特徴学習脚のセグメンテーションとトラッキング(FLLIT)を用いて、自由に動く昆虫の完全自動脚追跡

FLLITは追跡された動物の体および足の組成を計算するアルゴリズムである。これは、正常な歩行行動と病気の歩行行動の両方の根底にある回路を特徴付けるのに役立ちます。FLLIT のユニークな点は、トレーニングにユーザーにア名を付けたデータセットを必要としないため、完全に自動化されている点です。

しかし、一連の歩行測定、視覚化のための歩行プロット、トラックビデオを生成するトラックデータも自動的に分析します。この手順を実証することは、私の研究室の博士研究員であるアニメシュ・バネルジーです。実験を開始する前に、記録ステーションにアリーナ室を保持するためのステージを備えた高速カメラがあることを確認してください。

赤外線 LED ライトをステージの上部に配置し、カメラとサンプルの間にディフューザーを設置します。録音を開始する約40分前に、ハエを氷の上の空のvileに5〜7分間移します。ハエが鎮静されている間、水と拭き取りを使用して、チャンバーのアリーナとガラススライドをクリアし、ガラスの1つをチャンバーの下にスライドさせます。

きれいなブラシを使用して、1つの麻酔フライをチャンバーに移し、2番目のスライドとテープでチャンバーを固定します。その後、チャンバーフライを室温で15〜20分間順応させます。FLLIT 分析用のビデオを生成するには、まず電源をオンにして、接続されているコンピューター システムでビューアー アプリケーションを開きます。

記録フレームレートを 1,000 フレーム/秒に変更し、シャッター速度を 1 ミリ秒に設定します。レコーディングアリーナにフライでチャンバーを配置し、LIVEボタンをクリックします。フライがチャンバーの床を直立して歩いているとき、カメラが脚の先端に焦点を合わせ、記録をクリックすることを確認しました。

記録中は、ハエがアリーナの端に触れることなく比較的まっすぐな軌道を歩き、脚ごとに少なくとも3歩歩き、歩行中に一時停止せず、歩く距離が少なくとも1.5体の長さに相当することを確認してください。分析の最後に[記録完了]をクリックして記録を停止し、ファイルを適切なフォルダに mraw または tiff 形式で保存します。FLLIT をインストールするには、まずプログラムを任意のオペレーティング システムにダウンロードします。

zip ファイルの内容を抽出し、サンプル・データ・セットをダウンロードします。Ubuntu で FLLIT をインストールするには、FLLIT/コンパイル済みディレクトリに移動し、右クリックして [ターミナルで開く] を選択します。サンプル・データ・セットをダウンロードし、FLLIT マスター/コンパイルの下に、データ・セット・フォルダーが配置されるフォルダー・データを作成します。

HOME/MCR に MATLAB ランタイム ライブラリをインストールします。MATLAB ランタイム・ライブラリーのインストールが完了したら、コマンドを発行して、実行可能ファイルの権限が FLLIT に記録されていることを確認します。次に、FLLIT を実行するコマンドを入力します。

ビデオのセグメント化の場合は、ファイルを個々の TIFF ファイルに変換し、FLLIT データ フォルダーに変換されたファイルを保存します。すべてのファイルが転送されたら、FLLIT を実行します。ポップアップ ウィンドウで、脚のセグメンテーションのみを実行する場合は 0 を選択し、脚のセグメンテーションを含む脚トラッキングを含める場合は 1 を選択します。

追跡するビデオのフレームごとの TIFF イメージと対象のファイルを含むフォルダを選択し、[追加] をクリックします。次に[完了]をクリックして、選択したビデオのセグメンテーションとトラッキングを開始します。追跡の正確性を確認し、エラー訂正を実行するには、[データ フォルダの選択]をクリックし、追跡するフォルダを選択します。

[トラッキングの表示]をクリックし、最初のフレームのすべての脚のラベリングを確認します。脚に誤ったラベルが付けられている場合に修正が必要な場合は、[表示を一時停止して予測を調整する] をクリックします。[調整する脚]パネルで、修正が必要な脚を選択し、画像ウィンドウ内のこの脚の正しい位置をダブルクリックします。

次に、[保存して終了] をクリックします。セグメント化されたデータと追跡データを処理するには、[データ処理] をクリックします。まず、ゲート パラメータを測定できるように、キャプチャしたビデオの実際の視野を計算します。

ポップアップウィンドウで、ビデオが録画される1秒あたりのフレーム数を入力し、計算された視野をミリメートル単位で入力します。追跡結果にアクセスするには、結果と追跡フォルダーを開きます。トラックしたフライのビデオを生成するには、[ビデオを作成]を選択します。

脚のセグメンテーション、トラッキング、データ処理の後、FLLIT は、身体の位置、および各脚の爪、20 個の歩行パラメータ、およびそれに付随するプロット、および追跡されたビデオの生データを自動的に生成します。SCA3は、ボディの静脈、不規則な足の配置、および短い潜むステップを備えた無糖歩行に代表されます。変異型SCA3ハエの歩行を特徴付け、ヒト患者と同様の歩行を示すかどうかを調べるため、FLLITによって生成された関連する歩行パラメータを分析することができる。

SCA3-Q84ハエは、より多くのターン、低フットプリントの規則性によって示されるように不規則な足の配置、および脚ドメインの重複の増加、長さと面積の拡大脚ドメイン、およびストライド長の減少を示す。FLLITはまた、アリーナ中心および身体中心のビュー、ボディ軌道、方位方向、および各脚の垂直および横方向の変位で追跡されたフライと脚を示すビデオを生成することができます。SCA3-Q27ハエと比較して、SCA3-Q84ハエは、異なるサイズの不規則な交差脚ドメインを示し、潜んでいる、無痛歩行を示す。

身体と脚の爪の位置の生データは、関心のある特定の動きについてさらに分析することができます。例えば、FLLITを使用することで、パーキンソン病のショウジョウバエモデルによって表示される剛性の発現型がドーパミン作動性ニューロン機能不全によって引き起こされることをグループが決定することができました。