Utilizzo di vmTracking per migliorare l'accuratezza della stima della posa multi-animale negli studi sul comportamento sociale dei roditori
November 7th, 2025
Questo protocollo introduce vmTracking, un metodo che consente il tracciamento delle pose ad alta precisione nei video di più animali che si muovono liberamente e senza marcatori, anche in condizioni di affollamento in cui gli animali sono densamente raggruppati. Questo approccio fornisce dati affidabili per l'analisi delle interazioni sociali che si verificano in ambienti seminaturali dove gli animali possono muoversi liberamente.
Miriamo a comprendere le interazioni sociali nei topi in movimento libero sviluppando metodi accurati di tracciamento multi-animale. Ottenere un tracciamento accurato della posa con un'identificazione affidabile degli individui in condizioni multi-animali rimane difficile. Per cominciare, crea un nuovo progetto multi-animali selezionando Gestiona Progetto per il tracciamento video senza marcatori.
Modifica i campi individui e parti del corpo nella configurazione. file YAML, secondo i requisiti di analisi. Seleziona Estrae Frame per estrarre i frame dal video per etichettare e formare la formazione.
Successivamente, etichetta ogni frame estratto selezionando Dati dell'etichetta. Assegna le parti del corpo appropriate a ciascun individuo visibile senza necessariamente mantenere ID coerenti tra i fotogrammi. Per creare un dataset di addestramento dai frame estratti, seleziona crea Training Dataset.
Imposta la rete su DLCRNet_ms5 nella configurazione. Seleziona Traino per iniziare ad addestrare la rete. Imposta il parametro massimo di iterazioni a 200.000 per questa sessione di addestramento.
Tutti gli altri parametri di addestramento possono rimanere ai loro valori predefiniti. Valuta la rete addestrata selezionando Valuta. Per eseguire la stima della posa sui video selezionati, scegli Analizza Video Generating HDF5 Coordinate Data e altri file di output nella cartella video all'interno della cartella del progetto.
Per effettuare una verifica manuale dei risultati di tracciamento, crea un video di tracciamento etichettato selezionando Crea video. Abilita l'opzione crea video con un ID animale colorato nella GUI del DLC per includere gli ID individuali nel video. Poi ispeziona i video etichettati generati per verificare eventuali cambi di identità o previsioni mancanti.
Se ci sono errori gravi, preparati a un riaddestramento. Per riaddestrare, estrarre e annotare i frame fuori dagli squadri. Seleziona Estrae o Affina gli Outlier.
Una volta completata l'annotazione, clicca su Ungi il Dataset per procedere automaticamente alla creazione del dataset di addestramento. E poi ripetere il percorso di addestramento. Per correggere i risultati dei DLC multi-animali, apri la GUI personalizzata e conserva solo i punti chiave richiesti per i marcatori virtuali.
Seleziona Refine Tracklets per correggere il file HDF5 contenente solo i punti chiave selezionati. Regola i punti chiave in modo che tutti mantengano un ID coerente su tutto il video. Salva il file e il file HDF5 nella cartella video verrà aggiornato automaticamente.
Successivamente, crea un nuovo video etichettato dai dati corretti selezionando Crea video. In DeepLabCut 2.2, se un video etichettato esiste già nella cartella dei video, non verrà creato un nuovo video. Rimuovi, rinomina o sposta il file esistente prima di procedere.
Rinomina il video marcatore virtuale etichettato con un nome file breve per evitare errori durante l'elaborazione a valle di DeepLabCut. Crea un nuovo progetto saDLC selezionando Gestisci progetto per tracciare il video del marker virtuale. Nella configurazione.
File, elencare tutte le combinazioni di individui e parti del corpo nel campo delle parti del corpo. Per estrarre i fotogrammi dal video marcatore virtuale rinominato, seleziona Estrae fotogrammi. Ora etichetta ogni frame estratto nei dati dell'etichetta usando i marker virtuali per assegnare ID individuali coerenti e assicurarsi che sia ID che parti del corpo corrispondano tra i frame e i frame.
Quando una parte del corpo è parzialmente nascosta, ma l'ID dell'individuo è noto, stimarne la posizione e applicare l'etichetta di conseguenza. Crea un dataset di addestramento dai frame estratti selezionando Crea Dataset di Addestramento. Imposta la rete su efficiente net B0 per questa sessione di addestramento.
