Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.

Methodenartikel

Anesthesievrije hartslagmetingen bij vrij bewegende zebravissen

1.8K weergaven

⸱

DOI:

10.3791/68145

⸱

18 april 2025

 ,  ,  , 
1Scientific and Technological Centre of Unique Instrumentation of RAS, 2Moscow State University, 3Cherepovets State University, 4Papanin Institute for Biology of Inland Waters RAS

In dit artikel

Samenvatting

Het onderzoek heeft tot doel technologie te ontwikkelen voor anesthesievrije hartslagmetingen bij bewegende zebravissen. Onze aanpak combineert kortegolf-infraroodbeeldvorming en op machine learning gebaseerde tracking van het hart. Het is een niet-invasieve, labelvrije en gebruiksvriendelijke techniek die geschikt is voor een breed scala aan onderzoeken naar het zebravismodel.

Samenvatting

Zebravis (Danio rerio) is een veelgebruikt modelorganisme in fysiologisch, farmacologisch en toxicologisch onderzoek vanwege de genetische gelijkenis met mensen en het transparante embryonale stadium, dat niet-invasieve cardiovasculaire onderzoeken mogelijk maakt. De huidige methoden voor hartslagbeoordeling bij zebravissen zijn echter vaak gebaseerd op anesthesie om de proefpersoon te immobiliseren, waardoor fysiologische veranderingen worden geïntroduceerd die de nauwkeurigheid en reproduceerbaarheid van de gegevens in gevaar brengen. Deze studie presenteert een nieuwe, anesthesievrije techniek voor het meten van de hartslag bij vrij bewegende zebravislarven, waarmee een kritieke beperking in cardiovasculair onderzoek wordt aangepakt. De voorgestelde aanpak integreert kortegolf-infraroodbeeldvorming met op machine learning gebaseerde harttracking, waardoor nauwkeurige en continue cardiale activiteitsmonitoring mogelijk is in niet-geïmmobiliseerde monsters. Een convolutioneel neuraal netwerk werd getraind om het hartgebied te detecteren en een fotoplethysmografisch signaal werd geëxtraheerd uit beeldsequenties om de hartslag te bepalen. Experimentele validatie toonde de betrouwbaarheid en consistentie van de methode aan onder meerdere testomstandigheden. Een belangrijk voordeel van de methodologie is het vermogen om de natuurlijke fysiologische toestand van zebravissen te behouden, waardoor door stress veroorzaakte artefacten tot een minimum worden beperkt. Deze niet-invasieve, labelvrije techniek biedt aanzienlijke voordelen voor het bestuderen van cardiovasculaire fysiologie, cardiotoxiciteit van geneesmiddelen en milieutoxicologie, waardoor de potentiële toepassingen van zebravissen als model voor biomedisch onderzoek worden uitgebreid.

Inleiding

Zebravis (Danio rerio), een kleine karperachtige, is een essentieel modelorganisme geworden vanwege zijn kleine formaat, hoge voortplantingssnelheid en gemak van genetische manipulatie 1,2,3. De beoordeling van de hartslag in transparante zebravisembryo's wordt steeds vaker gebruikt in de fysiologie, embryologie, toxicologie en andere gebieden 4,5,6,7,8. Aan de ene kant is dit nut te wijten aan het feit dat het genoom van de zebravis genen bevat die verband houden met hart- en vaatziekten bij de mens9, en het Danio rerio-hart deelt vergelijkbare structuren en signaalroutes met mensen10,11. Het maakt zebravissen tot een model van onschatbare waarde voor het bestuderen van hartontwikkeling en ziekten 11,12,13. Aan de andere kant is de hartslag van de zebravis gevoelig voor invloeden van buitenaf, waardoor het een uitstekend model is voor fysiologische en toxicologische studies door de hartfunctie van behandelde en onbehandelde vissen te vergelijken 7,8,14.

