تتبع الفئران في غرف تكييف Operant باستخدام كاميرا فيديو محلية الصنع متعددة الاستخدامات و DeepLabCut
June 15th, 2020
يصف هذا البروتوكول كيفية بناء كاميرا فيديو صغيرة ومتعددة الاستخدامات ، وكيفية استخدام مقاطع الفيديو التي تم الحصول عليها منها لتدريب شبكة عصبية لتتبع موقع داخل غرف تكييفات أوبرالية. وهذا تكملة قيمة للتحليلات القياسية لسجلات البيانات التي تم الحصول عليها من اختبارات التكييفات.
باتباع الطرق المبينة في هذا البروتوكول سيتمكن الباحثون من تسجيل وتحليل مقاطع الفيديو الخاصة بالقوارض التي تقوم بإجراء اختبارات سلوكية معقدة في غرف التكييفات الأوبرالية. يصف البروتوكول كيفية بناء كاميرا فيديو غير مكلفة واستخدامها مع برنامج تتبع مفتوح المصدر. هذا هو نهج جذاب للمختبرات على الميزانية.
هذه الطريقة قيمة لمشاريع البحوث التي تنطوي على تكييف operant في القوارض. كما يمكن لتحليل الفيديو تحسين كبير في فهم السلوكيات التي ينظر إليها في هذا النوع من الاختبارات. تبدأ من خلال ربط حلقة معدنية حول فتح حامل الكاميرا.
ثم نعلق وحدة الكاميرا إلى موقف باستخدام الصواميل والبراغي التي تصاحب عدة. افتح منافذ كابل الشريط على وحدة الكاميرا والحاسوب الصغير عن طريق التجمع بلطف على حواف شفاههم البلاستيكية. قم بإشعال كابل الشريط في المنفذ المفتوح على وحدة الكاميرا بحيث تواجه موصلات الكابلات الفضية لوحة الدارات.
ثم قفله في مكانه عن طريق الضغط في مقطع من البلاستيك. كرر العملية باستخدام منفذ على الكمبيوتر الصغير. ثم قم بتوصيل عدسة فيش إلى الحلقة المعدنية على حامل الكاميرا.
ضع الكمبيوتر الصغير في علبة البلاستيك وأدخل بطاقة SD الصغيرة المدرجة. ثم قم بتوصيل جهاز عرض ولوحة مفاتيح وماوس إلى الكمبيوتر الصغير وبدأت بتوصيل مصدر الطاقة الخاص به. فتح نافذة المحطة الطرفية ونوع سودو apt الواصلة، والحصول على التحديث.
ثم اضغط على مفتاح الإدخال. نوع القادم sudo ملائمة الواصلة الكاملة الترقية واضغط على إدخال. ضمن قائمة البدء، حدد التفضيلات وتكوينات RASP PI.
عندما يفتح الإطار، انتقل إلى علامة التبويب الواجهات وتمكين الكاميرا و I2C ثم انقر فوق حسنا. نسخ ملف تكميلي واحد على عصا ذاكرة USB. ثم نقله إلى الحواسيب الصغيرة المجلد PI الرئيسية وإعادة تسميته.
فتح نوع نافذة المحطة الطرفية الزائفة نانو مائل الخ، مائلة RC نقطة المحلية والصحافة enter. استخدم مفاتيح الأسهم لوحات المفاتيح لتحريك المؤشر إلى أسفل إلى المسافة بين فاي والخروج صفر. ثم إضافة نص لجعل الكمبيوتر بدء البرنامج النصي المنسوخة.
والمصابيح الحمراء تحت الحمراء، كلما الأحذية. حفظ التغييرات عن طريق الضغط على السيطرة وX تليها Y وأدخل. المقاومات لحام المقبل وكابلات الطائر الإناث على الساقين من المصابيح الملونة اثنين.
الكابلات الطائر الإناث لحام على اثنين من مفاتيح زر. ثم قم بتوصيل مفاتيح المصابيح الملونة والأشعة تحت الحمراء المذكورة وحدة بقيادة لأجهزة الكمبيوتر GPI طوق ينتهي. عند توصيلها بشكل صحيح، سوف يشير أحد الدلّين إلى أن الكاميرا مُشغّل وجاهزة للاستخدام.
