Name: Utilizzo di vmTracking per migliorare laccuratezza della stima della posa multi-animale negli studi sul comportamento sociale dei roditori (Video) | JoVE Journal
Uploaded: 2025-11-07T14:40:00.000+00:00
Duration: 7 min 34 s
Description: Scopri il metodo vmTracking per il tracciamento della posa multi-animale con alta precisione in condizioni affollate. Questo approccio avanzato consente di analizzare le interazioni sociali in ambienti semi-naturali.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

<ol><li>Smith, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Lab+mice+go+wild%3A+making+experiments+more+natural+in+order+to+decode+the+brain%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Lab mice go wild: making experiments more natural in order to decode the brain.</a> Nature. 618 (7965), 448-450 (2023).</li>
<li>Rein, B., Ma, K., Yan, Z. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+standardized+social+preference+protocol+for+measuring+social+deficits+in+mouse+models+of+autism%5BTitle%5D)+AND+%22Nat+Protoc%22%5BJournal%5D)">A standardized social preference protocol for measuring social deficits in mouse models of autism.</a> Nat Protoc. 15 (10), 3464-3477 (2020).</li>
<li>Jabarin, R., Netser, S., Wagner, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Beyond+the+three-chamber+test%3A+toward+a+multimodal+and+objective+assessment+of+social+behavior+in+rodents%5BTitle%5D)+AND+%22Mol+Autism%22%5BJournal%5D)">Beyond the three-chamber test: toward a multimodal and objective assessment of social behavior in rodents.</a> Mol Autism. 13 (1), 41(2022).</li>
<li>Lauer, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multi-animal+pose+estimation%2C+identification+and+tracking+with+DeepLabCut%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Multi-animal pose estimation, identification and tracking with DeepLabCut.</a> Nat Methods. 19 (4), 496-504 (2022).</li>
<li>Pereira, T. D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((SLEAP%3A+A+deep+learning+system+for+multi-animal+pose+tracking%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">SLEAP: A deep learning system for multi-animal pose tracking.</a> Nat Methods. 19 (4), 486-495 (2022).</li>
<li>Bordes, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automatically+annotated+motion+tracking+identifies+a+distinct+social+behavioral+profile+following+chronic+social+defeat+stress%5BTitle%5D)+AND+%22Nat+Commun%22%5BJournal%5D)">Automatically annotated motion tracking identifies a distinct social behavioral profile following chronic social defeat stress.</a> Nat Commun. 14 (1), 4319(2023).</li>
<li>Mathis, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((DeepLabCut%3A+markerless+pose+estimation+of+user-defined+body+parts+with+deep+learning%5BTitle%5D)+AND+%22Nat+Neurosci%22%5BJournal%5D)">DeepLabCut: markerless pose estimation of user-defined body parts with deep learning.</a> Nat Neurosci. 21 (9), 1281-1289 (2018).</li>
<li>Bolaños, F., LeDue, J. M., Murphy, T. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cost+effective+raspberry+pi-based+radio+frequency+identification+tagging+of+mice+suitable+for+automated+in+vivo+imaging%5BTitle%5D)+AND+%22J+Neurosci+Methods%22%5BJournal%5D)">Cost effective raspberry pi-based radio frequency identification tagging of mice suitable for automated in vivo imaging.</a> J Neurosci Methods. 276, 79-83 (2017).</li>
<li>Azechi, H., Takahashi, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((vmTracking+enables+highly+accurate+multi-animal+pose+tracking+in+crowded+environments%5BTitle%5D)+AND+%22PLOS+Biol%22%5BJournal%5D)">vmTracking enables highly accurate multi-animal pose tracking in crowded environments.</a> PLOS Biol. 23 (2), e3003002(2025).</li>
<li>DeepLabCut: documentation. , DeepLabCut Team. 
 <a target="_blank" href="https://deeplabcut.github.io/DeepLabCut/README.html">https://deeplabcut.github.io/DeepLabCut/README.html</a> (2025).</li>
<li>Azechi, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((vmTracking+figure+and+code%5BTitle%5D)+AND+%22Zenodo%22%5BJournal%5D)">vmTracking figure and code.</a> Zenodo. , (2025).</li>
<li>Pereira, T. D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fast+animal+pose+estimation+using+deep+neural+networks%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Fast animal pose estimation using deep neural networks.</a> Nat Methods. 16 (1), 117-125 (2019).</li>
<li>Romero-Ferrero, F., Bergomi, M. G., Hinz, R. C., Heras, F. J. H., de Polavieja, G. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((idtracker.ai%3A+tracking+all+individuals+in+small+or+large+collectives+of+unmarked+animals%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">idtracker.ai: tracking all individuals in small or large collectives of unmarked animals.</a> Nat Methods. 16 (2), 179-182 (2019).</li>
</ol>

