Protocollo per il tracciamento e la quantificazione comportamentale automatizzata in Drosophila melanogaster

Summary

Questo protocollo utilizza la stima della pose da parte di Python per tracciare punti chiave del corpo nelle Drosophila accoppiate, facilitando la quantificazione automatica di comportamenti sociali sottili, specialmente nelle interazioni sociali, oltre a mappe termiche e traiettorie locomotorie.

Abstract

Per sviluppare uno strumento analitico open source che superi i limiti dei metodi tradizionali di tracciamento basati su centroidi, presentiamo un protocollo per analizzare accuratamente le interazioni sociali nelle coppie di Drosophila che si comportano liberamente. In particolare, questo protocollo si ispira al framework high-resolution network (HRNet) per monitorare simultaneamente cinque punti chiave anatomici — testa, torace, addome e punte delle ala sinistra e destra — con l'obiettivo di generare dati di coordinate ad alta risoluzione per un'analisi quantitativa successiva dei comportamenti sociali. Questo protocollo fornisce un flusso di lavoro completo basato su Python e un'interfaccia grafica utente (GUI) che abbiamo progettato, inclusa la costruzione di dataset, l'addestramento dei modelli e l'estrazione automatica delle coordinate, insieme a moduli integrati per generare heatmap di occupazione spaziale, traiettorie locomotorie e rapporti di interazione sociale nelle mosche. Per convalidare questo quadro, è stato testato utilizzando due ceppi ampiamente utilizzati, w1118 e Canton-S (CS). I nostri risultati hanno dimostrato la stabilità del rilevamento dei punti chiave e hanno rivelato differenze specifiche per genotipo nell'utilizzo spaziale e nella struttura della locomotiva. Questa metodologia fornisce una base scalabile per l'etologia quantitativa e l'analisi automatizzata delle interazioni sociali in Drosophila, riducendo allo stesso tempo lo sforzo di annotazione manuale e migliorando la riproducibilità.

Introduction

Drosophila melanogaster è un organismo modello ampiamente utilizzato con potenti strumenti genetici e circuiti neurali ben mappati che permettono la dissezione meccanicistica del comportamento¹. Ha una vasta gamma di comportamenti sociali, tra cui corteggiamento e aggressività, e una forte capacità di apprendimento 2,3,4,5,6,7,8. Ognuno è composto da elementi motori distinti controllati da un sistema nervoso compatto ma estremamente ben organizzato. È importante sottolineare che una misurazione precisa della postura corporea è essenziale per comprendere le basi neurologiche della selezione delle azioni, poiché molti di questi comportamenti contengono motivi posturali a grana fine che codificano informazioni contestuali e dello stato^{interno 9,10}.

Nonostante la necessità di una risoluzione a singola mosca per catturare le differenze individuali, molti saghi comportamentali ad alto throughput in Drosophila si basano ancora su indici a livello^{di gruppo 11}. Saggi comportamentali ad alto rendimento includono test T-maze per la preferenza^{sociale 12,13}, saghi di spaziamento sociale che quantificano la distanza tra mosche, o paradigmi di aggregazione/evitamento sotto stimolazione^{sensoriale 14} che possono catturare efficacemente le tendenze della popolazione. Tuttavia, implicano intrinsecamente la media tra individui, oscurando così l'eterogeneità nelle sequenze d'azione e nella struttura temporale degli scambi sociali. Nel corso degli anni, i tentativi di avvicinarsi all'identificazione per mosca si sono basati su metodi funzionalmente vincolati, come il rilevamento degli eventi basato su regole tramite soglie cinematiche, la sottrazione di background con tracciamento del centroide e l'annotazione video^manuale 15,16,17,18. Di conseguenza, comportamenti discreti come l'affondamento, il tocco o le minacce alari vengono spesso ignorati o etichettati erroneamente, richiedendo una notevole correzione manuale. Tali vincoli hanno limitato gli studi meccanicistici che richiedono un allineamento temporale preciso tra l'attività neurale e le azioni individuali.

Una soluzione rivoluzionaria è ora disponibile grazie ai recenti sviluppi nella visione artificiale e nella stima della posa basata su machine learning. I framework open-source come DeepLabCut¹⁹ e SLEAP²⁰ consentono il rilevamento delle parti del corpo senza marcatori, la classificazione scalabile di azioni discrete e la preservazione dell'identità individuale anche durante interazioni ravvicinate. Queste caratteristiche superano gli svantaggi degli approcci precedenti basati su gruppi e guidati da regole e permettono una quantificazione ripetibile di comportamenti sociali complessi.

