendant la gestation et lactation en utilisant la vision par ordinateur et l'apprentissage automatique
Modelling complex autistic-like behaviour in mice and impact of maternal High-Fat Diet during gestation and lactation using computer vision and machine learning approaches
Résumé de la thèse
Le trouble du spectre autistique (TSA) est une condition neurodéveloppementale ca-
ractérisée par des déficits de communication et d'interactions sociales, ainsi que par
des comportements répétitifs et intérêts restreints. Bien que leur étiologie demeure
en grande partie inconnue, il est établi que des facteurs génétiques et environnemen-
taux, tels que la pollution, le stress, certains médicaments ou l'obésité maternelle,
contribuent au risque de développer un TSA.
Malgré la complexité reconnue du comportement social, la majorité des études
existantes s'appuient sur des tests comportementaux standardisés de courte durée ou
sur des interactions dyadiques simplifiées, qui ne capturent ni la structure temporelle
ni la richesse des comportements naturels. Dans ce travail, nous développons des
méthodes d'automatisation de la détection et de l'analyse du comportement de la
souris, basées sur des approches de vision par ordinateur et d'apprentissage auto-
matique. L'objectif est d'établir un protocole de suivi et d'enregistrement permettant
d'extraire les comportements individuels et sociaux, puis de modéliser des séquences
comportementales discriminant des phénotypes de type autistique de souris témoins.
En utilisant Live Mouse Tracker (LMT) comme système de référence, nous avons
identifié certaines limites en termes de stabilité du suivi et d'annotation des événe-
ments. Ces constats ont motivé le développement d'un nouvel outil de post-traitement,
Enhanced Mouse Tracker (EMT), pour améliorer la fiabilité et la précision de la dé-
tection d'événements par rapport à LMTAnalysis. Les modifications introduites dans
EMT sont décrites et leur impact est évalué en comparant LMT et EMT avec des
annotations manuelles. Cela révèle le pouvoir discriminant amélioré de l'EMT.
Ensuite, nous proposons une chaîne d'analyse comportementale, intégrant les com-
portements issus d'EMT dans différentes modèles destinées à représenter le compor-
tement dans un espace latent qui facilite la capture d'attributs clés et l'identification
de motifs distinguant les animaux selon l'âge, le sexe ou l'état pathologique.
Cette approche a été appliquée lors d'une étude longitudinale portant sur des co-
hortes de souris, des deux sexes et de plusieurs modèles — sauvages, génétiques
(Magel2, Tshz3) et environnementaux (alimentation maternelle riche en graisses pen-
dant la gestation et lactation). Les résultats fournissent un éclairage approfondi sur
les signatures comportementales associées aux TSA chez la souris et contribuent à
une meilleure compréhension des déterminants génétiques et environnementaux de
phénotypes de type autistique.
Thesis resume
Autism spectrum disorder (ASD) is a neurodevelopmental condition characterised by
deficits in social communication and interaction, along with restricted interests and
repetitive behaviours. Although its aetiology remains largely unknown, both genetic
factors and environmental influences, such as pollution, stress, pharmacological
exposure, and maternal obesity, are known to contribute to ASD risk.
Despite the recognised complexity of social behaviour, most existing studies rely on
short, standardised behavioural tests (e.g., Y- maze, three - chamber test, Morris water
maze) or simplified dyadic interactions that fail to capture the temporal structure
and richness of naturalistic behaviour. In this work, we address this limitation by
developing methods to automate the detection and analysis of mouse behaviour using
computer vision and machine - learning approaches. Our objective is to establish
a protocol for recording and tracking mice, extracting both individual and social
behaviours, and ultimately modelling behavioural sequences that distinguish autistic-
like phenotypes from controls.
Using Live Mouse Tracker (LMT) as a baseline system, we identified a few limi-
tations in tracking stability and behaviour recognition. These findings motivated
the development of a new post- processing tool, Enhanced Mouse Tracker (EMT),
designed to improve the reliability and accuracy of behaviour recognition compared
to LMTAnalysis. We describe the modifications introduced in EMT and evaluate their
impact by comparing automatic annotations with manual scoring. A detailed analysis
of male and female cages illustrates EMT's improved discriminatory power.
Building on these advances, we propose an automated behavioural analysis pipeline
that integrates behavioural events detected through EMT into modelling frameworks
aimed at representing behavioural traits within a latent feature space. This represen-
tation enables machine- learning methods to capture key behavioural characteristics
and identify patterns that differentiate animals by age, sex, or pathological condition.
Our pipeline was applied to a longitudinal study of mice cohorts from both sexes
across multiple models — wild- type, genetic (Magel2, Tshz3), and environmental
(maternal high-fat diet during gestation and lactation). The results provide deeper
insights into ASD - related behavioural signatures in mice and shed light on both
genetic and environmental contributions to autistic-like phenotypes.