Er is aanzienlijke vooruitgang geboekt bij de ontwikkeling van niet-invasieve optische methoden voor het beoordelen van de hartslag in transparante visembryo's15,16. Deze technieken bieden het voordeel van snelle gegevensverzameling uit grote steekproeven. Daarom zijn er volledig geautomatiseerde benaderingen ontwikkeld voor hartslagbeoordeling in visembryo's 4,5,6,17.

Bepaalde beperkingen beperken het gebruik van deze technieken momenteel echter tot de periode van 3-4 dpf. De eerste beperking is een verlies aan transparantie door de pigmentatie van het vislichaam. De tweede is de toenemende beweeglijkheid van de embryo's in de loop van de tijd. Het verlengen van de periode van de vroege ontwikkeling van zebravissen waarin de optische benaderingen kunnen worden gebruikt, zou hun bruikbaarheid vergroten, waardoor experimentele ontwerpen op lange termijn mogelijk zijn om cardiomyopathie, aangeboren hartafwijkingen en verschillende effecten op het cardiovasculaire systeem te bestuderen, inclusief het volgen van de dynamiek van effecten in de loop van de tijd. Onze groep heeft onlangs het probleem van transparantieverlies aangepakt door gebruik te maken van beeldvorming in het kortegolf-infraroodbereik van 900-1700 nm18. Dit artikel richt zich op het aanpakken van het probleem van embryomobiliteit.

Doorgaans worden anesthetica zoals tricaïne methaansulfonaat (MS-222) gebruikt om vrijzwemmende visembryo's en -larven te immobiliseren voordat ze worden afgebeeld 14,19,20. MS-222 verlaagt echter aanzienlijk de hartslag 21,22, net als andere anesthetica23. Het wordt een uitdaging om te onderscheiden of waargenomen veranderingen in de hartfunctie te wijten zijn aan experimentele behandeling, de verdoving of een interactie tussen beide. Een andere manier om de lage mobiliteitsperiode van het embryo te verlengen, is door de temperatuur tijdens de vroege ontwikkeling te verlagen8. Deze aanpak is echter niet altijd verenigbaar met de onderzoeksdoelen en verlengt de registratieperiode slechts minimaal.

In deze studie introduceren we een nieuwe methode om de mobiliteit van embryo's tijdens hartslagregistratie aan te pakken. We hebben een convolutioneel neuraal netwerk getraind om het interessegebied van het hart te identificeren in opnames van vrijzwemmende zebravisembryo's. De periodieke variatie in pixelintensiteit binnen dit gebied wordt gebruikt om het fotoplethysmogram (PPG) af te leiden, dat vervolgens wordt gebruikt om de hartslag te berekenen. De ontwikkelde desktoptoepassing, AutoHR, maakte gebruik van zowel neurale netwerktraining als beeldstackverwerking, waardoor gebruiksgemak en reproduceerbaarheid van het protocol werden gegarandeerd.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

Zebravissen werden gekweekt en gekweekt volgens de vastgestelde ZFIN-protocollen24. Alle procedures zijn goedgekeurd door de Bio-ethische Commissie van het Wetenschappelijk en Technologisch Centrum voor Unieke Instrumentatie van de Russische Academie van Wetenschappen (STC UI RAS), protocol #3/24, gedateerd 21-08-2024, en volgen de richtlijnen voor de verzorging van zebravissen van STC UI RAS. Handleidingen voor individuele versies zijn op aanvraag verkrijgbaar.

