Долгосрочного отслеживания видео Cohoused водных животных: тематическое исследование повседневной двигательной активности омаров Норвегия (Норвежский Омар)
8 апреля 2019 г.
Здесь мы представляем протокол к индивидуально отслеживать животных в течение длительного периода времени. Он использует компьютерное зрение методы для определения набора тегов вручную сконструированный с помощью группы омаров в качестве тематического исследования, одновременно предоставляя информацию о том, как дом, манипулировать и Марк омаров.
Этот протокол позволяет автоматизировать отслеживание нескольких животных. Использование простой метки для идентификации каждого животного инструмент анализа идентификаторов для обнаружения тегов. Этот протокол значительно сокращает количество часов, необходимых для анализа видеозаписей с использованием данных leskey.
для оценки более точных завершений экспериментальных исследований. Животных в других средах, которые могут быть помечены аналогичным образом можно отслеживать с аналогичными протоколами, обеспечивающими применение в хронобиологии, экологии, вирусных исследований или неврологии. Мы предоставили аппаратный дизайн и язык программирования с открытым исходным кодом и предоставляем модель, которую мы рекомендуем пользователям принять в протоколах для изучения языка программирования Python.
Чтобы построить тег для животного-мишени, сначала вырежьте четыре круга диаметром 40 миллиметров из черного пластикового листа, и два 26-миллиметровых односторонних равносторонних треугольников и два круга диаметром 26 миллиметров из белого пластикового листа ПВХ. Отметь центр одного белого треугольника и одного белого круга. И сделать 10-миллиметровое отверстие на каждой отметке.
Затем приклейте одну белую форму в центр каждого из четырех черных кругов. Чтобы настроить экспериментальную область, поместите инфракрасные светодиоды темного времени в бак. Держите инфракрасные огни на все времена.
Далее поместите светодиодные фонари синего света в модифицированный стекловолокно, содержащее песок и четыре гибких РВХ трубы норы, и подключить огни к аппарату для управления фото период. Когда все огни были размещены, положение охлажденной морской воды вход в одном углу бака, с соответствующей розетки на противоположном углу. Убедитесь, что входная часть морской воды устанавливается со скоростью потока около 4 литров в минуту.
Окружите камеру черным занавесом, чтобы обеспечить полную изоляцию от внешнего света. Поместите штатив, оснащенный веб-камерой, в сторону экспериментальной арены, с камерой 130 сантиметров выше и в центре экспериментальной арены. Подключите камеру к компьютеру за пределами занавеса, и настроить параметры видеозаписи в соответствии с характеристиками вида, убедившись, что создать таймштамп, в том числе дату в замедленном видео, для возможного поведенческого скоринга.
Чтобы пометить животных, добавьте 7 градусов воды по Цельсию в холодильник с погруженными отсеками и поместите 4 омара в 4 отдельных отсека. После разрешения омаров акклиматизироваться в течение 30 минут, передать один омар на лоток дробленого льда в течение пяти минут, и использовать абсорбционную бумагу, чтобы высушить верхнюю часть обездвиженого омара цефалоторакс. Поместите каплю быстрого сушки клея на высушенный карапас и нажмите бирку на клей в течение 20 секунд, пока клей не затвердеет.
Затем верните омаров в его отсек в ледяной коробке, и этикетки других трех животных таким же образом. Когда все омары были помечены, поместите омаров обратно в свою камеру в течение 24 часов. На следующий день, использовать тот же холодильник для передачи омаров из акклиматизации объекта в экспериментальной камере, и инициировать видеозапись.
Выполните пометки и передачи шаги в условиях красного света, чтобы избежать радиального повреждения омаров для рецепторов. Дополнительные виды воды или наземные виды могут не нуждаться в такой помощи. Затем получить усредное фоновое изображение из пяти минут видео или от первоначальных 100 кадров, прежде чем ввести животных один за другим в экспериментный резервуар внутри своих отсеков воды, и ждать омаров, чтобы выйти из своих отсеков.
