Name: Kemirgen Sosyal Davranış Çalışmalarında Çoklu Hayvan Poz Tahmininin Doğruluğunu Artırmak için vmTrackingi Kullanma (Video) | JoVE Journal
Uploaded: 2025-11-07T14:40:00.000+00:00
Duration: 7 min 34 s
Description: Öğrenin vmTracking ile yoğun gruplarda serbest hareket eden kemirgenlerin yüksek doğruluklu poz takibini. Bu yöntem, yarı doğal ortamlarda sosyal etkileşimleri güvenilir şekilde analiz etmenizi sağlar.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

<ol><li>Smith, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Lab+mice+go+wild%3A+making+experiments+more+natural+in+order+to+decode+the+brain%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Lab mice go wild: making experiments more natural in order to decode the brain.</a> Nature. 618 (7965), 448-450 (2023).</li>
<li>Rein, B., Ma, K., Yan, Z. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+standardized+social+preference+protocol+for+measuring+social+deficits+in+mouse+models+of+autism%5BTitle%5D)+AND+%22Nat+Protoc%22%5BJournal%5D)">A standardized social preference protocol for measuring social deficits in mouse models of autism.</a> Nat Protoc. 15 (10), 3464-3477 (2020).</li>
<li>Jabarin, R., Netser, S., Wagner, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Beyond+the+three-chamber+test%3A+toward+a+multimodal+and+objective+assessment+of+social+behavior+in+rodents%5BTitle%5D)+AND+%22Mol+Autism%22%5BJournal%5D)">Beyond the three-chamber test: toward a multimodal and objective assessment of social behavior in rodents.</a> Mol Autism. 13 (1), 41(2022).</li>
<li>Lauer, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multi-animal+pose+estimation%2C+identification+and+tracking+with+DeepLabCut%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Multi-animal pose estimation, identification and tracking with DeepLabCut.</a> Nat Methods. 19 (4), 496-504 (2022).</li>
<li>Pereira, T. D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((SLEAP%3A+A+deep+learning+system+for+multi-animal+pose+tracking%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">SLEAP: A deep learning system for multi-animal pose tracking.</a> Nat Methods. 19 (4), 486-495 (2022).</li>
<li>Bordes, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automatically+annotated+motion+tracking+identifies+a+distinct+social+behavioral+profile+following+chronic+social+defeat+stress%5BTitle%5D)+AND+%22Nat+Commun%22%5BJournal%5D)">Automatically annotated motion tracking identifies a distinct social behavioral profile following chronic social defeat stress.</a> Nat Commun. 14 (1), 4319(2023).</li>
<li>Mathis, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((DeepLabCut%3A+markerless+pose+estimation+of+user-defined+body+parts+with+deep+learning%5BTitle%5D)+AND+%22Nat+Neurosci%22%5BJournal%5D)">DeepLabCut: markerless pose estimation of user-defined body parts with deep learning.</a> Nat Neurosci. 21 (9), 1281-1289 (2018).</li>
<li>Bolaños, F., LeDue, J. M., Murphy, T. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cost+effective+raspberry+pi-based+radio+frequency+identification+tagging+of+mice+suitable+for+automated+in+vivo+imaging%5BTitle%5D)+AND+%22J+Neurosci+Methods%22%5BJournal%5D)">Cost effective raspberry pi-based radio frequency identification tagging of mice suitable for automated in vivo imaging.</a> J Neurosci Methods. 276, 79-83 (2017).</li>
<li>Azechi, H., Takahashi, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((vmTracking+enables+highly+accurate+multi-animal+pose+tracking+in+crowded+environments%5BTitle%5D)+AND+%22PLOS+Biol%22%5BJournal%5D)">vmTracking enables highly accurate multi-animal pose tracking in crowded environments.</a> PLOS Biol. 23 (2), e3003002(2025).</li>
<li>DeepLabCut: documentation. , DeepLabCut Team. 