1. Voorbereiding van apparatuur voor meting

  1. Selectie van apparatuur
    1. Kies een lichtbron: Kies een LED-lichtbron die in het nabij-infraroodbereik uitzendt, namelijk vanaf 800 nm, met een minimaal uitgangsvermogen van 3 W. In deze studie werd gebruik gemaakt van LED met een centrale golflengte van 940 nm en een bandbreedte van 40 nm.
    2. Kies een videocamera: Kies een camera die is uitgerust met een sensor die gevoelig is voor het golflengtebereik van de lichtbron en een framesnelheid heeft van minimaal 60 fps. Raadpleeg het gegevensblad van de camera om de pixelafstand p, de sensorgrootte langs de kortere zijde h en de framesnelheid te bepalen. In dit onderzoek heeft de camera een pixelpitch van p = 5 μm en een sensorbreedte h = 5,12 mm.
    3. Kies een agarosevorm die minimaal 1,5 keer groter is dan de lengte van de larve B. Bereken de minimaal en maximaal toegestane vergrotingen van het optische systeem met behulp van de meegeleverde uitdrukkingen. Zorg ervoor dat Mmax ≤ Mmin. Als niet aan deze voorwaarde wordt voldaan, kies dan een camera met een grotere h en/of een kleinere en/of kleinere S.
      figure-protocol-1
      figure-protocol-2
      waarbij Smax de lengte is van de grootste agarosevorm van de mallenset. Een set mallen in verschillende maten kan worden voorbereid. In deze studie werd S = 10 mm gebruikt.
      OPMERKING: De vergelijkingen zijn afgeleid op basis van de geometrie van het optische ontwerp en de lichaamsverhoudingen van zebravissen. Gedetailleerde uitleg vindt u in de sectie Discussie.
    4. Kies een lens: In dit onderzoek werd gebruik gemaakt van een optisch systeem met variabele vergrotingen variërend van MOSmin = 0,4x tot MOSmax = 1,5x, een maximale brandpuntsafstand van fmax = 150 mm en een werkafstand van mm.
      OPMERKING: Het symbool x geeft de vergrotingsfactor van het optische systeem aan.
      1. Kies een microscoopsysteem met variabele vergroting met een vergrotingsbereik (MOSmin - MOSmax) dat binnen het toegestane bereik blijft (Mmin - Mmax). Raadpleeg het gegevensblad van de lens om de maximale brandpuntsafstand fmax en de bijbehorende werkafstand L voor MOSmax te bepalen.
      2. Zorg ervoor dat aan de voorwaarde fmax ≤ Mmax • L is voldaan. Als niet aan deze voorwaarde wordt voldaan, kies dan een lens met een andere fmax en/of L. Zorg ervoor dat het type bevestiging van de camera en lens compatibel zijn.
    5. Kies een testobject (een liniaal of een raster) met een bekende toonhoogte en een totale lengte van ten minste . Kies een testobject in de vorm van een liniaal of raster met een bekende toonhoogte en een totale grootte van ten minste Smax.
  2. Montage van een stand voor beeldacquisitie (Figuur 1).
    1. Monteer de ronde staaf op een stabiele ondergrond. Zet het beeldvormingssysteem in elkaar door de lens op de camera te bevestigen. Monteer het beeldvormingskanaal op de staaf met het invoervenster naar boven gericht.
    2. Monteer het scherpstelmechanisme op de stang. Bevestig een tafel met een glazen werkblad met een minimale diameter van 30 mm aan het scherpstelmechanisme.
    3. Monteer de verlichting: Plaats de LED op een metalen ondergrond om een efficiënte warmteafvoer te garanderen. Plaats een bolle platte collimatorlens met een diameter van 23 mm en een brandpuntsafstand van 30 mm op een afstand van 30 mm van LED.
    4. Monteer de straler op het podium met behulp van een drie-assige verstelbare beugel en plaats deze boven het werkoppervlak met de lens naar beneden gericht.
    5. Pas de verlichting en het beeldvormingssysteem aan. Plaats de straler coaxiaal met het beeldvormingssysteem. Zet de verlichting aan en sluit de camera aan op de computer.
    6. Start de camera-applicatie en activeer de voorbeeldmodus volgens de instructies in de camerahandleiding. Plaats het testobject op de objecttafel. Pas de werkafstand en vergroting van de microscoop aan om ervoor te zorgen dat het formaat volledig binnen het gezichtsveld past.
      OPMERKING: De maat moet volledig langs de korte zijde van het frame passen om een volledige visualisatie van de agarosevorm te garanderen.
    7. Pas de positie van de objecttafel ten opzichte van het beeldvormingssysteem aan om ervoor te zorgen dat het beeld wordt scherpgesteld en de positie van de straler gelijkmatig wordt verlicht.
  3. Bereiding van agaroseschimmel
    1. Meng 20 ml gedestilleerd water met 0,4 g agarose met een laag smeltpunt en verwarm het mengsel tot de agarose volledig is opgelost. Bijvoorbeeld in een magnetron gedurende 20 s met een vermogen van 700 W.
    2. Vorm de agarosevorm (methode 1): Giet de verwarmde oplossing in de petrischaal en zorg voor een oplossingshoogte van 1,5-2 mm. Koel de petrischaal af tot de agaroseoplossing is gestold. Bij een temperatuur van 17 °C duurt dit proces ongeveer 5 minuten. Snijd een vierkant met een zijlengte of gebruik een briefpapiermes en verwijder voorzichtig de agaroselaag binnen het omlijnde gebied.
    3. Vorm de agarosevorm (methode 2): Maak (S) × (S) × 10 mm, vormen van plastic. Plaats de bedrukte vorm met de vierkante kant in een petrischaal en vul deze met de verwarmde oplossing, zorg voor een oplossingshoogte van 1,5-2 mm. Koel de petrischaal af tot de agaroseoplossing is gestold en verwijder voorzichtig de vorm van de gestolde oplossing.
      OPMERKING: Formulieren kunnen eenvoudig worden geprint met een 3D-printer.

