שימוש ב-vmTracking כדי לשפר את הדיוק של הערכת תנוחות מרובות בעלי חיים במחקרי התנהגות חברתית של מכרסמים
7 בנובמבר 2025
פרוטוקול זה מציג vmTracking, שיטה המאפשרת מעקב אחר תנוחות ברמת דיוק גבוהה בסרטונים של מספר בעלי חיים הנעים בחופשיות וללא סמן, אפילו בתנאי צפיפות שבהם בעלי חיים מקובצים בצפיפות. גישה זו מספקת נתונים אמינים לניתוח אינטראקציות חברתיות המתרחשות בסביבות טבעיות למחצה שבהן בעלי חיים יכולים לנוע בחופשיות.
מטרתנו היא להבין אינטראקציות חברתיות בעכברים הנעים בחופשיות על ידי פיתוח שיטות מעקב מדויקות עם מספר בעלי חיים. השגת מעקב מדויק אחרי תנוחה עם זיהוי אישי אמין בתנאים של בעלי חיים מרובים נותרת קשה. כדי להתחיל, צרו פרויקט חדש עם כמה בעלי חיים על ידי בחירת ניהול פרויקט למעקב וידאו ללא סימנים.
שנו את שדות הפרטים וחלקי הגוף בקונפיגורציה. קובץ YAML לפי דרישות הניתוח. בחר ב-Extract Frames כדי לחלץ פריימים מהסרטון לצורך תיוג והדרכה.
לאחר מכן, תייג כל פריים שחולץ על ידי בחירת Label Data. הקצה את חלקי הגוף המתאימים לכל פרט נראה מבלי לשמור על זיהוי עקבי בין הפריימים. כדי ליצור מערך נתונים לאימון מתוך המסגרות שהופקו, בחר ליצור את מערך הנתונים של האימונים.
הגדר את הרשת ל-DLCRNet_ms5 בתצורה. בחר ב-Train כדי להתחיל לאמן את הרשת. הגדר את פרמטר האיטרציות המקסימלי ל-200,000 למפגש ההדרכה הזה.
כל שאר פרמטרי האימון יכולים להישאר בערכים ברירת המחדל שלהם. הערך את הרשת המאומנת על ידי בחירת 'הערכה'. כדי להריץ הערכת תנוחה על הסרטונים שנבחרו, בחר בניתוח סרטונים שמייצרים נתוני קואורדינטות HDF5 וקבצי פלט נוספים בתיקיית הסרטונים בתוך תיקיית הפרויקט.
כדי לבצע אימות ידני של תוצאות המעקב, צור סרטון מעקב מתויג על ידי בחירת יצירת סרטונים. הפעל את אפשרות יצירת וידאו עם זיהוי בעלי חיים בצבע בממשק ה-DLC כדי לכלול מזהים בודדים בסרטון. לאחר מכן בדוק את הסרטונים המתויגים שנוצרו כדי לבדוק אם יש מתגים או תחזיות חסרות.
אם קיימות טעויות גדולות, התכוננו לאימון מחדש. כדי לאמן מחדש, להוציא ולהערות על פריימים חריגים. בחר Extract או Rerefined חריגים.
לאחר סיום ההערות, לחץ על Merge Dataset כדי להמשיך אוטומטית ליצירת מערך נתונים באימון. ואז תחזור על צינור האימונים. כדי לתקן את תוצאות ה-DLC המרובה של בעלי חיים, פתח את הממשק הגרפי המותאם אישית ושמור רק את נקודות המפתח הנדרשות לסמנים וירטואליים.
בחר Refine Tracklets כדי לתקן את קובץ HDF5 שמכיל רק את נקודות המפתח שנבחרו. כוון את הנקודות המרכזיות כדי שכולם ישמרו על זיהוי עקבי לאורך כל הסרטון. שמור את הקובץ וקובץ ה-HDF5 בתיקיית הסרטונים יתעדכן אוטומטית.
לאחר מכן, צור וידאו מתויג חדש מהנתונים המתוקנים על ידי בחירת יצירת סרטונים. ב-DeepLabCut 2.2, אם כבר קיים סרטון מסומן בתיקיית הסרטונים, לא ייווצר סרטון חדש. הסר, שינוי שם או העבר את הקובץ הקיים לפני ההמשך.
שנה את שם סרטון הסמן הווירטואלי המסומן לקובץ קצר כדי למנוע שגיאות במהלך עיבוד DeepLabCut בהמשך הזרם. צור פרויקט saDLC חדש על ידי בחירת ניהול פרויקט למעקב אחרי סרטון הסמן הווירטואלי. בקונפיגורציה.
קובץ YAML, רשימה של כל השילובים של פרטים וחלקי גוף בשדה חלקי הגוף. כדי לחלץ פריימים מהסרטון הווירטואלי ששמו שונה, בחר ב-Extract Frames. כעת תייגו כל פריים שחולץ בנתוני תוויות באמצעות הסמנים הווירטואליים כדי להקצות מזהים בודדים עקביים ולוודא שגם מזהים וגם חלקי גוף תואמים בין פריימים שונים.
