Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Behavior
Click here for the English version

Behavior

सुविधा लर्निंग लेग सेगमेंटेशन और ट्रैकिंग (FLLIT) का उपयोग करके स्वतंत्र रूप से चलती कीड़ों में पूरी तरह से स्वचालित लेग ट्रैकिंग

Published: April 23, 2020 doi: 10.3791/61012
Automatic Translation
1, 2, 3, 1
1Institute of Molecular and Cell Biology, Agency for Science, Technology and Research, 2Bioinformatics Institute, Agency for Science, Technology and Research, 3Department of Electrical and Computer Engineering, University of Alberta

Summary

हम फ्लिट का उपयोग करने के लिए विस्तृत प्रोटोकॉल का वर्णन करते हैं, पैर पंजा आंदोलन ट्रैकिंग के लिए एक पूरी तरह से स्वचालित मशीन लर्निंग विधि स्वतंत्र रूप से ड्रोसोफिला मेलानोगास्टर और अन्य कीड़ों को चलती है। इन प्रोटोकॉल का उपयोग जंगली प्रकार की मक्खियों, उत्परिवर्ती मक्खियों और न्यूरोडिजेनरेशन के फ्लाई मॉडल में सूक्ष्म चलने वाले चाल आंदोलनों को मात्रात्मक रूप से मापने के लिए किया जा सकता है।

Abstract

ड्रोसोफिला मॉडल न्यूरोलॉजिकल फ़ंक्शन के अध्ययन के लिए और न्यूरोडिजेनरेशन को रेखांकित करने वाले आणविक और सेलुलर तंत्र को समझने के लिए अमूल्य रहा है। जबकि हेरफेर और न्यूरोनल सबसेट के अध्ययन के लिए उड़ान भरने की तकनीक तेजी से परिष्कृत हो गई है, परिणामी व्यवहार फेनोटाइप की समृद्धि को समान विस्तार से नहीं पकड़ा गया है। म्यूटेंट के बीच तुलना के लिए सूक्ष्म फ्लाई लेग आंदोलनों का अध्ययन करने में सक्षम होने के लिए स्वचालित रूप से उच्च गति और तेजी से पैर आंदोलनों को मापने और निर्धारित करने की क्षमता की आवश्यकता होती है। इसलिए, हमने स्वतंत्र रूप से चलने वाली मक्खियों, सुविधा लर्निंग-आधारित अंग विभाजन और ट्रैकिंग (FLLIT) में स्वचालित लेग पंजा ट्रैकिंग के लिए एक मशीन-लर्निंग एल्गोरिदम विकसित किया। सबसे गहरी सीखने के तरीकों के विपरीत, FLLIT पूरी तरह से स्वचालित है और सीखने के एल्गोरिदम में निर्मित रूपात्मक मापदंडों का उपयोग करके उपयोगकर्ता एनोटेशन की आवश्यकता के बिना अपने स्वयं के प्रशिक्षण सेट उत्पन्न करता है। यह लेख FLLIT का उपयोग कर चाल विश्लेषण करने के लिए एक गहराई प्रोटोकॉल का वर्णन करता है। यह कैमरा सेटअप, अखाड़ा निर्माण, वीडियो रिकॉर्डिंग, पैर विभाजन और पैर पंजा ट्रैकिंग के लिए प्रक्रियाओं का विवरण । यह फ्लेट द्वारा उत्पादित डेटा का अवलोकन भी देता है, जिसमें हर वीडियो फ्रेम में रॉ ट्रैक किए गए बॉडी और लेग पोजिशन, 20 चाल पैरामीटर, 5 प्लॉट और एक ट्रैक किए गए वीडियो शामिल हैं । FLLIT के उपयोग को प्रदर्शित करने के लिए, हम स्पिनोसेरिबेलर एटैक्सिया 3 के फ्लाई मॉडल में प्रासंगिक रोगग्रस्त चाल मापदंडों की मात्रा निर्धारित करते हैं।

Introduction

पिछले कुछ दशकों में, न्यूरोडीजेनेरेटिव रोग ों और आंदोलन विकारों हमारी उम्र बढ़ने की आबादी में अधिक प्रचलित हो गए हैं । हालांकि कई न्यूरोडीजेनेरेटिव रोगों के बारे में हमारी समझ आणविक और सेलुलर स्तर पर उन्नत है, प्रभावित न्यूरोनल सर्किटरी अंतर्निहित रोग की मौलिक विशेषताएं खराब समझ में आती हैं। हाल ही में विकसित व्यवहार ट्रैकिंग उपकरण1,,2,,3,,4 अब हमें आणविक, सेलुलर और सर्किट डिस्रेगुलेशन अंतर्निहित बीमारी की पहचान करने के लिए पशु रोग मॉडल में आंदोलन असामान्यताओं का अध्ययन करने की अनुमति देते हैं।

कई न्यूरोडीजेनेरेटिव रोगों में शामिल आणविक रास्तों को फल मक्खी ड्रोसोफिला मेलानोगास्टरमें संरक्षित किया जाता है और ड्रोसोफिला रोग मॉडलों ने न्यूरोडिजेनरेशन5,6अंतर्निहित मौलिक तंत्रों को स्पष्ट करने में मदद की है । हमने हाल ही में दिखाया कि पार्किंसंस रोग (पीडी) और स्पिनोसेरिबेलर एटैक्सिया 3 (एससीए 3) के फ्लाई मॉडल अलग, संरक्षित चाल हस्ताक्षर प्रदर्शित करते हैं जो संबंधित मानव रोगों के समान होते हैं1,यह दर्शाता है कि फ्लाई मॉडल का उपयोग विशिष्ट आंदोलन विकारों में आंदोलन रोग अंतर्निहित सर्किट तंत्र को समझने के लिए किया जा सकता है। एकल,जीन और एकल कोशिका स्तर7,8,89,,10 पर न्यूरॉन्स के लक्षित हेरफेर और दृश्य के लिए फ्लाई मॉडल में उपकरणों के समृद्ध और लगातार बढ़ते शस्त्रागार फ्लाई को रोग के रास्तों, न्यूरोनल सर्किटरी और विवो में व्यवहार फेनोटाइपिक अभिव्यक्ति के बीच संबंधों की जांच करने के लिए एक आदर्श मॉडल बनाता है। सटीक, स्वचालित कीट चाल विश्लेषण को सक्षम करने के लिए, हमने हाल ही में एक मशीन लर्निंग विधि, एफखाने की एलकमाई आधारित लीएमबी सेगमेंटेशन और टीरैकिंग (FLLIT)1विकसित की है।

