מעקב אחר חולדות בתאי מיזוג אופרנט באמצעות מצלמת וידאו רב-תכליתי ביתית ו-DeepLabCut
June 15th, 2020
פרוטוקול זה מתאר כיצד לבנות מצלמת וידאו קטנה ומגוונת, וכיצד להשתמש בסרטוני וידאו שהושגו ממנו כדי להכשיר רשת עצבית כדי לעקוב אחר מיקומו של בעל חיים בתוך תאי מיזוג אופרנט. זהו ערך המשלים לניתוחים סטנדרטיים של יומני נתונים שהתקבלו מבדיקות אופרנט מיזוג.
על ידי ביצוע השיטות המתוארות בפרוטוקול זה החוקרים יוכלו להקליט ולנתח קטעי וידאו של מכרסמים המבצעים בדיקות התנהגות מורכבות בתאי התניה אופרנטיים. הפרוטוקול מתאר כיצד לבנות מצלמת וידאו זולה ולהשתמש בה יחד עם תוכנת מעקב קוד פתוח. זוהי גישה אטרקטיבית עבור מעבדות על תקציב.
השיטה חשובה לפרויקטים מחקריים הכוללים התניה אופרנטית במכרסמים. כמו ניתוח וידאו יכול לשפר מאוד את ההבנה של התנהגויות לראות בסוג זה של בדיקות. התחל על ידי חיבור טבעת המתכת סביב פתיחת מעמד המצלמה.
לאחר מכן חבר את מודול המצלמה לעמוד באמצעות האגוזים והברגים המלווים את הערכה. פתח את יציאות כבל הסרט במודול המצלמה ובמיקרו-מחשב על-ידי תבריג בעדינות בשולי שפתי הפלסטיק שלהן. התלקחות כבל הסרט ליציאה הפתוחה במודול המצלמה כך שמחברי הכסף של הכבלים יעמדו בפני לוח המעגלים.
ואז לנעול אותו במקום על ידי דחיפת קליפ פלסטיק. חזור על התהליך עם יציאה במיקרו-מחשב. לאחר מכן חבר את עדשת עין הדג לטבעת המתכת על דוכן המצלמה.
מניחים את המיקרו מחשב במארז הפלסטיק ומכניסים את כרטיס המיקרו SD הרשום. לאחר מכן חבר צג, לוח מקשים ועכבר למיקרו מחשב והתחל על-ידי חיבור ספק הכוח שלו. פתח חלון מסוף והקלד מקף sudo apt, קבל עדכון.
לאחר מכן הקש על מקש enter. הסוג הבא sudo apt שדרוג מקף מלא ולחץ על הזן. תחת תפריט התחלה, בחר העדפות ותצורות PI פטל.
כאשר החלון נפתח, עבור אל הכרטיסיה ממשקים והפוך את המצלמה ואת I2C לזמינים ולאחר מכן לחץ על אישור. העתק קובץ משלים אחד אל מקל זיכרון USB. לאחר מכן העבר אותו לתיקיית PI הביתית של מחשבי המיקרו-מחשבים ושנה את שמה.
פתח סוג חלון מסוף פסאודו ננו קו נטוי וכו ', קו נטוי RC נקודה מקומית ולחץ על הזן. השתמש במקשי החצים של לוחות המקשים כדי להזיז את הסמן כלפי מטה אל הרווח שבין fi לבין יציאה מאפס. לאחר מכן הוסף טקסט כדי לגרום למחשב להפעיל את קובץ ה- Script שהועתק.
ואת נוריות אינפרא אדום, בכל פעם שהוא מגפיים. שמור את השינויים על-ידי הקשה על פקד ו- X ואחריו Y והזן. נגדי הלחם הבאים וכבלי מגשר נקבה על הרגליים של שתי נקודות אור צבעוניות.
כבלי מגשר נקבה הלחם על שני מתגי כפתור. לאחר מכן חבר את נוריות LED צבעוניות מתגים ואת מודול הוביל אינפרא אדום המפורטים לקצוות חישוק GPI המחשבים. כאשר מחובר כראוי, LED אחד יציין כי המצלמה מופעלת ומוכנה לשימוש.
