Name: Uso de vmTracking para mejorar la precisión de la estimación de la pose de múltiples animales en estudios de comportamiento social de roedores (Video) | JoVE Journal
Uploaded: 2025-11-07T14:40:00.000+00:00
Duration: 7 min 34 s
Description: Aprende vmTracking para el seguimiento de la pose de múltiples animales en condiciones de alta densidad. Este método sin marcadores mejora el análisis de interacciones sociales en entornos seminaturales de roedores.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

<ol><li>Smith, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Lab+mice+go+wild%3A+making+experiments+more+natural+in+order+to+decode+the+brain%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Lab mice go wild: making experiments more natural in order to decode the brain.</a> Nature. 618 (7965), 448-450 (2023).</li>
<li>Rein, B., Ma, K., Yan, Z. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+standardized+social+preference+protocol+for+measuring+social+deficits+in+mouse+models+of+autism%5BTitle%5D)+AND+%22Nat+Protoc%22%5BJournal%5D)">A standardized social preference protocol for measuring social deficits in mouse models of autism.</a> Nat Protoc. 15 (10), 3464-3477 (2020).</li>
<li>Jabarin, R., Netser, S., Wagner, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Beyond+the+three-chamber+test%3A+toward+a+multimodal+and+objective+assessment+of+social+behavior+in+rodents%5BTitle%5D)+AND+%22Mol+Autism%22%5BJournal%5D)">Beyond the three-chamber test: toward a multimodal and objective assessment of social behavior in rodents.</a> Mol Autism. 13 (1), 41(2022).</li>
<li>Lauer, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multi-animal+pose+estimation%2C+identification+and+tracking+with+DeepLabCut%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Multi-animal pose estimation, identification and tracking with DeepLabCut.</a> Nat Methods. 19 (4), 496-504 (2022).</li>
<li>Pereira, T. D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((SLEAP%3A+A+deep+learning+system+for+multi-animal+pose+tracking%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">SLEAP: A deep learning system for multi-animal pose tracking.</a> Nat Methods. 19 (4), 486-495 (2022).</li>
<li>Bordes, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automatically+annotated+motion+tracking+identifies+a+distinct+social+behavioral+profile+following+chronic+social+defeat+stress%5BTitle%5D)+AND+%22Nat+Commun%22%5BJournal%5D)">Automatically annotated motion tracking identifies a distinct social behavioral profile following chronic social defeat stress.</a> Nat Commun. 14 (1), 4319(2023).</li>
<li>Mathis, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((DeepLabCut%3A+markerless+pose+estimation+of+user-defined+body+parts+with+deep+learning%5BTitle%5D)+AND+%22Nat+Neurosci%22%5BJournal%5D)">DeepLabCut: markerless pose estimation of user-defined body parts with deep learning.</a> Nat Neurosci. 21 (9), 1281-1289 (2018).</li>
<li>Bolaños, F., LeDue, J. M., Murphy, T. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cost+effective+raspberry+pi-based+radio+frequency+identification+tagging+of+mice+suitable+for+automated+in+vivo+imaging%5BTitle%5D)+AND+%22J+Neurosci+Methods%22%5BJournal%5D)">Cost effective raspberry pi-based radio frequency identification tagging of mice suitable for automated in vivo imaging.</a> J Neurosci Methods. 276, 79-83 (2017).</li>
<li>Azechi, H., Takahashi, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((vmTracking+enables+highly+accurate+multi-animal+pose+tracking+in+crowded+environments%5BTitle%5D)+AND+%22PLOS+Biol%22%5BJournal%5D)">vmTracking enables highly accurate multi-animal pose tracking in crowded environments.</a> PLOS Biol. 23 (2), e3003002(2025).</li>
<li>DeepLabCut: documentation. , DeepLabCut Team. 
 <a target="_blank" href="https://deeplabcut.github.io/DeepLabCut/README.html">https://deeplabcut.github.io/DeepLabCut/README.html</a> (2025).</li>
<li>Azechi, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((vmTracking+figure+and+code%5BTitle%5D)+AND+%22Zenodo%22%5BJournal%5D)">vmTracking figure and code.</a> Zenodo. , (2025).</li>
<li>Pereira, T. D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fast+animal+pose+estimation+using+deep+neural+networks%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Fast animal pose estimation using deep neural networks.</a> Nat Methods. 16 (1), 117-125 (2019).</li>
<li>Romero-Ferrero, F., Bergomi, M. G., Hinz, R. C., Heras, F. J. H., de Polavieja, G. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((idtracker.ai%3A+tracking+all+individuals+in+small+or+large+collectives+of+unmarked+animals%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">idtracker.ai: tracking all individuals in small or large collectives of unmarked animals.</a> Nat Methods. 16 (2), 179-182 (2019).</li>
</ol>