Из общего числа животных, подсчитанных в этом репрезентативном эксперименте, 79 процентов обнаружения животных были правильно подобраны программой, и 89,5 процента тегов были правильно идентифицированы. Только 3,8 процента тегов были неправильно классифицированы. Но остальные 6,6 процента, соответствующие ложным срабатываниям.
После завершения конкретного видео-анализа полученные данные о позициях могут быть использованы для оценки различных поведенческих моделей омаров. Например, карта заполняемости пространства, использующая двухмерную оценку плотности кернала с осью, выровненной по вариату нормального кернала, оцениваемого на квадратной сетке, позволяет областям, в которых омары тратят больший процент своего времени, быть представленными с участками высокой интенсивности цвета. Ритмы ежедневной активности омаров также могут быть построены как миллиметры, покрытые десятиминутными интервалами с течением времени.
Важно поддерживать точные спецификации с точки зрения размера и формы и всегда выполнять связанный шаг анализа в фоновом режиме без пользовательского интерфейса. Модель анализа изображений может быть расширена, чтобы посмотреть на конкретные компоненты ракообразных, чтобы помочь улучшить поведенческое исследование с точки зрения взаимодействия животных. Эти сложные социальные взаимодействия животных происходят аналогичным образом в реальной среде, позволяющей стиль и важные аспекты биологических исследований с некоторым применением для экологии и неврологии.
Просмотрите полный транскрипт и получите доступ к тысячам научных видео
Обзор
Данный протокол позволяет автоматизировать процесс отслеживания нескольких животных в течение длительного времени. Благодаря использованию простых идентификационных меток и инструмента анализа ID для их обнаружения, время анализа существенно сокращается.
Основные компоненты исследования
Область науки
- Хронобиология
- Экология
- Нейробиология
Теоретические сведения
- Индивидуальное отслеживание животных имеет решающее значение для различных биологических исследований.
- Ручное отслеживание может быть трудоемким и требовать значительных временных затрат.
- Методы компьютерного зрения позволяют повысить эффективность отслеживания.
- Использование лобстеров в качестве объекта исследования позволяет получить представление о практическом применении данных методов.
Цель исследования
- Разработать протокол для долгосрочного наблюдения за животными.
- Предложить метод для простого маркирования и идентификации животных.
- Обеспечить возможность изучения поведения животных в различных условиях среды.
Используемые методы
- Методы компьютерного зрения для детектирования меток.
- Программирование с использованием открытого исходного кода для анализа.
- Проектирование оборудования для системы трекинга.
- Программирование на Python для изучения и внедрения пользователями.
Основные результаты
- Значительное сокращение времени анализа видеозаписей.
- Повышение точности оценки результатов эксперимента.
- Протокол, применимый к различным видам животных и условиям среды.
- Доступные ресурсы для воспроизведения исследования другими учеными.
Выводы
- Данный протокол повышает эффективность исследований по отслеживанию животных.
- Он представляет собой масштабируемый метод, применимый в различных областях исследований.
- Инструменты с открытым исходным кодом позволяют исследователям адаптировать методику и внедрять инновации.
Часто задаваемые вопросы
Значимость для промышленности
Автоматизированное долгосрочное отслеживание совместно содержащихся водных животных позволяет проводить высокопроизводительное поведенческое фенотипирование для валидации мишеней в нейрофармакологии и хронобиологии. Данный протокол способствует снижению механистических рисков путем количественного анализа паттернов локомоторной активности при контролируемых циклах свет-темнота, обеспечивая прогностическую достоверность в анализах фенотипического скрининга. Его открытый масштабируемый дизайн облегчает повторное использование в рамках рабочих процессов в области биологии открытий.
Стратегическое применение в биофармацевтических исследованиях и разработках
Первичный поиск и валидация мишени
- Научная ценность: позволяет проверять терапевтические гипотезы путем количественного анализа индивидуальных локомоторных ритмов у совместно содержащихся моделей.