בעוד השני מציין שהמצלמה מקליטה וידאו. הלחצן עם הכבלים הארוכים משמש להפעלה ולהפסקה של הקלטות וידאו. בעוד שהלחצן עם כבלים קצרים אלה משמש ל כיבוי המצלמה.
הגדר את הפרוטוקול לשימוש באור הבית של תאי האופרנטים כמאינדיקטור לשלב מסוים בפרוטוקול. לאחר מכן הגדר את הפרוטוקול כדי לתעד את כל האירועים המעניינים בתווימות זמן ביחס לכאשר מחוון שלב פרוטוקול זה הופך לפעיל. מניחים את המצלמה על גבי התאים האופרנטיים והתחילו בחיבורה לשקע חשמל באמצעות כבל אספקת החשמל.
השתמש בלחצן שהיה מחובר בעבר כדי להפעיל ולהפסיק הקלטות וידאו. לאחר סיום הקלטות הווידאו, חבר את המצלמה לצג, לעכבר מקלדת ולהתקן אחסון USB ואחזר את קבצי הווידאו משולחן העבודה שלו. השתמש בפונקציית תפיסת מסגרת DeeplabCuts כדי לחלץ 700 עד 900 מסגרות וידאו מאחד או יותר מהסרטונים המוקלטים.
ודאו שמסגרות הוידאו שתבחרו יציגו את החיה בתנופים שונים, הן נייחים עם הראש בחוץ והן בפנים של הפתחים וזזים בכיוונים שונים. השתמש בארגז הכלים לתיוג כדי לסמן באופן ידני את מיקום ראשו של החולדה בכל מסגרת וידאו על-ידי הצבת תווית ראש בתווית מרכזית בין אוזני החולדה. גם תווית חלקי גוף אחרים שעשויים להיות מעניינים.
בנוסף, סמן מיקום של מחוון שלב הפרוטוקול בכל מסגרת וידאו שבה הוא זורח באופן פעיל. לאחר מכן השתמש ביצירת ערכת נתוני הדרכה ופונקציות רשת אימון כדי ליצור ערכת נתוני הדרכה ממסגרות הווידאו המסומן ולהתחיל את האימון של רשת עצבית. כאשר רשת עצבית אומנה, השתמש בה כדי לנתח את הסרטונים שנאספו.
פעולה זו תיצור קובץ CSV המפרט את עמדות המסלול של ראשו של החולדה, חלקי גוף אחרים של עניין ואת מחוון שלב הפרוטוקול בכל מסגרת וידאו. בנוסף, הוא ייצור קבצי וידאו מסומנים שבהם עמדות המסלול מוצגות באופן חזותי. כדי להשיג קואורדינטות של נקודות עניין ספציפיות בתוך התאים האופרנטיים, סמן אותן באופן ידני כמתואר לעיל ואחזר את הקואורדינטות מקובץ ה- CSV המאוחסן באופן אוטומטי תחת נתונים מסומנים בתווית בתיקיית הפרוייקט.
הערה, שבו מקטעי וידאו מחוון צעד הפרוטוקול הוא במעקב בתוך 60 פיקסלים של המיקום שהושג באופן ידני בסעיף הקודם ולחלץ את נקודת ההתחלה המדויקת עבור כל תקופה שבה המחוון פעיל. השתמש בנקודות שבהן מחוון שלב הפרוטוקול הופך לפעיל ואת חותמות הזמן שנרשמו על-ידי התאים האופרנטיים. כדי לקבוע אילו מקטעי וידאו מכסים אירועים ספציפיים של פרוטוקול הבדיקה, כגון מרווחי זמן בין-גירסתיים, תגובות או אחזור תגמולים.
שים לב למסגרות הווידאו שהן מכסות אירועים מעניינים במיוחד. לבסוף לבצע ניתוח מעמיק רלוונטי של המיקום והתנועות של החיה, במהלך אירועים אלה. עדשת עין הדג של המצלמה אמורה לאפשר לה ללכוד תצוגה מלאה של החלק הפנימי של רוב תאי המיזוג האופרנטיים של המכרסמים.