 <a target="_blank" href="https://deeplabcut.github.io/DeepLabCut/README.html">https://deeplabcut.github.io/DeepLabCut/README.html</a> (2025).</li>
<li>Azechi, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((vmTracking+figure+and+code%5BTitle%5D)+AND+%22Zenodo%22%5BJournal%5D)">vmTracking figure and code.</a> Zenodo. , (2025).</li>
<li>Pereira, T. D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fast+animal+pose+estimation+using+deep+neural+networks%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Fast animal pose estimation using deep neural networks.</a> Nat Methods. 16 (1), 117-125 (2019).</li>
<li>Romero-Ferrero, F., Bergomi, M. G., Hinz, R. C., Heras, F. J. H., de Polavieja, G. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((idtracker.ai%3A+tracking+all+individuals+in+small+or+large+collectives+of+unmarked+animals%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">idtracker.ai: tracking all individuals in small or large collectives of unmarked animals.</a> Nat Methods. 16 (2), 179-182 (2019).</li>
</ol>

<table><tbody><tr><td>Akrilik boru (şeffaf, kalınlığı 5 mm, iç çapı 31 cm)</td><td>Sugawarakougei Co., Ltd.</td><td>https://www.sugawarakougei.jp/</td><td>Hazaiya'dan (çevrimiçi akrilik malzeme perakendecisi) satın alındı</td></tr><tr><td>Akrilik plaka (beyaz, 3 mm kalınlık, 31 cm çap)</td><td>Sugawarakougei Co., Ltd.</td><td>https://www.sugawarakougei.jp/</td><td>Hazaiya'dan (çevrimiçi akrilik malzeme perakendecisi) satın alındı</td></tr><tr><td>C57BL/6J fare</td><td>Shimizu Laboratuvar Malzemeleri, Co.LTD.</td><td>Yok</td><td></td></tr><tr><td>Kamera</td><td>Basler</td><td>acA3088-57uc</td><td></td></tr><tr><td>DeepLabCut 2.2.3</td><td>Lozan'daki İsviçre Federal Teknoloji Enstitüsü'nde Mathis laboratuvarı</td><td>https://www.mackenziemathislab.org/deeplabcut</td><td></td></tr><tr><td>Pylon Kamera Yazılım Paketi (Pylon Görüntüleyici)</td><td>Basler</td><td>Yok</td><td></td></tr></tbody></table>

kemirgen sosyal davranış Çalışmalarında Çoklu hayvan poz tahmininin doğruluğunu artırmak için vmtracking'i kullanma

Utilizing vmTracking to Improve the Accuracy of Multi-Animal Pose Estimation in Rodent Social Behavior Studies

İzleme doğruluğu, manuel olarak oluşturulan bir temel gerçek (GT) ile karşılaştırılarak değerlendirildi. Yirmi 5 veya 10 saniyelik sahneler çıkarıldı ve farelerin yolları kesişmesi gibi örtüşmeleri içeren kalabalık (CR) sahneler (12 sahne; toplam 1.950 kare) veya çakışmayan kalabalık olmayan (nCR) sahneler (8 sahne; toplam 1.350 kare) olarak sınıflandırıldı. GT konumunun 10 pikseli içindeki izleme tahminleri eşleşme (Eşleşme) olarak sayıldı; ≥10 piksel uzaklıktaki tahminler yanlış pozitif (FP) olarak sayıldı; ve eksik tahminler yanlış negatif (FN) olarak sayıldı. Ayrıca, tahmin edilen kimlik hemen önceki çerçevedekinden farklıysa, bir kimlik anahtarı olarak sayıldı.
maDLC ile karşılaştırıldığında (Şekil 6), vmTracking hem CR hem de nCR sahnelerinde Eşleşmede önemli bir gelişme gösterdi (Şekil 6A, CR: p &lt; 0.001; Şekil 6E, nCR: p &lt; 0.01). Her iki sahne türünde de FN oluşmadı ve FN sayısı vmTracking ile önemli ölçüde azaldı (Şekil 6B, CR: p &lt; 0.001; Şekil 6F, nCR: p &lt; 0.05). FP (Şekil 6C ve 6G) ve ID anahtarı (Şekil 6D,H) sayımları her iki sahne türünde de değişiklik göstermedi. vmTracking ve geleneksel maDLC kullanılarak elde edilen izleme sonuçlarının yan yana karşılaştırması sunulmakta ve vmTracking'in kalabalık koşullar altında gelişmiş doğruluğu ve kararlılığı vurgulanmaktadır (Ek Video 1).
