8 april 2019
Hier presenteren we een protocol om de dieren individueel te volgen gedurende een lange periode van tijd. Het maakt gebruik van computervisie methoden voor het identificeren van een reeks tags die handmatig gebouwd met behulp van een groep van kreeften als case-studie, tegelijkertijd het verstrekken van informatie over het huis, manipuleren en markeer de kreeften.
Dit protocol maakt het mogelijk om het volgen van meerdere dieren te automatiseren. Met behulp van een eenvoudig label om elk dier te identificeren een ID-analyse tool om de tags te detecteren. Dit protocol vermindert aanzienlijk het aantal uren dat nodig is om de video-opnamen te analyseren met behulp van leskey-gegevens.
om nauwkeurigere voltooiingen van de experimentele studies te schatten. Dieren in andere omgevingen die kunnen worden gelabeld op soortgelijke wijze kan worden gevolgd met soortgelijke protocollen die toepassing in chronobiologie, ecologie, viraal onderzoek of neurowetenschappen. We hebben het hardwareontwerp en de open source programmeertaal geleverd en bieden een model dat we gebruikers aanbevelen in de protocollen om python-programmeertaal te leren.
Om een tag voor het doeldier te construeren, snijdt u eerst vier cirkels met een diameter van 40 millimeter van het zwarte plastic vel en twee 26 millimeter zijdige gelijkzijdige driehoeken en twee cirkels met een diameter van 26 millimeter van een wit plastic PVC-vel. Markeer het midden van een witte driehoek en een witte cirkel. En maak een gat van 10 millimeter bij elk merk.
Lijm vervolgens een witte vorm in het midden van elk van de vier zwarte cirkels. Om het experimentele gebied in te stellen, plaatst u infrarood donkere tijd-LED's in de tank. Houd de infraroodlichten te allen tijde aan.
Plaats vervolgens blue light time LED-lampjes in een aangepaste glasvezeltank met zand en vier flexibele PVC-pijpholen en sluit de lampen aan op een apparaat voor het beheer van de fotoperiode. Wanneer alle lichten zijn geplaatst, plaatst u de gekoelde zeewaterinlaat op een hoek van de tank, met de bijbehorende uitlaat in de tegenovergestelde hoek. Controleer of de zeewaterinvoer is ingesteld met een stroomsnelheid van ongeveer 4 liter per minuut.
Omring de kamer met een zwart gordijn om volledige isolatie van extern licht te bieden. Plaats het statief uitgerust met de webcamera aan de zijkant van de experimentele arena, met de camera 130 centimeter boven en in het midden van de experimentele arena. Sluit de camera aan op een computer buiten het gordijn en pas de parameters van de video-opname aan op basis van de kenmerken van de soort, waarbij u ervoor zorgt dat u een tijdstempel maakt, inclusief de datum in de time-lapse video, voor eventuele gedragsmatige scores.
Om de dieren te taggen, voeg je 7 graden Celsius water toe aan een ijskast met ondergedompelde compartimenten en plaats je 4 kreeft in 4 gescheiden compartimenten. Nadat de kreeften ongeveer 30 minuten hebben laten wennen, breng je een kreeft gedurende vijf minuten over op een bakje gemalen ijs en gebruik je absorptiepapier om het bovenste deel van de geïmmobiliseerde kreeft te drogen. Plaats een druppel sneldrogende lijm op het gedroogde carapace en druk de tag ongeveer 20 seconden op de lijm, totdat de lijm uithardt.
Breng de kreeft vervolgens terug naar het compartiment in de ijskast en label de andere drie dieren op dezelfde manier. Wanneer alle kreeften zijn geëtiketteerd, plaats de kreeften terug in hun cel voor 24 uur. De volgende dag, gebruik maken van dezelfde ijskast om de kreeften van de acclimatisatie faciliteit naar de experimentele kamer, en start de video-opname.
Voer de tagging en overdracht stappen onder de rode licht omstandigheden om radiale schade aan de kreeft voor de receptoren te voorkomen. Extra watersoorten of terrestrische soorten hebben deze zorg mogelijk niet nodig. Verkrijg vervolgens een gemiddeld achtergrondbeeld van vijf minuten video of van de eerste 100 frames voordat u de dieren één voor één in de experimenteertank in hun respectieve compartimenten water introduceert en wacht tot de kreeften uit hun compartimenten komen.
Van het totale aantal dieren dat in dit representatieve experiment werd geteld, werd 79 procent van de dierendetecties correct geëmatched door het programma en 89,5 procent van de tags correct geïdentificeerd. Slechts 3,8 procent van de tags waren verkeerd geclassificeerd. Maar de overige 6,6 procent komt overeen met false positives.
Na de voltooiing van een specifieke video-analyse kunnen de verkregen positiesgegevens worden gebruikt om de verschillende gedragspatronen van de kreeften te evalueren. Bijvoorbeeld, ruimte bezetting kaart plotten, met behulp van een twee-dimensionale kerndichtheid schatting met een as uitgelijnd door variantie normale kernal geëvalueerd op een vierkant raster, maakt het mogelijk de gebieden waarin de kreeften besteden een hoger percentage van hun tijd te worden vertegenwoordigd met een hoge kleur intensiteit percelen. De dagelijkse activiteit ritmes van de kreeften kunnen ook worden uitgezet als millimeters bedekt op tien minuten binned intervallen in de tijd.
Het is belangrijk om exacte specificaties te behouden in termen van grootte en vorm en om altijd de binned analyse stap op de achtergrond uit te voeren zonder gebruikersinterface. Het beeldanalysemodel kan worden uitgebreid om te kijken naar specifieke componenten van de schaaldieren om de gedragsstudie te verbeteren in termen van dierlijke interacties. Deze complexe dierlijke sociale interacties komen op een gelijkaardige manier in een daadwerkelijke milieu voor die de stijl en de belangrijke aspecten van biologisch onderzoek met één of andere toepassing voor ecologie en neuroscience toestaat.
Bekijk het volledige transcript en krijg toegang tot duizenden wetenschappelijke video's
Dit protocol maakt de automatisering van het volgen van meerdere dieren over langere perioden mogelijk. Door gebruik te maken van eenvoudige labels voor identificatie, wordt er een ID-analyse-tool ingezet om tags te detecteren, waardoor de analysetijd aanzienlijk wordt verkort.
Geautomatiseerde langetermijnmonitoring van samenlevende aquatische dieren maakt high-throughput gedragstyping mogelijk voor doelwitvalidatie in de neurofarmacologie en chronobiologie. Het protocol ondersteunt mechanistische risicoreductie door locomotiepatronen te kwantificeren onder gecontroleerde licht-donkercycli, wat zorgt voor voorspellende betrouwbaarheid bij fenotypische screeningsassays. Het open-source, schaalbare ontwerp faciliteert hergebruik binnen bedrijfsprocessen in discovery biology-workflows.
De methode integreert in de ontdekkingsbiologie door hypothese-gestuurde gedragsscreening mogelijk te maken, faciliteert de overgang naar lead-identificatie via kwantificeerbare fenotypische outputs en ondersteunt preklinisch werk door middel van longitudinale activiteitsprofielering.