Muizen doen dingen die je niet ziet als je ze los van elkaar bekijkt: ze hofmakerij bedrijven, vechten, elkaar bestijgen en elkaars vacht verzorgen. Juist die sociale interacties zijn cruciaal voor onderzoek naar de hersenen en naar nieuwe medicijnen. Maar bestaande AI-modellen voor pose-estimatie codeerden elk dier afzonderlijk — en misten daarmee precies wat telt.
Onderzoekers lossen dat nu op met MICE, het Multi-animal Interaction Context Encoder-model. Volgens de publicatie op arxiv.org is dit een hiërarchisch fundatiemodel dat gezamenlijk is getraind op zes verschillende corpora van muis-pose-data. Die datasets variëren van één tot vier muizen en gebruiken 7 tot 27 keypoints per dier.
🧠 Even simpel uitgelegd
Stel dat je een voetbalwedstrijd wilt begrijpen, maar je analyseert elke speler apart, zonder te kijken naar wie de bal naar wie speelt. Dan mis je het hele spel. Precies dat probleem hadden oudere AI-modellen met muizen: ze keken naar elk dier los. MICE kijkt naar het 'team': het model leest eerst de beweging van elke muis af, en combineert die daarna tot een beeld van wat ze samen doen — vechten, knuffelen of achtervolgen. En het werkt met één getraind model, of er nu één muis of vier in de kooi loopt.
Hoe MICE werkt
Het model bestaat uit twee onderdelen die samen zowel individuele bewegingen als groepsdynamiek vatten:
- Individuele encoder: legt de kinematica van elke muis vast op verschillende temporele schalen.
- Sociale encoder: gebaseerd op een 'Perceiver-stijl', met een geleerd latent codeboek. Daardoor is het aantal parameters ontkoppeld van het aantal dieren in de opname.
Dat laatste levert een groot praktisch voordeel op: één checkpoint van het model werkt voor elke groepsgrootte, zonder hertraining voor verschillende aantallen dieren.
Getest en overtuigend
De effectiviteit van MICE is getest via vier evaluatieprotocollen over zes datasets. Het model matcht of overtreft daarmee eerdere keypoint-gebaseerde baselines. 'Layer-wise probing'-analyses laten bovendien zien dat de sociale fase de onderscheidbaarheid van gedragingen stapsgewijs verbetert ten opzichte van de individuele encoder alleen.
Het onderzoek is gepresenteerd als 'Spotlight' op de conferentie NeurIPS 2026. De auteurs — Yen-Shuo Su, Weihan Li en Anqi Wu — hebben de code, gewichten en data publiekelijk beschikbaar gesteld, zodat andere onderzoekers er direct mee verder kunnen.
Waarom muizen?
Muizen zijn geen willekeurige keuze als proefdier. animalcorner.org biedt achtergrondinformatie over diersoorten. Hun sociale aard en interactiepatronen maken observatie in groepsverband essentieel voor biologisch onderzoek.
Algemene achtergrondinformatie over diersoorten is te vinden op britannica.com, maar de technische details over MICE komen uitsluitend uit de wetenschappelijke publicatie.
De impact zit vooral in de precisie: waar het menselijk oog of simpelere algoritmen sociale patronen missen, herkent MICE ze automatisch. Dat kan de kwaliteit van experimenten in de neurowetenschappen en de ontwikkeling van nieuwe medicijnen aanzienlijk verhogen.