Le interazioni individuali in Drosophila sono caratterizzate da caratteristiche motorie uniche che indicano la progressione delle interazioni sociali. L'aggressività, ad esempio, include comportamenti tipici come l'affondamento, le minacce alle ali e il grappling, tutti elementi che rappresentano fasi di conflitto in crescita^21,22. Il corteggiamento è definito in modo simile dall'orientamento, dall'estensione unilaterale delle ali con la produzione del canto, il tapping e il tentativo di accoppiamento, che si uniscono per formare la sequenza temporale delle interazioni^{di accoppiamento 23}. Catturare questi motivi dipende dal riconoscimento accurato della postura corporea e dei movimenti^{articolari 24,25}. In pratica, il campionamento richiede un'elevata risoluzione spaziale e temporale su lunghi periodi di registrazione per garantire che schemi motori sottili possano essere rilevati e allineati con precisione all'attività^{neurale 25,26}.

Qui presentiamo un framework open-source basato sulla visione per l'identificazione automatica di cinque punti chiave anatomici—testa, torace, addome, punte dell'ala sinistra e^{destra 27}. Il sistema comprende un flusso di lavoro completo per la costruzione di dataset, l'addestramento del modello e l'estrazione delle coordinate, e produce dati di serie temporali ad alta risoluzione adatti per una classificazione comportamentale personalizzabile. Automatizzando i processi di annotazione manuale e standardizzando i flussi di lavoro analitici, il nostro metodo consente un'analisi quantitativa su scala fine dei comportamenti di interazione sociale, aumentando efficienza e riproducibilità riducendo significativamente il tempo e il lavoro necessari per l'analisi.

Per validare l'affidabilità del sistema, lo abbiamo applicato a due ceppi di laboratorio comunemente usati, w1118 e Canton-S (CS), e osservato una rilevazione stabile dei punti chiave tra i fotogrammi, oltre a differenze specifiche per genotipo nell'occupazione spaziale, nelle caratteristiche della traiettoria e negli indicatori di interazione sociale basati sulla distanza della testa e sull'angolo di orientamento. I ricercatori possono valutare l'idoneità di questo protocollo in base alla risoluzione spaziotemporale richiesta (≥30 fps, ≤0,5 mm/pixel) e alle condizioni di registrazione video (illuminazione e contrasto). La dimensione dei pixel può essere determinata direttamente dalle impostazioni della fotocamera. Una mosca della frutta con una lunghezza corporea misurata può essere posizionata all'interno del campo visivo per la calibrazione. Questo protocollo è particolarmente adatto per i seguenti scenari: necessità di tracciare simultaneamente due Drosophila che interagiscono liberamente e distinguere le loro identità individuali; concentrandosi su posture precise (ad esempio, angolo della testa e distanza) piuttosto che solo sulle posizioni del centroide; durata di registrazione superiore a 10 minuti quando l'annotazione manuale non è fattibile; richiedendo un allineamento temporale a livello di millisecondi tra eventi comportamentali e attività neurale (ad esempio, imaging del calcio o elettrofisiologia) nelle analisi successive.

Protocol

1. Preparazione alla mosca

1. Raccogliere e sessare le mosche di circa 3–4 giorni sotto breve anestesia CO₂ prima degli esperimenti.
   NOTA: La durata dell'anestesia e la portata di CO₂ possono variare a seconda delle specifiche e della pressione del cilindro di anidride carbonica utilizzato in ogni laboratorio. Le mosche devono essere monitorate continuamente durante l'anestesia e l'esposizione alla CO₂ deve essere mantenuta solo fino a quando non sono completamente anestetizzate e non manifestano una completa cessazione del movimento.
2. Posizionare ogni mosca singolarmente in un tubo Falcon da 50 mL contenente un mezzo standard di farina di mais–agar–glucosio–lievito.
3. Mantieni le mosche a 25 °C durante un ciclo di 12 ore chiaro/scuro fino all'uso.

2. Costruzione dell'arena

1. Prepara due piastre acriliche trasparenti da 3 mm e una lastra di polietilene da 3 mm.
2. Incide quattro camere circolari (ciascuna con un diametro di 35 mm) al centro della lastra di polietilene.
3. Usa le clip per incollare una piastra acrilica alla piastra di polietilene per formare la base della camera; Tieni la seconda piastra in acrilico come copertura rimovibile.