Ayrıca maDLC ve vmTracking'deki CR sahneleri için açıklama çerçevelerinin sayısı ile hem Match hem de FN arasındaki ilişkiyi inceledik (Şekil 6I). maDLC'de Match, yaklaşık 85 açıklama çerçevesiyle yaklaşık %400'te sabitlendi ve sayı arttıkça çok az gelişme oldu. Eğitim için açıklama çerçevelerinin arttırılması FN'leri azaltmadı. Buna karşılık vmTracking, daha fazla açıklama karesiyle Match'te istikrarlı bir artış gösterdi ve yaklaşık 1.000 karede yaklaşık %95'e ulaştı.
Sanal işaretleyiciler, atama modellerine göre altı kategoriye ayrıldı ve her kategorinin oranı, izleme Eşleşmesi ile ilişkisini incelemek için sanal işaretleyici doğruluğunun bir indeksi olarak kullanıldı (Şekil 6J). Doğru atanmış sanal işaretçilerin oranının daha yüksek olduğu sahneler, daha yüksek Eşleşme gösterme eğilimindeydi. Bununla birlikte, birçok yanlış atama veya birçok eksik işaretçi nedeniyle doğru işaretçilerin oranının düşük olduğu bazı sahneler hala yüksek Eşleşme sergiledi (örneğin, CR sahne 3 ve 11).
<img alt="Şekil 1" class="xfigimg" src="/files/ftp_upload/69506/69506fig1.jpg" data-altupdatedat="1783400419000" data-alt="Figure 1"> 
Şekil 1: vmTracking iş akışına genel bakış. (A) vmTracking iş akışının şematik diyagramı. İlk olarak, işaretsiz videoda (I) maDLC gerçekleştirin. Elde edilen maDLC izleme verilerine bağlı olarak, her bireyin video boyunca tutarlı bir kimliği koruması için çıktıyı düzeltin ve yalnızca seçilen bir anahtar nokta alt kümesini (II) görüntüleyen etiketli bir video oluşturun. Bu videodaki etiketleri sanal işaretçiler olarak kullanarak, sanal işaretçi videosunu saDLC (III) ile izleyin. (B) İki vmTracking örneği, sürecin her aşamasından anlık görüntüler olarak gösterilir. En soldaki resim tam görünümü gösterir ve sağdaki resimler sarı kutularla çevrili alanların büyütülmüş görünümleridir. Resimlerin sağ alt köşelerindeki turuncu çubuklar ölçekleri gösterir: "İşaretsiz (Genel Bakış)" resmi için 5 cm ve diğerleri için 1 cm. <a href="https://www.jove.com/files/ftp_upload/69506/69506fig1large.jpg" target="_blank">Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.</a>
<img alt="Şekil 2" class="xfigimg" src="/files/ftp_upload/69506/69506fig2.jpg" data-altupdatedat="1783400419000" data-alt="Figure 2"> 
Şekil 2: maDLC kullanan işaretsiz çoklu hayvan izleme iş akışı. Bu rakam Protokol adım 2.1 ile ilgilidir. (A) Paneller Şekil 1B'den uyarlanmıştır ve Şekil 1A'da gösterilen Süreç I'i (işaretsiz çoklu hayvan takibi) göstermektedir. Anlaşılır olması için, her hayvan kesikli bir çizgi ile özetlenmiştir. Her görüntünün sağ alt köşesindeki turuncu çubuk, 1 cm'lik bir ölçek çubuğunu gösterir. (B-D) maDLC yürütmesi sırasında etiketleme için kullanılan çerçevelerin anlık görüntüleri. Her görüntünün sağ alt köşesindeki turuncu çubuk, 5 cm'lik bir ölçek çubuğunu gösterir. (B) Etiketler uygulanmadan önceki örnek çerçeve. (C) Etiketlemeden sonra B'deki ile aynı çerçeve. (D) Başka bir etiketli çerçeve örneği. C ve D çerçeveleri arasındaki bireylerin kimliği bilinmemektedir, ancak etiketleme yapılırken bireysel kimliğin dikkate alınmasına gerek yoktur. Anlık görüntülerde gösterildiği gibi, her hayvanın duruşunu doğru bir şekilde etiketlemek yeterlidir. <a href="https://www.jove.com/files/ftp_upload/69506/69506fig2large.jpg" target="_blank">Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.</a>