2. Beeldacquisitie

  1. Pas de instellingen voor het vastleggen van afbeeldingen aan.
    1. Sluit de camera aan op de computer. Start de camera-applicatie en schakel de voorbeeldmodus in. Zet de verlichting aan.
      OPMERKING: Als de grootte van de te gebruiken agarosevorm afwijkt van die in stap 1.3.3, herhaalt u stap 1.3.3 en verwijdert u het testobject daarna van de fase.
    2. Plaats de zebravislarve in een agarosevorm door middel van een pasteurpipet. Plaats een agarosevorm op het podium. Zorg voor een bijna volledige verlichting van de larvekop door een combinatie van belichtingstijd en verlichtingsvermogen aan te passen (Figuur 2A-C). De belichtingstijd mag niet langer zijn dan 1,5 ms.
      OPMERKING: In deze studie presenteren we gegevens voor wildtype zebravislarven in de leeftijd van 12 tot 21 dagen na de bevruchting (dpf).
  2. Beeldacquisitie uitvoeren
    1. Stel de framerate in op minimaal 60 fps. Stel de bitdiepte van de afbeelding in op 12 bits. Verkrijg afbeeldingen voor ten minste 10 s. Stel de naamgevingsindeling voor frames in op yyyy_mm_dd_hh_ss_mm_mss en het bestandstype moet PNG of TIFF zijn, niet BMP.