Figura 1: Schema dell'arena comportamentale e dell'impostazione per l'imaging. (A) La costruzione di una camera di osservazione personalizzata è rappresentata nel diagramma. La camera è composta da tre strati principali: una piastra di base acrilica trasparente da 3 mm; una piastra in polietilene da 3 mm con quattro squaffe circolari da 35 mm di diametro che fungevano da singoli pozzi per la camera; e una seconda piastra acrilica che funge da copertura rimovibile. (B) Un morsetto adattatore a 90° viene utilizzato per installare la fotocamera verticalmente su un palo ottico da 40 cm. Per l'imaging dall'alto verso il basso, la telecamera è posizionata direttamente sopra l'arena di osservazione multilivello con il suo asse ottico perpendicolare alla superficie della camera. Clicca qui per visualizzare una versione più grande di questa figura.

3. Configurazione per l'imaging

1. Assemblare due poli ottici da 20 cm e uno da 40 cm con morsetti adattatori a 90°.
2. Montare la fotocamera (1280 × 1024 pixel) verticalmente sul palo da 40 cm, allineata perpendicolarmente alla superficie dell'arena, e impostare il frame rate a 150 fps.
3. Posizionare l'arena su un pannello LED dimmerabile bianco diurno di 25 cm × 25 cm rivestito da un foglio di diffusione.
4. Regola l'illuminazione a circa 1500 lux sulla superficie dell'arena.
   NOTA: Assicurarsi che i bordi alari rimangano visibili nell'anteprima binaria. Evita >2000 lux per prevenire artefatti indotti dal calore, poiché le mosche possono cambiare la loro locomozione naturale o distribuzione a causa dello stress termico della fonte luminosa.

4. Procedura di registrazione

1. Metti da 3 cm di schiuma sotto ogni angolo dell'arena per stabilizzarlo.
2. Trasferire le coppie di mosche sotto anestesia CO₂ nelle camere; sigilla con la piastra acrilica superiore.
3. Lascia che le mosche si acclimatino per 40 minuti prima di registrare.
4. Inizia l'acquisizione video usando^{MIAS.exe 27}: premi q per iniziare e c per fermarti.
   NOTA: Questo porta a registrazioni video continue di coppie di mosche che interagiscono liberamente in condizioni standardizzate.

5. Definire il pannello di attività sociale

1. Esegui lo script di preprocessing: python SoAL_PreProcess.py [video_file_path]
   NOTA: Tutti gli script di codifica sono forniti nel File Supplementare 1.
2. Annotare l'area della camera e assegnare i metadati sotto forma di Genotype_age (giorni) × 1 (numero di camere). (ad esempio, CS_3 × 1)
3. Regolare il cursore della soglia di rilevamento finché le ali non diventano quasi invisibili nell'immagine binaria per garantire una sottrazione ottimale dello sfondo e una visibilità alare.

6. Preparazione del dataset

1. Crea una nuova cartella dataset eseguendo:
   Strumenti python/SoAL_DatasetGen.py DATASETNAME 10 (intervallo di campionamento dei frame)
   NOTA: Il parametro dell'intervallo di campionamento del frame ("10") è stato adattato da un^{protocollo 27} precedentemente pubblicato. Valori più bassi aumentano la densità di campionamento e il carico computazionale, mentre valori più alti riducono la domanda computazionale e possono essere adattati in base alle prestazioni hardware disponibili e ai requisiti sperimentali.
2. Imposta il percorso video e il percorso dataset in 'tools/SoAL_DatasetUtils.py'
3. Interfaccia di etichettatura manuale di avvio:
   >strumenti python/SoAL_LabelUI.py DATASETNAME
   1. Navigazione dei fotogrammi: Premi il tasto Spazio o il tasto Z per navigare rispettivamente al fotogramma successivo o al precedente. In alternativa, usa il cursore della timeline per la navigazione.
   2. Etichettatura dei punti chiave: Clicca sulla posizione corretta di una mosca in ogni immagine (in una sequenza specifica: testa, torace, addome, ala sinistra e ala destra) per segnare i 5 punti chiave.
   3. Selezione dei punti chiave: Premi i tasti numerici per selezionare un punto chiave (indicato da un cerchio bianco). Il clic successivo riassegnerà un nuovo numero al punto chiave selezionato.
   4. Salvataggio: Chiudi la finestra o premi il tasto D per salvare i risultati dell'annotazione.
      NOTA: Un archivio completo di set di addestramento comprende due componenti: una directory immagini e un file annotation.json.