<img alt="Şekil 3" class="xfigimg" src="/files/ftp_upload/69506/69506fig3.jpg" data-altupdatedat="1783400419000" data-alt="Figure 3"> 
Şekil 3: maDLC sonuçlarına göre sanal işaretçi videosu oluşturmaya yönelik iş akışı. Bu rakam Protokol adım 2.2 ile ilgilidir. (A) Paneller Şekil 1B'den uyarlanmıştır ve Şekil 1A'da gösterilen Süreç II'yi (sanal işaretleyici oluşturma) göstermektedir. Anlaşılır olması için, her hayvan kesikli bir çizgi ile özetlenmiştir. Beyaz oklar, sanal işaretçiler olarak kullanılan anahtar noktaları gösterir (her kimlik için 2. ve 4. anahtar noktalar). Bu örnekte, sanal işaretçiler gri tonlamalı olarak yayınlanır: mor, yeşil ve kırmızı maDLC etiketleri sırasıyla siyah, gri ve beyaz olarak görünür. Örnek 1'de, maDLC sonuçları düzeltme yapılmadan doğrudan sanal belirteçler olarak çıktılandı. Örnek 2'de, ardışık karelerdeki bir kimlik anahtarı nedeniyle mor ve kırmızı kimlikler çıktıdan önce değiştirildi ve düzeltildi. maDLC sonucunda düzeltilmesi gereken yeşil bir nokta gözden kaçırıldı ve değişiklik yapılmadan çıktı alındı. Her görüntünün sağ alt köşesindeki turuncu çubuk, 1 cm'lik bir ölçek çubuğunu gösterir. (B) Yalnızca belirli anahtar noktaları korumak ve diğerlerini NaN11 ile değiştirmek için h5 koordinat veri dosyalarını düzenlemek için Python tabanlı GUI. (Ba) Program başlatıldığında ilk menü penceresi. H5 dosyasını seç butonu ile düzenlenecek dosyayı seçin. (bb) h5 dosyasını seçtikten sonra pencere. NaN ile değiştirilecek anahtar noktaları kontrol edin (ayrı ad-gövde parçası adı olarak görüntülenir) ve NaN değişimi için başlangıç-bitiş zamanlarını (kare hızıyla) veya kare numaralarını belirtin. İşlem Verileri'ne tıklamak, düzenlenen dosyayı aynı klasöre kaydeder ve orijinalin bir yedeğini oluşturur. (C) Bir kimlik değişikliğinin meydana geldiği bir sahneden ardışık kareler. (D) B'deki tüm izleme noktalarının düzeltilmesine örnek. (E) Yalnızca 2. ve 4. anahtar noktaların korunduğu B'den elde edilen sonucu gösteren anlık görüntü. (F) E'deki sonucu düzeltme örneği. Tüm anahtar noktaların (C → D) düzeltilmesiyle karşılaştırıldığında, düzeltmeyi iki noktayla (C → E → F) sınırlamak gerekli düzenleme sayısını azaltır. Her C-F görüntüsünün sağ alt köşesindeki turuncu çubuk, 5 cm'lik bir ölçek çubuğunu gösterir. <a href="https://www.jove.com/files/ftp_upload/69506/69506fig3large.jpg" target="_blank">Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.</a>
<img alt="Şekil 4" class="xfigimg" src="/files/ftp_upload/69506/69506fig4.jpg" data-altupdatedat="1783400419000" data-alt="Figure 4"> 
Şekil 4: Sanal işaretçi videosunu izlemek için iş akışı. Bu rakam Protokol adım 3 ile ilgilidir. (A) Paneller Şekil 1B'den uyarlanmıştır ve Şekil 1A'da gösterilen Süreç III'ü (sanal işaretleyici videosunun izlenmesi) göstermektedir. İzleme hedefinin netliği için her birey noktalı bir taslak içine alınmıştır. Bu örnekte, siyah, gri ve beyaz sanal işaretçilere sahip kişiler sırasıyla mor, yeşil ve kırmızı etiketler olarak izlenir. Örnek 1'de gri sanal işaretçi yoktur, ancak vmTracking doğru kimlik izlemeyi sürdürür. Örnek 2'de, gri işaret iki kişide görünür, ancak izleme doğru kalır. Her görüntünün sağ alt köşesindeki turuncu çubuk, 1 cm'lik bir ölçek çubuğunu gösterir. (B-D) vmTracking sırasında etiketleme için kullanılan çerçevelerden anlık görüntüler. Bu adımda, her bir anahtar noktanın hem bireysel hem de vücut parçası bilgilerini içerecek şekilde tanımlandığı