3. Het neurale netwerk trainen voor labelen

  1. Voorbereiding van gegevens voor etikettering
    OPMERKING: Het proces van labelen in de Image Labeler-app, MATLAB, wordt beschreven.
    1. Verzamel ten minste 256 verkregen afbeeldingen in een aparte map. Start de app. Importeer de afbeeldingen door naar Importeren > uit bestand te navigeren en alle afbeeldingen uit de opgegeven map te selecteren.
    2. Maak klassen voor netwerklabeling. Klik op het tabblad ROI-labels op Label, voer de hoofdtekst in het veld Labelnaam in, selecteer Pixellabel in de vervolgkeuzelijst voor het labeltype en klik op OK. Klik op het tabblad ROI-labels op Label, typ oog in het veld Labelnaam , selecteer Pixel Label in de vervolgkeuzelijst voor het labeltype en klik op OK. Klik op het tabblad ROI-labels op Label, voer fish in het veld Labelnaam in, selecteer Rechthoek in de vervolgkeuzelijst voor het labeltype en klik op OK.
  2. Labelen van de frames
    1. Selecteer op het tabblad ROI-labels de eerder gemaakte annotatieklasse, oog. Omlijn een oog van het preparaat door met de linkermuisknop punten langs de omtrek te plaatsen. Om de annotatie van het oog te voltooien, klikt u op het startpunt van de schets (Figuur 3B).
    2. Omlijn een ander oog van het monster op dezelfde manier als beschreven in stap 3.1.2.
    3. Selecteer op het tabblad ROI-labels de gemaakte annotatieklasse, hoofdtekst. Omlijn het lichaam van het preparaat, met uitzondering van de ogen, door met de linkermuisknop punten langs de omtrek te plaatsen. Om de annotatie van het oog te voltooien, klikt u op het startpunt van het overzicht.
    4. Selecteer op het tabblad ROI-labels de eerder gemaakte annotatieklasse, fish. Omlijn het hele lichaam van het monster door een rechthoekig begrenzingskader te tekenen (Figuur 4). Klik hiervoor met de linkermuisknop op Een hoek van de beoogde rechthoek en sleep vervolgens de cursor terwijl u de knop ingedrukt houdt totdat de rechthoek de vis volledig omsluit.
    5. Sla de overzichten op in een nieuwe map met de naam afbeeldingen door op het tabblad LABEL op Exporteren > naar bestand te klikken.
  3. Gegevenssets voorbereiden voor training van neurale netwerken
    1. Lancering van MATLAB. Open het scriptbestand DatasetsPreparation.m (aanvullend bestand 1) door Openen > Openen te selecteren.
    2. Voer het script uit door op Uitvoeren te klikken. Selecteer in het pop-upvenster de map met de omlijnde afbeeldingen, de map PixelLabelData en het bestand gTruth.mat, dat in stap 3.2.5 is geëxporteerd.
      OPMERKING: Na voltooiing van de uitvoering van het script worden automatisch twee mappen - RPN Training en CNN Training - gegenereerd. Ze zijn nodig voor latere training van het neurale netwerk. Wijzig de inhoud van deze mappen niet.

4. Het trainen van de neurale netwerken voor hartdetectie

OPMERKING: Deze stap wordt één keer uitgevoerd voor een specifieke leeftijd en beeldvormingsconditie. NVIDIA GPU wordt sterk aanbevolen voor training, omdat het de verwerking aanzienlijk versnelt.

  1. Start de AutoHR-applicatie. Navigeer naar het tabblad Netwerktraining voor regiovoorstel. Klik op Directory kiezen en selecteer de map RPN-training die in stap 3.3.2 is gemaakt. Klik op Training starten.
    OPMERKING: Na voltooiing van de training wordt een modelbestand met de naam rpn_model.pt gegenereerd in dezelfde map als het AutoHR.exe bestand. Dit bestand is nodig voor de verdere verwerking van de afbeeldingsstapel.
  2. Als u het convolutionele neurale netwerk wilt trainen, navigeert u naar het tabblad Training van convolutionele neurale netwerken. Klik op Map kiezen en selecteer de CNN-trainingsmap die in stap 3.3.2 is gemaakt. Klik op Training starten.
    OPMERKING: Na voltooiing van de training wordt een modelbestand met de naam model.pt gegenereerd in dezelfde map als het AutoHR.exe bestand. Dit bestand is nodig voor de verdere verwerking van de afbeeldingsstapel.

5. Kwantificering van de hartslag

  1. Neem een reeks beelden op zoals beschreven in stap 2. Zorg ervoor dat de beeldvormingsomstandigheden, zoals vergroting, belichtingstijd en verlichting, identiek zijn aan die welke worden gebruikt voor het trainen van het neurale netwerk.
  2. Start de AutoHR-applicatie. Navigeer naar het tabblad Verwerken. Selecteer de map met getrainde neurale netwerkmodellen door op Modellen kiezen te klikken. Klik op Map kiezen om verkregen afbeeldingen te importeren voor analyse. Het exportpad wordt automatisch opgegeven, maar u kunt dit wijzigen door op Exportpad kiezen te klikken. Klik op Verwerken om de analyse te starten.
    OPMERKING: Na voltooiing verschijnt de hartslagwaarde in het veld Hartslag in de AutoHR-interface. De geëxporteerde map bevat de hartslagwaarden (.xlsx), PPG (.xlsx), het eerste frame van de reeks en de lichaams- en oogmaskers voor het eerste frame (.png).