<table><tbody><tr><td>Tubo acrilico (trasparente, spessore 5 mm, diametro interno 31 cm)</td><td>Sugawarakougei Co., Ltd.</td><td>https://www.sugawarakougei.jp/</td><td>Acquistato da Hazaiya (un rivenditore online di materiali acrilici)</td></tr><tr><td>Piastra acrilica (bianca, spessore 3 mm, diametro 31 cm)</td><td>Sugawarakougei Co., Ltd.</td><td>https://www.sugawarakougei.jp/</td><td>Acquistato da Hazaiya (un rivenditore online di materiali acrilici)</td></tr><tr><td>Mouse C57BL/6J</td><td>Forniture di laboratorio Shimizu, Co.LTD.</td><td>N/A</td><td></td></tr><tr><td>Fotocamera</td><td>Basler</td><td>acA3088-57uc</td><td></td></tr><tr><td>DeepLabCut 2.2.3</td><td>Laboratorio Mathis presso l'Istituto Tecnico Federale Svizzero di Losanna</td><td>https://www.mackenziemathislab.org/deeplabcut</td><td></td></tr><tr><td>Suite software per fotocamere Pylon (Pylon Viewer)</td><td>Basler</td><td>N/A</td><td></td></tr></tbody></table>

utilizzo di vmtracking per migliorare l'accuratezza della stima della posa multi-animale negli studi sul comportamento sociale dei roditori

Utilizing vmTracking to Improve the Accuracy of Multi-Animal Pose Estimation in Rodent Social Behavior Studies