FLLIT में पूरी तरह से स्वचालित मल्टी-स्टेज एल्गोरिदम होता है जो पहले लेग पिक्सल को सेगमेंट करता है, जिसका उपयोग बाद में संबंधित पैर के पंजे का पता लगाने और ट्रैक करने के लिए किया जाता है। FLLIT हाल के काम2,,3में इस्तेमाल गहरे सीखने एल्गोरिदम के विपरीत, विभाजन के लिए एक बढ़ाने एल्गोरिथ्म को रोजगार देता है । वहां में है कि दोनों चौखटे के लिए में convolutional तंत्रिका नेटवर्क के साथ कुछ समानताएं हैं, सुविधा निष्कर्षण संवोर्तिविज्ञान गुठली सीखने के माध्यम से स्वचालित रूप से किया जाता है । FLLIT में पहले कदम में उच्च आत्मविश्वास के साथ स्वचालित रूप से सकारात्मक (पैरों पर पिक्सेल) और नकारात्मक (फ्लाई बॉडी पर पृष्ठभूमि या पिक्सल) प्रशिक्षण नमूने उत्पन्न करने के लिए रूपात्मक संचालन (एज और कंकालीकरण) का उपयोग करना शामिल है। इसलिए, FLLIT पूरी तरह से स्वचालित है और उपयोगकर्ता एनोटेटेड प्रशिक्षण नमूनों की आवश्यकता नहीं है। उपरोक्त प्रशिक्षण नमूनों का उपयोग करके, एक क्लासिफायर को बूस्टिंग एल्गोरिदम के ढांचे में प्रशिक्षित किया जाता है। कमजोर वर्गीकरण का एक पहनावा iteratively सीखा है, प्रत्येक सुविधा निष्कर्षण और एक निर्णय पेड़ के लिए convolutional गुठली का एक सेट मिलकर । अंतिम सीखा वर्गीकरण तो पैर विभाजन के लिए प्रयोग किया जाता है और बेहतर कठिन क्षेत्रों/कठिन नमूनों रूपात्मक आपरेशनों से बेहतर विचार करने में सक्षम है,1ट्रैकिंग के लिए एक समग्र बहुत अधिक सटीक विभाजन का उत्पादन । खंडित पैरों से, हम सुझावों का पता लगाते हैं और हंगरी एल्गोरिदम का उपयोग करके उन्हें ट्रैक करते हैं: फ्रेम में सुझावों का मिलान करके जैसे कि प्रत्येक टिप द्वारा स्थानांतरित दूरी का योग कम हो जाता है। FLLIT पिछले देखा स्थान (फ्लाई केंद्रित निर्देशांक में) याद करके occlusion मामलों को संभाल सकता है ताकि एक पैर टिप एक बार यह occlusion के तहत नहीं है बरामद किया जाता है ।

हमने पहले दिखाया था कि FLLIT स्वचालित रूप से और सटीक रूप से पैर आंदोलनों को ट्रैक कर सकता है और उच्च गति वाले वीडियो1से एक अचिह्नित, स्वतंत्र रूप से चलती फ्लाई या मकड़ी में चाल का विश्लेषण कर सकता है; इसलिए फ्ललिट मोटे तौर पर आर्थ्रोपॉड लेग ट्रैकिंग के लिए लागू होना चाहिए। रूपात्मक मापदंडों का उपयोग करके मशीन लर्निंग प्रशिक्षण सेट निकालकर, FLLIT स्वचालित रूप से श्रमसाध्य मैनुअल एनोटेशन की आवश्यकता के बिना कीट पैरों को खंड और ट्रैक करने के लिए स्वचालित रूप से प्रशिक्षित करता है, जो सबसे गहरे सीखने के तरीकों के लिए आवश्यक है। FLLIT इसलिए पूरी तरह से स्वचालित है। पैर विभाजन और ट्रैकिंग के बाद, FLLIT स्वचालित रूप से हर वीडियो फ्रेम, 20 चाल मापदंडों, 5 भूखंडों और चाल विश्लेषण और चाल आंदोलनों के दृश्य के लिए एक ट्रैक वीडियो में कच्चे ट्रैक शरीर और पैर की स्थिति का उत्पादन करता है । यह प्रोटोकॉल FLLIT का उपयोग करने के लिए एक कदम-दर-कदम गाइड प्रदान करता है।

Protocol

1. सिस्टम सेटअप

  1. सुनिश्चित करें कि रिकॉर्डिंग स्टेशन में एक उच्च गति कैमरा और एरिना चैंबर(चित्रा 1)को पकड़ने के लिए इस पर एक मंच है। कैमरे को न्यूनतम 250 फ्रेम प्रति सेकंड (एफपीएस) पर रिकॉर्ड करने के लिए समायोजित करें, तदनुसार तेज शटर गति के साथ (इस मामले में, रिकॉर्डिंग 1 एमएस की शटर गति के साथ 1000 एफपीएस पर की जाती है)।
    नोट: देखें कि वीडियो यह सुनिश्चित करके ट्रैकिंग के लिए उपयुक्त है कि सभी फ्रेम में पैरों को ले जाने का न्यूनतम या कोई गति धुंधला नहीं है। यदि चलती पैर इतना धुंधला है कि एक मानव एनोटेटर इसे ट्रैक नहीं कर सकते हैं, तो कैमरा रिकॉर्डिंग गति और/
  2. कैमरा और नमूना(चित्रा 1ए, बी)के बीच एक विसारक (पारदर्शी चादर) के साथ मंच के शीर्ष पर अवरक्त एलईडी रोशनी रखें।
  3. 1.6 मिमी मोटी एक्रेलिक शीट काटकर रिकॉर्डिंग चैंबर बनाएं। इस प्रयोग में, 11 मिमी x 11 मिमी के क्षेत्र के दृश्य का उपयोग करें। कक्ष को दो ग्लास स्लाइड(चित्रा 1 C)के बीच रखें।

2. रिकॉर्डिंग के लिए मक्खियों की तैयारी

  1. रिकॉर्डिंग से पहले मक्खियों को एक नए भोजन शीशी 24 एच में दर्ज करने के लिए स्थानांतरित करें।
    नोट: रिकॉर्डिंग से पहले 24 घंटे से कम मक्खियों पर सीओ2 (आमतौर पर पहले संग्रह पर मक्खियों को एनेस्थेटाइज करने के लिए उपयोग किया जाता है) का उपयोग न करें।
  2. रिकॉर्डिंग से पहले लगभग 40 00, मक्खियों को खाली शीशियों में स्थानांतरित करें और 5-7 मिन के लिए बर्फ पर रखें।
  3. इस दौरान, पानी और एक पोंछ के साथ अखाड़ा और साफ ग्लास स्लाइड पोंछ।
    नोट: कक्षों और स्लाइडों को साफ करने के लिए इथेनॉल का उपयोग न करें।
  4. रिकॉर्डिंग चैंबर तैयार करें। टेप के साथ कक्ष के नीचे सूक्ष्म ग्लास स्लाइड में से एक को ठीक करें।
  5. जब मक्खियों को बर्फ पर एनेस्थेटाइज्ड किया गया हो, तो एक साफ ब्रश का उपयोग करके प्रत्येक कक्ष में एक फ्लाई स्थानांतरित करें।
    नोट: इस सेटअप में पुरुष और मादा दोनों मक्खियों का उपयोग किया जा सकता है, और जहां तक संभव हो, सेक्स-विशिष्ट पूर्वाग्रह से बचने के लिए दोनों लिंगों की मक्खियों का विश्लेषण किया जाना चाहिए।
  6. टेप के साथ एक और सूक्ष्म ग्लास स्लाइड के साथ कक्ष सुरक्षित(चित्रा 1C)।
  7. अनुकूलन के लिए कक्ष के तापमान पर कक्षित मक्खियों को 15 - 20 न्यूनतम रखें।

3. FLLIT विश्लेषण के लिए वीडियो की पीढ़ी

नोट: यह कदम इस्तेमाल किए गए वीडियो कैमरे के लिए विशिष्ट है। इस मामले में, व्यावसायिक रूप से उपलब्ध वीडियो कैमरा का उपयोग किया जाता है (सामग्री की तालिकादेखें)।

