Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

Prosta technika oznaczania aktywności lokomotorycznej u Drosophila

5K wyświetleń

⸱

DOI:

10.3791/65092

⸱

24 lutego 2023

 ,  ,  , 
1Institute of Neuroscience, Soochow University, 2Department of Neurology and Clinical Research Center of Neurological Disease, The Second Affiliated Hospital of Soochow University

W tym artykule

Podsumowanie

Obecny protokół ocenia aktywność lokomotoryczną Drosophila poprzez śledzenie i analizowanie ruchu much na ręcznie wykonanej arenie za pomocą oprogramowania typu open source Fiji, kompatybilnego z wtyczkami do segmentacji pikseli każdej klatki na podstawie nagrania wideo w wysokiej rozdzielczości w celu obliczenia parametrów prędkości, odległości itp.

Streszczenie

Drosophila melanogaster jest idealnym organizmem modelowym do badania różnych chorób ze względu na obfitość zaawansowanych technik manipulacji genetycznej i różnorodne cechy behawioralne. Identyfikacja niedoborów behawioralnych w modelach zwierzęcych jest kluczową miarą ciężkości choroby, na przykład w chorobach neurodegeneracyjnych, w których pacjenci często doświadczają upośledzenia funkcji motorycznych. Jednak ze względu na dostępność różnych systemów do śledzenia i oceny deficytów motorycznych w modelach muchowych, takich jak osoby leczone farmakologicznie lub transgeniczne, nadal brakuje ekonomicznego i przyjaznego dla użytkownika systemu do precyzyjnej oceny pod wieloma kątami. Opracowano tutaj metodę opartą na interfejsie programowania aplikacji (API) AnimalTracker, która jest kompatybilna z programem do przetwarzania obrazów Fidżi, w celu systematycznej oceny aktywności ruchowej zarówno osobników dorosłych, jak i larwalnych na podstawie nagranego wideo, umożliwiając w ten sposób analizę ich zachowań związanych ze śledzeniem. Ta metoda wymaga jedynie kamery o wysokiej rozdzielczości i integracji sprzętu peryferyjnego do rejestrowania i analizowania zachowania, co czyni ją niedrogim i skutecznym podejściem do badań przesiewowych modeli much z transgenicznymi lub środowiskowymi brakami behawioralnymi. Podano przykłady testów behawioralnych z wykorzystaniem much leczonych farmakologicznie, aby pokazać, w jaki sposób techniki te mogą wykrywać zmiany behawioralne zarówno u dorosłych much, jak i larw w wysoce powtarzalny sposób.

Wprowadzenie

Drosophila melanogaster stanowi doskonały organizm modelowy do badania funkcji komórkowych i molekularnych w modelach chorób neuronalnych stworzonych przez modyfikację genów1, leczenie farmakologiczne2, oraz senescence3. Wysoka ochrona szlaków biologicznych, właściwości fizycznych i związanych z chorobą homologicznych genów między ludźmi a Drosophila sprawia, że muszka owocowa jest idealnym naśladowcą od poziomu molekularnego do behawioralnego4. W wielu modelach chorób niedobór behawioralny jest ważnym wskaźnikiem, stanowiącym pomocny model dla różnych ludzkich neuropatii5,6. Drosophila jest obecnie wykorzystywana do badania wielu chorób ludzkich, rozwoju neurologicznego i chorób neurodegeneracyjnych, takich jak choroba Parkinsona i stwardnienie zanikowe boczne7,8. Wykrycie zdolności motorycznych modeli choroby ma kluczowe znaczenie dla zrozumienia postępu choroby i może zapewnić fenotypową korelację z mechanizmami molekularnymi leżącymi u podstaw procesu chorobowego.