L'accuratezza dell'inseguimento è stata valutata confrontandola con una verità di base (GT) generata manualmente. Venti scene di 5 o 10 secondi sono state estratte e classificate come scene affollate (CR), che includevano sovrapposizioni come topi che incrociano i percorsi (12 scene; totale di 1.950 fotogrammi), o scene non affollate (nCR) senza sovrapposizioni (8 scene; totale di 1.350 fotogrammi). Le previsioni di tracciamento entro 10 pixel dalla posizione GT sono state conteggiate come corrispondenze (Match); le previsioni a ≥10 pixel di distanza sono state conteggiate come falsi positivi (FP); e le previsioni mancanti sono state conteggiate come falsi negativi (FN). Inoltre, se l'identità stimata differiva da quella del frame immediatamente precedente, veniva conteggiata come un cambio di ID.
Rispetto a maDLC (Figura 6), vmTracking ha mostrato un miglioramento significativo della corrispondenza in entrambe le scene CR e nCR (Figura 6A, CR: p &lt; 0,001; Figura 6E, nCR: p &lt; 0.01). In entrambi i tipi di scena, non si sono verificati FN e il numero di FN è stato significativamente ridotto con vmTracking (Figura 6B, CR: p &lt; 0,001; Figura 6F, nCR: p &lt; 0.05). I conteggi FP (Figura 6C e 6G) e ID switch (Figura 6D, H) non hanno mostrato cambiamenti in nessuno dei due tipi di scena. Viene presentato un confronto fianco a fianco dei risultati di tracciamento ottenuti utilizzando vmTracking e maDLC convenzionale, evidenziando la maggiore precisione e stabilità di vmTracking in condizioni di affollamento (Video supplementare 1).
Abbiamo anche esaminato la relazione tra il numero di fotogrammi di annotazione e Match e FN per le scene CR in maDLC e vmTracking (Figura 6I). In maDLC, la corrispondenza si è stabilizzata a circa l'85% con circa 400 fotogrammi di annotazione, con pochi ulteriori miglioramenti all'aumentare del numero. L'aumento dei frame di annotazione per l'addestramento non ha ridotto gli FN. Al contrario, vmTracking ha mostrato un aumento costante di Match con più frame di annotazione, raggiungendo circa il 95% a circa 1.000 frame.
I marcatori virtuali sono stati classificati in sei categorie in base ai loro modelli di assegnazione e la proporzione di ciascuna categoria è stata utilizzata come indice dell'accuratezza del marcatore virtuale per esaminare la sua relazione con il tracciamento della corrispondenza (Figura 6J). Le scene con una percentuale più alta di marcatori virtuali assegnati correttamente tendevano a mostrare una corrispondenza più alta. Tuttavia, alcune scene in cui la proporzione di marcatori corretti era bassa, a causa di molte assegnazioni errate o di molti marcatori mancanti, mostravano ancora un'alta corrispondenza (ad esempio, le scene CR 3 e 11).
<img alt="Figura 1" class="xfigimg" src="/files/ftp_upload/69506/69506fig1.jpg" data-altupdatedat="1783400419000" data-alt="Figure 1"> 
Figura 1: Panoramica del flusso di lavoro vmTracking. (A) Diagramma schematico del flusso di lavoro vmTracking. Innanzitutto, eseguire il maDLC sul video senza marcatori (I). In base ai dati di tracciamento maDLC risultanti, correggi l'output in modo che ogni individuo mantenga un ID coerente per tutto il video e crea un video etichettato che visualizzi solo un sottoinsieme selezionato di punti chiave (II). Utilizzando le etichette in questo video come marcatori virtuali, traccia il video del marcatore virtuale con saDLC (III). (B) Due esempi di vmTracking vengono visualizzati come snapshot di ogni fase del processo. L'immagine all'estrema sinistra mostra la vista completa, mentre le immagini a destra sono viste ingrandite delle aree racchiuse da caselle gialle. Le barre arancioni negli angoli in basso a destra delle immagini indicano le scale: 5 cm per l'immagine "Markerless (Overview)" e 1 cm per tutte le altre. <a href="https://www.jove.com/files/ftp_upload/69506/69506fig1large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
<img alt="Figura 2" class="xfigimg" src="/files/ftp_upload/69506/69506fig2.jpg" data-altupdatedat="1783400419000" data-alt="Figure 2"> 