  1. पावर सोर्स चालू करें। बिजली के लिए हरे रंग की एलईडी और ईथरनेट इंटरफेस कनेक्शन को स्थिर करने के लिए नारंगी एलईडी के लिए प्रतीक्षा करें। अवरक्त एलईडी के लिए बिजली पर स्विच करें। सुनिश्चित करें कि वोल्टेज 12.5 वी पर रहता है।
  2. कनेक्टेड कंप्यूटर सिस्टम पर व्यूअर एप्लीकेशन खोलें।
  3. रिकॉर्डिंग फ्रेम दर को 1000 एफपीएस में बदलें। शटर की गति 1/1000 एस (1 एमएस) के लिए सेट करें।
  4. रिकॉर्डिंग क्षेत्र पर फ्लाई के साथ कक्ष रखें और लाइव बटन का चयन करें। सुनिश्चित करें कि कैमरा पैर सुझावों पर ध्यान केंद्रित है जब मक्खी कक्ष के फर्श पर सीधे चल रहा है; लेग टिप्स तेज फोकस में होने चाहिए।
  5. क्लिक करें रिकॉर्ड (चित्रा 2)।
  6. फ्लाई वॉकिंग रिकॉर्ड करें, यह सुनिश्चित करना कि:
    मक्खी अखाड़े के किनारे को छूने के बिना अपेक्षाकृत सीधे प्रक्षेपवक्र में चली गई ।
    मक्खी प्रति पैर कम से तीन प्रगति चला गया ।
    चलने के दौरान मक्खी रुकती नहीं है।
    दूरी चला गया कम से कम एक शरीर की लंबाई के बराबर है।

    नोट: पृष्ठभूमि को साफ-सुथरा रखना सटीक विभाजन के लिए महत्वपूर्ण है। FLLIT द्वारा नियोजित स्वचालित पृष्ठभूमि घटाव एल्गोरिदम के लिए आवश्यक है कि इमेजड फ्लाई दूरी में कम से कम एक शरीर की लंबाई को स्थानांतरित करती है।
  7. क्लिक करें रिकॉर्डिंग रोकने के लिए किया आरईसी (चित्रा 2)।
  8. यह सुनिश्चित करने के लिए वीडियो को क्रॉप करें कि रिकॉर्डिंग में फ्लाई का केवल सीधा चलना शामिल है (जैसा कि चरण 3.6 में वर्णित है)।
  9. क्लिक करें सेव (चित्रा 2)। संबंधित फ़ोल्डर्स में '.एमरॉ' या '.टिफ' प्रारूप में फ़ाइलों को सहेजें।
    नोट: '.mraw' प्रारूप फ़ाइल नाम (यदि आवश्यक हो) बदलने के लिए और '.tiff' फ़ाइल प्रारूप की तुलना में वीडियो के भंडारण के लिए अधिक लचीलापन देता है।

4. FLLIT कार्यक्रम की स्थापना

नोट: अप-टू-डेट निर्देश पाए जा सकते हैं: https://github.com/BII-wushuang/FLLIT/blob/master/Compiled/Readme.pdf

  1. किसी भी ऑपरेटिंग सिस्टम पर FLLIT डाउनलोड करें
    1. निम्नलिखित गिथब लिंक से फ्लिट डाउनलोड करें: https://github.com/BII-wushuang/FLLIT/archive/master.zip। जिप फ़ाइल की सामग्री निकालें।
    2. निम्नलिखित Google ड्राइव लिंक से नमूना डेटासेट डाउनलोड करें: https://bit.ly/2EibvNY. इस डेटा निर्देशिका में FLLIT-मास्टर/संकलित और जगह डेटासेट फ़ोल्डर्स के तहत एक फ़ोल्डर डेटा बनाएं ।
  2. उबंटू में फ्लिट स्थापित करें
    1. FLLIT/संकलित निर्देशिका के लिए नेविगेट करें ।
    2. राइट-क्लिक करें और टर्मिनाएल में ओपन का चयन करें।
    3. $HOME/एमसीआर को मैटलैब रनटाइम पुस्तकालयों को डाउनलोड करने और स्थापित करने के लिए निम्नलिखित आदेश जारी करें:
      बैश MCR_2016a.श
    4. MATLAB रनटाइम पुस्तकालयों की स्थापना के बाद पूरा कर लिया गया है, निम्नलिखित आदेश जारी करने के लिए सुनिश्चित करें कि निष्पादक अधिकार FLLIT को प्रदान कर रहे हैं:
      चामोद +एक्स फ्लेट
    5. FLLIT/संकलित निर्देशिका में एक टर्मिनल खोलें और FLLIT निष्पादित करने के लिए निम्नलिखित आदेश जारी करें:
      बैश run_FLLIT.एसएच $HOME/एमसीआर/v901
  3. विंडोज में FLLIT स्थापित करें
    1. 7 और 10 वें होम एडिशन के लिए, डॉकर टूलबॉक्स स्थापित करें:
      (https://github.com/docker/toolbox/releases/download/v19.03.1/DockerToolbox-19.03.1.exe) ।
    2. विंडोज 10 प्रो या एंटरप्राइज एडिशन के लिए विंडोज के लिए डॉकर डेस्कटॉप इंस्टॉल करें: (https://download.docker.com/win/stable/Docker\%20Desktop\%20Installer.exe) ।
    3. विंडोज पर डॉकर कंटेनर में जीयूआई अनुप्रयोगों के निष्पादन को सक्षम करने के लिए, पहले कुलपतिएक्सएसआरवी (https://sourceforge.net/projects/vcxsrv) स्थापित करें। VcXsrv शुरू करने पर, चित्रा S1में के रूप में सेटिंग्स कॉन्फ़िगर ।
      नोट: सुनिश्चित करें कि डॉकर और VcXsrv FLLIT शुरू करने से पहले चल रहे हैं ।
    4. FLLIT.bat पर डबल क्लिक करें फ्लिट चलाया जाएगा।
      नोट: पहली बार निष्पादित करते समय, डॉकर हब से डॉकर छवि को खींचने में कुछ समय लगेगा।
  4. मैकओएस में फ्ललिट स्थापित करें
    1. https://download.docker.com/mac/stable/Docker.dmg पर मैकओएस के लिए डॉकर डेस्कटॉप डाउनलोड करें
    2. टर्मिनल खोलकर और निम्नलिखित आदेश जारी करके सोकैट स्थापित करें:
      काढ़ा स्थापित सोकैट
    3. के साथ सोकैट शुरू करें:
      सोकैट टीसीपी-सुनो:6000, पुन: उपयोग्डर, कांटा UNIX-क्लाइंट:\"$DISPLAY\" और डिटाउन
    4. मैकओएस पर डॉकर कंटेनर में जीयूआई अनुप्रयोगों के निष्पादन को सक्षम करने के लिए XQuartz (https://www.xquartz.org) स्थापित करें। XQuartz शुरू करें और सुरक्षा टैब में नेटवर्क ग्राहकों से अनुमति कनेक्शन की जांच करके वरीयताओं को बदलें जैसा कि चित्रा S2में दिखाया गया है।
      नोट: सुनिश्चित करें कि डॉकर, सोकैट और XQuartz सभी FLLIT शुरू करने से पहले चल रहे हैं ।
    5. FLLIT/संकलित निर्देशिका में एक टर्मिनल खोलें और निम्नलिखित आदेश के साथ FLLIT निष्पादित करें:
      बैश FLLIT_Mac.श
      नोट: पहली बार निष्पादित करते समय, डॉकर हब से डॉकर छवि को खींचने में कुछ समय लगेगा।