7. Addestramento al modello

1. Dividi il dataset in set di addestramento e validazione:
   strumenti python/SoAL_DatasetGen.py DIVISIONE DEI NOMI DEL DATASET
   Verranno create due nuove cartelle in 'dataset/.'
2. Configurare i parametri di addestramento in hrnet/fly_w32.yaml:
   Fattore di rotazione: 15°
   Fattore di scala: 0,35
   Fattore di luminosità: 0,25
   Dimensione del lotto: 24
   Epoche: 200
3. Esegui il programma di formazione:
   python hrnet/tools/train.py --cfg hrnet/fly_w32.yaml
   Terminare i set di addestramento quando la precisione media (AP) si stabilizza; mantenere il miglior modello (AP > 90%).
4. Valida il modello utilizzando:
   python hrnet/tools/test.py --cfg hrnet/fly_w32.yaml
   Risultato: Modello robusto basato su HRNet per il rilevamento dei key-point multi-fly.

8. Esegui il programma di rilevamento

1. Copia nuovi file video nella directory video.
2. Annota i metadati come mostrato nel passo 5.
3. Esegui il programma di rilevamento: python SoAL_KptDetect.py tutti
4. Ispezionare i risultati della rilevazione:
   Strumenti/SoAL_ViewKptUI.py excel_file_path Python (.cvs/xslx)
   Risultato: coordinate bidimensionali di cinque punti di riferimento anatomici per mosca attraverso i fotogrammi.

9. Quantificazione comportamentale

1. Avvia un'applicazione GUI autonoma per l'analisi (Supplementary File 2) e importa file di coordinate nell'interfaccia.
2. Genera heatmap di occupazione spaziale (densità di probabilità delle posizioni dell'arena).
3. Ricostruisci le traiettorie locomotorie a partire da serie temporali di coordinate.
4. Crea dati sulle interazioni sociali, inclusi distanza della testa, orientamento e stato sociale derivato.
   Esame: visualizzazione standardizzata dell'uso spaziale specifico del genotipo e della dinamica del movimento.

Results

La Figura 1 illustra la geometria dell'arena, la configurazione dell'illuminazione e la posizione della telecamera utilizzate per registrare le interazioni sociali naturali in Drosophila. L'installazione garantisce un'illuminazione uniforme e condizioni di imaging stabili adatte alla stima della posa e all'estrazione delle coordinate.

La stima automatica della posa è stata applicata a tutti i video registrati per estrarre coordinate bidimensionali per i punti anatomici chiave predefiniti di ogni mosca. Il modello ha identificato costantemente testa, torace, addome e articolazioni alari tra i telai, anche durante interazioni a distanza ravvicinata. La Figura 2 mostra un fotogramma rappresentativo con punti chiave sovrapposti, dimostrando un tracciamento accurato multi-fly e una rilevazione stabile dei punti chiave durante tutta la registrazione. L'affidabilità di questo passaggio garantisce che la serie temporale di coordinate estratte possa costituire una solida base per analisi quantitative a valle. La Figura 3 illustra il flusso di lavoro analitico.

Utilizzando le coordinate estratte e la proporzione di frame per ciascuna coordinata, abbiamo generato heatmap di occupazione spaziale per visualizzare la distribuzione cumulativa delle posizioni di fly all'interno dell'arena. Queste heatmap riassumono la densità di probabilità delle posizioni delle mosche nel tempo e evidenziano le regioni di occupazione preferenziale. La Figura 4 e la Figura 5 presentano mappe di calore rappresentative per i voli w1118 e Canton-S (CS). Le differenze nei modelli di utilizzo spaziale tra le zone centrale e periferica nei due genotipi sono facilmente osservabili, riflettendo tendenze distinte nell'esplorazione dell'arena e nella preferenza delle zone.

Oltre ai modelli di occupazione, abbiamo ricostruito le traiettorie locomotorie dalle serie temporali di coordinate per catturare dinamiche di movimento su scala fine. Le traiettorie venivano generate collegando le coordinate bidimensionali delle mosche di ogni fotogramma successivo senza alcuna levigatura. Le traiettorie mostrate in Figura 4 e Figura 5 illustrano i percorsi di movimento individuali per le mosche w1118 e CS, rivelando differenze specifiche per genotipo nella portata di movimento, nella complessità del percorso e nelle transizioni tra zone ad alta occupazione. Insieme, i risultati di rilevamento dei punti chiave, le heatmap e le ricostruzioni delle traiettorie dimostrano che la pipeline combinata di stima della posa e analisi basata su coordinate cattura e differenzia efficacemente la struttura comportamentale delle Drosophila che interagiscono liberamente tra i genotipi.