saDLC kullanılır. Etiketleme, hangi bireyin hangi vücut bölümünün temsil edildiğini belirtir. Her görüntünün sağ alt köşesindeki turuncu çubuk, 5 cm'lik bir ölçek çubuğunu gösterir. (B) Etiketlemeden önce bir çerçevenin anlık görüntüsü. (C) Etiketlemeden sonra B'deki çerçevenin anlık görüntüsü. (D) Etiketlemeden sonra C'den farklı bir karenin anlık görüntüsü. Farklı çerçevelerde bile (örneğin, C ve D), etiketleme, tutarlı etiket renkleriyle gösterildiği gibi, sanal işaretçiyi bir ipucu olarak kullanarak bireysel kimliği korur. <a href="https://www.jove.com/files/ftp_upload/69506/69506fig4large.jpg" target="_blank">Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.</a>
<img alt="Şekil 5" class="xfigimg" src="/files/ftp_upload/69506/69506fig5.jpg" data-altupdatedat="1783400419000" data-alt="Figure 5"> 
Şekil 5: Sanal işaretçiler olmadan bir izleme videosu oluşturmak için izleme sonuçlarını işaretsiz bir videoyla birleştirmeye yönelik iş akışı. Bu, Adım 3.8.2'deki NOT ile ilgili isteğe bağlı bir adımdır. (A) İzleme sonuçları sanal işaretçi videosuna uygulandığında, sonuçta elde edilen izleme videosu sanal işaretçileri (vmTrackingvm+) korur. Sarı oklar, çıktıda görünen sanal işaretçileri gösterir. İzleme sonuçlarının özgün işaretsiz videoya uygulanması, bunun yerine sunum veya diğer amaçlar için uygun olan sanal işaretçiler (vmTrackingvm-) olmayan bir izleme videosu oluşturur. Her görüntünün sağ alt köşesindeki turuncu çubuk, 1 cm'lik bir ölçek çubuğunu gösterir. (M.Ö.) İşaretsiz bir videoya vmTracking sonuçları uygulanırken proje dizininin "videolar" klasöründeki dosya yönetimi. Turuncu kutu, klasör içeriğini şematik olarak gösterir. (B) İzleme sonuçlarını sanal işaretçi videosuna aktararak bir vmTracking izleme videosu oluşturduktan sonra "videolar" klasörü (şematik olarak '4. Sanal işaretleyici videodaki etiketler'). (C) vmTracking sonuçlarının işaretsiz videoya çıktısını almak için "videolar" klasörünün hazırlanması. '1'i taşıyın veya yeniden adlandırın. Sanal işaretleyici videosu' ve '4. Sanal işaretçi video dosyalarındaki etiketler panel B'den çıkarılır, böylece klasörden çıkarılırlar. Sorun dosyaların kendileri değil, orijinal dosya adlarının işlemeyi engellemesidir. Ardından, '5'i yerleştirin. İşaretsiz video' klasöründe, orijinal sanal işaretçi video dosya adıyla (örneğin, VMvideo.MP4) eşleşecek şekilde yeniden adlandırın. Bu durumda, Video oluştur'u yeniden çalıştırmak, sonuçların işaretçisiz videoya uygulandığı bir izleme videosu oluşturur ('6. İşaretsiz videodaki etiketler'). Bu figür, Azechi &amp; Takahashi, 2025, PLOS Biology (CC BY 4.0)7'den değiştirilmiştir. <a href="https://www.jove.com/files/ftp_upload/69506/69506fig5large.jpg" target="_blank">Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.</a>
<img alt="Şekil 6" class="xfigimg" src="/files/ftp_upload/69506/69506fig6.jpg" data-altupdatedat="1783400419000" data-alt="Figure 6"> 
