Volledig geautomatiseerde leg tracking in vrij bewegende insecten met behulp van Feature Learning Leg Segmentation and Tracking (FLLIT)

FLLIT is een algoritme dat de lichaams- en beensamenstellingen van een bijgehouden dier berekent. En dit is handig voor het karakteriseren van de circuits die ten grondslag liggen aan zowel normaal als ziekte loopgedrag. Het unieke aan FLLIT is dat het geen geannoteerde gegevenssets van de gebruiker nodig heeft voor training en dus volledig geautomatiseerd is.

Maar analyseert ook automatisch de track data produceren van een reeks van gang metingen, gang percelen voor visualisatie en een track video. Het demonstreren van de procedure zal Animesh Banerjee, een postdoctor collega van mijn laboratorium. Voordat u een experiment begint, bevestigt u dat het opnamestation een hoge snelheidscamera heeft met een podium eroverheen om de arenakamer vast te houden.

Plaats infrarood LED-verlichting aan de bovenkant van het podium met een diffuser tussen de camera en het monster. Ongeveer 40 minuten voor het begin van de opname, breng de vliegen in een lege verachtelijke op ijs voor vijf tot zeven minuten. Terwijl de vliegen worden verdoofd, gebruik water en een doekje om de arena en glazen platen van de kamer duidelijk en tape een van de glazen platen onder de kamer.

Met behulp van een schone borstel, breng een verdoofde vlieg in de kamer en zet de kamer met een tweede dia en tape. Laat vervolgens de chambered fly 15 tot 20 minuten acclimatiseren bij kamertemperatuur. Als u video's wilt genereren voor FLLIT-analyse, schakelt u eerst de krachtbron in en opent u de viewertoepassing op het aangesloten computersysteem.

Wijzig de opnameframesnelheid in 1.000 frames per seconde en stel de sluitertijd in op één milliseconde. Plaats de kamer met de vlieg op de opnamearena en klik op de LIVE-knop. Bevestigd dat de camera is gericht op de been tips wanneer de vlieg loopt rechtop op de vloer van de kamer en klik op Record.

Tijdens het opnemen, ervoor te zorgen dat de vlieg loopt in een relatief rechte baan zonder het aanraken van de rand van de arena, loopt ten minste drie stappen per been, niet pauzeren tijdens de wandeling, en dat de afstand loopt is het equivalent van ten minste anderhalve lichaamslengte. Klik aan het einde van de analyse op Gereed registreren om de opname te stoppen en de bestanden in mraw- of tiff-indeling op te slaan in de juiste mappen. Als u FLLIT wilt installeren, downloadt u het programma eerst op elk besturingssysteem.

Haal de inhoud van het zip-bestand eruit en download voorbeeldgegevenssets. Als u FLLIT in Ubuntu wilt installeren, gaat u naar de map FLLIT/Gecompileerd en klikt u met de rechtermuisknop om Openen in terminal te selecteren. Download een voorbeeldgegevensset en maak een mapgegevens onder FLLIT-master/Gecompileerd waarin de mappen van de gegevensset worden geplaatst.

Installeer de MATLAB runtime-bibliotheken op HOME/MCR. Wanneer de MATLAB runtime-bibliotheekinstallatie is voltooid, geeft u de opdracht uit om ervoor te zorgen dat de uitvoerbare rechten worden vastgelegd op FLLIT. Voer vervolgens de opdracht in om FLLIT uit te voeren.

Voor segmentatie van de video u het bestand omzetten in afzonderlijke TIFF-bestanden en de geconverteerde bestanden opslaan in de FLLIT-gegevensmap. Wanneer alle bestanden zijn overgedragen, voert u FLLIT uit. Selecteer in het pop-upvenster 0 voor het uitvoeren van de beensegmentatie of selecteer 1 om beentracking met beensegmentatie op te nemen.

Selecteer de map met de TIFF-afbeeldingen van frame voor frame van de video die moet worden bijgehouden en het interessant bestand en klik op Toevoegen. Klik vervolgens op Gereed om de segmentatie en het bijhouden van de geselecteerde video te starten. Als u de nauwkeurigheid van de tracking wilt controleren en foutcorrecties wilt uitvoeren, klikt u op Gegevensmap selecteren en selecteert u de map die moet worden bijgehouden.

Klik op Tracking weergeven en controleer de etikettering voor alle poten in het eerste frame. Als een been verkeerd is gelabeld en een correctie vereist is, klikt u op Het bekijken van pauzeren en de voorspelling aanpassen. Selecteer in het deelvenster Been om aan te passen het been dat correctie vereist en dubbelklik op de juiste positie van dit been in het afbeeldingsvenster.

Klik vervolgens op Opslaan en afsluiten. Als u de gesegmenteerde en bijgehouden gegevens wilt verwerken, klikt u op Gegevensproces. Bereken eerst het werkelijke gezichtsveld van de vastgelegde video, zodat de poortparameters kunnen worden gemeten.

Voer in het pop-upvenster het aantal frames per seconde in waarop de video wordt opgenomen en voer het berekende gezichtsveld in millimeters in. Als u toegang wilt krijgen tot de trackingresultaten, opent u de resultaten en bijhouden van mappen. Als u een video van de bijgehouden vlieg wilt genereren, selecteert u Video maken.

Na beensegmentatie, tracking en gegevensverwerking genereert FLLIT automatisch ruwe gegevens voor de posities van het lichaam, en elke beenklauw, 20 gangparameters en bijbehorende plots en bijgehouden video's. SCA3 wordt gekenmerkt door een ataxic gang met lichaam veering, grillige voet plaatsing, en korte lurching stappen. Om de gang van gemuteerde SCA3-vliegen te karakteriseren en te onderzoeken of ze een vergelijkbare gang vertonen als die van menselijke patiënten, kunnen de relevante gangparameters die door FLLIT worden gegenereerd, worden geanalyseerd.

SCA3-Q84 vliegen vertonen meer bochten, onregelmatige voet plaatsing zoals tentoongesteld door een lage voetafdruk regelmatigheid, en verhoogde been domein overlap, vergrote been domeinen in lengte en gebied, en verminderde pas lengte. FLLIT kan ook een video genereren met de bijgehouden vlieg en benen in de arena-gecentreerde en lichaam-gecentreerde uitzichten, lichaamstraject, richting, en verticale en laterale verplaatsingen van elk been. Vergeleken met SCA3-Q27 vliegen vertonen SCA3-Q84 vliegen onregelmatige kruisende beendomeinen van verschillende grootte, wat wijst op een lurching, ataxic gang.

De ruwe gegevens voor het lichaam en been klauw posities kunnen verder worden geanalyseerd voor specifieke bewegingen van belang. Bijvoorbeeld, het gebruik van FLLIT toegestaan onze groep om te bepalen dat de rigide fenotypes weergegeven door Drosophila modellen van de ziekte van Parkinson worden veroorzaakt door dopaminerge neuron disfunctie.