<table><tbody><tr><td>Tubo acrílico (transparente, grosor 5 mm, diámetro interior 31 cm)</td><td>Sugawarakougei Co., Ltd.</td><td>https://www.sugawarakougei.jp/</td><td>Comprado en Hazaiya (un minorista online de materiales acrílicos)</td></tr><tr><td>Placa acrílica (blanca, 3 mm de grosor, 31 cm de diámetro)</td><td>Sugawarakougei Co., Ltd.</td><td>https://www.sugawarakougei.jp/</td><td>Comprado en Hazaiya (un minorista online de materiales acrílicos)</td></tr><tr><td>Ratón C57BL/6J</td><td>Suministros de laboratorio Shimizu, Co.LTD.</td><td>N/A</td><td></td></tr><tr><td>Cámara</td><td>Basler</td><td>acA3088-57uc</td><td></td></tr><tr><td>DeepLabCut 2.2.3</td><td>Laboratorio Mathis en el Instituto Federal Suizo de Tecnología en Lausana</td><td>https://www.mackenziemathislab.org/deeplabcut</td><td></td></tr><tr><td>Suite de software de cámara Pylon (Visor de pilones)</td><td>Basler</td><td>N/A</td><td></td></tr></tbody></table>

uso de vmtracking para mejorar la precisión de la estimación de la pose de múltiples animales en estudios de comportamiento social de roedores

Utilizing vmTracking to Improve the Accuracy of Multi-Animal Pose Estimation in Rodent Social Behavior Studies

