Utilisation de vmTracking pour améliorer la précision de l’estimation de la pose multi-animaux dans les études de comportement social des rongeurs
November 7th, 2025
Ce protocole introduit vmTracking, une méthode qui permet un suivi de pose de haute précision dans les vidéos de plusieurs animaux se déplaçant librement et sans marqueur, même dans des conditions de surpopulation où les animaux sont densément regroupés. Cette approche fournit des données fiables pour analyser les interactions sociales qui se produisent dans des environnements semi-naturels où les animaux peuvent se déplacer librement.
Nous visons à comprendre les interactions sociales chez les souris en mouvement libre en développant des méthodes précises de pistage multi-animaux. Atteindre un suivi précis de la posture avec une identification individuelle fiable dans des conditions multi-animaux reste difficile. Pour commencer, créez un nouveau projet multi-animaux en sélectionnant Gérer le projet pour un suivi vidéo sans marqueur.
Modifiez les champs individus et parties du corps dans la config. fichier yaml selon les exigences d’analyse. Sélectionnez Extraire des images pour extraire les images de la vidéo afin d’étiqueter et de former.
Ensuite, étiquetez chaque trame extraite en sélectionnant Étiquette Données. Attribuez les parties du corps appropriées à chaque individu visible sans nécessairement maintenir des identifiants cohérents entre les images. Pour créer un jeu de données d’entraînement à partir des trames extraites, sélectionnez créer un jeu de données d’entraînement.
Réglez le réseau sur DLCRNet_ms5 dans la configuration. Sélectionnez Train pour commencer à entraîner le réseau. Fixez le paramètre maximum d’itérations à 200 000 pour cette séance d’entraînement.
Tous les autres paramètres d’entraînement peuvent rester à leurs valeurs par défaut. Évaluez le réseau entraîné en sélectionnant Évaluer. Pour effectuer l’estimation de la pose sur les vidéos sélectionnées, choisissez Analyser les vidéos générant des données de coordonnées HDF5 et d’autres fichiers de sortie dans le dossier vidéos du dossier projet.
Pour effectuer une vérification manuelle des résultats de suivi, créez une vidéo de suivi identifiée en sélectionnant Créer des vidéos. Activez l’option créer une vidéo avec une identité animale colorée dans l’interface graphique du DLC pour inclure des identifiants individuels dans la vidéo. Ensuite, inspectez les vidéos générées et étiquetées pour vérifier s’il y a des changements d’identité ou des prédictions manquantes.
Si des erreurs majeures sont présentes, préparez-vous à une rééducation. Pour réentraîner, extraire et annoter les images aberrantes. Sélectionnez extraire ou affiner les valeurs aberrantes.
Une fois l’annotation terminée, cliquez sur Fusionner l’ensemble de données pour passer automatiquement à la création de l’ensemble de données d’entraînement. Puis répéter la chaîne de formation. Pour corriger les résultats du DLC multi-animaux, ouvrez l’interface graphique personnalisée et ne conservez que les points clés requis pour les marqueurs virtuels.
Sélectionnez Refine Tracklets pour corriger le fichier HDF5 contenant uniquement les points clés sélectionnés. Ajustez les points clés pour que chacun conserve une identification cohérente sur toute la vidéo. Enregistrez le fichier et le fichier HDF5 dans le dossier vidéos sera mis à jour automatiquement.
Ensuite, créez une nouvelle vidéo étiquetée à partir des données corrigées en sélectionnant Créer des vidéos. Dans DeepLabCut 2.2, si une vidéo étiquetée existe déjà dans le dossier vidéos, une nouvelle vidéo ne sera pas créée. Supprimer, renommer ou déplacer le fichier existant avant de procéder.
Renommer la vidéo virtuelle de marqueur en un nom de fichier court afin d’éviter les erreurs lors du traitement DeepLabCut en aval. Créez un nouveau projet saDLC en sélectionnant Gérer le projet pour suivre la vidéo de marqueur virtuel. Dans la configuration.
fichier yaml, liste toutes les combinaisons d’individus et de parties du corps dans le champ des parties du corps. Pour extraire des images de la vidéo de marqueur virtuel renommée, sélectionnez Extraire des images. Identifiez désormais chaque image extraite dans les données d’étiquette en utilisant les marqueurs virtuels pour attribuer des identifiants individuels cohérents et vous assurer que les identifiants et les parties du corps correspondent entre les images.