6. Verificatie van de resultaten van het algoritme

  1. Voer een test uit met een onbeweeglijke vis zoals hieronder beschreven.
    1. Verdoof de larven met 0,168 mg/L MS-222 oplossing gedurende 1 min. Verkrijg een beeldstapel van een verdoofd exemplaar zoals beschreven in stap 2. Voer een hartslagtelling uit door middel van visuele observatie.
    2. Gebruik de HR-software zoals beschreven in stap 5. Herhaal de stappen voor meerdere monsters. Controleer of de verkregen hartslagwaarden voor alle personen consistent zijn binnen de gewenste nauwkeurigheid.
  2. Voer de test uit met een mobiele persoon en provocatietest zoals hieronder beschreven.
    1. Verkrijg een beeldstapel van een niet-verdoofd exemplaar zoals beschreven in stap 2. Voer een provocatietest uit met de persoon voor wie de reeks is opgenomen, met behulp van een bekende stimulus die de hartslag beïnvloedt. De studie presenteert resultaten voor waterverzilting tot concentraties van 5 mg/L.
    2. Verkrijg een beeldstapel van hetzelfde monster zoals beschreven in stap 2 na de provocatietest. Bepaal de hartslag in beide experimenten met de HR-software zoals beschreven in stap 5. Controleer of de waargenomen veranderingen in hartslag overeenkomen met de bekende effecten van de provocatietest.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

De hartslag van zebravissen op 12 dpf werd bepaald met behulp van het hierboven beschreven protocol (aanvullende video 1). De video's bevatten een reeks afbeeldingen van vrijzwemmende zebravislarven, een fotoplethysmogram afgeleid van deze sequenties met behulp van het voorgestelde protocol en de bijbehorende hartslag berekend op basis van het fotoplethysmogram.

De gelabelde gegevens werden tijdens de training willekeurig opgesplitst in traini...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

In deze studie presenteren we een experimenteel protocol voor het meten van de hartslag van vrijzwemmende zebravislarven. We hebben deze aanpak geëvalueerd door middel van verschillende experimenten, waarbij we de effectiviteit ervan hebben aangetoond. De belangrijkste componenten van de voorgestelde methode omvatten zowel hardware- als softwareoplossingen. Ten eerste hebben we infraroodverlichting gebruikt voor beeldvorming, die, zoals eerder is aangetoond, problemen met pigmentatie ver...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

Alle auteurs hebben eventuele belangenconflicten bekendgemaakt.

Dankbetuigingen

Deze studie werd ondersteund door het Federal State Task Program van STC UI RAS (FFNS-2025-0008). Dit werk werd uitgevoerd met behulp van de apparatuur van het Centrum voor Collectief Gebruik van STC UI RAS [http:// https://ckp.ntcup.ru/en/].

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

```html
Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
Reagents
Low melting agaroseBiozym850111
Table saltPegasus N/A
Tricaine (Ethyl 3-aminobenzoate methanesulfonate) Sigma-AldrichE10505MS-222
Equipment
Base with rodAltamiSM-U1
Collimator lensJLLSCMGGXFocal length 30 mm
Focusing mechanismAltamiSM-12D=76 mm
LEDCreeTR-3535IR-3W
LensSFK SecurityC-Mount, F1.6, 1/3”,
Near infrared cameraToupTekSWIR1300KMA
Pasteur pipettePE-LD149293
Petri Dish 35 x 15 mm BD Falcon351008
Plastic formsN/AN/AMade by 3D printing
Power supplyUnit-TUTP3300TFL-II
StageN/AN/AMade by 3D printing
Stationery knifeErichKrause19145
Test objectWally SkyMS-1-EB
Software
EfficientDetN/AN/Ahttps://github.com/rwightman/efficientdet-pytorch
EfficientNet-b0 modelN/AN/Ahttps://arxiv.org/abs/1905.11946
Google API ClientGoogleN/AGoogle API Client is a Python client library for Google's discovery-based APIs. https://github.com/googleapis/google-api-python-client
Hardware
Multi-scale attention networkN/AN/Ahttps://arxiv.org/abs/2209.14145
NVIDIA DIGITSNVIDIAN/ANVIDIA DIGITS is a wrapper for Caffe that provides a graphical web interface. https://developer.nvidia.com/digits
NVIDIA GPUNVIDIAN/AAn NVIDIA GPU is needed as some of the software frameworks below will not work otherwise. https://www.nvidia.com
OpenCVIntelN/AOpenCV is a library for computer vision. https://opencv.org
PythonPython Software FoundationN/APython is a programming language. https://www.python.org
```