بينما يشير الآخر إلى أن الكاميرا تقوم بتسجيل فيديو. يتم استخدام الزر مع الكابلات الطويلة لبدء وإيقاف تسجيلات الفيديو. بينما يتم استخدام الزر مع هذه الكابلات القصيرة لإيقاف تشغيل الكاميرا.
تعيين البروتوكول لاستخدام غرفة ضوء كمؤشر على خطوة معينة في البروتوكول. ثم تعيين بروتوكول لتسجيل كافة الأحداث ذات الاهتمام مع الطوابع الزمنية بالنسبة إلى عندما يصبح هذا المؤشر خطوة بروتوكول نشطة. ضع الكاميرا فوق الغرف القابلة للتشغيل، ثم ابدأ بتوصيلها بمأخذ كهربائي عبر كابل إمداد الطاقة.
استخدم الزر المتصل مسبقًا لبدء تسجيلات الفيديو وإيقافها. عند الانتهاء من تسجيلات الفيديو، قم بتوصيل الكاميرا بجهاز عرض وماوس لوحة مفاتيح وجهاز تخزين USB واسترداد ملفات الفيديو من سطح المكتب الخاص به. استخدام DeeplabCuts الإطار الاستيلاء على وظيفة لاستخراج 700 إلى 900 إطارات الفيديو من واحد أو أكثر من أشرطة الفيديو المسجلة.
تأكد من أن إطارات الفيديو التي تحددها تعرض الحيوان في أوضاع مختلفة ، سواء ثابتة مع الرأس خارج وداخل الفتحات وتتحرك في اتجاهات مختلفة. استخدم صندوق أدوات وضع العلامات لوضع علامة يدوية على موضع رأس الجرذ في كل إطار فيديو عن طريق وضع ملصق الرأس في موضع مركزي بين أذني الجرذ. أيضا تسمية أجزاء أخرى من الجسم التي قد تكون ذات فائدة.
بالإضافة إلى ذلك، ضع علامة على موضع مؤشر خطوة البروتوكول في كل إطار فيديو حيث ساطع بشكل نشط. بعد ذلك استخدام مجموعة بيانات إنشاء التدريب وتدريب وظائف الشبكة لإنشاء مجموعة بيانات التدريب من إطارات الفيديو المسمى والبدء في تدريب شبكة عصبية. عندما يتم تدريب شبكة عصبية، استخدمها لتحليل مقاطع الفيديو التي تم جمعها.
هذا سوف يخلق ملف CSV سرد مواقف المسار من رأس الفئران، وأجزاء الجسم الأخرى من الفائدة ومؤشر الخطوة بروتوكول في كل إطار الفيديو. بالإضافة إلى ذلك ، سيتم إنشاء ملفات فيديو تم وضع علامة عليها حيث يتم عرض مواضع المسار بشكل مرئي. للحصول على إحداثيات نقاط معينة من الاهتمام داخل الغرف operant يدوياً وضع علامة على أنها تم وصفها مسبقاً واسترداد الإحداثيات من ملف CSV الذي يتم تخزينه تلقائياً تحت البيانات المسماة في مجلد المشروع.
ملاحظة، حيث يتم تعقب مقطع الفيديو مؤشر خطوة بروتوكول داخل 60 بكسل من الموضع الذي تم الحصول عليه يدويا في المقطع السابق واستخراج نقطة البداية الدقيقة لكل فترة حيث المؤشر نشط. استخدم النقاط حيث يصبح مؤشر خطوة البروتوكول نشطًا والطوابع الزمنية المسجلة من قبل الغرف operant. لتحديد مقاطع الفيديو التي تغطي أحداث معينة من بروتوكول الاختبار مثل الفترات الفاصلة بين المحاكمات أو الاستجابات أو استرداد المكافأة.
لاحظ إطارات الفيديو التي تغطي أي أحداث ذات أهمية محددة. وأخيرا إجراء تحليل متعمق ذات الصلة من موقف الحيوان والحركات، خلال هذه الأحداث. يجب أن تسمح عدسة عين السمكة للكاميرا بالتقاط رؤية كاملة لداخل معظم غرف التكييفات القاربة.