Figura 2: Flusso di lavoro di tracciamento multi-animale senza marcatori utilizzando maDLC. Questa cifra è correlata al passaggio 2.1 del protocollo. (A) I pannelli sono adattati dalla Figura 1B e illustrano il Processo I (tracciamento multi-animale senza marcatore) mostrato nella Figura 1A. Per chiarezza, ogni animale è delineato con una linea tratteggiata. La barra arancione nell'angolo in basso a destra di ogni immagine indica una barra di scala di 1 cm. (B-D) Snapshot dei frame utilizzati per l'etichettatura durante l'esecuzione di maDLC. La barra arancione nell'angolo in basso a destra di ogni immagine indica una barra della scala di 5 cm. (B) Esempio di cornice prima dell'applicazione delle etichette. (C) Stesso fotogramma di B, dopo l'etichettatura. (D) Esempio di un altro fotogramma etichettato. L'identità degli individui tra i fotogrammi C e D è sconosciuta, ma l'identità individuale non deve essere considerata durante l'etichettatura. Come mostrato nelle istantanee, è sufficiente etichettare correttamente la postura di ogni animale. <a href="https://www.jove.com/files/ftp_upload/69506/69506fig2large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
<img alt="Figura 3" class="xfigimg" src="/files/ftp_upload/69506/69506fig3.jpg" data-altupdatedat="1783400419000" data-alt="Figure 3"> 
Figura 3: Flusso di lavoro per la creazione di un video marker virtuale basato sui risultati del maDLC. Questa cifra è correlata al passaggio 2.2 del protocollo. (A) I pannelli sono adattati dalla Figura 1B e illustrano il Processo II (creazione di marcatori virtuali) mostrato nella Figura 1A. Per chiarezza, ogni animale è delineato con una linea tratteggiata. Le frecce bianche indicano i punti chiave utilizzati come marcatori virtuali (il 2° e il 4° punto chiave per ogni ID). In questo esempio, i marcatori virtuali vengono emessi in scala di grigi: le etichette maDLC viola, verdi e rosse vengono visualizzate rispettivamente come nero, grigio e bianco. Nell'esempio 1, i risultati di maDLC sono stati emessi direttamente come marcatori virtuali senza correzione. Nell'esempio 2, gli ID viola e rosso sono stati scambiati e corretti prima dell'output, a causa di un cambio ID in fotogrammi consecutivi. Un punto verde nel risultato del maDLC che avrebbe dovuto essere corretto è stato trascurato e l'output è stato emesso senza modifiche. La barra arancione nell'angolo in basso a destra di ogni immagine indica una barra di scala di 1 cm. (B) GUI basata su Python per la modifica di file di dati di coordinate h5 per mantenere solo punti chiave specifici e sostituire tutti gli altri con NaN11. (Ba) Finestra del menu iniziale all'avvio del programma. Seleziona il file da modificare tramite il pulsante Seleziona file h5. (BB) Finestra dopo aver selezionato il file h5. Selezionare i punti chiave da sostituire con NaN (visualizzati come nome individuale-nome della parte del corpo) e specificare i tempi di inizio-fine (con frequenza dei fotogrammi) o i numeri di fotogramma per la sostituzione di NaN. Facendo clic su Elabora dati il file modificato viene salvato nella stessa cartella e viene creato un backup dell'originale. (C) Fotogrammi consecutivi di una scena in cui si è verificato un cambio di ID. (D) Esempio di correzione di tutti i punti di tracciamento da B. (E) Istantanea che mostra il risultato di B con solo il 2° e il 4° punto chiave mantenuti. (F) Esempio di correzione del risultato in E. Rispetto alla correzione di tutti i punti chiave (C → D), limitando la correzione a due punti (C → E → F) si riduce il numero di modifiche necessarie. La barra arancione nell'angolo in basso a destra di ogni immagine C-F indica una barra di scala di 5 cm. <a href="https://www.jove.com/files/ftp_upload/69506/69506fig3large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
<img alt="Figura 4" class="xfigimg" src="/files/ftp_upload/69506/69506fig4.jpg" data-altupdatedat="1783400419000" data-alt="Figure 4"> 