Lorsqu’une partie du corps est partiellement cachée, mais que l’ID de l’individu est connu, estimez sa position et appliquez l’appellation en conséquence. Créez un jeu de données d’entraînement à partir des cadres extraites en sélectionnant Créer un ensemble de données d’entraînement. Réglez le réseau sur un net B0 efficace pour cette session d’entraînement.
Commencez à entraîner le réseau en sélectionnant Train. Réglez le paramètre maximum d’itérations à 200 000 pour cette session, et tous les autres paramètres peuvent rester à leurs valeurs par défaut. Après avoir évalué le réseau entraîné, effectuez une vérification manuelle comme démontré précédemment.
Dans les scènes bondées, le suivi des VM a atteint un pourcentage de correspondance nettement plus élevé que le maDLC. Le nombre de faux négatifs était nettement plus faible avec le suivi des machines virtuelles qu’avec le maDLC. Cependant, il n’y avait aucune différence entre le suivi des VM et le maDLC en termes de faux positifs et de nombre d’interrupteurs ID.
Dans les scènes non encombrées, le suivi des VM a obtenu un pourcentage de correspondance nettement plus élevé que le maDLC. Le nombre de faux négatifs était nettement plus faible avec le suivi des machines virtuelles qu’avec le maDLC. Il n’y avait aucune différence dans le nombre de faux positifs et de commutateurs d’ID entre le suivi des machines virtuelles et le maDLC.
Dans les scènes bondées, le pourcentage de matchs dans le maDLC a plafonné à environ 85 % après environ 400 images annotées sans amélioration supplémentaire. Tandis que le suivi des machines virtuelles a montré une augmentation régulière jusqu’à environ 95 %, autour de 1 000 trames. Dans maDLC, augmenter le nombre de trames annotées ne réduisait pas le nombre de faux négatifs.
Les scènes avec une proportion plus élevée de marqueurs virtuels correctement attribués avaient tendance à montrer des pourcentages de correspondance plus élevés. Cependant, certaines scènes comme 3 et 11 montraient encore des pourcentages de correspondance élevés malgré de nombreuses erreurs ou des marqueurs manquants. Notre protocole traite un manque de maintien fiable de l’identité dans le suivi des poses multi-animaux.
Il améliore la précision du suivi de la pose en combinant des marqueurs virtuels avec des outils existants. Nos recherches futures utiliseront ces données pour examiner comment la dynamique de groupe façonne les comportements sociaux chez la souris.
Aperçu
Ce protocole introduit vmTracking, une méthode qui permet un suivi de pose de haute précision dans les vidéos de plusieurs animaux en mouvement libre, sans marqueur, même dans des conditions de foule où les animaux sont densément regroupés. Cette approche fournit des données fiables pour analyser les interactions sociales qui se produisent dans des environnements semi-naturels où les animaux peuvent se déplacer librement.
Composants clés de l'étude
Domaine scientifique
- Neuroscience
- Analyse comportementale
- Techniques d'imagerie
Contexte
- Comprendre le comportement animal dans des cadres naturels est crucial pour la recherche en neurosciences.
- Les méthodes de suivi traditionnelles peuvent avoir du mal dans des environnements bondés.
- Le suivi sans marqueur peut améliorer la collecte de données dans les interactions sociales.
- Un suivi de haute précision est essentiel pour une analyse comportementale fiable.
Objectif de l'étude
- Présenter une nouvelle méthode de suivi pour les animaux en mouvement libre.
- Améliorer la précision du suivi de pose dans des groupes denses.
- Faciliter l'étude des interactions sociales dans des environnements semi-naturels.
Méthodes utilisées
- Développement du protocole vmTracking.
- Application de techniques d'analyse vidéo.
- Évaluation de la précision du suivi dans diverses conditions.
- Analyse des interactions sociales entre les animaux suivis.
Résultats principaux
- vmTracking a démontré une haute précision dans le suivi de pose.
- La méthode a été efficace même dans des conditions de foule.
- Des données fiables sur les interactions sociales ont été obtenues.
- Les résultats soutiennent la faisabilité de l'étude du comportement dans des cadres naturels.
Conclusions
- vmTracking est un outil précieux pour la recherche en neurosciences comportementales.
- La méthode améliore la compréhension des dynamiques sociales chez les animaux.
- Des études futures peuvent s'appuyer sur cette approche pour obtenir des insights plus profonds.
Questions fréquemment posées
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.