5. स्वचालित लेग ट्रैकिंग के लिए फ्ललिट चलाना

  1. विभाजन
    1. वीडियो को अलग-अलग झगड़ा फाइलों में बदलदें और FLLIT डेटा फ़ोल्डर में कॉपी करें।
    2. फ्ललिट चलाएं (उबंटू में, टर्मिनल में फ्ललिट खोलने के लिए सही क्लिक करें)।
    3. वीडियो की फ्रेम-बाय-फ्रेम झगड़ा छवियों वाले फ़ोल्डर का चयन करें ताकि उन्हें ट्रैक किया जा सके और ऐड बटन पर क्लिक किया जा सके।
    4. पॉप-अप विंडो में केवल लेग सेगमेंटेशन करने के लिए 0 चुनें, या 1 लेग सेगमेंटेशन के साथ लेग ट्रैकिंग को शामिल करने के लिए।
    5. चयनित वीडियो के विभाजन और ट्रैकिंग शुरू करने के लिए किया गया क्लिक करें।
  2. नज़र रखना
    1. ट्रैकिंग की सटीकता की जांच करने और त्रुटि सुधार (यदि कोई हो), चुनिंदा डेटा फ़ोल्डरपर क्लिक करें। फ़ोल्डर को ट्रैक करने और ओपनक्लिक करने के लिए चुनें।
    2. व्यू ट्रैकिंगपर क्लिक करें ।
      नोट: देखें कि ट्रैक किए गए लेग पोजीशन को देखते समय व्यूअर मोड का चयन किया गया है. अन्यथा, किए गए किसी भी पिछले सुधार अधिक ग्रस्त हो ंगे ।
    3. पहले फ्रेम में सभी पैरों के लिए लेबलिंग की जांच करें
      नोट: चूंकि पैर लेबल स्क्रीन पर स्थिति के अनुसार रखा जाता है, अगर मक्खी सीधे चल रहा है, मक्खी के दाईं ओर L1 (सामने पैर), L2 (मध्य पैर), L3 (हिंद पैर) और मक्खी के बाईं ओर R1 (सामने पैर), R2 (मध्य पैर), R3 (हिंद पैर), क्रमशः(चित्रा 3)के रूप में चिह्नित है । यदि फ्लाई उल्टा चल रही है, तो पैर लेबल को सही ढंग से एनोटेट किया जाएगा।
    4. यदि एक पैर गलत लेबल है और एक सुधार की आवश्यकता है, पर क्लिक करें ठहराव देखने, समायोजित भविष्यवाणी (चित्रा 3)के बाद ।
    5. सही पैनल की अध्यक्षता में पैर से समायोजित करने के लिए,पैर है कि सुधार की आवश्यकता का चयन करें ।
    6. छवि खिड़की में इस पैर के लिए सही स्थिति पर डबल क्लिक करें, सहेजनेपर क्लिक करें, और फिर बाहर निकलें। पिछले फ्रेम या बाद के फ्रेम में जाने के लिए, क्लिक करें ठहराव देखने के बाद क्रमशः आगे और पिछड़े और लेफ्टिनेंट मैं और I>बटन ,(चित्रा 3)।
    7. किसी भी गलत तरीके से ट्रैक किए गए वीडियो को सही करने के लिए, वीडियो के डेटा फ़ोल्डर को फिर से ट्रैक करने और मैन्युअल रूप से शुरू ट्रैकिंगका चयन करने के लिए खोलें।
    8. ट्रैकिंग बटन पर क्लिक करें, जो तब अपने लेबल को प्रारंभिकमें बदल देगा।
    9. भविष्यवाणी को समायोजित करें और प्रत्येक लेग टिप पर डबल क्लिक करके लेग लेबल को सही करें और फिर इसे सही लेग लेबल के साथ निर्दिष्ट करें। सेव एंड एग्जिटपर क्लिक करें ।
    10. ट्रैकिंग शुरू करने के लिए रिज्यूम पर क्लिक करें।
  3. डेटा प्रोसेसिंग और वीडियो जनरेशन
    1. डेटा प्रोसेसपर क्लिक करें । पॉपअप विंडो में, फ्रेम प्रति सेकंड (एफपीएस) की संख्या में टाइप करें जिस पर वीडियो रिकॉर्ड किए गए थे (जैसे, 1,000 एफपीएस)।
    2. कैप्चर किए गए वीडियो के वास्तविक क्षेत्र की गणना करने के लिए निम्नलिखित समीकरण का उपयोग करें ताकि चाल मापदंडों को मिलीमीटर में मापा जा सके:

      Equation 1

      नोट: उदाहरण के लिए, यदि वास्तविक कक्ष का आकार 7 मिमी है, तो छवि फ्रेम की चौड़ाई 137 मिमी है, कंप्यूटर स्क्रीन पर छवि फ्रेम में कक्ष की चौड़ाई 81 मिमी है, और देखने के क्षेत्र की चौड़ाई 11.83 मिमी(चित्रा S3)थी।
    3. ट्रैकिंग परिणाम देखने के लिए, परिणाम फ़ोल्डर के तहत ट्रैकिंग फ़ोल्डर पर जाएं।
    4. ट्रैक की गई फ्लाई का वीडियो जेनरेट करने के लिए, मेक वीडियोचुनें। वीडियो मूल वीडियो डेटा का विश्लेषण के रूप में एक ही परिणाम फ़ोल्डर में सहेजा जाएगा ।
      नोट: वीडियो की स्टार्ट (फर्स्ट) और एंड (आखिरी) फ्रेम का चयन किया जा सकता है।
  4. प्रत्येक फ्लाई के शरीर की लंबाई को सामान्य करना।
    नोट: चूंकि प्रत्येक फ्लाई आकार में थोड़ी अलग हो सकती है, तुलना की सुविधा के लिए प्रत्येक फ्लाई की शरीर की लंबाई में कुछ चाल मापदंडों को सामान्य ीकृत किया जाना चाहिए (उदाहरण के लिए, प्रगति की लंबाई बड़ी मक्खियों में लंबी हो सकती है, और छोटी मक्खियों में कम)।
    1. छवि सॉफ्टवेयर का उपयोग करके प्रत्येक फ्लाई (आमतौर पर पहले, मध्यम और अंतिम फ्रेम) के वीडियो से तीन स्टिल छवियां खोलें।
    2. प्रत्येक छवि फ्रेम को 800% तक बढ़ाना और एक उज्ज्वल रंग (जैसे, पीला) का उपयोग करके मिडलाइन पर सिर और पीछे के सबसे पिक्सेल के पूर्वकाल-सबसे पिक्सेल को लेबल करें।
    3. इमेजजे में लेबल वाली छवियों को खोलें।
    4. तदनुसार पैमाने को इनपुट करने के लिए सेट स्केल का उपयोग करें: पिक्सेल में दूरी निर्धारित करें: 512; ज्ञात दूरी: वास्तविक दृश्य क्षेत्र (मिमी) के रूप में कदम 5.3.2 में मापा; लंबाई की इकाई: मिमी।
    5. शरीर की लंबाई प्राप्त करने के लिए लेबल वाले सिर और पेट टिप पिक्सल के बीच एक सीधी रेखा खींचें।
    6. एक ज्ञात दूरी में मूल्य प्राप्त करने के लिए फिर से सेट स्केल खोलें, जो मिमी में शरीर की लंबाई है।
    7. मिमी में औसत शरीर का आकार प्राप्त करने के लिए तीन छवियों में से प्रत्येक में निर्धारित लंबाई का एक औसत लें।