Figura 4: Flusso di lavoro per il tracciamento del video del marcatore virtuale. Questa cifra è correlata al passaggio 3 del protocollo. (A) I pannelli sono adattati dalla Figura 1B e illustrano il Processo III (tracciamento del video del marcatore virtuale) mostrato nella Figura 1A. Ogni individuo è racchiuso in un contorno tratteggiato per chiarezza dell'obiettivo di tracciamento. In questo esempio, gli individui con marcatori virtuali neri, grigi e bianchi vengono tracciati rispettivamente come etichette viola, verdi e rosse. Nell'esempio 1, l'indicatore virtuale grigio è assente, ma vmTracking mantiene il rilevamento dell'identità corretto. Nell'esempio 2, l'indicatore grigio viene visualizzato su due individui, ma il tracciamento rimane corretto. La barra arancione nell'angolo in basso a destra di ogni immagine indica una barra di scala di 1 cm. (B-D) Snapshot dai frame utilizzati per l'etichettatura durante vmTracking. In questo passaggio viene utilizzato saDLC, con ogni punto chiave definito in modo da includere informazioni sia individuali che sulle parti del corpo. L'etichettatura specifica quale parte del corpo di quale individuo è rappresentata. La barra arancione nell'angolo in basso a destra di ogni immagine indica una barra della scala di 5 cm. (B) Istantanea di un fotogramma prima dell'etichettatura. (C) Istantanea del fotogramma in B dopo l'etichettatura. (D) Istantanea di un fotogramma diverso da C dopo l'etichettatura. Anche in fotogrammi diversi (ad esempio, C e D), l'etichettatura mantiene l'identità individuale utilizzando il marcatore virtuale come spunto, come indicato dai colori coerenti dell'etichetta. <a href="https://www.jove.com/files/ftp_upload/69506/69506fig4large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
<img alt="Figura 5" class="xfigimg" src="/files/ftp_upload/69506/69506fig5.jpg" data-altupdatedat="1783400419000" data-alt="Figure 5"> 
Figura 5: Flusso di lavoro per l'unione dei risultati del tracciamento con un video senza marcatori per produrre un video di tracciamento senza marcatori virtuali. Si tratta di un passaggio facoltativo relativo alla NOTA nel passaggio 3.8.2. (A) Quando i risultati del tracciamento vengono applicati al video del marcatore virtuale, il video di tracciamento risultante mantiene i marcatori virtuali (vmTrackingvm+). Le frecce gialle indicano i marcatori virtuali visibili nell'output. L'applicazione dei risultati del tracciamento al video originale senza marker produce invece un video di tracciamento senza marker virtuali (vmTrackingvm-), adatto per la presentazione o per altri scopi. La barra arancione nell'angolo in basso a destra di ogni immagine indica una barra di scala di 1 cm. (B,C) Gestione dei file nella cartella "videos" della directory del progetto quando si applicano i risultati di vmTracking a un video senza marcatore. Il riquadro arancione illustra schematicamente il contenuto della cartella. (B) La cartella "videos" dopo aver generato un video di tracciamento vmTracking emettendo i risultati del tracciamento sul video del marcatore virtuale (mostrato schematicamente come '4. Etichette sul video del marcatore virtuale'). (C) Preparazione della cartella "videos" per l'output dei risultati di vmTracking sul video senza marcatori. Sposta o rinomina il '1. Video del marcatore virtuale" e "4. Etichetta i file video del marcatore virtuale dal pannello B in modo che vengano esclusi dalla cartella. Il problema non sono i file stessi, ma che i loro nomi di file originali interferiscono con l'elaborazione. Quindi, posiziona il '5. Markerless video" nella cartella, rinominandola in modo che corrisponda al nome del file video del marker virtuale originale (ad esempio, VMvideo.MP4). In questo stato, la riesecuzione di Crea video produce un video di tracciamento con i risultati applicati al video senza marcatori ('6. Etichette su video senza marcatore'). Questa cifra è stata modificata da Azechi &amp; Takahashi, 2025, PLOS Biology (CC BY 4.0)7. <a href="https://www.jove.com/files/ftp_upload/69506/69506fig5large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