כאשר חלק גוף מוסתר חלקית, אך מזהה האדם ידוע, הערך את מיקומו והדביק את התווית בהתאם. צור מאגר נתוני אימון מתוך המסגרות שהופקו על ידי בחירת Create Training Dataset. הגדר את הרשת ל-Net B0 יעיל למפגש ההדרכה הזה.
התחל לאמן את הרשת על ידי בחירת Train. הגדר את פרמטר האיטרציות המקסימליות ל-200,000 עבור סשן זה, וכל שאר ההגדרות יכולות להישאר בערכי ברירת המחדל שלהן. לאחר הערכת הרשת המאומנת, בצע אימות ידני כפי שהודגם קודם.
בסצנות צפופות, מעקב VM השיג אחוז התאמה גבוה משמעותית מ-maDLC. מספר השליליות השגויות היה נמוך משמעותית במעקב VM מאשר עם maDLC. עם זאת, לא היה הבדל בין מעקב VM ל-maDLC בספירות חיוביות שגויות ו-ID.
בסצנות לא עמוסות, מעקב VM השיג אחוז התאמה גבוה משמעותית מ-maDLC. מספר השליליות השגויות היה נמוך משמעותית במעקב VM מאשר עם maDLC. לא היה הבדל בספירות חיוביות שגויות וספירת מתגים בין מעקב VM ל-maDLC.
בסצנות צפופות, אחוז המשחק ב-maDLC התייצב על כ-85% אחרי כ-400 פריימים עם הערות ללא שיפור נוסף. בעוד שמעקב אחרי VM הראה עלייה מתמדת עד כ-95% בסביבות 1,000 פריים. ב-maDLC, הגדלת מספר הפריימים המוערים לא הפחיתה את מספר השליליות השגויות.
סצנות עם אחוז גבוה יותר של סמנים וירטואליים שהוקצו נכון נטו להראות אחוזי התאמה גבוהים יותר. עם זאת, סצנות מסוימות כמו 3 ו-11 עדיין הציגו אחוזי התאמה גבוהים למרות הקצאות שגויות רבות או סימונים חסרים. הפרוטוקול שלנו מתמודד עם חוסר בתחזוקת זהות אמינה במעקב תנוחות מרובות בעלי חיים.
הוא משפר את דיוק מעקב התנוחות על ידי שילוב סימנים וירטואליים עם כלים קיימים. המחקר העתידי שלנו ישתמש בנתונים אלו כדי לעסוק כיצד דינמיקות קבוצתיות מעצבות התנהגויות חברתיות בעכברים.
סקירה כללית
פרוטוקול זה מציג את vmTracking, שיטה המאפשרת מעקב מדויק אחר תנוחת גוף (pose tracking) בסרטונים של מספר בעלי חיים הנעים בחופשיות ללא סמנים, גם בתנאים צפופים שבהם בעלי החיים מקובצים בצפיפות. גישה זו מספקת נתונים מהימנים לניתוח אינטראקציות חברתיות המתרחשות בסביבות חצי-טבעיות שבהן בעלי החיים יכולים לנוע בחופשיות.
מרכיבי מפתח של המחקר
תחום מדעי
- מדעי המוח
- ניתוח התנהגותי
- טכניקות דימות
רקע
- הבנת התנהגות בעלי חיים בסביבות טבעיות היא קריטית למחקרים במדעי העצבים.
- שיטות מעקב מסורתיות עלולות להתקשות בסביבות צפופות.
- מעקב ללא סמנים עשוי לשפר את איסוף הנתונים באינטראקציות חברתיות.
- מעקב ברמת דיוק גבוהה הוא חיוני לניתוח התנהגותי אמין.
מטרת המחקר
- להציג שיטה חדשנית למעקב אחר בעלי חיים בתנועה חופשית.
- לשפר את דיוק מעקב התנוחה (pose tracking) בקבוצות צפופות.
- להקל על חקר אינטראקציות חברתיות בסביבות חצי-טבעיות.
שיטות שנעשה בהן שימוש
- פיתוח של פרוטוקול ה-vmTracking.
- יישום של טכניקות לניתוח וידאו.
- הערכה של דיוק המעקב בתנאים שונים.
- ניתוח של אינטראקציות חברתיות בין בעלי החיים המעוקבים.
תוצאות עיקריות
- vmTracking הראה דיוק גבוה במעקב אחר תנוחות.
- השיטה הייתה יעילה גם בתנאים צפופים.
- התקבלו נתונים מהימנים על אינטראקציות חברתיות.
- התוצאות תומכות בהיתכנות של חקר התנהגות בסביבות טבעיות.
מסקנות
- vmTracking הוא כלי בעל ערך למחקר במדעי המוח ההתנהגותיים.
- השיטה משפרת את ההבנה של דינמיקה חברתית בבעלי חיים.
