استخدام vmTracking لتحسين دقة تقدير وضعية المتعددة في دراسات السلوك الاجتماعي للقوارض
November 7th, 2025
يقدم هذا البروتوكول vmTracking ، وهي طريقة تتيح تتبع الوضعيات بدقة عالية في مقاطع الفيديو للعديد من التي تتحرك بحرية وبدون علامات ، حتى في ظل الظروف المزدحمة حيث يتم تجميع بكثافة. يوفر هذا النهج بيانات موثوقة لتحليل التفاعلات الاجتماعية التي تحدث في البيئات شبه الطبيعية حيث يمكن للحيوانات التحرك بحرية.
نهدف إلى فهم التفاعلات الاجتماعية في الفئران الحرة من خلال تطوير طرق تتبع دقيقة متعددة الحيوانات. لا يزال تحقيق تتبع دقيق للوضعية مع تحديد فردي موثوق في ظروف متعددة الحيوانات أمرا صعبا. للبدء، أنشئ مشروعا متعدد الحيوانات جديدا باختيار إدارة المشروع لتتبع الفيديو بدون علامات.
عدل حقول الأفراد وأجزاء الجسم في الإعدادات. ملف YAML وفقا لمتطلبات التحليل. اختر Extract Frames لاستخراج الإطارات من الفيديو لوضع التصنيف والتدريب.
بعد ذلك، قم بتسمية كل إطار مستخرج باختيار بيانات التسمية. خصص الأجزاء المناسبة من الجسم لكل فرد مرئي دون الحفاظ بالضرورة على معرفات متسقة بين الإطارات. لإنشاء مجموعة بيانات تدريبية من الإطارات المستخرجة، اختر إنشاء مجموعة بيانات التدريب.
قم بضبط الشبكة على DLCRNet_ms5 في الإعدادات. اختر خيار التدريب. اضبط معيار التكرارات القصوى إلى 200,000 لهذه الجلسة التدريبية.
جميع معلمات التدريب الأخرى يمكن أن تبقى عند قيمها الافتراضية. قيم الشبكة المدربة باختيار التقييم. لتشغيل تقدير الوضعية على الفيديوهات المختارة، اختر تحليل الفيديوهات التي تولد بيانات إحداثيات HDF5 وملفات الإخراج الأخرى في مجلد الفيديوهات داخل مجلد المشروع.
لإجراء التحقق اليدوي من نتائج التتبع، أنشئ فيديو تتبع معنون باختيار إنشاء فيديوهات. فعل خيار إنشاء فيديو بمعرف حيوان ملون في واجهة المحتوى الإضافي لتضمين المعرفات الفردية في الفيديو. ثم افحص الفيديوهات المولدة مع علامات للتحقق من وجود تغييرات هوية أو توقعات مفقودة.
إذا كانت هناك أخطاء كبيرة، استعد لإعادة التدريب. لإعادة تدريب واستخراج وتعليق الإطارات الشذوذية. اختر الاستخلاص أو تحسين القيم الشاذة.
بمجرد اكتمال التعليق، انقر على دمج مجموعة البيانات للمتابعة تلقائيا إلى إنشاء مجموعة البيانات التدريبية. ثم كرر مسار التدريب. لتصحيح نتائج المحتوى الإضافي متعدد الحيوانات، افتح واجهة المستخدم المخصصة واحتفظ فقط بالنقاط الرئيسية المطلوبة للعلامات الافتراضية.
اختر Refine Tracklets لتصحيح ملف HDF5 الذي يحتوي فقط على نقاط المفاتيح المختارة. عدل النقاط الرئيسية بحيث يحافظ الجميع على معرف ثابت عبر الفيديو. احفظ الملف وسيتم تحديث ملف HDF5 في مجلد الفيديوهات تلقائيا.
بعد ذلك، أنشئ فيديو جديد معنون من البيانات المصححة باختيار إنشاء فيديوهات. في DeepLabCut 2.2، إذا كان هناك فيديو معنون موجود بالفعل في مجلد الفيديوهات، فلن يتم إنشاء فيديو جديد. قم بإزالة أو إعادة تسمية أو نقل الملف الحالي قبل المتابعة.