Representative Results

लेग सेगमेंटेशन, ट्रैकिंग और डेटा प्रोसेसिंग के बाद, FLLIT स्वचालित रूप से शरीर की स्थिति और प्रत्येक पैर पंजा, 20 चाल मापदंडों, 5 भूखंडों और एक ट्रैक वीडियो(तालिका 1)के लिए कच्चे डेटा उत्पन्न करता है।

यहां, हम स्पिनोसेरिबेलर एटैक्सिया 3 (एससीए 3) के फ्लाई मॉडल का उपयोग करके इन विश्लेषणों को प्रदर्शित करते हैं। पैन-न्यूरोनल ड्राइवर Elav-GAL4 का उपयोग पॉलीक्यू ट्रैक्ट (यूएएस-एससीए 3-flQ27) में 27 ग्लूटामाइंस के साथ पूर्ण लंबाई वाले वाइल्डटाइप ह्यूमन एससीए 3 को चलाने के लिए किया गया था, या पॉलीक्यू ट्रैक्ट (यूएएस-एससीए 3-flQ84)11में 84 ग्लूटामाइंस के साथ एक पूर्ण लंबाई उत्परिवर्ती मानव SCA3। SCA3 शरीर वेरिंग, अनियमित पैर प्लेसमेंट और छोटे, गुप्त कदम12,,13 (तालिका 2)के साथ एक ataxic चाल द्वारा टाइप किया जाता है । उत्परिवर्ती SCA3 मक्खियों की चाल की विशेषता और जांच करने के लिए कि क्या वे मानव रोगियों के लिए एक समान चाल प्रदर्शित करते हैं, हमने FLLIT द्वारा उत्पन्न प्रासंगिक चाल मापदंडों का विश्लेषण किया, अर्थात्: शरीर की संख्या बदल जाती है, पदचिह्न नियमितता, पैर डोमेन ओवरलैप और आकार, और पैर प्रगति लंबाई(तालिका 2)।

हमने पाया कि SCA3-Q84 मक्खियों ने अधिक मोड़ों(चित्रा 4ए,ए'),अनियमित पैर प्लेसमेंट का प्रदर्शन किया, जैसा कि कम पदचिह्न नियमितता (एईपी14के बढ़े हुए मानक विचलन)(चित्र4 बी),बढ़े हुए पैर डोमेन ओवरलैप(चित्रा 4सी-डी),लंबाई और क्षेत्र में बढ़े हुए पैर डोमेन(चित्रा 4ई, एफ),और प्रगति की लंबाई में कमी(चित्रा 4जी)।

FLLIT भी एक ट्रैक मक्खी और क्षेत्र केंद्रित और शरीर केंद्रित विचारों, शरीर प्रक्षेपवक्र और शीर्षक दिशा, और प्रत्येक पैर के ऊर्ध्वाधर और पार्श्व विस्थापन(चित्रा 5)में पैर दिखा वीडियो उत्पन्न करता है । ट्रैक किए गए वीडियो विभिन्न मक्खियों में पैर आंदोलनों की साथ-साथ तुलना की अनुमति देते हैं। Elav-GAL4>SCA3-flQ27 के प्रतिनिधि वीडियो(वीडियो 1)और Elav-GAL4>SCA3-flQ84 (वीडियो 2)मक्खियों का प्रदर्शन है कि Elav-GAL4>UAS-FLQ27 मक्खियों की तुलना में(चित्रा 5A), Elav-GAL4>UAS-SCA3-flQ84 मक्खियों(चित्रा 5B)विभिन्न आकारों के पैर डोमेन को आपस में काटना, एक गुप्त, अकरिक चाल का संकेत।

Figure 1
चित्रा 1. रिकॉर्डिंग स्टेशन और एरिना का सेटअप। (ए)फ्रंट और(बी)साइड व्यू जहाँ से रिकॉर्डिंग। (ग)फ्ललिट ट्रैकिंग के लिए फ्लाई रिकॉर्डिंग बनाने के लिए उपयोग किए जाने वाले क्षेत्र का एक उदाहरण। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

Figure 2
चित्रा 2: ड्यूल हेड कैमरा का उपयोग करके फ्लाई चाल रिकॉर्डिंग के दौरान सक्रिय विंडो का दृश्य, जो दो मक्खियों की एक साथ रिकॉर्डिंग की अनुमति देता है। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

Figure 3
चित्रा 3: सक्रिय FLLIT विंडो बटन पैनल दिखा रहा है और विभाजन और ट्रैकिंग के बाद पैर लेबल । कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

Figure 4
चित्रा 4: वाइल्डटाइप (एससीए 3-flQ27) बनाम उत्परिवर्ती (SCA3-flQ84) SCA3. (ए)शरीर के प्रक्षेपवक्र में बदल जाता है की संख्या व्यक्त मक्खियों के प्रासंगिक चाल मापदंडों के लिए प्रतिनिधि FLLIT जनित डेटा । (ख)मध्य पैर पदचिह्न नियमितता शरीर की लंबाई के लिए सामान्यीकृत । (सी-सी') प्रत्येक पैर के पैर डोमेन पार। (D)डोमेन पैरों के बीच ओवरलैप। (ई)मध्य पैर डोमेन लंबाई शरीर की लंबाई के लिए सामान्यीकृत। (एफ) मध्य पैर डोमेन क्षेत्र शरीर की लंबाई2को सामान्यीकृत । (जी)मध्य पैर प्रगति लंबाई शरीर की लंबाई के लिए सामान्यीकृत । कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

Figure 5
चित्रा 5: प्रतिनिधि FLLIT जनित वीडियो का स्नैपशॉट। (A) Elav-GAL4>UAS-SCA3-flQ27 और(B) Elav-GAL4>UAS-SCA3-flQ84 मक्खियों. कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

Video 1
वीडियो 1: पैन-न्यूरोनल वाइल्ड-टाइप ह्यूमन फुल-लेंथ SCA3(Elav-GAL4>UAS-SCA3-flQ27)व्यक्त करने वाली फ्लाई का प्रतिनिधि वीडियो। कृपया इस वीडियो को देखने के लिए यहां क्लिक करें । (डाउनलोड करने के लिए राइट-क्लिक।)

Video 2
वीडियो 2: पैन-न्यूरोनल उत्परिवर्ती मानव पूर्ण लंबाई SCA3(Elav-GAL4>UAS-SCA3-flQ84)व्यक्त करने वाली फ्लाई का प्रतिनिधि वीडियो। कृपया इस वीडियो को देखने के लिए यहां क्लिक करें । (डाउनलोड करने के लिए राइट-क्लिक।)

Supplemental Figure 1
पूरक चित्रा 1: कुलपतिएक्सएसआरवी के लिए विन्यास। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

Supplemental Figure 2
पूरक चित्रा 2: Xquartz के लिए विन्यास। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

Supplemental Figure 3
पूरक चित्रा 3: छवि देखने के क्षेत्र की गणना के लिए आवश्यक आयामों के साथ लेबल । कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

