שימוש ב-vmTracking כדי לשפר את הדיוק של הערכת תנוחות מרובות בעלי חיים במחקרי התנהגות חברתית של מכרסמים
November 7th, 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
פרוטוקול זה מציג את vmTracking, שיטה המאפשרת מעקב מדויק אחר תנוחות בסרטונים של מספר בעלי חיים חופשיים ונטולי סימנים, אפילו בתנאים צפופים שבהם בעלי חיים מקובצים בצפיפות. גישה זו מספקת נתונים אמינים לניתוח אינטראקציות חברתיות המתרחשות בסביבות כמעט טבעיות בהן בעלי חיים יכולים לנוע בחופשיות.
רכיבי מחקר עיקריים
תחום המדע
- מדעי המוח
- ניתוח התנהגות
- טכניקות הדמיה
רקע
- הבנת התנהגות בעלי חיים בסביבות טבעיות היא קריטית למחקר מדעי המוח.
- שיטות מעקב מסורתיות עשויות להתקשות בסביבות צפופות.
- מעקב ללא סימנים יכול לשפר את איסוף הנתונים באינטראקציות חברתיות.
- מעקב מדויק הוא חיוני לניתוח התנהגות אמין.
מטרת המחקר
- להציג שיטת מעקב חדשנית לבעלי חיים חופשיים.
- לשפר את דיוק המעקב אחר תנוחות בקבוצות צפופות.
- להקל על חקר אינטראקציות חברתיות בסביבות כמעט טבעיות.
שיטות ששימשו
- פיתוח פרוטוקול vmTracking.
- יישום טכניקות ניתוח וידאו.
- הערכת דיוק המעקב בתנאים שונים.
- ניתוח אינטראקציות חברתיות בין בעלי חיים שנעקבו.
תוצאות עיקריות
- vmTracking הפגין דיוק גבוה במעקב אחר תנוחות.
- השיטה הייתה יעילה אפילו בתנאים צפופים.
- הושגו נתונים אמינים על אינטראקציות חברתיות.
- התוצאות תומכות בכדאיות של חקר התנהגות בסביבות טבעיות.
מסקנות
- vmTracking הוא כלי חשוב למחקר נוירוביולוגי התנהגותי.
- השיטה משפרת את ההבנה של הדינמיקה החברתית אצל בעלי חיים.
- מחקרים עתידיים יכולים לנצל גישה זו לתובנות עמוקות יותר.
שאלות נפוצות
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.