La precisión del seguimiento se evaluó en comparación con una verdad fundamental (GT) generada manualmente. Se extrajeron veinte escenas de 5 o 10 s y se clasificaron como escenas abarrotadas (CR), que incluían superposiciones como ratones que se cruzaban (12 escenas; total de 1.950 fotogramas) o escenas no abarrotadas (nCR) sin superposiciones (8 escenas; total de 1.350 fotogramas). Las predicciones de seguimiento dentro de los 10 píxeles de la posición GT se contaron como coincidencias (Match); las predicciones a ≥10 píxeles de distancia se contaron como falsos positivos (FP); y las predicciones faltantes se contaron como falsos negativos (FN). Además, si la identidad predicha difería de la del fotograma inmediatamente anterior, se contaba como un modificador de ID.
En comparación con maDLC (Figura 6), vmTracking mostró una mejora significativa en la coincidencia en las escenas CR y nCR (Figura 6A, CR: p &lt; 0,001; Figura 6E, nCR: p &lt; 0,01). En ambos tipos de escenas, no se produjeron FN y el número de FN se redujo significativamente con vmTracking (Figura 6B, CR: p &lt; 0,001; Figura 6F, nCR: p &lt; 0,05). Los recuentos de FP (Figura 6C y 6G) y del interruptor de ID (Figura 6D, H) no mostraron cambios en ninguno de los tipos de escena. Se presenta una comparación lado a lado de los resultados de seguimiento obtenidos utilizando vmTracking y maDLC convencional, destacando la precisión y estabilidad mejoradas de vmTracking en condiciones de hacinamiento (Video complementario 1).
También examinamos la relación entre el número de fotogramas de anotación y Match y FN para escenas CR en maDLC y vmTracking (Figura 6I). En maDLC, el Match se estabilizó en aproximadamente el 85% con alrededor de 400 marcos de anotación, con pocas mejoras adicionales a medida que aumentaba el número. El aumento de los marcos de anotación para el entrenamiento no redujo los FN. Por el contrario, vmTracking mostró un aumento constante en Match con más fotogramas de anotación, alcanzando aproximadamente el 95 % en alrededor de 1.000 fotogramas.
Los marcadores virtuales se clasificaron en seis categorías según sus patrones de asignación, y la proporción de cada categoría se utilizó como un índice de precisión del marcador virtual para examinar su relación con el seguimiento de Match (Figura 6J). Las escenas con una mayor proporción de marcadores virtuales asignados correctamente tendían a mostrar una coincidencia más alta. Sin embargo, algunas escenas en las que la proporción de marcadores correctos era baja, ya sea debido a muchas asignaciones incorrectas o a muchos marcadores faltantes, aún exhibían una coincidencia alta (por ejemplo, las escenas CR 3 y 11).
<img alt="Figura 1" class="xfigimg" src="/files/ftp_upload/69506/69506fig1.jpg" data-altupdatedat="1783400419000" data-alt="Figure 1"> 
Figura 1: Descripción general del flujo de trabajo de vmTracking. (A) Diagrama esquemático del flujo de trabajo de vmTracking. Primero, realice maDLC en el video sin marcadores (I). En función de los datos de seguimiento de maDLC resultantes, corrija la salida para que cada individuo mantenga una identificación coherente a lo largo del vídeo y cree un vídeo etiquetado que muestre solo un subconjunto seleccionado de puntos clave (II). Usando las etiquetas de este video como marcadores virtuales, rastree el video del marcador virtual con saDLC (III). (B) Se muestran dos ejemplos de vmTracking como instantáneas de cada fase del proceso. La imagen del extremo izquierdo muestra la vista completa y las imágenes de la derecha son vistas ampliadas de las áreas delimitadas por cuadros amarillos. Las barras naranjas en las esquinas inferiores derechas de las imágenes indican las escalas: 5 cm para la imagen "Sin marcadores (descripción general)" y 1 cm para todas las demás. <a href="https://www.jove.com/files/ftp_upload/69506/69506fig1large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
<img alt="Figura 2" class="xfigimg" src="/files/ftp_upload/69506/69506fig2.jpg" data-altupdatedat="1783400419000" data-alt="Figure 2"> 
