Verwendung von vmTracking zur Verbesserung der Genauigkeit der Schätzung der Pose mehrerer Tiere in Studien zum Sozialverhalten von Nagetieren
November 7th, 2025
Mit diesem Protokoll wird vmTracking eingeführt, eine Methode, die eine hochpräzise Posenverfolgung in Videos von mehreren frei beweglichen, markierungslosen Tieren ermöglicht, selbst unter überfüllten Bedingungen, in denen die Tiere dicht gruppiert sind. Dieser Ansatz liefert zuverlässige Daten für die Analyse sozialer Interaktionen, die in naturnahen Umgebungen stattfinden, in denen sich die Tiere frei bewegen können.
Wir wollen soziale Interaktionen bei frei bewegenden Mäusen verstehen, indem wir genaue Mehrtier-Tracking-Methoden entwickeln. Eine genaue Posenverfolgung mit zuverlässiger individueller Identifikation unter Mehrtierbedingungen bleibt schwierig. Zu Beginn erstellen Sie ein neues Multi-Tier-Projekt, indem Sie "Projekt verwalten" für markerlose Videoverfolgung auswählen.
Ändere die Felder für Einzelpersonen und Körperteile in der Konfiguration. YAML-Datei gemäß den Analyseanforderungen. Wähle Frames extrahieren, um Bilder aus dem Video für Beschriftung und Training zu extrahieren.
Als Nächstes beschriften Sie jeden extrahierten Frame, indem Sie Daten beschriften. Weisen Sie jedem sichtbaren Individuum die passenden Körperteile zu, ohne unbedingt konsistente IDs zwischen den Frames beizubehalten. Um aus den extrahierten Frames einen Trainingsdatensatz zu erstellen, wählen Sie "Trainingsdatensatz erstellen".
Stellen Sie das Netzwerk in der Konfiguration auf DLCRNet_ms5 ein. Wählen Sie Train, um mit dem Training des Netzwerks zu beginnen. Setzen Sie den maximalen Iterationsparameter für diese Trainingseinheit auf 200.000.
Alle anderen Trainingsparameter können auf ihren Standardwerten bleiben. Bewerten Sie das trainierte Netzwerk, indem Sie Evaluieren auswählen. Um eine Pose-Schätzung für die ausgewählten Videos auszuführen, wählen Sie im Video-Ordner im Projektordner "Videos analysieren und HDF5-Koordinatendaten generieren".
Um die Tracking-Ergebnisse manuell zu überprüfen, erstellen Sie ein beschriftetes Tracking-Video, indem Sie Videos erstellen auswählen. Aktivieren Sie die Option "Video mit Tier-ID-Farb" erstellen in der DLC-GUI, um individuelle IDs ins Video einzufügen. Dann inspizieren Sie die generierten beschrifteten Videos, um Identitätswechsel oder fehlende Vorhersagen zu überprüfen.
Wenn schwerwiegende Fehler vorliegen, bereiten Sie sich auf eine Nachbildung vor. Um Outlier-Frames neu zu trainieren, zu extrahieren und zu annotieren. Wähle Ausreißer extrahieren oder verfeinern.
Sobald die Annotation abgeschlossen ist, klicken Sie auf Datensatz zusammenführen, um automatisch mit der Erstellung des Trainingsdatensatzes fortzufahren. Und dann wiederhole ich die Trainingsphase. Um die Multi-Animal-DLC-Ergebnisse zu korrigieren, öffnen Sie die benutzerdefinierte grafische Benutzeroberfläche und behalten Sie nur die erforderlichen Schlüsselpunkte für virtuelle Marker bei.
Wählen Sie Refine Tracklets, um die HDF5-Datei zu korrigieren, die nur die ausgewählten Schlüsselpunkte enthält. Passen Sie die wichtigsten Punkte so an, dass jeder im gesamten Video eine einheitliche Identität behält. Speichere die Datei und die HDF5-Datei im Video-Ordner wird automatisch aktualisiert.
Erstellen Sie anschließend ein neues beschriftetes Video aus den korrigierten Daten, indem Sie Videos erstellen auswählen. In DeepLabCut 2.2 wird kein neues Video erstellt, wenn bereits ein beschriftetes Video im Video-Ordner existiert. Entfernen, umbenennen oder verschieben Sie die bestehende Datei, bevor Sie fortfahren.
Benennen Sie das beschriftete virtuelle Marker-Video in einen kurzen Dateinamen, um Fehler während der nachgelagerten DeepLabCut-Verarbeitung zu vermeiden. Erstellen Sie ein neues saDLC-Projekt, indem Sie "Projekt verwalten" auswählen, um das virtuelle Marker-Video zu verfolgen. In der Konfiguration.
YAML-Datei, listen Sie alle Kombinationen von Individuen und Körperteilen im Bereich Körperteile auf. Um Frames aus dem umbenannten virtuellen Marker-Video zu extrahieren, wählen Sie Frames extrahieren. Markieren Sie nun jeden extrahierten Frame in den Label-Daten mit den virtuellen Markern, um konsistente individuelle IDs zuzuweisen und sicherzustellen, dass sowohl IDs als auch Körperteile über die Frames verteilt übereinstimmen.