<img alt="Figura 6" class="xfigimg" src="/files/ftp_upload/69506/69506fig6.jpg" data-altupdatedat="1783400419000" data-alt="Figure 6"> 
Figura 6: Valutazione dell'accuratezza del rilevamento con vmTracking. (A-H) Confronto tra maDLC e vmTracking per le proporzioni delle corrispondenze. (A), falsi negativi (B), falsi positivi (C) e interruttori ID (D) in 12 scene affollate (CR) e corrispondenze (E), falsi negativi (F), falsi positivi (G) e interruttori ID (H) in 8 scene non affollate (nCR). I grafici rappresentano i valori misurati per ogni scena e le barre rappresentano i valori medi calcolati da essi. I confronti statistici sono stati condotti utilizzando il test del rango con segno di Wilcoxon. (I) Relazione tra il numero di fotogrammi annotati in CR e le proporzioni di Corrispondenze e falsi negativi. Il riquadro verde a destra mostra una vista ingrandita dell'area racchiusa dalle linee tratteggiate verdi nel pannello di sinistra. I grafici rappresentano i valori medi. (J) Relazione tra l'accuratezza del marcatore virtuale e il tracciamento delle corrispondenze nelle scene CR e nCR. L'accuratezza del marcatore virtuale è stata classificata per ogni coppia di marcatori in sei tipi: entrambi i punti assegnati correttamente all'individuo corretto, uno corretto e uno mancante, uno corretto e uno errato, entrambi errati, uno errato e uno mancante, ed entrambi mancanti. Per ogni scena, le proporzioni di queste categorie vengono mostrate come barre impilate, con la corrispondente corrispondenza di tracciamento per quella scena indicata sopra ogni barra. Le scene sono disposte in ordine crescente di tracciamento della corrispondenza da sinistra a destra, separatamente per le scene CR e nCR. Scene CR: n = 12; Scene nCR: n = 8. p &lt; 0,001, **p &lt; 0,01, *p &lt; 0,05. Questa cifra è stata modificata da Azechi e Takahashi (2025)9. <a href="https://www.jove.com/files/ftp_upload/69506/69506fig6large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
Figura 1 supplementare: Istantanea della finestra principale in DeepLabCut multi-animale, che mostra la posizione di ogni scheda operativa. Gli snapshot illustrano, con frecce, le schede utilizzate in ogni passaggio della procedura vmTracking. Le immagini sono state acquisite dalla GUI di DeepLabCut (versione 2.2.3). <a href="https://www.jove.com/files/ftp_upload/69506/Supplementary%20Figure%201.tiff" target="_blank">Clicca qui per scaricare questa figura.</a>
Figura 2 supplementare: Istantanea della finestra principale in DeepLabCut con un singolo animale, che mostra la posizione di ciascuna scheda dell'operazione. Gli snapshot illustrano, con frecce, le schede utilizzate in ogni passaggio della procedura vmTracking. Le immagini sono state acquisite dalla GUI di DeepLabCut (versione 2.2.3). <a href="https://www.jove.com/files/ftp_upload/69506/Supplementary%20Figure%202.tiff" target="_blank">Clicca qui per scaricare questa figura.</a>
Video supplementare 1: Confronto tra DeepLabCut e vmTracking multi-animale nel monitoraggio di tre topi. Questo video comparativo mostra le prestazioni di DeepLabCut (maDLC; a sinistra) e vmTracking (a destra) durante il tracciamento di tre topi. Il video vmTracking è stato generato sostituendo il video del marker virtuale con il video originale senza marker, seguendo la procedura descritta nella NOTA del passaggio 3.8.2, per presentare i risultati del tracking senza marker virtuali. Per ogni metodo di tracciamento, le singole identità sono indicate utilizzando etichette colorate della stessa famiglia di colori per facilitare il confronto. In tutto il video, vmTracking mostra un minor numero di casi in cui vengono rilevate parti del corpo appartenenti a individui diversi, rispetto a maDLC. In particolare, intorno ai 15-17 anni, il maDLC identifica erroneamente gli individui con etichetta verde e rossa, con conseguente scambio delle loro identità assegnate. <a href="https://www.jove.com/files/ftp_upload/69506/Supplementary%20Video%201.mp4" target="_blank">Clicca qui per scaricare questo file.</a>