Abbiamo anche definito l'interazione sociale in ogni frame basandoci sulle coordinate bidimensionali di cinque punti chiave anatomici. Una coppia era considerata socialmente impegnata quando entrambi i criteri venivano soddisfatti simultaneamente: una distanza testa a testa superiore a 0,5 mm ma inferiore a 20 mm, e una differenza di orientamento superiore a 30°28,29,30,31. Di conseguenza, abbiamo misurato la proporzione di tempo trascorso nell'interazione sociale per ogni coppia (sei coppie per genotipo). Il nostro metodo può misurare in modo affidabile il comportamento sociale delle mosche, come mostrato nella Figura 6. I rapporti sociali medi per le mosche W1118 e CS erano rispettivamente 0,270 ± 0,001 e 0,252 ± 0,005, in sei esperimenti replicati indipendenti, suggerendo una forte riproducibilità tra diversi gruppi sperimentali. È inoltre coerente con il risultato che non vi è una differenza significativa nel rapporto sociale tra i due ceppi di mosche di tipo selvatico.

Figura 2: Risultati rappresentativi della rilevazione dei punti chiave. La stima automatica della posa identificava tutti i punti anatomici chiave predefiniti per ogni mosca attraverso i fotogrammi. I marcatori sovrapposti illustrano un tracciamento accurato di più mosche durante le interazioni sociali naturali. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 3: Flusso di lavoro dell'analisi. Il flusso di lavoro principale comprende preprocessing, preparazione dei dati, addestramento del modello e validazione, e alla fine produce coordinate bidimensionali di Drosophila, seguite da un'analisi basata su interfaccia grafica. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 4: Mappa del calore rappresentativa dell'attività e traiettorie locomotorie delle mosche w1118. Clicca qui per visualizzare una versione più grande di questa figura.

La heatmap mostra l'occupazione spaziale cumulativa all'interno dell'arena per oltre 10 minuti, rivelando le zone di attività preferite per ogni mosca w1118. Le traiettorie sovrapposte illustrano percorsi di movimento individuali ricostruiti da serie temporali di coordinate.

Figura 5: Mappa del calore rappresentativa dell'attività e traiettorie locomotorie delle mosche Canton-S (CS). Clicca qui per visualizzare una versione più grande di questa figura.

La heatmap mostra la distribuzione spaziale di occupazione di ogni mosca CS durante l'interazione libera per 10 minuti. Le traiettorie ricostruite evidenziano la portata di movimento e la struttura del percorso, permettendo il confronto con i modelli comportamentali w1118.

Figura 6: Rapporto sociale nelle mosche di tipo selvatico. Quantificazione del comportamento sociale dopo 10 minuti nella camera. Per sei accoppiamenti di ciascun genotipo in un piccolo campo, per determinare la percentuale di contatto sociale. I valori del rapporto sociale per le mosche W1118 e CS erano rispettivamente 0,270 ± 0,001 e 0,252 ± 0,005. I dati sono presentati come media ± SD. I confronti statistici sono stati effettuati utilizzando un test Student a due code non accoppiato e a due linee. Clicca qui per visualizzare una versione più grande di questa figura.

Fascicolo supplementare 1. Tutti i file di codifica necessari per eseguire il protocollo.Clicca qui per scaricare questo file.

Fascicolo supplementare 2. Applicazione GUI standaloneClicca qui per scaricare questo file.

Fascicolo supplementare 3. Requisiti PythonClicca qui per scaricare questo file.