- Практическая ценность: снижает нагрузку при ручном анализе за счет автоматизированного детектирования меток и вычитания фона, что увеличивает пропускную способность при измерении поведенческих конечных точек.
Скрининг и разработка анализа
- Научная ценность: позволяет получать количественные выходные данные зависимых переменных (например, степень заполнения пространства, движение по зонам), пригодные для моделирования зависимости «доза-эффект» при разработке анализа.
- Практическая ценность: стандартизирует показатели поведения с помощью воспроизводимого видеотрекинга, что обеспечивает воспроизводимость анализа и сопоставимость результатов между различными лабораториями.
Трансляционные и доклинические исследования
- Научная ценность: Обеспечивает моделирование систем, релевантных заболеваниям, за счет фиксации естественных поведенческих паттернов у ракообразных, содержащихся в социальных группах, что улучшает трансляционную преемственность.
- Практическая ценность: Облегчает валидацию доклинических моделей посредством лонгитюдного мониторинга ритмов активности, помогая принимать обоснованные с точки зрения рисков решения о дальнейшем продвижении исследования.
Интеграция конвейеров и рабочих процессов
Данный метод интегрируется в поисковую биологию, обеспечивая возможность проведения поведенческого скрининга на основе гипотез, переход к идентификации ведущих соединений с помощью количественных фенотипических показателей, а также поддержку доклинических исследований посредством лонгитюдного профилирования активности.
- Открывающая биология: способствуют снижению рисков при изучении механизмов путем изоляции независимых переменных (например, циклов свет-темнота) для уточнения эффектов на уровне путей влияния на локомоторное поведение.
- Скрининг: обеспечивает получение стандартизированных количественных результатов, готовых к анализу (например, количество пройденных миллиметров за десятиминутный интервал), для надежной оценки соединений.
- Аналитика: предоставляет данные оценки плотности ядра и сгруппированные временные ряды, что позволяет проводить статистическое сравнение поведенческих условий.
- Трансляционные исследования: обеспечивают преемственность с доклиническими исследованиями благодаря использованию этологически значимых паттернов активности в моделях группового содержания.
- Корпоративное повторное использование: использует инструменты с открытым исходным кодом и настраиваемую систему тегов для масштабируемого развертывания в различных лабораториях и для разных видов.
Операционное и корпоративное влияние
- Научная ценность: Повышение прогностической уверенности в валидации мишени за счет объективного поведенческого фенотипирования с высоким разрешением.
- Операционная ценность: Стандартизация и масштабируемость благодаря автоматизированному трекингу, снижающему межоператорную вариабельность.
- Стратегическая ценность: Оптимизация принятия решений о продолжении или прекращении исследований (go/no-go) за счет сокращения числа ложноотрицательных результатов при поведенческом скрининге благодаря надежной идентификации отдельных особей.
- Влияние на портфель: Приоритезация с учетом рисков на основе воспроизводимых показателей локомоторной активности, что позволяет установить критерии продвижения проектов на базе данных.
Особенности реализации
- Требуется опыт в области компьютерного зрения, поведенческой нейробиологии и содержания водных организмов для правильной маркировки и контроля условий окружающей среды.
- Метод опирается на использование инфракрасного освещения, веб-камер и программного обеспечения с открытым исходным кодом для вычитания фона и распознавания меток.
- Необходима межкомандная стандартизация дизайна меток, параметров видеозаписи и конвейеров анализа для обеспечения воспроизводимости результатов на разных площадках.
- Требуется учет видовых особенностей при выборе размера меток, скоростей передвижения и поведения при зарывании, которые влияют на точность детекции.
- Эффективность ограничена случаями перекрытия объектов и частотой ошибочной идентификации меток (6,6% ложноположительных результатов, 3,8% неправильной классификации), что требует валидации по сравнению с ручным подсчетом для критически важных конечных точек.
