Использование vmTracking для повышения точности оценки поз нескольких животных в исследованиях социального поведения грызунов
7 ноября 2025 г.
Этот протокол представляет vmTracking, метод, который обеспечивает высокоточное отслеживание позы в видео с несколькими свободно движущимися животными без маркеров, даже в условиях скопления людей, где животные плотно сгруппированы. Этот подход предоставляет надежные данные для анализа социальных взаимодействий, которые происходят в полуестественной среде, где животные могут свободно передвигаться.
Мы стремимся понять социальные взаимодействия у свободно перемещающихся мышей, разрабатывая точные методы отслеживания на нескольких животных. Достичь точного отслеживания позы с надёжной идентификацией в условиях с участием нескольких животных остаётся сложной. Для начала создайте новый проект с участием нескольких животных, выбрав Manage Project для отслеживания видео без маркеров.
Модифицируйте поля отдельных людей и частей тела в конфигурации. YAML в соответствии с требованиями анализа. Выберите Extract Frames, чтобы извлечь кадры из видео для маркировки и обучения.
Далее помечайте каждый извлечённый кадр, выбрав Label Data. Назначайте соответствующие части тела каждому видимому человеку, не поддерживая единообразные идентификаторы между кадрами. Чтобы создать обучающий набор данных из извлечённых кадров, выберите создать учебный набор данных.
Установите сеть на DLCRNet_ms5 в конфигурации. Выберите Train, чтобы начать обучение сети. Установите параметр максимальных итераций на 200 000 для этой тренировки.
Все остальные параметры обучения могут оставаться на своих значениях по умолчанию. Оцените обученную сеть, выбрав Оценить. Чтобы запустить оценку позы выбранных видео, выберите «Анализировать видео, генерирующие данные координат HDF5» и другие выходные файлы в папке видео внутри папки проекта.
Для ручной проверки результатов отслеживания создайте маркированное видео с трекингом, выбрав Создать видео. Включите опцию создания видео с цветом ID животных в графическом интерфейсе DLC, чтобы включать отдельные идентификаторы в видео. Затем проверьте сгенерированные размеченные видео, чтобы проверить наличие переключений идентичности или отсутствующих предсказаний.
Если есть серьёзные ошибки, готовьтесь к переобучению. Для переобучения, извлечения и аннотирования аутлайерных кадров. Выберите «Извлечение» или «Уточнить выбросы».
После завершения аннотации нажмите «Объединить набор данных», чтобы автоматически перейти к созданию обучающих наборов данных. А затем повторяйте обучающий процесс. Чтобы исправить результаты многоживотного DLC, откройте пользовательский интерфейс и сохраните только необходимые ключевые точки для виртуальных маркеров.
Выберите Refine Tracklets, чтобы исправить файл HDF5, содержащий только выбранные ключевые точки. Настройте ключевые точки так, чтобы у всех сохранялся единый идентификатор по всему видео. Сохраните файл, и файл HDF5 в папке видео обновится автоматически.
Далее создайте новое видео с меткой из исправленных данных, выбрав Create Videos. В DeepLabCut 2.2, если в папке видео уже есть помеченное видео, новое видео не будет создано. Удалите, переименуйте или переместите существующий файл перед тем, как продолжить.
Переименуйте маркированное видео с виртуальным маркером в короткое имя файла, чтобы предотвратить ошибки при обработке DeepLabCut. Создайте новый проект saDLC, выбрав Manage Project для отслеживания видео с виртуальным маркером. В конфигурации.
Файл YAML, перечислите все комбинации индивидуумов и частей тела в поле частей тела. Чтобы извлечь кадры из переименованного виртуального маркерного видео, выберите Extract Frames. Теперь помечайте каждую извлечённую рамку в данные меток с помощью виртуальных маркеров, чтобы назначить согласованные индивидуальные идентификаторы и убедиться, что как ID, так и части тела совпадают между кадрами.
Когда часть тела частично скрыта, но идентификатор человека известен, оцените её положение и примените метку соответственно. Создайте обучающий набор данных из извлечённых кадров, выбрав Create Training Dataset. Установите сеть в режим эффективного сетевого B0 для этой тренировочной сессии.
Начните обучение сети, выбрав Train. Установите параметр максимальных итераций на 200 000 для этой сессии, и все остальные настройки останутся на своих значениях по умолчанию. После оценки обученной сети выполните ручную проверку, как показано ранее.
В переполненных сценах отслеживание VM достигало значительно более высокого процента совпадений по сравнению с maDLC. Количество ложноотрицательных результатов при отслеживании VM было значительно меньше, чем при maDLC. Однако не было разницы между отслеживанием виртуальной машины и maDLC по количеству ложноположительных срабатываний и переключения ID.
В непереполненных сценах отслеживание VM достигало значительно большего процента совпадений по сравнению с maDLC. Количество ложноотрицательных результатов при отслеживании VM было значительно меньше, чем при maDLC. Между отслеживанием виртуальной машины и maDLC не было разницы в количестве ложноположительных срабатываний и переключения ID.
В переполненных сценах процент совпадений в maDLC достигал примерно 85% после примерно 400 аннотированных кадров без дальнейших улучшений. В то время как отслеживание виртуальной машины показало стабильный рост примерно до 95% — около 1 000 кадров. В maDLC увеличение числа аннотированных кадров не уменьшало количество ложноотрицательных результатов.
Сцены с более высокой долей правильно назначенных виртуальных маркеров обычно показывали более высокий процент совпадения. Однако некоторые сцены, такие как 3 и 11, всё равно показывали высокий процент совпадения, несмотря на множество неправильных заданий или отсутствующих маркеров. Наш протокол направлен на устранение недостатка надёжного поддержания идентичности при отслеживании поз многих животных.