Figura 2: Flujo de trabajo de seguimiento de múltiples animales sin marcadores utilizando maDLC. Esta cifra está relacionada con el paso 2.1 del Protocolo. (A) Los paneles están adaptados de la Figura 1B e ilustran el Proceso I (seguimiento de múltiples animales sin marcadores) que se muestra en la Figura 1A. Para mayor claridad, cada animal está delineado con una línea discontinua. La barra naranja en la esquina inferior derecha de cada imagen indica una barra de escala de 1 cm. (D-C) Instantáneas de fotogramas utilizados para el etiquetado durante la ejecución de maDLC. La barra naranja en la esquina inferior derecha de cada imagen indica una barra de escala de 5 cm. (B) Ejemplo de marco antes de aplicar las etiquetas. (C) Mismo marco que en B, después del etiquetado. (D) Ejemplo de otro marco etiquetado. Se desconoce la identidad de los individuos entre los fotogramas C y D, pero no es necesario considerar la identidad individual al etiquetar. Como se muestra en las instantáneas, basta con etiquetar correctamente la postura de cada animal. <a href="https://www.jove.com/files/ftp_upload/69506/69506fig2large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
<img alt="Figura 3" class="xfigimg" src="/files/ftp_upload/69506/69506fig3.jpg" data-altupdatedat="1783400419000" data-alt="Figure 3"> 
Figura 3: Flujo de trabajo para crear un video de marcador virtual basado en los resultados de maDLC. Esta cifra está relacionada con el paso 2.2 del Protocolo. (A) Los paneles están adaptados de la Figura 1B e ilustran el Proceso II (creación de marcadores virtuales) que se muestra en la Figura 1A. Para mayor claridad, cada animal está delineado con una línea discontinua. Las flechas blancas indican los puntos clave utilizados como marcadores virtuales (los puntos clave 2 y 4 para cada ID). En este ejemplo, los marcadores virtuales se generan en escala de grises: las etiquetas maDLC moradas, verdes y rojas aparecen en negro, gris y blanco, respectivamente. En el Ejemplo 1, los resultados de maDLC se emitieron directamente como marcadores virtuales sin corrección. En el Ejemplo 2, los ID morados y rojos se intercambiaron y corrigieron antes de la salida, debido a un cambio de ID en fotogramas consecutivos. Se pasó por alto un punto verde en el resultado de maDLC que debería haberse corregido y se generó sin modificaciones. La barra naranja en la esquina inferior derecha de cada imagen indica una barra de escala de 1 cm. (B) GUI basada en Python para editar archivos de datos de coordenadas h5 para retener solo puntos clave específicos y reemplazar todos los demás con NaN11. (Ba) Ventana de menú inicial al iniciar el programa. Seleccione el archivo que desea editar mediante el botón Seleccionar archivo h5. (Bb) Ventana después de seleccionar el archivo h5. Compruebe los puntos clave que desea reemplazar con NaN (que se muestran como nombre individual-nombre de la pieza del cuerpo) y especifique las horas de inicio y finalización (con velocidad de fotogramas) o los números de fotograma para el reemplazo de NaN. Al hacer clic en Procesar datos, se guarda el archivo editado en la misma carpeta y se crea una copia de seguridad del original. (C) Fotogramas consecutivos de una escena en la que se produjo un cambio de ID. (D) Ejemplo de corrección de todos los puntos de seguimiento de B. (E) Instantánea que muestra el resultado de B con solo los puntos clave 2 y 4 retenidos. (F) Ejemplo de corrección del resultado en E. En comparación con la corrección de todos los puntos clave (C → D), limitar la corrección a dos puntos (C → E → F) reduce el número de ediciones requeridas. La barra naranja en la esquina inferior derecha de cada imagen CF indica una barra de escala de 5 cm. <a href="https://www.jove.com/files/ftp_upload/69506/69506fig3large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
<img alt="Figura 4" class="xfigimg" src="/files/ftp_upload/69506/69506fig4.jpg" data-altupdatedat="1783400419000" data-alt="Figure 4"> 