Inizia ad addestrare la rete selezionando Train. Imposta il parametro massimo di iterazioni a 200.000 per questa sessione, e tutte le altre impostazioni possono rimanere ai valori predefiniti. Dopo aver valutato la rete addestrata, eseguire la verifica manuale come dimostrato in precedenza.
Nelle scene affollate, il tracciamento delle VM ha raggiunto una percentuale di match significativamente più alta rispetto ai maDLC. Il numero di falsi negativi era significativamente inferiore con il tracciamento delle VM rispetto a maDLC. Tuttavia, non c'era differenza tra il tracciamento delle VM e il maDLC nei conteggi di falsi positivi e di ID switch.
Nelle scene non affollate, il tracciamento delle VM ha raggiunto una percentuale di match significativamente più alta rispetto ai maDLC. Il numero di falsi negativi era significativamente inferiore con il tracciamento delle VM rispetto a maDLC. Non c'era differenza nei falsi positivi e nel conteggio degli switch ID tra il tracciamento della VM e il maDLC.
Nelle scene affollate, la percentuale di match in maDLC si è stabilizzata a circa l'85% dopo circa 400 fotogrammi annotati senza ulteriori miglioramenti. Mentre il tracciamento delle VM mostrava un aumento costante fino a circa il 95%, intorno a 1.000 frame. In maDLC, aumentare il numero di frame annotati non ha ridotto il numero di falsi negativi.
Le scene con una proporzione più alta di marcatori virtuali correttamente assegnati tendevano a mostrare percentuali di corrispondenza più elevate. Tuttavia, alcune scene come la 3 e l'11 mostravano ancora percentuali di corrispondenza elevate nonostante molte assegnazioni errate o marcatori mancanti. Il nostro protocollo affronta la mancanza di mantenimento affidabile dell'identità nel tracciamento della posa multi-animale.
Migliora la precisione del tracciamento della posa combinando marker virtuali con strumenti esistenti. Le nostre future ricerche utilizzeranno questi dati per affrontare come le dinamiche di gruppo influenzino i comportamenti sociali nei topi.
Panoramica
Questo protocollo introduce vmTracking, un metodo che consente il tracking della posa ad alta precisione in video di più animali che si muovono liberamente, senza marcatori, anche in condizioni affollate in cui gli animali sono raggruppati densamente. Questo approccio fornisce dati affidabili per l'analisi delle interazioni sociali che si verificano in ambienti semi-naturali dove gli animali possono muoversi liberamente.
Componenti principali dello studio
Area della scienza
- Neuroscienza
- Analisi comportamentale
- Tecniche di imaging
Sfondo
- Comprendere il comportamento animale in ambienti naturali è cruciale per la ricerca in neuroscienze.
- I metodi di tracking tradizionali possono faticare in ambienti affollati.
- Il tracking senza marcatori può migliorare la raccolta dei dati nelle interazioni sociali.
- Il tracking ad alta precisione è essenziale per un'analisi comportamentale affidabile.
Obiettivo dello studio
- Introdurre un nuovo metodo di tracking per animali che si muovono liberamente.
- Migliorare l'accuratezza del tracking della posa in gruppi densi.
- Facilitare lo studio delle interazioni sociali in ambienti semi-naturali.
Metodi utilizzati
- Sviluppo del protocollo vmTracking.
- Applicazione di tecniche di analisi video.
- Valutazione dell'accuratezza del tracking in varie condizioni.
- Analisi delle interazioni sociali tra gli animali tracciati.
Risultati principali
- vmTracking ha dimostrato un'alta precisione nel tracking della posa.
- Il metodo è risultato efficace anche in condizioni affollate.
- Sono stati ottenuti dati affidabili sulle interazioni sociali.
- I risultati supportano la fattibilità di studiare il comportamento in ambienti naturali.
Conclusioni
- vmTracking è uno strumento prezioso per la ricerca in neuroscienze comportamentali.
- Il metodo migliora la comprensione delle dinamiche sociali negli animali.
- Gli studi futuri possono sfruttare questo approccio per approfondimenti più profondi.
Domande frequenti
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.