श्रेणी पैरामीटर विवरण फाइल/प्लॉट (यदि लागू हो)
रॉ डेटा शरीर की स्थिति प्रत्येक फ्रेम में शरीर सेंट्रोइड के स्थितीय निर्देशांक CoM.csv के पहले दो कॉलम
शरीर प्रक्षेपवक्र डिग्री में शरीर की धुरी के रोटेशन का कोण (वाई-अक्ष के सापेक्ष) CoM.csv का तीसरा कॉलम
अखाड़ा केंद्रित पैर पंजा
पदों		 अखाड़ा निर्देशांक के आधार पर प्रत्येक फ्रेम में प्रत्येक पैर पंजा के स्थितीय निर्देशांक प्रक्षेप पथ.सीएसवी
शरीर केंद्रित पैर पंजा
पदों		 प्रत्येक फ्रेम में प्रत्येक पैर पंजा के स्थितीय निर्देशांक
अखाड़ा निर्देशांक के आधार पर		 norm_trajectory.सीएसवी
शरीर की गति शरीर की लंबाई (मिमी) नमूना पशु की लंबाई प्रत्येक फ्रेम में अनुमानित (पूर्वकाल-सिर पर सबसे पीछे की स्थिति-सबसे अधिक
पंखों पर स्थिति)		 बॉडीलेंथ.सीएसवी
तात्कालिक शरीर का वेग
(मिमी/एस)		 नमूना जानवर में शरीर (सेंट्रोइड) का तात्कालिक वेग Bodyवेलोसिटी.csv; Bodyवेलोसिटी.pdf
शरीर के टर्निंग पॉइंट
पथ		 टर्निंग पॉइंट्स का पता लगाने के लिए, डगल asâASPeucker का उपयोग करके प्रक्षेपवक्र को टुकड़ों-रैखिक वक्र तक कम कर दिया जाता है
एल्गोरिदम, जिसके बाद एक टर्निंग इवेंट की पहचान दो पड़ोसी के बीच एक कोण और 50 डेग को शामिल करने के रूप में की जाती है
सरलीकृत प्रक्षेप पथ का गठन करने वाले रैखिक खंड		 Bodyप्रक्षेपपथy.pdf
व्यक्तिगत प्रगति पैरामीटर स्ट्राइड अवधि (एमएस) एक प्रगति घटना की अवधि स्ट्राइडपैरामीटर्स.सीएसवी
स्ट्राइड पीरियड (एमएस) एक प्रगति घटना से अगले करने के लिए अवधि
स्ट्राइड विस्थापन (मिमी) एक प्रगति घटना के दौरान पैर पंजा का विस्थापन
स्ट्राइड पाथ कवर (मिमी) एक प्रगति घटना के दौरान पैर पंजा द्वारा कवर कुल पथ
पूर्वकाल चरम स्थिति
(मिमी)		 एक प्रगति घटना के अंत में एक पैर पंजा की लैंडिंग स्थिति (शरीर के सापेक्ष)
पीछे चरम स्थिति (मिमी) एक प्रगति घटना के शुरू में एक पैर पंजा की स्थिति (शरीर के सापेक्ष) ले लो
स्ट्राइड आयाम (मिमी) एक प्रगति घटना के लिए गति की दिशा के साथ विस्थापन
रुख लाइनारिटी (मिमी) एक वक्र से प्रगति पथ के विचलन के रूप में परिभाषित (20ms अंतराल पर) इसी पूर्वकाल
और प्रगति के पीछे चरम स्थिति
स्ट्राइड स्ट्रेच (मिमी) एक प्रगति घटना के बीच में शरीर के केंद्र से पैर पंजा स्थिति की दूरी
लेग मोशन पैर की गति (मिमी/एस) प्रत्येक पैर की तात्कालिक गति लेगस्पीड.सीएसवी; Gait.pdf
चाल सूचकांक यह अपनी गति के दौरान (छह पैर वाले) नमूना जानवर द्वारा प्रदर्शित चाल समन्वय के प्रकार को मापता है। एक चाल
1 का सूचकांक एक तिपाई चाल से मेल खाता है, _1 टेट्रापॉड चाल से मेल खाता है जबकि 0 एक गैर-विहित चाल का गठन करता है।
हमारे कार्यान्वयन में, चाल सूचकांक 120 एमएस विंडो पर एक चलती औसत द्वारा प्राप्त किया जाता है		 GaitIndex.csv; GaitIndex.pdf
आंदोलन प्रतिशत समय का प्रतिशत है कि एक पैर गति में है लेगपैरामीटर्स.सीएसवी
मतलब प्रगति अवधि (एमएस) एक प्रगति घटना से अगले करने के लिए औसत अवधि लेगपैरामीटर्स.सीएसवी
पदचिह्न नियमितता (मिमी) पीछे के मानक विचलन के रूप में मापा और लेगपैरामीटर्स.सीएसवी
एक पैर के पूर्वकाल चरम स्थितियां
लेग प्रक्षेपवक्र डोमेन क्षेत्र
(मिमी2)		 न्यूनतम उत्तल पतवार का क्षेत्र जिसमें शरीर-केंद्रित संदर्भ के फ्रेम में पूरे पैर प्रक्षेपवक्र शामिल हैं लेगपैरामीटर्स.सीएसवी; लेगडोमेन.पीडीएफ
लंबाई और चौड़ाई
लेग प्रक्षेपवक्र डोमेन (मिमी)		 प्रमुख (डोमेन लंबाई) और नाबालिग पर पंजा पदों की अधिकतम अनुमानित दूरी के माध्यम से प्राप्त
(डोमेन चौड़ाई) प्रमुख कुल्हाड़ी		 लेगपैरामीटर्स.सीएसवी
लेग डोमेन चौराहा/ओवरलैप
(मिमी2)		 प्रत्येक संभव के बीच चौराहा/ओवरलैप LegDomainOverlap.CSv
रुख चौड़ाई (मिमी) बाएं और मध्यम पैरों की एईपी और पीईपी के बीच की दूरी का औसत रुखविड्थ.सीएसवी

तालिका 1: FLLIT द्वारा उत्पन्न चाल मापदंडों।

चाल सुविधा
स्पिनोसेरिबेलर एटैक्सिया 3 (एससीए 3) की चाल विशेषताएं वेरिंग अनियमित पैर प्लेसमेंट और पैर पार पर गुप्त कदम छोटी प्रगति
माप नपराचलन शरीर की बारी घटनाओं की संख्या पदचिह्न नियमितता लेग डोमेन का आकार, डोमेन ओवरलैप की डिग्री स्ट्राइड लेंथ
फ्लिट फाइल Bodyप्रक्षेपपथy.pdf लेगपैरामीटर्स.सीएसवी LegDomainOverlap.CSv स्ट्राइडपैरामीटर्स.सीएसवी

तालिका में बानगी दिखा रही है SCA3 चाल उनके इसी FLLIT मापदंडों और आउटपुट फ़ाइलों के साथ मानव रोगियों में सुविधाओं ।

Discussion

इस पांडुलिपि में, हम स्वतंत्र रूप से चलने वाले ड्रोसोफिलामें चाल का विश्लेषण करने के लिए, एक स्वचालित मशीन-लर्निंग प्रोग्राम1,FLLIT का उपयोग करने में शामिल चरणों का विस्तार से वर्णन करते हैं। ट्रैकिंग और डेटा विश्लेषण के बाद, FLLIT स्वचालित रूप से शरीर और पैर के पंजे की स्थितीय जानकारी के लिए कच्चे डेटा उत्पन्न करता है, बीस शरीर और चाल सुविधाओं के साथ-साथ ट्रैक फ्लाई का एक वीडियो उत्पन्न करता है ताकि चाल दृश्य को सक्षम किया जा सके।