باستخدام مصدر مناسب من الإضاءة تحت الحمراء، وسوف تسمح الكاميرا أيضا التقاط الفيديو في الظلام الدامس. وينبغي أن تسمح شبكة مدربة تدريبا جيدا لأكثر من دقة 90٪ عند تتبع رأس. تتبع دقيق يمكن التعرف عليها بوضوح من قبل علامات التالية في جميع أنحاء تحركاته والمسارات المرسومة تظهر على نحو سلس.
وعلى النقيض من ذلك، يتميز التتبع غير الدقيق بعلامات لا تبقى بشكل موثوق على الهدف والمسارات المرسومة خشنة. ونتيجة لهذا تتبع غير دقيق عادة ما يسبب التحولات المفاجئة في الحركات المحسوبة بسرعة. من خلال تتبع مكان وجود الحيوان طوال جلسة الاختبار ، يمكن للمرء تقييم مدى ارتباط أنماط الحركة المتميزة بالأداء.
على سبيل المثال، في اختبار وقت التفاعل التسلسلي الخمسة، يمكن استخدام حركات الرأس خلال الفاصل الزمني بين التجارب لفصل تجارب الانبعاثات حيث يظهر الحيوان اهتماماً محدوداً في إجراء استجابة. من التجارب البعثة حيث الحيوان ببساطة فشل في ملاحظة إشارة ضوئية وجيزة. وبالإضافة إلى ذلك يمكن التحقيق في حركات الرأس تمكين الكشف عن وتوصيف استراتيجيات مختلفة الاهتمام.
عند محاولة هذه الإجراءات، من المهم أن يكون مؤشر خطوة البروتوكول موثوقًا به. وأن الشبكة العصبية مدربة مع الغوص ert من إطارات الفيديو. لضمان تتبع دقيق.
View the full transcript and gain access to thousands of scientific videos
نظرة عامة
يصف هذا البروتوكول بناء كاميرا فيديو رخيصة وتطبيقها في تتبع سلوك القوارض في غرف التكييف الفعال. من خلال استخدام برنامج تتبع مفتوح المصدر، يمكن للباحثين تحسين تحليلهم للسلوكيات المعقدة.
مكونات الدراسة الرئيسية
مجال العلم
- علم الأعصاب
- التحليل السلوكي
- التكييف الفعال
الخلفية
- التكييف الفعال هو طريقة شائعة لدراسة سلوك الحيوانات.
- يمكن أن توفر تحليلات الفيديو رؤى أعمق في الأنماط السلوكية.
- قد تكون الطرق التقليدية محدودة بسبب قيود الميزانية.
- يمكن للأدوات مفتوحة المصدر أن تحول الوصول إلى تقنيات التتبع المتقدمة إلى ملكية عامة.
غرض الدراسة
- لتوفير حل فعال من حيث التكلفة لتسجيل الفيديو في الدراسات السلوكية.
- لتسهيل تتبع حركات الحيوانات أثناء التجارب.
- لتحسين دقة تحليل البيانات السلوكية.
الطرق المستخدمة
- بناء كاميرا فيديو صغيرة.
- التكامُل مع برنامج تتبع مفتوح المصدر.
- تسجيل سلوك القوارض في غرف التكييف الفعال.
- تحليل بيانات الفيديو لتتبع مواقع الحيوانات.
النتائج الرئيسية
- يمكن هذا البروتوكول من التتبع الفعال لسلوك القوارض.
- يعزز تحليل الفيديو فهم نتائج التكييف الفعال.
- طرق فعالة من حيث التكلفة متاحة لمختبرات البحوث المختلفة.
- تحسين جودة البيانات من خلال تقنيات تحليل الفيديو.
الاستنتاجات
- يقدم هذا البروتوكول نهجًا عمليًا للبحث السلوكي.
- يمكن أن يؤدي استخدام تتبع الفيديو إلى تحسين تحليل البيانات بشكل كبير.
- يمكن أن تدعم الحلول مفتوحة المصدر مبادرات البحث المراعية للميزانية.
