Полностью автоматизированное отслеживание ног в свободно движущихся насекомых с помощью функции обучения ногу сегментации и слежения (FLLIT)

FLLIT - это алгоритм, который вычисляет составы тела и ног отслеживаемого животного. И это полезно для характеристики схем, которые лежит в основе как нормального, так и болезни ходьбе поведения. Уникальная вещь о FLLIT является то, что он не требует каких-либо пользователей аннотированных наборов данных для обучения и, следовательно, полностью автоматизированы.

Но также автоматически анализирует данные трека, производя серию измерений походки, походки участков для визуализации и трек видео. Демонстрацией процедуры будет Анимеш Банерджи, коллега-постдоктор из моей лаборатории. Перед началом эксперимента, подтвердите, что запись станции имеет высокоскоростную камеру со сценой над ним, чтобы держать камеру арены.

Поместите инфракрасные светодиодные фонари в верхней части сцены с диффузором между камерой и образцом. Примерно за 40 минут до начала записи, передача мух в пустой мерзкий на льду в течение пяти-семи минут. В то время как мухи в настоящее время sedated, использовать воду и салфетку, чтобы очистить арену и стеклянные горки камеры и ленты один из стеклянных слайдов под камерой.

Используя чистую кисть, перенесите одну анестезироватую муху в камеру и закрейте камеру вторым слайдом и лентой. Затем дайте камерной мухе акклиматизироваться при комнатной температуре в течение 15-20 минут. Для создания видео для анализа FLLIT, во-первых, включите источник питания и откройте приложение просмотра на подключенной компьютерной системе.

Измените частоту кадров записи до 1000 кадров в секунду и установите скорость затвора до одной миллисекунды. Поместите камеру с мухой на арене записи и нажмите кнопку LIVE. Подтверждено, что камера ориентирована на кончики ног, когда муха идет вертикально на полу камеры и нажмите запись.

Во время записи убедитесь, что муха идет по относительно прямой траектории, не касаясь края арены, ходит не менее трех шагов на ногу, не останавливается во время прогулки, и что пройденное расстояние эквивалентно по крайней мере полутора длинам тела. В конце анализа нажмите Запись Сделано, чтобы остановить запись и сохранить файлы в формате mraw или tiff в соответствующие папки. Чтобы установить FLLIT, сначала загрузите программу на любую операционную систему.

Извлеките содержимое файла zip и загрузите наборы выборочных данных. Чтобы установить FLLIT в Ubuntu, перейдите в каталог FLLIT/Compiled и нажмите правой кнопкой мыши, чтобы выбрать Open in Terminal. Загрузите выборку набора данных и создайте папку данных под FLLIT-master/Compiled, в которую будут размещены папки набора данных.

Установите библиотеки времени выполнения MATLAB в HOME/MCR. После завершения установки библиотеки MATLAB выдать команду, чтобы гарантировать, что выполненные права будут записаны в FLLIT. Затем введите команду для выполнения FLLIT.

Для сегментации видео преобразуйте файл в отдельные файлы TIFF и сохраните преобразованные файлы в папке данных FLLIT. Когда все файлы будут переданы, запустите FLLIT. В всплывающем окне выберите 0 для проведения сегментации ног только или выберите 1, чтобы включить отслеживание ног с сегментацией ног.

Выберите папку, содержащую кадр за кадром TIFF изображения видео, которые будут отслеживаться и файл, представляющий интерес и нажмите Добавить. Затем нажмите Готово, чтобы инициировать сегментации и отслеживания выбранного видео. Чтобы проверить точность отслеживания и выполнить исправления ошибок, нажмите Выберите папку данных, а затем выберите папку для отслеживания.

Нажмите Просмотр отслеживания и проверить маркировку для всех ног в первом кадре. Если нога неправильно помечена и требуется коррекция, нажмите на просмотр паузы и отрегулируйте прогноз. В панели Leg to Adjust выберите ногу, требующую коррекции, и дважды нажмите на правильное положение этой ноги в окне изображения.

Затем нажмите Сохранить и выйти. Для обработки сегментированных и отслеживаемых данных нажмите Data Process. Во-первых, вычислить фактическое поле зрения захваченного видео, так что параметры ворот могут быть измерены.

В всплывающее окно введите количество кадров в секунду, на которых записывается видео, и введите расчетное поле зрения в миллиметрах. Чтобы получить доступ к результатам отслеживания, откройте папки результатов и отслеживания. Чтобы создать видео отслеживаемой мухи, выберите Make Video.

После сегментации ног, отслеживания и обработки данных, FLLIT автоматически генерирует необработанные данные для положения тела, и каждая нога коготь, 20 параметров походки, и сопровождающие участки, и отслеживается видео. SCA3 является типичным для ataxic походка с телом veering, неустойчивое размещение ног, и короткие шаги lurching. Чтобы охарактеризовать походку мух-мутантов SCA3 и выяснить, показывают ли они аналогичную походку у пациентов с человеком, можно проанализировать соответствующие параметры походки, генерируемые FLLIT.

SCA3-No84 мухи проявляют больше поворотов, неустойчивое размещение ног, как выставлены низкой регулярности след, и увеличение перекрытия домена ноги, увеличенные области ног в длину и область, и уменьшилась длина шага. FLLIT также может создать видео, показывающее отслеживаемую муху и ноги в видах, сосредоточенных на арене и теле, траектории движения тела, направлении движения и вертикальных и боковом смещении каждой ноги. По сравнению с МУХАми SCA3-No27, мухи SCA3-No84 демонстрируют нерегулярные пересекающиеся области ног различных размеров, что свидетельствует о рваной, атаксисной походке.

Необработанные данные для положения когтей тела и ног могут быть дополнительно проанализированы для конкретных движений интереса. Например, использование FLLIT позволило нашей группе определить, что жесткие фенотипы, отображаемые моделями Drosophila болезни Паркинсона, вызваны дофаминергической дисфункцией нейронов.