अब ड्रोसोफिला और अन्य जानवरों की लेग मूवमेंट ट्रैकिंग के लिए कई,तरीके हैं1,,2,3,34,414,,15,,16,शोधकर्ताओं को प्रयोग के लक्ष्यों के आधार पर विकल्पों की एक विस्तृत श्रृंखला दे रही है। इनमें से कुछ पैर मुद्रण आधारित दृष्टिकोण हैं, जो अत्यधिक सटीक हैं, लेकिन जो पता लगाने की सतह4,,14के साथ केवल पंजा संपर्क बिंदुओं की रिपोर्ट करते हैं। दूसरी ओर, हाल ही में गहरी सीखने के दृष्टिकोण2,,3,,16 अत्यधिक बहुमुखी हैं, व्यवहार है कि किसी भी जानवर में पैर जोड़ों और अंय शरीर के अंगों की ट्रैकिंग की आवश्यकता के विश्लेषण की अनुमति, चेतावनी के साथ कि एल्गोरिदम पहले उपयोगकर्ता एनोटेटेड डेटासेट के साथ प्रशिक्षित किया जाना चाहिए । एक तीसरा प्रकार का दृष्टिकोण पंजों की स्थिति की पहचान करने के लिए प्रत्येक चरण की रूपरेखा खोजने के लिए आकृति विज्ञान या छवि-विपरीत आधारित तरीकों का उपयोग करताहै 1,,15,,17। सामान्य तौर पर, ये विधियां उन व्यवहारों के साथ खराब होती हैं जहां पैर पार करते हैं (उदाहरण के लिए ग्रूमिंग के दौरान)। FLLIT पैर विभाजन के लिए एक बढ़ाने एल्गोरिथ्म को प्रशिक्षित करने के लिए रूपात्मक मापदंडों का उपयोग करते हुए दूसरे और तीसरे दृष्टिकोण को जोड़ती है। यह FLLIT को मशीन लर्निंग का उपयोग करसटीकता बढ़ाने के दौरान प्रशिक्षण डेटासेट उत्पन्न करने के लिए उपयोगकर्ता एनोटेशन के श्रमसाध्य कार्य को बाईपास करने की अनुमति देता है। FLLIT के लिए भविष्य में सुधार के लिए उदाहरण है जहां पैर पार से निपटने के लिए, और अधिक जटिल व्यवहार के विश्लेषण के लिए अनुमति देने के लिए होगा ।

FLLIT रोशनी, रिकॉर्डिंग रिज़ॉल्यूशन और फ्रेम स्पीड1में मामूली बदलावों के लिए मजबूत है। हालांकि, रिकॉर्ड किए गए वीडियो की फ्रेम गति 250 एफपीएस से नीचे नहीं गिरनी चाहिए, और FLLIT 1000 एफपीएस पर रिकॉर्ड किए गए वीडियो के लिए बेहतर ढंग से चलता है। यदि छवियों में गति धुंधला है, जैसे कि पैर की स्थिति की पहचान करना मानव एनोटेटर के लिए चुनौतीपूर्ण है, तो FLLIT उन फ्रेम में पैर के सुझावों की सही पहचान करने में सक्षम नहीं होगा। इसकी रोशनी में जरूरी है कि कैमरे को लेग टिप्स पर तेजी से फोकस किया जाए। विभाजन कलाकृतियों को रोकने के लिए, क्षेत्र को अच्छी तरह से साफ किया जाना चाहिए, और रिकॉर्डिंग के दौरान स्थानांतरित नहीं किया जाना चाहिए। सटीक पृष्ठभूमि घटाव और साफ विभाजन के लिए, फ्लाई को रिकॉर्डिंग के दौरान कम से कम एक शरीर की लंबाई को स्थानांतरित करना चाहिए, बिना रुके। स्वचालित विभाजन और ट्रैकिंग के बाद सभी पैरों की लेबलिंग की जांच की जानी चाहिए। यदि फ्लाई चाल को गलत तरीके से ट्रैक या ट्रैक नहीं किया जाता है, तो फ़ाइल को मैन्युअल रूप से शुरू ट्रैकिंग विकल्प (चरण 5.2.7 - 5.2.10) का उपयोग करके मैन्युअल रूप से फिर से ट्रैक किया जाना चाहिए।

न्यूरोडीजेनेरेटिव रोग और आंदोलन विकार हमारे बुढ़ापे समाजों में तेजी से प्रचलित हैं। न्यूरोडिजेनरेशन के फ्लाई मॉडल का अध्ययन 2 दशकों से अधिक समय से किया गया है, जिसके दौरान रोग रोग विज्ञान के आणविक और सेलुलर पहलुओं के बारे में प्रगति की गई है। हालांकि, रोग के विशिष्ट व्यवहार परिणामतकनीकी रूप से आकलन करना मुश्किल हो गया है। उदाहरण के लिए, जबकि मक्खी में कांपने वाली हरकतों की रिपोर्ट18,,19कर दी गई है, हाल ही में1तक इनका मात्रात्मक अध्ययन नहीं किया गया था । चढ़ाई परख एक उपयोगी और मात्रात्मक, अभी तक अपेक्षाकृत मोटे उपाय6किया गया है । इस तकनीकी घाटे ने इसी तरह अन्य पशु मॉडलों में उच्च संकल्प आंदोलन विश्लेषण को बाधित किया है । व्यवहार विश्लेषण के लिए नए उपकरणों के आगमन, इसलिए, आंदोलन विकारों के क्षेत्र को फिर से जीवंत करने का वादा किया है शोधकर्ताओं को अध्ययन करने के लिए कैसे आणविक और न्यूरोमस्कुलर रोगों के सेलुलर तंत्र पशु मॉडल में विशिष्ट व्यवहार परिणाम के लिए नेतृत्व करने के लिए सक्षम है । इस पेपर में और हमारे पिछले काम1में, हमने फ्लिलिट का उपयोग करके दिखाया जो एससीए 3 के फ्लाई मॉडल एक हाइपरकाइनेटिक अकरिक चाल प्रदर्शित करते हैं, जबकि पीडी फ्लाई मॉडल संबंधित मानव रोगों की एक हाइपोकाइनेटिक कठोर चाल, संक्षिप्त आंदोलन की पहचान प्रदर्शित करतेहैं। चाल विश्लेषण ने हमें विशिष्ट आंदोलन के रोगों में अंतर्निहित विशिष्ट न्यूरोनल आबादी की पहचान करने में भी सक्षम बनाया। आगे जा रहे हैं, विस्तृत आंदोलन विश्लेषण, शक्तिशाली इमेजिंग और कार्यात्मक मक्खी में उपलब्ध उपकरणों के साथ संयुक्त, हमें लोकोमोटर रोग के तंत्र में उपंयास अंतर्दृष्टि हासिल करने के लिए अनुमति देगा, सर्किट तंत्र के संबंध में न्यूरोडीजेनेरेटिव रोगों के बारे में हमारी समझ रोशन ।