Ostatnio opracowano dostępne na rynku narzędzia programowe i opłacalne programy do wykrywania lokomotorycznego Drosophila, takie jak testy o wysokiej przepustowości u zgrupowanych much9,10 i pomiar lokomocji w czasie rzeczywistym11,12. Jednym z takich konwencjonalnych podejść jest szybka interaktywna geotaksja ujemna (RING), zwana również testem wspinaczkowym, która obejmuje wiele kanałów, które pozwalają na powstrzymanie dużej populacji much tej samej płci i wieku, zmniejszając zmienność podczas zbierania danych9,13. Inną metodą wstępnego testowania do analizy zachowań lokomotorycznych jest TriKinetics Drosophila activity monitor (DAM), urządzenie, które wykorzystuje wiele wiązek do wykrywania ruchu aktywności much w cienkiej szklanej rurce14. Urządzenie rejestruje pozycję w sposób ciągły, co reprezentuje zautomatyzowaną lokomocję poprzez obliczanie przecięć wiązki w celu zbadania aktywności i rytmu dobowego much w dłuższym okresie czasu15. Chociaż metody te są szeroko stosowane w analizie wad behawioralnych u muszek owocowych w celu określenia zmian w lokomocji behawioralnej, zawsze wymagają specjalnego sprzętu testowego lub złożonych procesów analitycznych i ograniczają ich zastosowanie w niektórych modelach za pomocą ograniczonego, prostego urządzenia. Grupowe strategie śledzenia zwierząt do testowania dorosłych osobników Drosophila, takie jak FlyGrAM11 i Drosophila island assay10, implementują rekrutację społeczną i śledzenie indywidualne na wcześniej zdefiniowanym obszarze. Niemniej jednak społeczne ograniczenia indywidualne w obszarach zagrożonych mogą mieć negatywny wpływ na identyfikację na obrazach, spowodowany kolizją lub nakładaniem się much. Mimo że niektóre metody oparte na materiałach typu open source, takie jak TRex16, MARGO12 i FlyPi17, mają sytuację awaryjną, mogą przyspieszyć śledzenie much dzięki elastycznemu zastosowaniu w testach behawioralnych. Te podejścia testowe są związane ze skomplikowanymi instalacjami aparatury eksperymentalnej, specjalnymi wymaganiami dotyczącymi oprogramowania lub profesjonalnymi językami komputerowymi. W przypadku larw, pomiar całkowitej odległości przebytej przez liczbę linii granicznych siatki w jednostce czasu18, lub zgrubne liczenie skurczów ścian ciała u osobników ręcznie19, są dominującymi metodami oceny ich zdolności lokomotorycznych. Ze względu na brak precyzji w sprzęcie lub urządzeniach i metodach analizy, niektóre lokomocja behawioralna larw może uniknąć wykrycia, co utrudnia dokładną ocenę ruchu behawioralnego, zwłaszcza drobnego ruchu15.

Aktualnie opracowana metoda wykorzystuje interfejs programowania aplikacji AnimalTracker (API), kompatybilny z programem do przetwarzania obrazów Fidżi (ImageJ), do systematycznej oceny aktywności lokomotorycznej zarówno dorosłych, jak i larw much, analizując ich zachowanie na podstawie filmów w wysokiej rozdzielczości (HD). Fiji to dystrybucja ImageJ o otwartym kodzie źródłowym, która może łączyć solidne biblioteki oprogramowania z wieloma językami skryptowymi, co skutkuje szybkim prototypowaniem algorytmów przetwarzania obrazu, co czyni ją popularną wśród biologów ze względu na możliwości analizy obrazu20. W obecnym podejściu, integracja Fidżi z API AnimalTracker jest wykorzystywana do opracowania unikalnego testu behawioralnego Drosophila ze spersonalizowanym wstawieniem algorytmu i stanowi użyteczny krok dla szczegółowej dokumentacji i samouczków wspierających solidne możliwości analityczne zachowania lokomotorycznego (Rysunek 1). Aby obejść komplikacje związane z obiektywnymi identyfikacjami na obrazach spowodowanymi zderzeniem lub nakładaniem się much, każda arena jest ograniczona do goszczenia tylko jednej muchy. Po ocenie precyzji śledzenia tego podejścia, wdrożono je w celu śledzenia i ilościowego określenia ruchów lokomotorycznych Drosophila, które były podawane z toksycznym lekiem rotenonem, który jest zwykle stosowany w zwierzęcych modelach choroby Parkinsona, ostatecznie odkrywając upośledzenie lokomocji w leczeniu farmakologicznym21. Ta metodologia, która wykorzystuje otwarte i wolne oprogramowanie, nie wymaga kosztownego oprzyrządowania i może precyzyjnie i powtarzalnie analizować lokomocję behawioralną Drosophila.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

W1118 dorosłych much i larw trzeciego stadium rozwojowego zostały użyte do niniejszego badania.

1. Przygotowanie eksperymentalne

UWAGA: Otwarta arena do śledzenia lokomocji Drosophila wykonana jest z bezbarwnego i bezwonnego żelu krzemionkowego.

  1. Wymieszaj odczynnik A i odczynnik B w stosunku 1:10, zgodnie z instrukcjami producenta zestawu krzemionki (patrz tabela materiałów). Upewnij się, że wodorowęglan sodu został dodany do mieszaniny, mieszając, aż kolor zmieni się na biały. Przenieść mieszaninę na czystą szalkę Petriego i umieścić w piekarniku w temperaturze 40 °C do wyschnięcia na 48 godzin.
  2. Ustaw kamerę HD (patrz Tabela materiałów) na statywie, regulując ją tak, aby obiektyw kamery był prostopadły do powierzchni areny krzemionkowej. Regulując ogniskową i przysłony aparatu, upewnij się, że kamera jest skupiona na powierzchni krzemionki i że wyświetlacz jest odpowiednio oświetlony. Konfiguracja eksperymentalna jest zilustrowana w Rysunek 1.
  3. Przenieś muchę na arenę na otwartym polu, aby nagrać ciągły film o długości co najmniej 61 s.
    UWAGA: Biorąc pod uwagę powolny charakter larw, zalecany jest czas nagrywania wideo dłuższy niż 10 minut.
    1. Otwórz wideo z Fidżi, przeciągnij pasek postępu do początkowej klatki i milcząco zatwierdź. Wybierz całą bryłę muchy za pomocą narzędzia "zaznaczanie odręczne" (Rysunek 2B,C).
    2. Kliknij obraz, > dostosować jasność i kontrast >, aby dostosować balans bieli, aż wartość szarości wybranego obszaru zbliży się do szerokiego tła (Rysunek 2D-F).
      UWAGA: Homogenizacja tła pierwszej klatki umożliwia oprogramowaniu rozróżnienie tła bez żadnych obiektów i stworzenie kontrastu, gdy obecna jest mucha, umożliwiając w ten sposób oprogramowaniu jej śledzenie.
  4. Wykonaj cały eksperyment w środowisku testowym ustawionym na 25 °C i 60% wilgotności względnej, w miejscu, które jest ciche i pozbawione ekspozycji na jasne światło.

2. Nagrywanie wideo i wstępne przetwarzanie

  1. Po krótkim okresie znieczulenia przy użyciu 95% dwutlenku węgla (CO2), przenieś muchę na otwartą arenę i naciśnij przycisk nagrywania w aplikacji kamery, aby rozpocząć nagrywanie wideo.
    UWAGA: Aby zminimalizować wpływ środka znieczulającego na poruszanie się, pozwól muszkom dojść do siebie przez 10 minut przed rozpoczęciem nagrywania wideo. Zaleca się również znieczulenie na zimno przez schłodzenie.
    1. Gdy muchy dojdą do siebie po znieczuleniu, umieść naczynie z muchą pod kamerą i szybko potrząśnij płytką z boku na bok, aby upewnić się, że mucha jest w ruchu, gdy rozpocznie się nagrywanie.
  2. Po zakończeniu nagrywania naciśnij przycisk stop, aby zakończyć nagrywanie wideo.
    UWAGA: Upewnij się, że czas nagrywania wideo nieznacznie przekracza czas śledzenia miejsca docelowego z niewielkim marginesem. Ponadto, aby poprawić wydajność eksperymentu, możliwe jest spontaniczne śledzenie wielu much. Zależy to od rozdzielczości kamery, aby umożliwić przycinanie wideo w wysokiej jakości.
  3. Konwertuj nagrane filmy do formatu AVI z kodowaniem MJPEG, aby można je było otwierać i analizować za pomocą Fidżi. W międzyczasie ustaw liczbę klatek na sekundę (fps) wideo na 15 kl./s dla dorosłych much i 12 kl./s dla larw.

3. Analiza wideo

  1. Otwórz wideo, które zostało przekształcone za pomocą "użyj wirtualnego stosu" i "konwertuj na skalę szarości", dwóch opcji w wyskakującym okienku podczas otwierania wideo za pomocą Fidżi (Rysunek 2A).
  2. Zrób pustą pierwszą klatkę, jak wspomniano powyżej.
  3. Uzyskaj okno przetwarzania za pomocą narzędzia "ustaw aktywny obraz" wtyczki AnimalTracker i utwórz obszar śledzenia, który okrąża arenę w oryginalnym oknie wideo za pomocą narzędzia "owalny" (Rysunek 3A).
  4. Ustaw filtry (Rysunek 3A,3) i parametry dwóch filtrów (Rysunek 4A-G) dla pierwszej pustej klatki w oknie przetwarzania. Następnie zaznacz następną klatkę w oryginalnym oknie wideo i wybierz przefiltrowaną powierzchnię okna przetwarzania (Rysunek 5A-C).
    UWAGA: Krok filtrowania służy do zmniejszenia szumu obrazu i/lub usunięcia tła, ułatwiając w ten sposób oddzielenie pierwszego planu od tła w binaryzacji klatek.
  5. Po wybraniu przefiltrowanego okna przetwarzania, obróć śledzoną muchę z czerwonym profilem zakrytym w oknie przetwarzania za pomocą narzędzia "ustaw próg" (Rysunek 3A,4, Rysunek 5D-E i Rysunek 6A).
  6. Użyj opcji "set blob-detector", aby komputer rozpoznał muchę z czerwonym profilem pokrytym w oknie przetwarzania (Rysunek 3A,5 i Rysunek 6B).
  7. Ustaw klatkę 901 jako ostatnią klatkę dla dorosłej muchy, obliczaną na podstawie czasu nagrywania filmu i liczby klatek na sekundę (Rysunek 3A,6, Rysunek 6C).
    UWAGA: Poniższy eksperyment z larwami był śledzony przez 10 minut, więc klatka 7200 jest ustawiona jako ostatnia klatka.
  8. Użyj narzędzia "pokaż bloby", aby wyświetlić prostokąt śledzenia w oryginalnym oknie wideo (Rysunek 3A,7 i Rysunek 6D,E). Następnie rozpocznij śledzenie i wyeksportuj plik śledzenia po zakończeniu monitorowania ( Rysunek 3A,8,9 i Rysunek 7A,B).

4. Analiza pliku śledzenia

  1. Załaduj pliki śledzenia i strefy za pomocą wtyczki Animal tracker > Tracking analyzer (Rysunek 8A).
  2. Wybierz żądany indeks za pomocą ustawień strefy i zmień ustawienia parametrów (Rysunek 8). Oblicz czas interwału klatek, używając liczby klatek na sekundę.
    UWAGA: W tym stanie liczba klatek na sekundę wynosi 15 kl./s, a interwał klatek wynosi około 0,067 s, co jest ustawieniem domyślnym (Rysunek 8D).
  3. Utwórz wykresy analizy ilościowej za pomocą oprogramowania arkusza kalkulacyjnego i GraphPad Prism po przeanalizowaniu w analizatorze śledzenia (Rysunek 9).

5. Analiza na klatkę

  1. Wykonaj analizę prędkości dla interwału klatek. Przeanalizuj plik śladów bez Fidżi, jeśli potrzebne są bardziej szczegółowe badania.
    1. Otwórz plik ścieżki, skopiuj wszystkie współrzędne do programu Microsoft Office Excel i podziel komórki za pomocą spacji.
      UWAGA: Na przykład, po podzieleniu pliku na kolumny "C" i "D", prędkość Drosophila na interwał klatki jest obliczana według wzoru SQRT((C5-C4)^2+(D5-D4)^2), który jest pokazany w kolumnie "E" (Rysunek 10A). Dane w kolumnie "E" wskazują liczbę pikseli, o ile mucha przesunęła się między dwiema klatkami, przy czym pierwsza klatka nie jest brana pod uwagę. Zaznacz wszystkie obliczone wyniki i wstaw wykres liniowy, aby pokazać intuicyjną prędkość ruchu muchy na interwał klatki, ze szczytem na wykresie liniowym (Rysunek 10B).
  2. Obliczanie czasu bezruchu na interwał klatki. Po podzieleniu pliku na kolumny "C" i "D" oblicz stan bezruchu Drosophila na interwał ramki, korzystając ze wzoru IF(SQRT((C6-C5)^2+(D6-D5)^2) <20, 0, 1), który jest pokazany w kolumnie "E". (Rysunek 10C).
    UWAGA: W przeciwieństwie do analizy prędkości, wyniki pierwszej klatki zostały zdefiniowane. Muchy, które poruszały się o mniej niż 20 pikseli, były uważane za nieruchome i zapisywane jako "0" w kolumnie "E".
    1. Zaznacz wszystkie obliczone wyniki i wstaw wykres kolumnowy, aby wizualnie pokazać czas bezruchu na marginesie całego wykresu kolumnowego (Rysunek 10D).
  3. Upewnij się, że zmienia się kąt kierunku.
    UWAGA: Analiza kąta zmiany kierunku reprezentuje wybór kierunku przez muchy. Po podzieleniu pliku na kolumny "C" i "D" kąt zmiany kierunku oblicza się według wzoru ACOS(((SQRT((C7-C6)^2+(D7-D6)^2))^2+(SQRT((C6-C5)^2+(D6-D5)^2))^2-(SQRT((C7-C5)^2+(D7-D5)^2))^2)/(2*SQRT((C6-C5)^2)/(2*SQRT((C6-C5)^2+(D6-D5)^2))*(SQRT((C7-C6)^2+(D7-D6)^2)))*180/PI(), która jest zaprezentowana w kolumnie "E" (Rysunek 10E). Obliczone wyniki wskazują kąt między trzema współrzędnymi.
    1. Zaznacz wszystkie obliczone wyniki i wstaw diagram punktowy, aby zilustrować kąt zmiany kierunku ruchu much (Rysunek 10F).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

W niniejszym badaniu zbadano deficyty lokomocyjne u dorosłych much oraz larw trzeciego stadium traktowanych rotenonem i porównano ich aktywność ruchową z aktywnością much kontrolnych karmionych rozpuszczalnikiem leku, dimetylosulfotlenkiem (DMSO). Wykazano, że traktowanie Drosophila rotenonem powoduje utratę neuronów dopaminergicznych w mózgu22 i prowadzi do znaczących deficytów lokomocyjnych23. Jak pokazano na Rysunku 11 oraz

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

Zaprojektowaliśmy metodę, opartą na materiale open source AnimalTracker API kompatybilnym z programem do przetwarzania obrazów Fidżi, która może umożliwić naukowcom systematyczną ocenę aktywności lokomotorycznej poprzez śledzenie zarówno dorosłych, jak i pojedynczych larw much. AnimalTracke to narzędzie napisane w Javie, które można łatwo zintegrować z istniejącymi bazami danych lub innymi narzędziami ułatwiającymi analizę zachowań związanych ze śledzeniem zwierząt zaprojektowanych przez aplikację

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy oświadczają, że nie mają konkurencyjnych interesów finansowych.

Podziękowania

Ta praca była wspierana przez specjalny fundusz startowy z Uniwersytetu Soochow i Narodowej Fundacji Nauki Chin (NSFC) (82171414). Dziękujemy członkom laboratorium prof. Chunfeng Liu za dyskusję i komentarze.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Lokalizator zwierzątWęgierski Program Badań nad MózgiemWersja: 1.7Strona internetowa: http://animaltracker.elte.hu/main/downloads
Oprogramowanie kameryWersja Microsoft: 2021.105.10.0Wbudowany system Windows 10
KomputerDELLVostro-14-5480Dostępny jest komputer z systemem Win 10
Stacja robocza do znieczulenia dwutlenkiem węgla DrosophilaWu han Yihong technology#YHDFPCO2-018oficjalna strona internetowa: http://www.yhkjwh.com/
Fiji softwarezespołu Fidżi: 1.53voficjalna strona: https://fiji.sc/
Format oprogramowania fabrycznegoWersja Pcfreetime: X64 5.4.5oficjalna strona: http://www.pcfreetime.com/formatfactory/CN/index.html
Pryzmat graficznyGraphPad Wersja oprogramowania: 8.0.2oficjalna strona: https://www.graphpad-prism.cn
Kamera o wysokiej rozdzielczościTTQJingwang2 (HD1080P F1.6 6-60mm)oficjalna strona: http://www.ttq100.com/product_show.php?id=35
Oprogramowanie OfficeWersja Microsoft: office 2019oficjalna strona: https://www.microsoftstore.com.cn/software/office
szalka PetriegoRozmiar 110301003 Bkmana: 60 mm
Żel krzemionkowyDOWSYLGARD 184 Zestaw elastomerów silikonowychDobrze wymieszaj zgodnie z instrukcją
Wodorowęglan soduMacklin#144-55-8Dobrze wymieszaj z żelem krzemionkowym
Wersja

Bibliografia

  1. Ham, S. J., et al. Loss of UCHL1 rescues the defects related to Parkinson's disease by suppressing glycolysis. Science Advances. 7 (28), (2021).
  2. Algarve, T. D., Assmann, C. E., Aigaki, T., da Cruz, I. B. M. Parental and preimaginal exposure to methylmercury disrupts locomotor activity and circadian rhythm of adult Drosophila melanogaster. Drug and Chemical Toxicology. 43 (3), 255-265 (2020).
  3. Jones, M. A., Grotewiel, M. Drosophila as a model for age-related impairment in locomotor and other behaviors. Experimental Gerontology. 46 (5), 320-325 (2011).
  4. Yamaguchi, M., Yoshida, H. Drosophila as a model organism. Advances in Experimental Medicine and Biology. 1076, 1-10 (2018).
  5. Rothenfluh, A., Heberlein, U. Drugs, files, and videotape: the effects of ethanol and cocaine on Drosophila locomotion. Current Opinion in Neurobiology. 12 (6), 639-645 (2002).
  6. Tsuda, L., Lim, Y. M. Alzheimer's disease model system using Drosophila. Advances in Experimental Medicine and Biology. 1076, 25-40 (2018).
  7. Dung, V. M., Thao, D. T. P. Parkinson's disease model. Advances in Experimental Medicine and Biology. 1076, 41-61 (2018).
  8. Liguori, F., Amadio, S., Volonte, C. Fly for ALS: Drosophila modeling on the route to amyotrophic lateral sclerosis modifiers. Cellular and Molecular Life Sciences. 78 (17-18), 6143-6160 (2021).
  9. Cao, W., et al. An automated rapid iterative negative geotaxis assay for analyzing adult climbing behavior in a Drosophila model of neurodegeneration. Journal of Visualized Experiments. (127), 56507(2017).
  10. Eidhof, I., et al. High-throughput analysis of locomotor behavior in the Drosophila island assay. Journal of Visualized Experiments. (129), 55892(2017).
  11. Scaplen, K. M., et al. Automated real-time quantification of group locomotor activity in Drosophila melanogaster. Scientific Reports. 9 (1), 4427(2019).
  12. Werkhoven, Z., Rohrsen, C., Qin, C., Brembs, B., de Bivort, B. MARGO (Massively Automated Real-time GUI for Object-tracking), a platform for high-throughput ethology. PLoS One. 14 (11), e0224243(2019).
  13. Gargano, J. W., Martin, I., Bhandari, P., Grotewiel, M. S. Rapid iterative negative geotaxis (RING): a new method for assessing age-related locomotor decline in Drosophila. Experimental Gerontology. 40 (5), 386-395 (2005).
  14. Cichewicz, K., Hirsh, J. ShinyR-DAM: a program analyzing Drosophila activity, sleep and circadian rhythms. Communications Biology. 1, 25(2018).
  15. McParland, A. L., Follansbee, T. L., Ganter, G. K. Measurement of larval activity in the Drosophila activity monitor. Journal of Visualized Experiments. 98, e52684(2015).
  16. Walter, T., Couzin, I. D. TRex, a fast multi-animal tracking system with markerless identification, and 2D estimation of posture and visual fields. eLife. 10, (2021).
  17. Maia Chagas, A., Prieto-Godino, L. L., Arrenberg, A. B., Baden, T. The €100 lab: A 3D-printable open-source platform for fluorescence microscopy, optogenetics, and accurate temperature control during behaviour of zebrafish, Drosophila, and Caenorhabditis elegans. PLoS Biology. 15 (7), e2002702(2017).
  18. Nichols, C. D., Becnel, J., Pandey, U. B. Methods to assay Drosophila behavior. Journal of Visualized Experiments. (61), (2012).
  19. Xiao, G. Methods to assay the behavior of Drosophila melanogaster for toxicity study. Methods in Molecular Biology. 2326, 47-54 (2021).
  20. Schindelin, J., et al. Fiji: an open-source platform for biological-image analysis. Nature Methods. 9 (7), 676-682 (2012).
  21. Johnson, M. E., Bobrovskaya, L. An update on the rotenone models of Parkinson's disease: their ability to reproduce the features of clinical disease and model gene-environment interactions. Neurotoxicology. 46, 101-116 (2015).
  22. Coulom, H., Birman, S. Chronic exposure to rotenone models sporadic Parkinson's disease in Drosophila melanogaster. The Journal of Neuroscience. 24 (48), 10993-10998 (2004).
  23. Kumar, P. P., Bawani, S. S., Anandhi, D. U., Prashanth, K. V. H. Rotenone mediated developmental toxicity in Drosophila melanogaster. Environmental Toxicology and Pharmacology. 93, 103892(2022).
  24. Gulyas, M., Bencsik, N., Pusztai, S., Liliom, H., Schlett, K. AnimalTracker: an ImageJ-based tracking API to create a customized behaviour analyser program. Neuroinformatics. 14 (4), 479-481 (2016).
  25. Qu, S. EasyFlyTracker: a simple video tracking Python package for analyzing adult Drosophila locomotor and sleep activity to facilitate revealing the effect of psychiatric drugs. Frontiers in Behavioral Neuroscience. 15, 809665(2022).
  26. Yarwais, Z. H., Najmalddin, H. O., Omar, Z. J., Mohammed, S. A. Automated data collection of Drosophila movement behaviour assays using computer vision in Python. International Journal of Innovative Approaches in Science Research. 4 (1), 15-22 (2020).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Tagi

Aktywność lokomocyjna Drosophilatest behawioralnysystem śledzenia zwierzątoprogramowanie Fijiśledzenie lokomocjiarena typu open fieldanaliza wideotraktowanie rotenonemdeficyt motorycznyilościowa analiza zachowania
Prosta technika oznaczania aktywności lokomotorycznej u Drosophila
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.