Figura 4: Flujo de trabajo para el seguimiento del video del marcador virtual. Esta cifra está relacionada con el paso 3 del Protocolo. (A) Los paneles están adaptados de la Figura 1B e ilustran el Proceso III (seguimiento del video del marcador virtual) que se muestra en la Figura 1A. Cada individuo está encerrado en un contorno punteado para mayor claridad del objetivo de seguimiento. En este ejemplo, las personas con marcadores virtuales negros, grises y blancos se rastrean como etiquetas moradas, verdes y rojas, respectivamente. En el ejemplo 1, el marcador virtual gris está ausente, pero vmTracking mantiene el seguimiento de identidad correcto. En el ejemplo 2, el marcador gris aparece en dos individuos, pero el seguimiento sigue siendo correcto. La barra naranja en la esquina inferior derecha de cada imagen indica una barra de escala de 1 cm. (D-C) Instantáneas de fotogramas usados para el etiquetado durante vmTracking. En este paso, se utiliza saDLC, con cada punto clave definido para incluir información individual y de partes del cuerpo. El etiquetado especifica qué parte del cuerpo de cada individuo está representada. La barra naranja en la esquina inferior derecha de cada imagen indica una barra de escala de 5 cm. (B) Instantánea de un fotograma antes del etiquetado. (C) Instantánea del fotograma en B después del etiquetado. (D) Instantánea de un fotograma diferente de C después del etiquetado. Incluso en diferentes fotogramas (por ejemplo, C y D), el etiquetado mantiene la identidad individual utilizando el marcador virtual como indicación, como lo indican los colores de etiqueta consistentes. <a href="https://www.jove.com/files/ftp_upload/69506/69506fig4large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
<img alt="Figura 5" class="xfigimg" src="/files/ftp_upload/69506/69506fig5.jpg" data-altupdatedat="1783400419000" data-alt="Figure 5"> 
Figura 5: Flujo de trabajo para fusionar los resultados de seguimiento con un vídeo sin marcadores para producir un vídeo de seguimiento sin marcadores virtuales. Este es un paso opcional relacionado con la NOTA del Paso 3.8.2. (A) Cuando se aplican los resultados de seguimiento al vídeo de marcador virtual, el vídeo de seguimiento resultante conserva los marcadores virtuales (vmTrackingvm+). Las flechas amarillas indican los marcadores virtuales visibles en la salida. La aplicación de los resultados de seguimiento al vídeo original sin marcadores produce un vídeo de seguimiento sin marcadores virtuales (vmTrackingvm-), adecuado para presentaciones u otros fines. La barra naranja en la esquina inferior derecha de cada imagen indica una barra de escala de 1 cm. (B, C) Administración de archivos en la carpeta "videos" del directorio del proyecto al aplicar los resultados de vmTracking a un video sin marcadores. El cuadro naranja ilustra esquemáticamente el contenido de la carpeta. (B) La carpeta "videos" después de generar un video de seguimiento de vmTracking al generar los resultados de seguimiento en el video del marcador virtual (que se muestra esquemáticamente como '4. Etiquetas en video de marcador virtual'). (C) Preparación de la carpeta "videos" para generar resultados de vmTracking en el video sin marcadores. Mueva o cambie el nombre del '1. Video de marcador virtual' y '4. Etiquetas en los archivos de vídeo de marcador virtual del panel B para que se excluyan de la carpeta. El problema no son los archivos en sí, sino que sus nombres de archivo originales interfieren con el procesamiento. Luego, coloque el '5. Vídeo sin marcadores' en la carpeta, cambiándole el nombre para que coincida con el nombre de archivo del vídeo de marcador virtual original (por ejemplo, VMvideo.MP4). En este estado, volver a ejecutar Crear vídeos produce un vídeo de seguimiento con los resultados aplicados al vídeo sin marcadores ('6. Etiquetas en vídeo sin marcadores»). Esta cifra ha sido modificada de Azechi &amp; Takahashi, 2025, PLOS Biology (CC BY 4.0)7. <a href="https://www.jove.com/files/ftp_upload/69506/69506fig5large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