Referenties

  1. Fontana, B. D., Mezzomo, N. J., Kalueff, A. V., Rosemberg, D. B. The developing utility of zebrafish models of neurological and neuropsychiatric disorders: A critical review. Exp Neurol. 299 (Pt A), 157-171 (2018).
  2. Chen, X., Li, Y., Yao, T., Jia, R. Benefits of zebrafish xenograft models in cancer research. Front Cell Dev Biol. 9, 616551(2021).
  3. Lai, K. P., Gong, Z., Tse, W. K. F. Zebrafish as the toxicant screening model: Transgenic and omics approaches. Aquat Toxicol. 234, 105813(2021).
  4. Pylatiuk, C., et al. Automatic zebrafish heartbeat detection and analysis for zebrafish embryos. Zebrafish. 11 (4), 379-383 (2014).
  5. Krishna, S., Chatti, K., Galigekere, R. R. Automatic and robust estimation of heart rate in zebrafish larvae. IEEE Trans Auto Sci Eng. 15 (3), 1041-1052 (2018).
  6. Gierten, J., et al. Automated high-throughput heartbeat quantification in medaka and zebrafish embryos under physiological conditions. Sci Rep. 10 (1), 2046(2020).
  7. Meng, H., Liang, J., Zheng, X., Zhang, K., Zhao, Y. Using a high-throughput zebrafish embryo screening approach to support environmental hazard ranking for cardiovascular agents. Sci Total Environ. 702, 134703(2020).
  8. Krylov, V., et al. Influence of hypomagnetic field on the heartbeat in zebrafish embryos. Front Physiol. 13, 1040083(2022).
  9. Howe, K., et al. The zebrafish reference genome sequence and its relationship to the human genome. Nature. 496 (7446), 498-503 (2013).
  10. Staudt, D., Stainier, D. Uncovering the molecular and cellular mechanisms of heart development using the zebrafish. Ann Rev Gene. 46, 397-418 (2012).
  11. Bowley, G., et al. Zebrafish as a tractable model of human cardiovascular disease. Br J Pharmacol. 179 (5), 900-917 (2022).
  12. Brown, D. R., Samsa, L. A., Qian, L., Liu, J. Advances in the study of heart development and disease using zebrafish. J Cardiovas Dev Dis. 3 (2), 13(2016).
  13. Dhillon, S. S., et al. Optimisation of embryonic and larval ECG measurement in Zebrafish for quantifying the effect of QT prolonging drugs. PLoS One. 8 (4), e60552(2013).
  14. Bedrossiantz, J., et al. Heart rate and behavioral responses in three phylogenetically distant aquatic model organisms exposed to environmental concentrations of carbaryl and fenitrothion. Sci Total Environ. 865, 161268(2023).
  15. Santoso, F., et al. An overview of methods for cardiac rhythm detection in zebrafish. Biomedicines. 8 (9), 329(2020).
  16. Ling, D., Chen, H., Chan, G., Lee, S. M. Y. Quantitative measurements of zebrafish heartrate and heart rate variability: A survey between 1990-2020. Comp Biol Med. 142, 105045(2022).
  17. Ferreira, M. S., et al. FEHAT: Efficient, large scale and automated heartbeat detection in medaka fish embryos. Bioinformatics. 40 (12), btae664(2024).
  18. Volkov, M., et al. Optical transparency and label-free vessel imaging of zebrafish larvae in shortwave infrared range as a tool for prolonged studying of cardiovascular system development. Sci Rep. 12 (1), 20884(2022).
  19. Machikhin, A., et al. Microscopic photoplethysmography-based evaluation of cardiotoxicity in whitefish larvae induced by acute exposure to cadmium and phenol. J Biophoton. 17 (9), e202400111(2024).