Он повышает точность отслеживания поз за счёт объединения виртуальных маркеров с существующими инструментами. Наши будущие исследования будут использовать эти данные для изучения того, как групповая динамика формирует социальное поведение у мышей.
Обзор
В данном протоколе представлен vmTracking — метод, позволяющий с высокой точностью отслеживать позы нескольких свободно передвигающихся животных без использования маркеров, даже в условиях скученности, когда животные сгруппированы плотно. Этот подход обеспечивает получение надежных данных для анализа социальных взаимодействий, происходящих в полуестественных условиях, где животные могут свободно перемещаться.
Основные компоненты исследования
Область науки
- Нейронаука
- Поведенческий анализ
- Методы визуализации
Теоретические сведения
- Понимание поведения животных в естественных условиях имеет решающее значение для нейробиологических исследований.
- Традиционные методы трекинга могут быть малоэффективны в условиях высокой плотности особей.
- Безмаркерный трекинг позволяет улучшить сбор данных при анализе социальных взаимодействий.
- Высокая точность трекинга необходима для получения надежных результатов поведенческого анализа.
Цель исследования
- Представить новый метод трекинга свободно перемещающихся животных.
- Повысить точность отслеживания поз в плотных группах.
- Облегчить изучение социальных взаимодействий в полуестественных условиях.
Используемые методы
- Разработка протокола vmTracking.
- Применение методов видеоанализа.
- Оценка точности трекинга в различных условиях.
- Анализ социальных взаимодействий между отслеживаемыми животными.
Основные результаты
- vmTracking продемонстрировал высокую точность отслеживания поз.
- Метод оказался эффективным даже в условиях высокой плотности животных.
- Были получены надежные данные о социальных взаимодействиях.
- Результаты подтверждают возможность изучения поведения в естественных условиях.
Заключение
- vmTracking является ценным инструментом для исследований в области поведенческой нейробиологии.
- Данный метод расширяет понимание социальной динамики животных.
- Будущие исследования могут использовать этот подход для получения более глубоких данных.
Часто задаваемые вопросы
Практическая значимость для промышленности
Точная оценка поз нескольких животных имеет решающее значение для трансляционной нейробиологии и поведенческой фармакологии, особенно при оценке влияния препаратов на социальные взаимодействия в моделях свободно передвигающихся грызунов. vmTracking устраняет критический узкий этап, сохраняя индивидуальную идентификацию животных при перекрытии и скученности, что позволяет получать надежные количественные поведенческие показатели. Эта возможность повышает прогностическую уверенность и поддерживает принятие взвешенных с учетом рисков решений в процессах раннего поиска и доклинических исследований.
Стратегические применения в биофармацевтических исследованиях и разработках
Ранний поиск и валидация мишени
- Позволяет проводить строгий анализ фенотипов социального поведения на релевантных моделях грызунов при различных заболеваниях.
- Обеспечивает функциональную валидацию мишеней путем количественной оценки поведенческих изменений, связанных с молекулярными воздействиями.
- Повышает прогностическую достоверность поведенческих конечных точек для сортировки портфеля препаратов.
Скрининг и разработка анализа
- Облегчает подготовку валидированных поведенческих тестов для скрининга соединений.
- Повышает воспроизводимость и стандартизацию результатов трекинга нескольких животных.
- Обеспечивает масштабируемое высокопроизводительное поведенческое фенотипирование для проведения кампаний по скринингу.
Трансляционные и доклинические исследования
- Сопоставляет поведенческие показатели с трансляционными биомаркерами, имеющими значение для нейропсихиатрических и нейроонтогенетических расстройств.
- Обеспечивает преемственность от этапа открытия до доклинической валидации за счет внедрения количественных, воспроизводимых метрик поведения.
- Снижает механистическую неопределенность при поведенном фенотипировании для обоснованного продвижения разработки с учетом рисков.
Интеграция конвейера и рабочего процесса
vmTracking интегрируется в непрерывный процесс поведенческого анализа — от раннего этапа поиска до доклинических исследований, предоставляя возможность многократного использования системы высокоточного трекинга поз в сложных социальных парадигмах.
- Открывающая биология: позволяет проверять гипотезы и уточнять пути передачи сигналов в моделях социального поведения.
- Скрининг: обеспечивает стандартизированные количественные данные отслеживания для оценки готовности анализа.
- Аналитика: предоставляет надежные измерения показателей социального взаимодействия для сравнительного анализа.
- Трансляционные исследования: способствует приведению поведенческих конечных точек у грызунов в соответствие с релевантными для человека биомаркерами.
- Корпоративное повторное использование: предлагает масштабируемое и адаптируемое решение для трекинга в различных поведенческих исследованиях.
Операционное и корпоративное воздействие
- Научная ценность: повышает достоверность прогнозов и снижает неопределенность при валидации поведенческих мишеней.
- Операционная ценность: стандартизирует рабочие процессы отслеживания нескольких животных и улучшает воспроизводимость.
- Стратегическая ценность: обеспечивает более обоснованные решения о продолжении или прекращении исследований (go/no-go) и повышает эффективность использования капитала при поведенческом фенотипировании.
- Влияние на портфель: поддерживает приоритезацию нейроактивных соединений и поведенческих моделей с учетом рисков.
Особенности реализации
- Требуется опыт в области поведенческой нейробиологии и количественного видеоанализа.
- Необходима вычислительная инфраструктура для обработки видео и управления данными.
- Требуется межкомандная стандартизация протоколов трекинга и форматов данных.
- Метод может быть адаптирован к различным моделям грызунов и экспериментальным парадигмам при соответствующей калибровке.
- Эффективность может быть ограничена качеством видео и сильными перекрытиями объектов, выходящими за рамки алгоритмического разрешения.