<img alt="Figura 6" class="xfigimg" src="/files/ftp_upload/69506/69506fig6.jpg" data-altupdatedat="1783400419000" data-alt="Figure 6"> 
Figura 6: Evaluación de la precisión del seguimiento con vmTracking. (A-H) Comparación entre maDLC y vmTracking para las proporciones de coincidencias. (A), falsos negativos (B), falsos positivos (C) y cambios de ID (D) en 12 escenas abarrotadas (CR), y coincidencias (E), falsos negativos (F), falsos positivos (G) y cambios de ID (H) en 8 escenas no abarrotadas (nCR). Los gráficos representan los valores medidos para cada escena y las barras representan los valores medios calculados a partir de ellos. Las comparaciones estadísticas se realizaron mediante la prueba de rangos con signo de Wilcoxon. (I) Relación entre el número de fotogramas anotados en CR y las proporciones de coincidencias y falsos negativos. El cuadro verde de la derecha muestra una vista ampliada del área delimitada por las líneas de puntos verdes en el panel izquierdo. Los gráficos representan los valores medios. (J) Relación entre la precisión del marcador virtual y el seguimiento de coincidencias en escenas CR y nCR. La precisión del marcador virtual se clasificó para cada par de marcadores en seis tipos: ambos puntos correctamente asignados al individuo correcto, uno correcto y uno faltante, uno correcto y uno incorrecto, ambos incorrectos, uno incorrecto y uno faltante, y ambos faltantes. Para cada escena, las proporciones de estas categorías se muestran como barras apiladas, con la coincidencia de seguimiento correspondiente para esa escena indicada encima de cada barra. Las escenas están dispuestas en orden ascendente de seguimiento de Match de izquierda a derecha, por separado para las escenas CR y nCR. Escenas CR: n = 12; Escenas nCR: n = 8. p &lt; 0,001, **p &lt; 0,01, *p &lt; 0,05. Esta cifra ha sido modificada de Azechi y Takahashi (2025)9. <a href="https://www.jove.com/files/ftp_upload/69506/69506fig6large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
Figura complementaria 1: Instantánea de la ventana principal en DeepLabCut multianimal, que muestra la ubicación de cada pestaña de operación. Las instantáneas ilustran, con flechas, las pestañas utilizadas en cada paso del procedimiento vmTracking. Las imágenes se capturaron desde la GUI de DeepLabCut (versión 2.2.3). <a href="https://www.jove.com/files/ftp_upload/69506/Supplementary%20Figure%201.tiff" target="_blank">Haga clic aquí para descargar esta figura.</a>
Figura complementaria 2: Instantánea de la ventana principal en DeepLabCut de un solo animal, que muestra la ubicación de cada pestaña de operación. Las instantáneas ilustran, con flechas, las pestañas utilizadas en cada paso del procedimiento vmTracking. Las imágenes se capturaron desde la GUI de DeepLabCut (versión 2.2.3). <a href="https://www.jove.com/files/ftp_upload/69506/Supplementary%20Figure%202.tiff" target="_blank">Haga clic aquí para descargar esta figura.</a>
Vídeo complementario 1: Comparación de DeepLabCut y vmTracking de múltiples animales en el seguimiento de tres ratones. Este video comparativo muestra el rendimiento de DeepLabCut (maDLC; izquierda) y vmTracking (derecha) durante el seguimiento de tres ratones. El vídeo vmTracking se generó sustituyendo el vídeo de marcador virtual por el vídeo original sin marcador, siguiendo el procedimiento descrito en la NOTA del Paso 3.8.2, para presentar los resultados de seguimiento sin marcadores virtuales. Para cada método de seguimiento, las identidades individuales se indican mediante etiquetas de color de la misma familia de colores para facilitar la comparación. A lo largo del video, vmTracking muestra menos casos en los que se detectan partes del cuerpo que pertenecen a diferentes individuos, en comparación con maDLC. En particular, alrededor de los 15-17 s, maDLC identifica erróneamente a los individuos con etiqueta verde y roja, lo que resulta en un cambio de sus identidades asignadas. <a href="https://www.jove.com/files/ftp_upload/69506/Supplementary%20Video%201.mp4" target="_blank">Haga clic aquí para descargar este archivo.</a>