באמצעות מקור מתאים של תאורת אינפרא אדום, המצלמה תאפשר גם לכידת וידאו בחושך מוחלט. רשת מאומנת היטב אמורה לאפשר דיוק של יותר מ-90% בעת מעקב אחר ראשו של בעל חיים. מעקב מדויק ניתן לזיהוי בבירור על ידי סמנים העוקבים אחר בעל חיים לאורך כל תנועותיו ושביליו המותווים שנראים חלקים.
לעומת זאת, מעקב לא מדויק מאופיין בסמנים שלא נשארים באופן אמין ביעד ובנתיבים משוננים. כתוצאה של מעקב לא מדויק זה בדרך כלל גורם לשינויים פתאומיים במהירויות תנועות מחושבות. על ידי מעקב אחר המיקום של בעל חיים לאורך כל מפגש הבדיקה, ניתן להעריך כיצד דפוסי תנועה ברורים מתייחסים לביצועים.
לדוגמה, במבחן זמן התגובה הסדרתי של חמש אפשרויות, תנועות ראש במהלך מרווח הזמן של הבין-ניסויים, יכולות לשמש לניסויי פליטה נפרדים שבהם החיה מראה עניין מוגבל בביצוע תגובה. מניסויי משימה שבהם החיה פשוט לא מצליחה להבחין בסימן האור הקצר. בנוסף, חקירת תנועות ראש יכולה לאפשר איתור ואפיון של אסטרטגיות קשב שונות.
בעת ניסיון לבצע הליך זה, חשוב שמימן שלב הפרוטוקול יהיה מהימן. ושרשת העצבים מאומנת עם צלילה של מסגרות וידאו. כדי להבטיח מעקב מדויק.
View the full transcript and gain access to thousands of scientific videos
סקירה כללית
פרוטוקול זה מתאר את בניית מצלמת וידאו זולה ואת היישום שלה במעקב אחר התנהגות מכרסמים בתאי מיזוג אופרנטי. על ידי שימוש בתוכנת מעקב בקוד פתוח, חוקרים יכולים לשפר את ניתוח ההתנהגויות המורכבות שלהם.
מרכיבי מחקר מרכזיים
תחום המדע
- נוירומדע
- ניתוח התנהגות
- מיזוג אופרנטי
רקע
- מיזוג אופרנטי הוא שיטה נפוצה לחקר התנהגות בעלי חיים.
- ניתוח וידאו יכול לספק תובנות עמוקות יותר לדפוסי התנהגות.
- שיטות מסורתיות עשויות להיות מוגבלות על ידי מגבלות תקציב.
- כלים בקוד פתוח יכולים לדמוקרטיז את הגישה לטכנולוגיות מעקב מתקדמות.
מטרת המחקר
- לספק פתרון חסכוני להקלטת וידאו במחקרים התנהגותיים.
- להקל על מעקב אחר תנועות בעלי חיים במהלך ניסויים.
- לשפר את הדיוק של ניתוח נתונים התנהגותיים.
שיטות ששימשו
- בניית מצלמת וידאו קטנה.
- שילוב עם תוכנת מעקב בקוד פתוח.
- הקלטת התנהגות מכרסמים בתאי מיזוג אופרנטי.
- ניתוח נתוני וידאו למעקב אחר מיקומי בעלי החיים.
תוצאות עיקריות
- הפרוטוקול מאפשר מעקב יעיל אחר התנהגות מכרסמים.
- ניתוח וידאו משפר את ההבנה של תוצאות מיזוג אופרנטי.
- שיטות חסכוניות נגישות למעבדות מחקר שונות.
- שיפור איכות הנתונים באמצעות טכניקות ניתוח וידאו.
מסקנות
- פרוטוקול זה מציע גישה מעשית למחקר התנהגותי.
- שימוש במעקב וידאו יכול לשפר משמעותית את ניתוח הנתונים.
- פתרונות בקוד פתוח יכולים לתמוך ביוזמות מחקר ששמים לב לתקציב.