Discussion

Il nostro studio dimostra che la stima della posa basata sul machine learning fornisce un metodo scalabile e affidabile per misurare interazioni sociali a grana fine nella Drosophila. Supera i limiti degli approcci basati sul^centroide 15,16,17,18 tracciando cinque punti chiave anatomici in coppie che interagiscono liberamente, permettendo l'acquisizione di informazioni angolari fornite dall'asse del corpo e dalla distanza testa-testa dedotta dai punti testa. La nostra tecnica può ricostruire i modelli di occupazione spaziale e le traiettorie di movimento tracciando le coordinate del centroide delle mosche in ogni fotogramma video per ottenere rotte di movimento e utilizzando punti di riferimento a cinque punti di riferimento per stimare l'orientamento della testa. La rilevazione stabile dei punti chiave osservata sia tra i ceppi w1118 che Canton-S indica che la pipeline è robusta alla naturale variazione della dinamica del movimento, fornendo una base riproducibile per la classificazione comportamentale a valle. Queste capacità sono essenziali per analizzare gli elementi motori a grana fine che codificano stati interni e informazioni contestuali nei comportamenti^{sociali 8,9}.

Diversi fattori metodologici si sono rivelati essenziali per garantire risultati coerenti. Il calore e l'intensità di illuminazione del sistema di illuminazione influenzavano significativamente l'espressione comportamentale, coerente con le precedenti scoperte secondo cui fattori ambientali influenzavano l'attività sociale e locomotoria^{delle mosche 32,33}. I parametri di imaging, inclusi distanza focale, contrasto e gamma, che sono regolati empiricamente nei nostri esperimenti, hanno anch'essi influenzato l'accuratezza della stima della pose, in linea con i precedenti risultati secondo cui le registrazioni comportamentali ad alta velocità richiedono un'attenta calibrazione ottica per catturare movimenti^{rapidi 34,35}. La variabilità comportamentale è stata influenzata anche dalle procedure di manipolazione: l'anestesia CO₂ ha portato a cambiamenti quantificabili nell'interazione sociale e nella locomozione, coerenti con pubblicazioni precedenti che mostravano cambiamenti comportamentali indotti^{dall'anestesia} 36,37,38. Questo passaggio è particolarmente importante perché, quando l'anestesia è insufficiente, le mosche possono riprendere conoscenza e fuggire dopo essere state inserite nella camera; al contrario, con un'adeguata anestesia, alle mosche deve essere dato abbastanza tempo per riprendersi, poiché un'acclimatazione inadeguata riduce la loro motivazione a muoversi più tardi, influenzando gravemente le analisi successive.

Anche con la solidità del gasdotto, rimangono diverse limitazioni. L'accuratezza della stima della posa è sensibile alla qualità delle annotazioni, quindi anche piccoli errori di etichettatura possono propagarsi in distorsioni nelle traiettorie ricostruite. Questo problema è stato precedentemente osservato in altri quadri di stima della^{posa 20,34}. Spostamenti di dominio causati da variazioni di illuminazione, texture di fondo o deformazione di mosca possono ridurre le prestazioni del modello, richiedendo periodici riaddestramenti o espansione del dataset. Inoltre, gli esperimenti in cui più del 5% dei frame dei punti chiave non vengono rilevati dovrebbero essere esclusi o incorporati nel raffinamento iterativo del modello. Un controllo rigoroso delle versioni (come descritto nel File Supplementare 3) è anche necessario per la riproducibilità computazionale, poiché output incoerenti possono derivare da differenze nelle dipendenze dei programmi.

I miglioramenti futuri potrebbero includere procedure di calibrazione automatizzate, strategie di adattamento del dominio per migliorare la generalizzazione del modello in condizioni sperimentali e l'integrazione dell'apprendimento auto-supervisionato per ridurre la necessità di annotazione manuale. La riproducibilità tra laboratori sarebbe ulteriormente migliorata standardizzando la segnalazione dei parametri di imaging, dei fattori ambientali e delle impostazioni di addestramento del modello. Considerati nel loro insieme, questi fattori evidenziano i vantaggi e gli svantaggi della quantificazione comportamentale basata sul machine learning e offrono una tabella di marcia per migliorare ulteriormente gli approcci di stima della postura negli studi sul comportamento sociale di Drosophila .

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Agar	BioFroxx	8211GR500
camera(MV-CU013-A0UC)	Hikvision	MV-CU013-A0UC
Carbon Dioxide	Messer	124-38-9
D(+)-Glucose anhydrous	BioFroxx	1179GR500
Drosophila Narrow Vials (Falcon tube)	Biolgix	51-0500
Ethanol	Chron Chemicals	64-17-5
LED panel	/	/	su misura
Methylparaben	Sigma	99-76-3
polyethylene plate	/	/	su misura
Python	/	versione 3.6
Sucrose	DaMao	57-50-1
transparent acrylic plates	/	/	su misura
Yeast	Angel	100004237033