Uso de vmTracking para mejorar la precisión de la estimación de la pose de múltiples animales en estudios de comportamiento social de roedores

In social behavior research using rodents, there is a growing demand for evaluating more natural interactive behaviors under freely moving conditions. ...

Nuestro objetivo es comprender las interacciones sociales en ratones que se desplazan libremente desarrollando métodos precisos de rastreo multi-animal. Lograr un seguimiento preciso de la postura con identificación individual fiable en condiciones de múltiples animales sigue siendo difícil. Para empezar, crea un nuevo proyecto multi-animal seleccionando Gestionar Proyecto para seguimiento de vídeo sin marcadores.Modifica los campos de individuos y partes del cuerpo en la configuración. Archivo YAML según los requisitos de análisis. Selecciona Extraer fotogramas para extraer fotogramas del vídeo para etiquetado y formación.A continuación, etiqueta cada fotograma extraído seleccionando Datos de Etiqueta. Asigna las partes del cuerpo adecuadas a cada individuo visible sin mantener necesariamente identificaciones consistentes entre fotogramas. Para crear un conjunto de datos de entrenamiento a partir de los marcos extraídos, seleccione crear Conjunto de Datos de Entrenamiento.Configura la red a DLCRNet_ms5 en la configuración. Selecciona Entrenar para empezar a entrenar la red. Establece el parámetro máximo de iteraciones en 200.000 para esta sesión de entrenamiento.Todos los demás parámetros de entrenamiento pueden permanecer en sus valores predeterminados. Evalúa la red entrenada seleccionando Evaluar. Para ejecutar estimación de pose en los vídeos seleccionados, elige Analizar vídeos generando datos de coordenadas HDF5 y otros archivos de salida en la carpeta de vídeos dentro de la carpeta del proyecto.Para realizar una verificación manual de los resultados de seguimiento, crea un vídeo de seguimiento etiquetado seleccionando Crear vídeos. Activa la opción de crear vídeo con identificación animal en la interfaz gráfica del DLC para incluir identificaciones individuales en el vídeo. Luego inspecciona los vídeos generados etiquetados para comprobar si hay cambios de identidad o predicciones que faltan.Si hay errores graves, prepárate para reciclar. Para reentrenar, extraer y anotar fotogramas atípicos. Selecciona extraer o refinar valores atípicos.Una vez completada la anotación, haz clic en Combinar Conjunto de Datos para proceder automáticamente a la creación del conjunto de datos de entrenamiento. Y luego repite la cadena de entrenamiento. Para corregir los resultados del DLC multi-animal, abre la interfaz personalizada y conserva solo los puntos clave necesarios para los marcadores virtuales.Selecciona Refine Tracklets para corregir el archivo HDF5 que contiene solo los puntos clave seleccionados. Ajusta los puntos clave para que todos conserven una identificación consistente en todo el vídeo. Guarda el archivo y el archivo HDF5 en la carpeta de vídeos se actualizará automáticamente.A continuación, crea un nuevo vídeo etiquetado a partir de los datos corregidos seleccionando Crear vídeos. En DeepLabCut 2.2, si un vídeo etiquetado ya existe en la carpeta de vídeos, no se creará un vídeo nuevo. Elimina, renombra o mueve el archivo existente antes de continuar.Renombra el vídeo marcador virtual etiquetado a un nombre corto para evitar errores durante el procesamiento posterior de DeepLabCut. Crea un nuevo proyecto saDLC seleccionando Gestionar proyecto para rastrear el vídeo del marcador virtual. En la configuración.archivo yaml, lista todas las combinaciones de individuos y partes del cuerpo en el campo de partes del cuerpo. Para extraer fotogramas del vídeo marcador virtual renombrado, seleccione Extraer fotogramas. Ahora etiqueta cada fotograma extraída en los datos de etiquetas usando los marcadores virtuales para asignar IDs individuales consistentes y asegurarte de que tanto los IDs como las partes del cuerpo coincidan entre los fotogramas.Cuando una parte del cuerpo está parcialmente oculta, pero se conoce la identificación del individuo, estima su posición y aplica la etiqueta en consecuencia. Crea un conjunto de datos de entrenamiento a partir de los marcos extraídos seleccionando Crear Conjunto de Datos de Entrenamiento. Configura la red en net eficiente B0 para esta sesión de entrenamiento.Comienza a entrenar a la red seleccionando Train. Establece el parámetro máximo de iteraciones en 200.000 para esta sesión, y todas las demás configuraciones pueden mantenerse en sus valores predeterminados. Tras evaluar la red entrenada, realiza la verificación manual como se ha demostrado anteriormente.En escenas llenas de gente, el seguimiento de VM alcanzó un porcentaje de coincidencia significativamente mayor que el maDLC. El número de falsos negativos fue significativamente menor con el seguimiento de máquinas virtuales que con maDLC. Sin embargo, no había diferencia entre el seguimiento de VM y el maDLC en el número de falsos positivos y de cambios de ID.En escenas sin mucha gente, el seguimiento de VM alcanzó un porcentaje de coincidencia significativamente mayor que el de los maDLC. El número de falsos negativos fue significativamente menor con el seguimiento de máquinas virtuales que con maDLC. No hubo diferencia en el número de falsos positivos y de cambio de ID entre el seguimiento de la VM y el maDLC.En escenas llenas de gente, el porcentaje de coincidencias en maDLC se estabilizó en aproximadamente el 85% tras unos 400 fotogramas anotados sin más mejoras. Mientras que el seguimiento de VM mostró un aumento constante hasta aproximadamente el 95%, alrededor de 1.000 tramas. En maDLC, aumentar el número de fotogramas anotados no disminuyó el número de falsos negativos.Las escenas con una mayor proporción de marcadores virtuales correctamente asignados tendían a mostrar porcentajes de coincidencia más altos. Sin embargo, algunas escenas como la 3 y la 11 seguían mostrando altos porcentajes de coincidencia a pesar de muchas asignaciones incorrectas o de marcadores faltantes. Nuestro protocolo aborda la falta de mantenimiento fiable de la identidad en el seguimiento de postura de varios animales.Mejora la precisión del seguimiento de la postura al combinar marcadores virtuales con herramientas existentes. Nuestra investigación futura utilizará estos datos para abordar cómo la dinámica grupal moldea los comportamientos sociales en ratones.