أعد تسمية الفيديو الظاهر المميز إلى اسم ملف قصير لمنع الأخطاء أثناء معالجة DeepLabCut لاحقا. أنشئ مشروع saDLC جديد باختيار إدارة المشروع لتتبع فيديو العلامات الافتراضية. في الإعدادات.
ملف YAML، يسرد جميع تركيبات الأفراد وأجزاء الجسم في حقل أجزاء الجسم. لاستخراج الإطارات من فيديو العلامة الافتراضية المعاد تسميته، اختر استخراج الإطارات. الآن قم بتسمية كل إطار مستخرج في بيانات التسمية باستخدام العلامات الافتراضية لتعيين معرفات فردية متسقة وضمان تطابق كل من المعرفات وأجزاء الجسم عبر الإطارات.
عندما يكون جزء من الجسم مخفيا جزئيا، لكن هوية الفرد معروفة، قم بتقدير موقعه ووضع التصنيف وفقا لذلك. أنشئ مجموعة بيانات تدريبية من الإطارات المستخرجة عن طريق اختيار إنشاء مجموعة بيانات تدريبية. اضبط الشبكة على شبكة B0 فعالة لهذه الجلسة التدريبية.
ابدأ تدريب الشبكة باختيار Train. اضبط معامل التكرارات القصوى إلى 200,000 لهذه الجلسة، ويمكن لجميع الإعدادات الأخرى البقاء عند قيمها الافتراضية. بعد تقييم الشبكة المدربة، قم بإجراء التحقق اليدوي كما هو موضح سابقا.
في المشاهد المزدحمة، حقق تتبع VM نسبة مطابقة أعلى بكثير من maDLC. كان عدد السلبيات الكاذبة أقل بشكل ملحوظ مع تتبع VM مقارنة ب maDLC. ومع ذلك، لم يكن هناك فرق بين تتبع الآلات الافتراضية وملفات maDLC في عدد الإيجابيات الكاذبة وعدد مفاتيح المعرف.
في المشاهد غير المزدحمة، حقق تتبع VM نسبة مطابقة أعلى بكثير من maDLC. كان عدد السلبيات الكاذبة أقل بشكل ملحوظ مع تتبع VM مقارنة ب maDLC. لم يكن هناك فرق في عدد الإيجابيات الكاذبة وعدد تبديل ID بين تتبع ال VM وmaDLC.
في المشاهد المزدحمة، استقرت نسبة المباراة في maDLC عند حوالي 85٪ بعد حوالي 400 إطار مشروح دون أي تحسين إضافي. بينما أظهر تتبع الذاكرة الافتراضية زيادة مستمرة حتى حوالي 95٪ عند حوالي 1,000 إطار. في maDLC، زيادة عدد الإطارات المشروحة لم تقلل من عدد السلبيات الكاذبة.
المشاهد التي تحتوي على نسبة أعلى من العلامات الافتراضية المخصصة بشكل صحيح كانت تميل إلى إظهار نسب مطابقة أعلى. ومع ذلك، بعض المشاهد مثل 3 و11 أظهرت نسب مطابقة عالية رغم العديد من التعيينات الخاطئة أو فقدان العلامات. بروتوكولنا يعالج نقص الحفاظ الموثوق على الهوية في تتبع وضعيات الحيوانات المتعددة.
يحسن دقة تتبع الوضعيات من خلال دمج العلامات الافتراضية مع الأدوات الموجودة. ستستخدم أبحاثنا المستقبلية هذه البيانات لمعالجة كيف تشكل ديناميكيات المجموعات السلوكيات الاجتماعية في الفئران.
النظرة العامة
يُدخل هذا البروتوكول vmTracking، وهي طريقة تمكن من تتبع الوضع بدقة عالية في مقاطع الفيديو للحيوانات الحرة متعددة الحركة بدون علامات، حتى في الظروف المزدحمة حيث يتم تجميع الحيوانات بشكل كثيف. يوفر هذا النهج بيانات موثوقة لتحليل التفاعلات الاجتماعية التي تحدث في البيئات شبه الطبيعية حيث يمكن للحيوانات أن تتحرك بحرية.
مكونات الدراسة الرئيسية
مجال العلوم
- علم الأعصاب
- التحليل السلوكي
- تقنيات التصوير
الخلفية
- فهم سلوك الحيوان في البيئات الطبيعية أمر حاسم لأبحاث علم الأعصاب.