שאלות נפוצות
Executive Industry Relevance
This protocol enables cost-effective video-based behavioral analysis in operant conditioning chambers, addressing a key limitation in neuroscience research where sensor-derived data alone cannot capture spatial movement patterns. By integrating a versatile homemade camera system with DeepLabCut, labs gain the ability to quantify animal positioning and locomotion—parameters critical for mechanistic de-risking in target validation and phenotypic screening workflows. The approach supports predictive confidence in preclinical models by enabling detailed behavioral phenotyping without reliance on expensive commercial systems.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses through quantitative analysis of rodent movement patterns during operant tasks, supporting functional target validation.
- Operational Value: Provides a reproducible method to assess behaviors not detectable via lever or nose-poke sensors, reducing mechanistic ambiguity in early-stage target assessment.
Screening & Assay Development
- Scientific Value: Generates standardized, quantitative positional data from video frames, enabling reliable compound evaluation in behavioral assays.
- Operational Value: Facilitates assay readiness by producing trackable outputs (e.g., head position, protocol indicator alignment) that support high-throughput video analysis pipelines.
Translational & Preclinical Research
- Scientific Value: Supports disease-relevant system modeling by capturing naturalistic behaviors (e.g., head movements during inter-trial intervals) linked to attentional states and task engagement.
- Operational Value: Enables continuity from discovery through preclinical validation by providing scalable, reusable video tracking across test sessions and experimental conditions.
Pipeline & Workflow Integration
The method fits within the discovery continuum from hypothesis testing to lead identification, where detailed behavioral readouts inform target selection and compound prioritization based on movement-based phenotypes.
- Discovery Biology: Supports hypothesis testing and pathway clarification by tracking animal position relative to environmental cues, enabling correlation of movement with cognitive performance.
- Screening: Delivers assay standardization and quantitative outputs (e.g., CSV-tracked coordinates) that allow comparison across treatment groups and timepoints.
- Analytics: Provides statistical-ready data (e.g., frame-by-frame position, indicator activation timing) for in-depth analysis of behavioral events such as reward retrieval or inter-trial intervals.
- Translational Research: Connects to preclinical continuity by enabling detection of distinct attentional strategies and movement patterns relevant to neuropsychiatric disease models.
- Enterprise Reuse: Establishes a modular, adaptable capability for video-based phenotyping that can be deployed across multiple operant chambers and behavioral paradigms.
Operational & Enterprise Impact
- Scientific Value: Enhances predictive confidence by reducing reliance on indirect behavioral proxies and enabling direct observation of spatial dynamics in operant tasks.
- Operational Value: Ensures reproducibility through standardized camera setup and DeepLabCut pipeline, supporting cross-lab consistency in behavioral data generation.
- Strategic Value: Improves go/no-go decisions by uncovering subtle behavioral phenotypes (e.g., limited responsiveness vs. cue detection failure) that inform compound efficacy and target engagement.
- Portfolio Impact: Enables risk-adjusted advancement by identifying mechanistically informative behavioral signatures early in discovery, reducing late-stage attrition due to poor translational predictivity.
Implementation Considerations
- Requires basic electronics and soldering skills for camera assembly, including resistor and jumper cable integration with GPIO components.
- Depends on accessible hardware such as Raspberry Pi, camera module, fisheye lens, infrared LEDs, and USB storage for video retrieval and processing.
- Necessitates cross-team standardization in video acquisition protocols (e.g., consistent lighting, frame rate, indicator synchronization) to ensure reliable DeepLabCut training and tracking accuracy.
- Involves adaptation considerations when applying the system to different chamber geometries or behavioral setups, particularly regarding camera positioning and field of view.
- Practical limitations include dependency on sufficient infrared illumination for low-light tracking and the need for diverse, well-postured training frames (>700) to achieve >90% head tracking accuracy as noted in the protocol.
Biopharma FAQs
Chapters in this video
0:04
Introduction
0:50
Building the Video Camera
3:32
Designing the Operant Conditioning Protocol and Recording Videos of Animals
4:14
Analyzing Videos with DeepLabCut
5:50
Identifying Video Segments of Interest
6:37
Results: Camera performance and Video Tracking to Complement Analysis of Operant Behaviors
8:03
Conclusion