FLLIT अन्य छोटे आर्थ्रोपोड में चाल का अध्ययन करने के लिए व्यापक रूप से लागू होना चाहिए, क्योंकि यह पहले मकड़ी पैर आंदोलनों पर नज़र रखने के लिए अत्यधिक सटीक होने का प्रदर्शन किया गया था1. जब तक हम रोगजनक चाल और उसके अंतर्निहित सर्किटरी की मात्रा के लिए विस्तृत आंदोलन फेनोटाइपिंग के उपयोग पर ध्यान केंद्रित करते हैं, तो आंदोलन ट्रैकिंग में प्रगति ने पहले ही क्रांति ला दी है, और सामान्य चलने वाले समन्वय और चाल और उसके अंतर्निहित सर्किट की समझ, विशेष रूप से विकासवादी पेड़ की असंख्य विभिन्न शाखाओं में इसपर प्रभाव डालना जारी रखेगा।

Disclosures

लेखकों के पास खुलासा करने के लिए कुछ नहीं है ।

Acknowledgments

लेखक तकनीकी सहायता के लिए मौमिता चटर्जी और एलिस लियू और ब्लूमिंगटन ड्रोसोफिला स्टॉक सेंटर (इंडियाना, यूएसए) को इस काम में इस्तेमाल होने वाले ड्रोसोफिला उपभेदों को उपलब्ध कराने के लिए धन्यवाद देना चाहते हैं । इस काम को इंस्टीट्यूट ऑफ मॉलिक्यूलर एंड सेल बायोलॉजी, सिंगापुर द्वारा समर्थित किया गया था; बायोइन्फॉर्मेटिक्स इंस्टीट्यूट, सिंगापुर; विज्ञान प्रौद्योगिकी और अनुसंधान संयुक्त परिषद संगठन के लिए एजेंसी (एसए और एलसी को अनुदान संख्या 15302FG149); सिंगापुर स्वास्थ्य मंत्रालय की राष्ट्रीय चिकित्सा अनुसंधान परिषद (अनुदान संख्या एनएमआरसी/टीसीआर/013-एनएनआई/2014 एसए), अलबर्टा विश्वविद्यालय (एलसी को स्टार्टअप ग्रांट), और कनाडा के प्राकृतिक विज्ञान और इंजीनियरिंग अनुसंधान परिषद (एनएसईआरसी) डिस्कवरी ग्रांट (अनुदान संख्या आरजीपिन-2019-04575 को एलसी) द्वारा प्रशासित नैदानिक अनुसंधान प्रमुख कार्यक्रम (पार्किंसंस रोग) ।

Materials

Name Company Catalog Number Comments
Acrylic Sheets Dama 1.6 mm thickness, Clear sheets Singapore, Singapore
Clear Glass slides Biomedia BMH 880101 Singapore, Singapore
High speed camera Photron Fastcam MC2.1 Tokyo, Japan. A shutter speed of 1 msec or faster is ideal to reduce motion blur of captured images
Infra Red LED Any - Generic from hardware store 940nm Infrared Light Board Singapore, Singapore
Kimwipe Kimberly Clark 34155-01LS Irving, Texas, USA

DOWNLOAD MATERIALS LIST

References

  1. Wu, S., et al. Fully automated leg tracking of Drosophila neurodegeneration models reveals distinct conserved movement signatures. PLoS Biology. 17 (6), 3000346 (2019).
  2. Mathis, A., et al. DeepLabCut: markerless pose estimation of user-defined body parts with deep learning. Nature Neuroscience. 19, 1281-1289 (2018).
  3. Pereira, T. D., et al. Fast animal pose estimation using deep neural networks. Nature Methods. 16 (1), 117-125 (2019).
  4. Machado, A. S., Darmohray, D. M., Fayad, J., Marques, H. G., Carey, M. R. A quantitative framework for whole-body coordination reveals specific deficits in freely walking ataxic mice. eLife. 4, (2015).
  5. Lu, B., Vogel, H. Drosophila models of neurodegenerative diseases. Annual Reviews in Pathology. 4, 315-342 (2009).
  6. McGurk, L., Berson, A., Bonini, N. M. Drosophila as an In Vivo Model for Human Neurodegenerative Disease. Genetics. 201 (2), 377-402 (2015).
  7. Dionne, H., Hibbard, K., Cavallaro, A., Kao, J. -C., Rubin, G. M. Genetic reagents for making split-GAL4 lines in Drosophila. bioRxiv. , (2017).
  8. Cande, J., et al. Optogenetic dissection of descending behavioral control in Drosophila. eLife. 7, (2018).
  9. Nern, A., Pfeiffer, B. D., Rubin, G. M. Optimized tools for multicolor stochastic labeling reveal diverse stereotyped cell arrangements in the fly visual system. Proceedings of the National Academy of Sciences of the United States of America. 112 (22), 2967-2976 (2015).
  10. Xie, T., et al. A Genetic Toolkit for Dissecting Dopamine Circuit Function in Drosophila. Cell Reports. 23 (2), 652-665 (2018).
  11. Warrick, J. M., et al. Ataxin-3 suppresses polyglutamine neurodegeneration in Drosophila by a ubiquitin-associated mechanism. Molecular Cell. 18 (1), 37-48 (2005).
  12. Ebersbach, G., et al. Comparative analysis of gait in Parkinson's disease, cerebellar ataxia and subcortical arteriosclerotic encephalopathy. Brain. 122 (7), 1349-1355 (1999).
  13. Stolze, H., et al. Typical features of cerebellar ataxic gait. Journal of Neurology, Neurosurgery and Psychiatry. 73 (3), 310-312 (2002).
  14. Mendes, C. S., Bartos, I., Akay, T., Marka, S., Mann, R. S. Quantification of gait parameters in freely walking wild type and sensory deprived Drosophila melanogaster. eLife. 2, 00231 (2013).
  15. DeAngelis, B. D., Zavatone-Veth, J. A., Clark, D. A. The manifold structure of limb coordination in walking Drosophila. eLife. 8, (2019).
  16. Gunel, S., et al. DeepFly3D, a deep learning-based approach for 3D limb and appendage tracking in tethered, adult Drosophila. eLife. 8, (2019).
  17. Isakov, A., et al. Recovery of locomotion after injury in Drosophila melanogaster depends on proprioception. The Journal of Experimental Biology. 219, Pt 11 1760-1771 (2016).
  18. Aw, S. S., Lim, I. K. H., Tang, M. X. M., Cohen, S. M. A Glio-Protective Role of mir-263a by Tuning Sensitivity to Glutamate. Cell Reports. 19 (9), 1783-1793 (2017).
  19. Eberl, D. F., Duyk, G. M., Perrimon, N. A genetic screen for mutations that disrupt an auditory response in Drosophila melanogaster. Proceedings of the National Academy of Sciences of the United States of America. 94 (26), 14837-14842 (1997).

Tags

व्यवहार अंक 158 ड्रोसोफिला,कीट मशीन-लर्निंग ट्रैकिंग चाल विश्लेषण न्यूरोडिजेनरेशन
सुविधा लर्निंग लेग सेगमेंटेशन और ट्रैकिंग (FLLIT) का उपयोग करके स्वतंत्र रूप से चलती कीड़ों में पूरी तरह से स्वचालित लेग ट्रैकिंग
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Banerjee, A., Wu, S., Cheng, L., Aw, … More

Banerjee, A., Wu, S., Cheng, L., Aw, S. S. Fully Automated Leg Tracking in Freely Moving Insects using Feature Learning Leg Segmentation and Tracking (FLLIT). J. Vis. Exp. (158), e61012, doi:10.3791/61012 (2020).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter