Niedroga alternatywa do badania preferencji społecznych u Danio pręgowanego (Danio rerio) przy użyciu zadania wolnego pływania w trzykomorowym otwartym zbiorniku
7 sierpnia 2026
Zadania preferencji społecznych wielokomorowych zostały dostosowane od szczurów do rybek zebra, ułatwiając badania nad zachowaniami społecznymi w organizmach modelowych. Ten protokół waliduje niskobudżetowe zadanie trójkomorowe z otwartym zbiornikiem przy użyciu kamer internetowych i oprogramowania open-source w celu zmierzenia preferencji społecznych rybek zebra, czyniąc je dostępnymi dla badań i nauczania na poziomie licencjackim.
Niniejszy protokół waliduje niskokosztowe i otwartoźródłowe zadanie swobodnego pływania w trójekomorowym otwartym zbiorniku, służące do badania preferencji społecznych u zebrafish. Protokół ten może być stosowany w odniesieniu do różnych gatunków i umożliwia badaczom na poziomie studiów licencjackich badanie preferencji społecznych przy minimalnych zasobach. W celu rozpoczęcia przygotuj aparat z otwartym zbiornikiem, składający się z centralnej komory eksperymentalnej oraz dwóch flankujących ją komór bodźca.
Zainstaluj system podświetlenia tylnego. Zastosuj nieprzezroczyste przegrody i filtry polaryzacyjne, aby zoptymalizować izolację wizualną i kontrast obrazu. Zamontuj i wyrównaj kamery przed komorami, korzystając z ramy wsporczej dla kamer.
Zaciągnij zasłony zaciemniające i zapewnij stabilne warunki utrzymania przed rozpoczęciem eksperymentu. Pobierz oprogramowanie Open Broadcaster Software i zainstaluj je na lokalnym komputerze z systemem Windows. Po uruchomieniu oprogramowania uruchom kreator autokonfiguracji, aby zoptymalizować ustawienia pod kątem konkretnych potrzeb nagrywania, zasobów sprzętowych i warunków sieciowych.
Przed konfiguracją kamery należy zweryfikować ustawienia podstawowe. Ustaw rozdzielczość bazowego obszaru roboczego tak, aby odpowiadała rozdzielczości wyświetlacza, a następnie ustaw odpowiednią skalowaną rozdzielczość wyjściową. Następnie utwórz scenę, klikając prawym przyciskiem myszy w polu scen i wybierając opcję Dodaj scenę.
Nadaj nazwę scenie i użyj jej do zdefiniowania układu strumienia. Dodaj nowe źródło i wybierz Urządzenie do przechwytywania wideo, aby dodać kamerę internetową. Przypisz każdej kamerze unikalną nazwę, np. Kamera środkowa, a następnie powtórz ten proces dla kolejnej kamery.
Ustaw i zmień rozmiar źródeł w oknie podglądu. Upewnij się, że kamera znajduje się na liście źródeł. Przesuń widok kamery na środek obszaru roboczego, naciskając Ctrl + D. Dopasuj obraz do ekranu, naciskając Ctrl + F, lub rozciągnij ekran, naciskając Ctrl + S. Przytnij źródło, przytrzymując klawisz Alt i przeciągając ramkę ograniczającą.
Następnie dwukrotnie kliknij wybraną kamerę i wybierz opcję Configure Video. W menu właściwości dostosuj jasność i kontrast obrazu. Wypełnij wszystkie trzy komory wodą z zbiorników hodowlanych i dostosuj temperaturę wody przed wprowadzeniem ryb.
Należy upewnić się, że nieprzezroczyste przegrody między komorami pozostają na swoim miejscu przez cały okres aklimatyzacji. Przenieś jedną dorosłą rybkę z gatunku Danio rerio do komory centralnej i pozostaw ją do aklimatyzacji na co najmniej jedną godzinę. Umieść sztuczne bodźce społeczne w bocznej, lewej komorze bodźców.
Następnie przenieś małe stado czterech ryb, składające się z dwóch samców i dwóch samic o podobnej wielkości, wieku i stopniu zaznajomienia, do prawej komory bodźca. Podczas aklimatyzacji wyposażyć wszystkie komory zawierające żywe zwierzęta w grzałkę zanurzeniową ustawioną na 26 °C, kamień napowietrzający podłączony do pompy powietrznej akwarium oraz pokrywę zbiornika w celu utrzymania stabilnych warunków hodowli. Usuń grzałki i kamienie napowietrzające przed rozpoczęciem sesji eksperymentalnej.
Uruchom pojedynczą kamerę skierowaną na środkowy zbiornik. Uruchom oprogramowanie i dostosuj rozmiar widoku z centralnej kamery tak, aby wypełnił ekran, klikając i przeciągając narożniki obrazu wideo. Następnie w sekcji sterowania wybierz Start Recording.
Natychmiast usuń nieprzezroczyste bariery. Po 10 minutach zakończ sesję, wybierając Stop Recording w sekcji sterowania. Aby uzyskać dostęp do nagranych sesji, wybierz File w menu w lewym górnym rogu, a następnie wybierz Show Recordings z menu rozwijanego.
Wgraj od czterech do pięciu filmów do aplikacji oprogramowania do analizy ruchu, takiej jak DeepLabCut, i wyekstrahuj od 20 do 30 klatek z każdego filmu. Zdefiniuj co najmniej trzy główne punkty śledzenia, takie jak głowa, ogon i tułów. Wytrenuj sieć, aby śledziła te punkty na kolejnych klatkach.
Do wytrenowania modelu należy wykorzystać sieć neuronową opartą na architekturze ResNet-101. Należy określić liczbę iteracji niezbędnych do zakończenia procesu uczenia. Następnie w pełni wytrenowany model DeepLabCut należy zastosować do pozostałych filmów eksperymentalnych i wyekstrahować dane pozycyjne dla każdego powtórzenia, zgodnie z instrukcją użytkownika.
Następnie, przy użyciu oprogramowania do kodowania, takiego jak Python, zdefiniuj i przeanalizuj ruch w trzech pionowych strefach areny o jednakowej szerokości, aby określić preferencje. Pomierz czas w każdej strefie, wykorzystując co najmniej dwa punkty ciała w obrębie zidentyfikowanej strefy, aby zredukować szum śledzenia. Oblicz całkowity czas w każdej strefie, dzieląc całkowitą liczbę klatek w danej strefie przez całkowitą liczbę klatek.
Użyj tego samego oprogramowania do kodowania, aby zdefiniować i zmierzyć czas spędzony w bezruchu, np. zamieranie (freezing). Zdefiniuj próg ruchu na poziomie od 2 do 5 pikseli na klatkę przy minimalnej liczbie 15 kolejnych klatek. Na koniec zestaw i wyeksportuj pomiary w celu przeprowadzenia analizy statystycznej i wizualizacji.
Obiekty spędziły znacznie więcej czasu podczas sesji w prawej strefie, najbliższej żywej ławicy, niż w strefie środkowej lub lewej strefie, najbliższej sztucznego ruchomego bodźca. Różnica w czasie spędzonym między strefą środkową a lewą nie była istotna statystycznie. Obiekty spędziły znacznie mniej czasu w bezruchu w strefie środkowej niż w prawej strefie, najbliższej żywej ławicy, lub w lewej strefie, najbliższej bodźca ruchomego.
Niniejszy protokół może być wykorzystywany przez badaczy do analizy tendencji rybek danio pręgowanych do wizualnego angażowania się w interakcje z dwoma różnymi bodźcami społecznymi oraz do określenia, który z bodźców jest preferowany. Badacze mogą stosować różne gatunki lub konfiguracje bodźców, a także badać inne reakcje, takie jak gwałtowne skoki (darting) czy chaotyczne pływanie. System ten stanowi platformę do badania modeli translacyjnych funkcjonowania społecznego i może służyć do analizy manipulacji farmakologicznych oraz środowiskowych.
Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych
Overview
This article presents a protocol for assessing social behavior in zebrafish using the 3-chamber open-tank free-swim task (OTFST). The method utilizes a cost-effective setup with USB webcams and common materials, combined with DeepLabCut for markerless pose estimation and behavioral tracking. The approach is validated through pilot sessions and is designed to be accessible for both research and teaching laboratories.
Key Study Components
Area of Science
- Neurobehavioral research
- Behavioral neuroscience
- Zebrafish behavioral analysis
Background
- Social preference tasks are widely used to study social behavior in animal models.
- The 3-chamber paradigm was originally developed for rodents and later adapted for zebrafish.
- Accurate behavioral tracking is essential for quantifying social interactions.
- Cost and accessibility can be barriers for widespread adoption of behavioral assays.
Purpose of Study
- To provide a low-cost, scalable protocol for assessing social preference in zebrafish.
- To demonstrate the use of DeepLabCut for accurate, markerless tracking of animal movement.
- To validate the system's ability to capture robust social behavior.
Methods Used
- 3-chamber open-tank free-swim task (OTFST) with a central tank and two stimulus tanks.
- Video recording using USB webcams positioned above the setup.
- Use of polarizing film and backlighting to enhance video quality.
- Application of DeepLabCut for markerless pose estimation and extraction of positional time-series data.
Main Results
- The protocol successfully captures social preference behavior in zebrafish.
- DeepLabCut provides accurate tracking data for behavioral analysis.
- The setup is validated through pilot sessions demonstrating robust behavioral metrics.
- The approach is budget-friendly and accessible for a wide range of laboratories.
Conclusions
- The 3-chamber OTFST protocol is effective for studying social interaction in zebrafish.
- The method is accessible, scalable, and suitable for both research and teaching environments.
- Open-source tools like DeepLabCut enhance the accuracy and reproducibility of behavioral studies.
Frequently Asked Questions
Executive Industry Relevance
Quantitative assessment of social behavior in zebrafish is increasingly relevant for neurobehavioral target validation and early-stage CNS drug discovery. The 3-chamber open-tank free-swim task (OTFST) with markerless video tracking enables scalable, reproducible behavioral phenotyping, supporting predictive confidence in translational models. This accessible, low-cost platform facilitates robust pipeline integration for teams prioritizing mechanistic de-risking and cross-study comparability.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of social behavior phenotypes relevant to neuropsychiatric target validation.
- Supports mechanistic de-risking by quantifying behavioral endpoints in a disease-relevant system.
- Facilitates portfolio triage by providing reproducible, quantitative behavioral data.
Screening & Assay Development
- Prepares validated zebrafish behavioral systems for downstream compound screening workflows.
- Standardizes assay conditions and outputs using open-source tracking and quantitative metrics.
- Enables scalable, reproducible behavioral assays for reliable compound evaluation.
Translational & Preclinical Research
- Aligns behavioral endpoints with translational biomarker strategies in CNS research.
- Supports continuity from early discovery through preclinical validation by enabling cross-study comparability.
- Provides predictive de-risking value for neurobehavioral phenotypes relevant to human disease.
Pipeline & Workflow Integration
The OTFST with DeepLabCut tracking fits within the early discovery to lead identification continuum, supporting hypothesis testing and quantitative behavioral analysis in zebrafish models.
- Discovery Biology: Enables robust hypothesis testing and pathway clarification for social behavior targets.
- Screening: Provides assay readiness and reproducibility through standardized video tracking and analysis.
- Analytics: Delivers quantitative positional and preference metrics for cross-condition comparison.
- Translational Research: Supports alignment of zebrafish behavioral endpoints with preclinical biomarker strategies.
- Enterprise Reuse: Offers a scalable, open-source platform adaptable across neurobehavioral research portfolios.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in neurobehavioral target validation.
- Operational Value: Standardizes behavioral assays with reproducible, scalable, and cost-effective infrastructure.
- Strategic Value: Improves go/no-go decision-making and capital efficiency by enabling robust behavioral phenotyping.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of CNS discovery programs.
Implementation Considerations
- Requires expertise in behavioral neuroscience and quantitative video analysis.
- Needs basic imaging infrastructure (USB webcams, lighting, and open-source software).
- Demands cross-team standardization of assay setup and data analysis protocols.
- Adaptable to other small aquatic models with protocol modifications.
- Practical limitations include video quality and environmental control for reproducibility.
Biopharma FAQs
Chapters in this video
0:00
Introduction
0:23
Testing Environment Setup
1:02
OBS Studio Configuration for Video Acquisition
2:42
Acclimation of Adult Zebrafish in the 3-Chamber Open-Tank
3:46
Experimental Social Preference Testing
4:30
Motion Tracking and Behavioral Analysis of Zebrafish Social Preference
6:13
Results
6:49
Conclusion