  20. Machikhin, A. S., Burlakov, A. B., Volkov, M. V., Khokhlov, D. D. Imaging photoplethysmography and videocapillaroscopy enable noninvasive study of zebrafish cardiovascular system functioning. J Biophoton. 13 (7), e202000061(2020).
  21. Denvir, M. A., Tucker, C. S., Mullins, J. J. Systolic and diastolic ventricular function in zebrafish embryos: Influence of norepenephrine, MS-222 and temperature. BMC Biotechnol. 8 (1), 1-8 (2008).
  22. Santoso, F., et al. Development of a simple ImageJ-based method for dynamic blood flow tracking in zebrafish embryos and its application in drug toxicity evaluation. Inventions. 4 (4), 65(2019).
  23. Vieira, R. S. F., Sousa, D., Félix, L. M., Venâncio, C. A. S. Anaesthetic profile of thymol and menthol in zebrafish larvae model. Aquaculture and Fisheries. , (2024).
  24. Westerfield, M. The zebrafish book. A guide for the laboratory use of zebrafish (Danio rerio). , 4th ed, Univ. of Oregon Press. Eugene. (2000).
  25. Azad, R., et al. Loss functions in the era of semantic segmentation: A survey and outlook. ArXiv. , (2023).
  26. Machikhin, A. S., et al. Combined optical and acoustic microscopy for non-invasive cardiovascular studies using zebrafish model. IEEE Trans Instrument Measurement. 74, 1-13 (2025).
  27. Wavelet analysis of Photoplethysmogram in zebrafish larvaе cardiovascular system Study. Slavin, A. E., Guryleva, A. V., Bukova, V. I., Shuman, L. A., Burlakov, A. B. 2024 26th Int Conf Digital Signal Proc Appl DSPA 2024, , 1-5 (2024).
  28. Kumari, S., Singh, D. Phenylthiourea-mediated experimental depigmentation reduces seizurogenic response of pentylenetetrazol in zebrafish larva. J Pharm Toxicol Methods. 128, 107532(2024).
  29. Xu, Y., et al. Highly sensitive response to the toxicity of environmental chemicals in transparent casper zebrafish. Sci Total Environ. 948, 174865(2024).
  30. Vedder, V. L., et al. pyHeart4Fish: Chamber-specific heart phenotype quantification of zebrafish in high-content screens. Front Cell Dev Biol. 11, 1143852(2023).
  31. Lane, S., More, L. A., Asnani, A. Zebrafish models of cancer therapy-induced cardiovascular toxicity. J Cardiovas Dev Dis. (2), 8(2021).
  32. Maciag, M., Wnorowski, A., Mierzejewska, M., Plazinska, A. Pharmacological assessment of zebrafish-based cardiotoxicity models. Biomed pharmacother. 148, 112695(2022).
  33. Krylov, V. V., et al. Non-invasive recording of heartbeats in Danio rerio and Daphnia magna to assess the toxicity of imidacloprid and glyphosate. Comp Biochem Physiol C Toxicol Pharmacol. 288, 110075(2025).
  34. Meng, H., Liang, J., Zheng, X., Zhang, K., Zhao, Y. Using a high-throughput zebrafish embryo screening approach to support environmental hazard ranking for cardiovascular agents. Sci Total Environ. 702, 134703(2020).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Meer artikelen verkennen

Hartslag van zebravissenanesthetica-vrije metingkortgolvig infraroodbeeldvorminghartslagmonitoringfotpletysmografie-signaalneurale netwerktrackingcardiovasculaire fysiologiemachine learning harttrackingbeoordeling van cardiotoxiciteit
Anesthesievrije hartslagmetingen bij vrij bewegende zebravissen
Neem contact met ons op
Aanbevelen aan de bibliotheek

Privacy

Gebruiksvoorwaarden

Beleidsoverzicht

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.