Wenn ein Körperteil teilweise verborgen ist, aber die Identität der Person bekannt ist, schätzen Sie dessen Position und verwenden Sie das Etikett entsprechend. Erstellen Sie einen Trainingsdatensatz aus den extrahierten Frames, indem Sie 'Trainingsdatensatz erstellen' auswählen. Stellen Sie das Netzwerk für diese Trainingseinheit auf effizientes Netto B0 ein.
Beginnen Sie mit dem Training des Netzwerks, indem Sie Trainieren auswählen. Setzen Sie für diese Sitzung den maximalen Iterationsparameter auf 200.000, und alle anderen Einstellungen können auf ihren Standardwerten bleiben. Nach der Auswertung des trainierten Netzwerks wird eine manuelle Verifikation durchgeführt, wie zuvor demonstriert.
In überfüllten Szenen erzielte VM-Tracking eine deutlich höhere Match-Quote als maDLC. Die Anzahl der falsch negativen Ergebnisse war mit VM-Tracking deutlich geringer als mit maDLC. Allerdings gab es keinen Unterschied zwischen VM-Tracking und maDLC bei der Anzahl von Fehlalarmen und ID-Wechseln.
In nicht überfüllten Szenen erzielte das VM-Tracking eine signifikant höhere Match-Quote als maDLC. Die Anzahl der falsch negativen Ergebnisse war mit VM-Tracking deutlich geringer als mit maDLC. Es gab keinen Unterschied bei den Fehlalarmen und den Anzahl der ID-Wechsel zwischen VM-Tracking und maDLC.
In überfüllten Szenen stagnierte die Match-Quote in maDLC bei etwa 85 % nach etwa 400 kommentierten Frames ohne weitere Verbesserung. Während das VM-Tracking einen stetigen Anstieg von etwa 95 % bei etwa 1.000 Frames zeigte. In maDLC reduzierte die Erhöhung der Anzahl der annotierten Frames nicht die Anzahl der falsch negativen Ergebnisse.
Szenen mit einem höheren Anteil korrekt zugewiesener virtueller Marker zeigten tendenziell höhere Match-Prozentsätze. Allerdings zeigten einige Szenen wie 3 und 11 trotz vieler falscher Zuweisungen oder fehlender Markierungen hohe Match-Prozenten. Unser Protokoll behebt einen Mangel an zuverlässiger Identitätspflege bei der Verfolgung mehrerer Tierposen.
Es verbessert die Genauigkeit der Poseverfolgung, indem es virtuelle Marker mit bestehenden Werkzeugen kombiniert. Unsere zukünftige Forschung wird diese Daten nutzen, um zu untersuchen, wie Gruppendynamiken soziales Verhalten bei Mäusen prägen.
Überblick
Dieses Protokoll stellt vmTracking vor, eine Methode, die eine hochgenaue Posen-Verfolgung in Videos von mehreren frei bewegten, markerlosen Tieren ermöglicht, selbst unter überfüllten Bedingungen, bei denen Tiere dicht gruppiert sind. Dieser Ansatz liefert zuverlässige Daten für die Analyse sozialer Interaktionen, die in halbnatürlichen Umgebungen auftreten, in denen sich Tiere frei bewegen können.
Wichtige Studienkomponenten
Wissenschaftsbereich
- Neurowissenschaften
- Verhaltensanalyse
- Bildgebungstechniken
Hintergrund
- Das Verständnis des Tierverhaltens in naturalistischen Umgebungen ist entscheidend für die neurowissenschaftliche Forschung.
- Traditionelle Verfolgungsmethoden können in überfüllten Umgebungen Schwierigkeiten haben.
- Markerlose Verfolgung kann die Datenerfassung bei sozialen Interaktionen verbessern.
- Hochgenaue Verfolgung ist für eine zuverlässige Verhaltensanalyse unerlässlich.
Zweck der Studie
- Einführung einer neuartigen Verfolgungsmethode für frei bewegte Tiere.
- Verbesserung der Genauigkeit der Posen-Verfolgung in dichten Gruppen.
- Erleichterung der Untersuchung sozialer Interaktionen in halbnatürlichen Umgebungen.
Verwendete Methoden
- Entwicklung des vmTracking-Protokolls.
- Anwendung von Videoanalysetechniken.
- Evaluierung der Verfolgungsgenauigkeit unter verschiedenen Bedingungen.
- Analyse sozialer Interaktionen zwischen verfolgten Tieren.
Hauptergebnisse
- vmTracking zeigte eine hohe Genauigkeit bei der Posen-Verfolgung.
- Die Methode war auch unter überfüllten Bedingungen effektiv.
- Es wurden zuverlässige Daten zu sozialen Interaktionen erhalten.
- Die Ergebnisse unterstützen die Machbarkeit der Untersuchung von Verhalten in naturalistischen Umgebungen.
Schlussfolgerungen
- vmTracking ist ein wertvolles Werkzeug für die Verhaltensneurowissenschaften.
- Die Methode verbessert das Verständnis der sozialen Dynamik bei Tieren.
- Zukünftige Studien können diesen Ansatz für tiefere Einblicke nutzen.
Häufig gestellte Fragen
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.