الأسئلة المتداولة
Executive Industry Relevance
This protocol enables cost-effective video-based behavioral analysis in operant conditioning chambers, addressing a key limitation in neuroscience research where sensor-derived data alone cannot capture spatial movement patterns. By integrating a versatile homemade camera system with DeepLabCut, labs gain the ability to quantify animal positioning and locomotion—parameters critical for mechanistic de-risking in target validation and phenotypic screening workflows. The approach supports predictive confidence in preclinical models by enabling detailed behavioral phenotyping without reliance on expensive commercial systems.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses through quantitative analysis of rodent movement patterns during operant tasks, supporting functional target validation.
- Operational Value: Provides a reproducible method to assess behaviors not detectable via lever or nose-poke sensors, reducing mechanistic ambiguity in early-stage target assessment.
Screening & Assay Development
- Scientific Value: Generates standardized, quantitative positional data from video frames, enabling reliable compound evaluation in behavioral assays.
- Operational Value: Facilitates assay readiness by producing trackable outputs (e.g., head position, protocol indicator alignment) that support high-throughput video analysis pipelines.
Translational & Preclinical Research
- Scientific Value: Supports disease-relevant system modeling by capturing naturalistic behaviors (e.g., head movements during inter-trial intervals) linked to attentional states and task engagement.
- Operational Value: Enables continuity from discovery through preclinical validation by providing scalable, reusable video tracking across test sessions and experimental conditions.
Pipeline & Workflow Integration
The method fits within the discovery continuum from hypothesis testing to lead identification, where detailed behavioral readouts inform target selection and compound prioritization based on movement-based phenotypes.
- Discovery Biology: Supports hypothesis testing and pathway clarification by tracking animal position relative to environmental cues, enabling correlation of movement with cognitive performance.
- Screening: Delivers assay standardization and quantitative outputs (e.g., CSV-tracked coordinates) that allow comparison across treatment groups and timepoints.
- Analytics: Provides statistical-ready data (e.g., frame-by-frame position, indicator activation timing) for in-depth analysis of behavioral events such as reward retrieval or inter-trial intervals.
- Translational Research: Connects to preclinical continuity by enabling detection of distinct attentional strategies and movement patterns relevant to neuropsychiatric disease models.
- Enterprise Reuse: Establishes a modular, adaptable capability for video-based phenotyping that can be deployed across multiple operant chambers and behavioral paradigms.
Operational & Enterprise Impact
- Scientific Value: Enhances predictive confidence by reducing reliance on indirect behavioral proxies and enabling direct observation of spatial dynamics in operant tasks.
- Operational Value: Ensures reproducibility through standardized camera setup and DeepLabCut pipeline, supporting cross-lab consistency in behavioral data generation.
- Strategic Value: Improves go/no-go decisions by uncovering subtle behavioral phenotypes (e.g., limited responsiveness vs. cue detection failure) that inform compound efficacy and target engagement.
- Portfolio Impact: Enables risk-adjusted advancement by identifying mechanistically informative behavioral signatures early in discovery, reducing late-stage attrition due to poor translational predictivity.
Implementation Considerations
- Requires basic electronics and soldering skills for camera assembly, including resistor and jumper cable integration with GPIO components.
- Depends on accessible hardware such as Raspberry Pi, camera module, fisheye lens, infrared LEDs, and USB storage for video retrieval and processing.
- Necessitates cross-team standardization in video acquisition protocols (e.g., consistent lighting, frame rate, indicator synchronization) to ensure reliable DeepLabCut training and tracking accuracy.
- Involves adaptation considerations when applying the system to different chamber geometries or behavioral setups, particularly regarding camera positioning and field of view.
- Practical limitations include dependency on sufficient infrared illumination for low-light tracking and the need for diverse, well-postured training frames (>700) to achieve >90% head tracking accuracy as noted in the protocol.
Biopharma FAQs
Chapters in this video
0:04
Introduction
0:50
Building the Video Camera
3:32
Designing the Operant Conditioning Protocol and Recording Videos of Animals
4:14
Analyzing Videos with DeepLabCut
5:50
Identifying Video Segments of Interest
6:37
Results: Camera performance and Video Tracking to Complement Analysis of Operant Behaviors
8:03
Conclusion