- قد تكافح طرق التتبع التقليدية في البيئات المزدحمة.
- يمكن أن يعزز التتبع بدون علامات جمع البيانات في التفاعلات الاجتماعية.
- التتبع عالي الدقة ضروري لتحليل السلوك الموثوق.
غرض الدراسة
- لتقديم طريقة تتبع جديدة للحيوانات الحرة المتحركة.
- لتحسين دقة تتبع الوضع في المجموعات الكثيفة.
- لتسهيل دراسة التفاعلات الاجتماعية في البيئات شبه الطبيعية.
الطرق المستخدمة
- تطوير بروتوكول vmTracking.
- تطبيق تقنيات تحليل الفيديو.
- تقييم دقة التتبع في ظروف مختلفة.
- تحليل التفاعلات الاجتماعية بين الحيوانات المتعقبة.
النتائج الرئيسية
- أظهر vmTracking دقة عالية في تتبع الوضع.
- كانت الطريقة فعالة حتى في الظروف المزدحمة.
- تم الحصول على بيانات موثوقة بشأن التفاعلات الاجتماعية.
- تدعم النتائج جدوى دراسة السلوك في البيئات الطبيعية.
الاستنتاجات
- vmTracking هو أداة قيّمة لأبحاث علم الأعصاب السلوكي.
- تعزز الطريقة فهم الديناميات الاجتماعية في الحيوانات.
- يمكن للدراسات المستقبلية الاستفادة من هذه الطريقة للحصول على رؤى أعمق.
الأسئلة الشائعة
Executive Industry Relevance
Accurate multi-animal pose estimation is critical for translational neuroscience and behavioral pharmacology, especially when evaluating drug effects on social interactions in freely moving rodent models. vmTracking addresses a key bottleneck by maintaining individual animal identity during occlusion and crowding, enabling robust quantitative behavioral endpoints. This capability strengthens predictive confidence and supports risk-adjusted decisions in early discovery and preclinical pipelines.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables rigorous interrogation of social behavior phenotypes in disease-relevant rodent models.
- Supports functional target validation by quantifying behavioral changes linked to molecular interventions.
- Improves predictive confidence in behavioral endpoints for portfolio triage.
Screening & Assay Development
- Facilitates preparation of validated behavioral assays for compound screening.
- Enhances reproducibility and standardization of multi-animal tracking outputs.
- Enables scalable, high-throughput behavioral phenotyping for screening campaigns.
Translational & Preclinical Research
- Aligns behavioral readouts with translational biomarkers relevant to neuropsychiatric and neurodevelopmental disorders.
- Supports continuity from discovery through preclinical validation by enabling quantitative, reproducible behavioral metrics.
- Reduces mechanistic ambiguity in behavioral phenotyping for risk-adjusted advancement.
Pipeline & Workflow Integration
vmTracking integrates into the behavioral analysis continuum from early discovery through preclinical research, providing a reusable capability for high-accuracy pose tracking in complex social paradigms.
- Discovery Biology: Enables hypothesis testing and pathway clarification in social behavior models.
- Screening: Delivers standardized, quantitative tracking outputs for assay readiness.
- Analytics: Provides robust measurements of social interaction metrics for comparative analysis.
- Translational Research: Supports alignment of rodent behavioral endpoints with human-relevant biomarkers.
- Enterprise Reuse: Offers a scalable, adaptable tracking solution for diverse behavioral studies.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces ambiguity in behavioral target validation.
- Operational Value: Standardizes multi-animal tracking workflows and improves reproducibility.
- Strategic Value: Enables better go/no-go decisions and capital efficiency in behavioral phenotyping.
- Portfolio Impact: Supports risk-adjusted prioritization of neuroactive compounds and behavioral models.
Implementation Considerations
- Requires expertise in behavioral neuroscience and quantitative video analysis.
- Needs computational infrastructure for video processing and data management.
- Demands cross-team standardization of tracking protocols and data formats.
- Adaptable to various rodent models and experimental paradigms with appropriate calibration.
- Performance may be limited by video quality and extreme occlusion beyond algorithmic resolution.