- מחקרים עתידיים יכולים להשתמש בגישה זו להשגת תובנות מעמיקות יותר.
שאלות נפוצות
רלוונטיות תעשייתית למנהלים
הערכה מדויקת של תנוחה (pose estimation) של מספר בעלי חיים היא קריטית עבור נוירומדעים תרגומיים ופרמקולוגיה התנהגותית, במיוחד בעת הערכת השפעות של תרופות על אינטראקציות חברתיות במודלים של מכרסמים הנעים בחופשיות. vmTracking פותר צוואר בקבוק מרכזי על ידי שמירה על הזהות האינדיבידואלית של בעל החיים במהלך חסימות (occlusion) וצפיפות, מה שמאפשר קבלת נקודות קצה התנהגותיות כמותיות ורובסטיות. יכולת זו מחזקת את הביטחון החזוי ותומכת בקבלת החלטות מותאמות סיכונים בשלבי הגילוי המוקדמים ובמסלולי פיתוח פרה-קליניים.
יישומים אסטרטגיים במחקר ופיתוח ביו-פרמצבטיים
גילוי מוקדם ותיקוף מטרה
- מאפשרת בחינה קפדנית של פנוטיפים של התנהגות חברתית במודלים של מכרסמים הרלוונטיים למחלות.
- תומך בתיקוף פונקציונלי של מטרה על ידי כימות שינויים התנהגותיים הקשורים להתערבויות מולקולריות.
- משפר את הביטחון החזוי בנקודות קצה התנהגותיות לצורך מיון פורטפוליו.
סריקה ופיתוח בדיקות
- מקל על הכנת מערכים התנהגותיים מתוקפים לסריקת תרכובות.
- משפר את השחזוריות והסטנדרטיזציה של תוצרי מעקב עבור מספר רב של בעלי חיים.
- מאפשר פנוטיפיקה התנהגותית הניתנת להרחבה ובעלת תפוקה גבוהה עבור קמפיינים של סריקה.
מחקר תרגומי ופרה-קליני
- מתאם מדדים התנהגותיים עם סממנים ביולוגיים תרגומיים הרלוונטיים להפרעות נוירופסיכיאטריות והפרעות התפתחותיות של מערכת העצבים.
- תומך ברצף מהשלב הגילוי ועד לתיקוף פרה-קליני באמצעות מתן מדדים התנהגותיים כמותיים וניתנים לשחזור.
- מפחית עמימות מכניסטית בפנוטיפיקה התנהגותית לצורך קידום מותאם סיכון.
שילוב תהליכי עבודה ו-Pipeline
vmTracking משתלב ברצף הניתוח ההתנהגותי, החל משלב הגילוי המוקדם ועד למחקר פרה-קליני, ומספק יכולת לשימוש חוזר למעקב מדויק אחר תנוחות (pose tracking) בפרדיגמות חברתיות מורכבות.
- ביולוגיה של הגילוי: מאפשרת בדיקת השערות והבהרה של מסלולים במודלים של התנהגות חברתית.
- סריקה: מספקת פלטי מעקב כמותיים וסטנדרטיים לבדיקת מוכנות של המערך.
- אנליטיקה: מספקת מדידות חסונות של מדדי אינטראקציה חברתית לצורך ניתוח השוואתי.
- מחקר תרגומי: תומכת בהתאמה של נקודות סוף התנהגותיות במכרסמים עם סמנים ביולוגיים רלוונטיים לבני אדם.
- שימוש חוזר ארגוני: מציעה פתרון מעקב בר-התאמה וניתן להרחבה למגוון מחקרים התנהגותיים.
השפעה תפעולית וארגונית
- ערך מדעי: מגביר את הביטחון החזוי ומפחית עמימות בתיקוף של יעדים התנהגותיים.
- ערך תפעולי: סטנדרטיזציה של תהליכי עבודה למעקב אחר מספר בעלי חיים ושיפור השחזוריות.
- ערך אסטרטגי: מאפשר קבלת החלטות משופרת לגבי המשך או הפסקה (go/no-go) ויעילות הון בפנוטיפיקה התנהגותית.
- השפעה על הפורטפוליו: תומך בתעדוף מותאם סיכון של תרכובות נוירו-אקטיביות ומודלים התנהגותיים.
שיקולי יישום
- דורש מומחיות במדעי המוח ההתנהגותיים ובניתוח כמותי של וידאו.
- נדרשת תשתית מחשוב לעיבוד וידאו וניהול נתונים.
- דורש סטנדרטיזציה בין-צוותית של פרוטוקולי מעקב ופורמטים של נתונים.
- ניתן להתאמה למודלים שונים של מכרסמים ולפראדיגמות ניסיוניות באמצעות כיול מתאים.
- הביצועים עשויים להיות מוגבלים על ידי איכות הווידאו וחסימות ראות קיצוניות שמעבר לרזולוציה האלגוריתמית.