Şekil 6: vmTracking ile izleme doğruluğunun değerlendirilmesi. (A-H) Eşleşme oranları için maDLC ve vmTracking arasında karşılaştırma. 12 kalabalık (CR) sahnede (A), yanlış negatifler (B), yanlış pozitifler (C) ve kimlik anahtarları (D) ve kalabalık olmayan 8 sahnede Eşleşmeler (E), yanlış negatifler (F), yanlış pozitifler (G) ve Kimlik anahtarları (H). Grafikler, her sahne için ölçülen değerleri temsil eder ve çubuklar, bunlardan hesaplanan ortalama değerleri temsil eder. İstatistiksel karşılaştırmalar Wilcoxon işaretli sıra testi kullanılarak yapıldı. (I) CR'deki açıklamalı çerçevelerin sayısı ile Eşleşmelerin ve yanlış negatiflerin oranları arasındaki ilişki. Sağdaki yeşil kutu, sol paneldeki yeşil noktalı çizgilerle çevrelenen alanın büyütülmüş bir görünümünü gösterir. Grafikler ortalama değerleri temsil eder. (J) CR ve nCR sahnelerinde sanal işaretleyici doğruluğu ile izleme Eşleşmeleri arasındaki ilişki. Sanal işaretleyici doğruluğu, her bir işaretleyici çifti için altı türe ayrıldı: her iki nokta da doğru kişiye doğru şekilde atandı, biri doğru ve biri eksik, biri doğru ve biri yanlış, ikisi de yanlış, biri yanlış ve biri eksik ve her ikisi de eksik. Her sahne için, bu kategorilerin oranları yığılmış çubuklar olarak gösterilir ve o sahne için karşılık gelen izleme Eşleşmesi her çubuğun üzerinde gösterilir. Sahneler, CR ve nCR sahneleri için ayrı ayrı soldan sağa Match izleme sırasına göre düzenlenir. CR sahneleri: n = 12; nCR sahneleri: n = 8. p &lt; 0.001, **p &lt; 0.01, *p &lt; 0.05. Bu rakam Azechi ve Takahashi'den (2025)9 değiştirilmiştir. <a href="https://www.jove.com/files/ftp_upload/69506/69506fig6large.jpg" target="_blank">Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.</a>
Ek Şekil 1: Çok hayvanlı DeepLabCut'taki ana pencerenin anlık görüntüsü, her işlem sekmesinin konumunu gösterir. Anlık görüntüler, vmTracking yordamının her adımında kullanılan sekmeleri oklarla gösterir. Görüntüler DeepLabCut GUI'den (sürüm 2.2.3) alınmıştır. <a href="https://www.jove.com/files/ftp_upload/69506/Supplementary%20Figure%201.tiff" target="_blank">Bu rakamı indirmek için lütfen buraya tıklayın.</a>
Ek Şekil 2: Tek hayvanlı DeepLabCut'taki ana pencerenin anlık görüntüsü, her işlem sekmesinin konumunu gösterir. Anlık görüntüler, vmTracking yordamının her adımında kullanılan sekmeleri oklarla gösterir. Görüntüler DeepLabCut GUI'den (sürüm 2.2.3) alınmıştır. <a href="https://www.jove.com/files/ftp_upload/69506/Supplementary%20Figure%202.tiff" target="_blank">Bu rakamı indirmek için lütfen buraya tıklayın.</a>
Ek Video 1: Üç farenin izlenmesinde çok hayvanlı DeepLabCut ve vmTracking'in karşılaştırılması. Bu karşılaştırmalı video, üç farenin takibi sırasında çok hayvanlı DeepLabCut (maDLC; solda) ve vmTracking'in (sağda) performansını göstermektedir. vmTracking videosu, izleme sonuçlarını sanal işaretçiler olmadan sunmak için Adım 3.8.2 NOT'ta açıklanan prosedür izlenerek sanal işaretçi videosu orijinal işaretsiz video ile değiştirilerek oluşturulmuştur. Her izleme yöntemi için, karşılaştırmayı kolaylaştırmak için aynı renk ailesinin renk etiketleri kullanılarak bireysel kimlikler gösterilir. Video boyunca vmTracking, maDLC ile karşılaştırıldığında farklı kişilere ait vücut parçalarının tespit edildiği daha az örnek gösteriyor. Özellikle, 15-17 saniye civarında, maDLC yeşil etiketli ve kırmızı etiketli bireyleri yanlış tanımlar ve bu da atanmış kimliklerinin değişmesine neden olur. <a href="https://www.jove.com/files/ftp_upload/69506/Supplementary%20Video%201.mp4" target="_blank">Bu dosyayı indirmek için lütfen buraya tıklayın.</a>

Kemirgen Sosyal Davranış Çalışmalarında Çoklu Hayvan Poz Tahmininin Doğruluğunu Artırmak için vmTracking'i Kullanma

In social behavior research using rodents, there is a growing demand for evaluating more natural interactive behaviors under freely moving conditions. ...