utilizing-vmtracking-to-improve-accuracy-multi-animal-pose-estimation

Research

Investigación

JoVE Journal

Behavior

Comportamiento

Aquí presentamos un protocolo para el seguimiento individual de animales durante un largo período de tiempo. Utiliza visión por computadora métodos para identificar un conjunto de etiquetas manualmente construidas mediante un grupo de langostas como caso de estudio, al mismo tiempo proporcionando información sobre cómo casa, manipulan y marcan las langostas.

Seguimiento a largo plazo del vídeo de animales acuáticos Cohoused: un estudio de caso de la actividad locomotriz de la langosta Noruega (Nephrops norvegicus)

Aquí, presentamos métodos para estudio de alto rendimiento de una serie de cavefish mexicano comportamientos y la coloración vital de un sistema de mechanosensory. Estos métodos utilizan scripts software libre y a medida, ofreciendo un método práctico y rentable para los estudios de comportamientos.

Seguimiento conductual y Neuromast proyección de imagen de mexicana Cavefish

Aquí se presenta un protocolo para recopilar y analizar la cinemática tridimensional de la locomoción cuadrúpeda en roedores para estudios preclínicos.

Análisis de gait cinemático 3D para estudios preclínicos en roedores

Aquí se describe un novedoso sistema experimental automatizado que ofrece una alternativa a la prueba de tres cámaras y también resuelve varias advertencias. Este sistema proporciona múltiples parámetros de comportamiento que permiten un análisis riguroso de la dinámica conductual de pequeños roedores durante las pruebas de preferencia social y preferencia de novedad social.

Un sistema para el seguimiento de la dinámica del comportamiento de las preferencias sociales en pequeños roedores

El papel de los genes recientemente descubiertos asociados a la enfermedad en la patogénesis de los trastornos neuropsiquiátricos sigue siendo oscuro. Una técnica bilateral modificada de electroporación de útero permite la transferencia de genes en grandes poblaciones de neuronas y el examen de los efectos causales de los cambios de expresión génica en el comportamiento social.

Un gasoducto que utiliza la electroporación bilateral en Utero para interrogar influencias genéticas en el comportamiento de los roedores

Este protocolo describe cómo construir una cámara de video pequeña y versátil, y cómo utilizar los videos obtenidos de ella para entrenar una red neuronal para rastrear la posición de un animal dentro de las cámaras de acondicionamiento de operandos. Este es un valioso complemento a los análisis estándar de los registros de datos obtenidos de las pruebas de acondicionamiento de operandos.

Seguimiento de ratas en cámaras de acondicionamiento de operantes utilizando una cámara de vídeo casera versátil y DeepLabCut

Este protocolo proporciona un marco integrado basado en métodos neuroetológicos computacionales avanzados para comprender la codificación cerebral en contextos naturalistas.

Decodificando el comportamiento natural a partir de la incrustación neuroetológica

Este protocolo establece una cadena de evaluación cinemática de la extremidad posterior de rata utilizando una prueba de cinta sin marcadores con autoetiquetado de trayectorias multiarticular impulsado por aprendizaje profundo, que permite la cuantificación reproducible del movimiento.

Seguimiento síncrono multiarticular basado en aprendizaje profundo para la cuantificación objetiva de la cinemática locomotora de las extremidades posteriores en ratas

Un procedimiento que permite una demostración del aumento robusto de búsqueda de drogas en ratas con restricción alimenticia se describe. Después del entrenamiento de auto-administración de heroína, las ratas pasan por un período de abstinencia, en un ambiente libre de drogas, durante los cuales son levemente comida restringida. Búsqueda de drogas se prueba a continuación, en el medio ambiente asociados con las drogas.

Un procedimiento para estudiar el efecto de la prolongada restricción de alimentos en heroína Buscando en ratas abstinentes

Un procedimiento para el estudio de la capacidad de un contexto ambiental de alcohol asociado a desencadenar la renovación de la conducta de búsqueda de alcohol en ratas se describe.

Un procedimiento para observar inducida Contexto-Renovación-pavloviano acondicionado Alcohol comportamiento de búsqueda en ratas

Aprende vmTracking para el seguimiento de la pose de múltiples animales en condiciones de alta densidad. Este método sin marcadores mejora el análisis de interacciones sociales en entornos seminaturales de roedores.

Uso de vmTracking para mejorar la precisión de la estimación de la pose de múltiples animales en estudios de comportamiento social de roedores (Video) | JoVE Journal

Uso de vmTracking para mejorar la precisión de la estimación de la pose de múltiples animales en estudios de comportamiento social de roedores

Explorar más videos