Utilizzo di vmTracking per migliorare l'accuratezza della stima della posa multi-animale negli studi sul comportamento sociale dei roditori

In social behavior research using rodents, there is a growing demand for evaluating more natural interactive behaviors under freely moving conditions. ...

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.

utilizing-vmtracking-to-improve-accuracy-multi-animal-pose-estimation

Research

Ricerca

JoVE Journal

Behavior

Comportamento

Qui presentiamo un protocollo per monitorare individualmente gli animali per un lungo periodo di tempo. Usa visione artificiale metodi per identificare un set di tag manualmente costruito utilizzando un gruppo di aragoste come caso di studio, fornendo al contempo informazioni su come a casa, manipolare e contrassegno le aragoste.

A lungo termine dei Video rilevamento di Cohoused animali acquatici: un caso di studio dell'attività locomotrice quotidiana di scampi (Nephrops norvegicus)

Qui, presentiamo i metodi per lo studio di alto-rendimento di una serie della caverna messicano comportamenti e colorazione vitale di un sistema che mechanosensory. Questi metodi utilizzano script software libero e su misura, che forniscono un metodo pratico ed economico per gli studi dei comportamenti.

Rilevamento comportamentale e formazione immagine di Neuromast della caverna messicano

Presentato qui è un protocollo per raccogliere e analizzare la cinematica tridimensionale della locomozione quadrupede nei roditori per studi preclinici.

3D Kinematic Gait Analysis for Preclinical Studies in Rodents

Descritto qui è un nuovo sistema sperimentale automatizzato che offre un'alternativa al test a tre camere e risolve anche diversi avvertimenti. Questo sistema fornisce più parametri comportamentali che consentono un'analisi rigorosa delle piccole dinamiche comportamentali dei roditori durante i test di preferenza sociale e di preferenza di social novella.

Un sistema per tenere traccia delle dinamiche del comportamento delle preferenze sociali nei piccoli roditori

Il ruolo dei geni associati alle malattie recentemente scoperti nella patogenesi dei disturbi neuropsichiatrici rimane oscuro. Un bilaterale modificato nella tecnica di elettroporazione utero consente il trasferimento genico in grandi popolazioni di neuroni e l'esame degli effetti causali dei cambiamenti di espressione genica sul comportamento sociale.

Una pipeline che utilizza l'elettroporazione bilaterale in utero per interrogare le influenze genetiche sul comportamento dei roditori

Questo protocollo descrive come costruire una videocamera piccola e versatile e come utilizzare video ottenuti da essa per addestrare una rete neurale a tracciare la posizione di un animale all'interno di camere di condizionamento operanti. Si tratta di un valido complemento alle analisi standard dei log dei dati ottenuti da test di condizionamento operanti.

Monitoraggio dei ratti nelle camere di condizionamento operanti utilizzando una videocamera fatta in casa versatile e DeepLabCut

Questo protocollo fornisce un quadro integrato basato su metodi neuroetologici computazionali avanzati per comprendere la codifica cerebrale in contesti naturalistici.

Decodificare il comportamento naturale dall'incorporamento neuroetologico

Questo protocollo stabilisce una pipeline di valutazione cinematica degli arti posteriori del ratto utilizzando un test su tapis roulant senza marker con auto-etichettatura multiarticolare guidata dal deep learning, che consente la quantificazione riproducibile del movimento.

Tracciamento sincrono multiarticolare basato su deep learning per la quantificazione oggettiva della cinematica locomotoria degli arti posteriori nei ratti

Una procedura che consente una dimostrazione di forte aumento della ricerca di droga nei ratti alimentare ristretto è descritto. Dopo la formazione di auto-somministrazione di eroina, i ratti passare attraverso un periodo di astinenza, in un ambiente privo di droga, durante il quale sono leggermente alimentare ristretto. Ricerca di droga viene poi testato in ambiente farmaco associato.

Una procedura per studiare l&#39;effetto della prolungata restrizione alimentare sulla Cerco eroina nei ratti in astinenza

Una procedura per studiare la capacità di un contesto ambientale di alcol associato per attivare il rinnovamento dei comportamenti alcol-seeking nei ratti è descritto.

Una Procedura di osservare Context-indotta Rinnovo pavloviano condizionata alcol-seeking comportamento in Rats

Scopri il metodo vmTracking per il tracciamento della posa multi-animale con alta precisione in condizioni affollate. Questo approccio avanzato consente di analizzare le interazioni sociali in ambienti semi-naturali.

Utilizzo di vmTracking per migliorare laccuratezza della stima della posa multi-animale negli studi sul comportamento sociale dei roditori (Video) | JoVE Journal

Utilizzo di vmTracking per migliorare l'accuratezza della stima della posa multi-animale negli studi sul comportamento sociale dei roditori

Esplora altri video