Doğru çok hayvanlı takip yöntemleri geliştirerek serbestçe hareket eden farelerde sosyal etkileşimleri anlamayı hedefliyoruz. Çok hayvanlı koşullarda güvenilir birey tanımlama ile doğru poz takibini sağlamak hâlâ zordur. Başlamak için, işaretsiz video takibi için Projeyi Yönet'i seçerek yeni bir çok hayvanlı proje oluşturun.Yapılandırmadaki bireyler ve vücut parçaları alanlarını değiştirin. YAML dosyasını analiz gereksinimlerine göre sunar. Videodan etiketleme ve eğitim için kareleri çıkarmak için Extract Frames seçeneğini seçin.Sonra, çıkarılan her kareyi Etiket Verisi seçerek etiketleyin. Her görünür bireye uygun vücut parçalarını atamak, kareler arasında tutarlı kimlikler tutmadan zorunlu olarak belirlenir. Çıkarılan çerçevelerden bir eğitim veri seti oluşturmak için Eğitim Veri Seti oluştur seçeneğini seçin.Konfigürasyonda ağı DLCRNet_ms5 olarak ayarlayın. Ağı eğitmeye başlamak için Train seçeneğini seçin. Bu eğitim oturumu için maksimum yineleme parametresini 200.000 olarak ayarlayın.Diğer tüm eğitim parametreleri varsayılan değerlerinde kalabilir. Eğitilmiş ağı Değerlendir seçeneğini seçerek değerlendirin. Seçilen videolarda poz tahminini çalıştırmak için, proje klasöründeki videolar klasöründe HDF5 Koordinat Verisi ve diğer çıktı dosyalarını Analiz Et'i seçin.İzleme sonuçlarının manuel doğrulanması için, Video Oluştur seçeneğini seçerek etiketlenmiş bir takip videosu oluşturun. DLC arayüzünde hayvan kimliği ile video oluşturma seçeneğini etkinleştirerek videoya bireysel kimlikleri ekleyin. Sonra oluşturulan etiketli videoları kontrol ederek kimlik anahtarları veya eksik tahminler olup olmadığını kontrol edin.Büyük hatalar varsa, yeniden eğitime hazırlanın. Outlier frame'leri yeniden eğitmek, çıkarmak ve notlar eklemek için. Outlier'ları Çıkar veya Ince Et.Açıklama tamamlandıktan sonra, veri setini otomatik olarak eğitim seti oluşturmaya geçmek için Veri Set'i Birleştir'e tıklayın. Ve sonra eğitim sürecini tekrarlayın. Çok hayvanlı DLC sonuçlarını düzeltmek için özel arayüzünü açın ve sadece sanal işaretleyiciler için gerekli anahtar noktaları saklayın.Yalnızca seçilen anahtar noktaları içeren HDF5 dosyasını düzeltmek için Refine Tracklets seçeneğini seçin. Herkesin videoda tutarlı bir kimlik koruması için anahtar noktaları ayarlayın. Dosyayı kaydederseniz, videolar klasöründeki HDF5 dosyası otomatik olarak güncellenir.Sonra, düzeltilmiş verilerden yeni etiketlenmiş bir video oluşturun ve Video Oluştur'u seçin. DeepLabCut 2.2'de, videolar klasöründe etiketlenmiş bir video zaten varsa, yeni bir video oluşturulmaz. Devam etmeden önce mevcut dosyayı kaldırın, yeniden adlandırın veya taşıyın.Etiketlenmiş sanal işaretleyici videonun adını kısa bir dosya adı olarak değiştirin, böylece DeepLabCut işlemleri sırasında hatalar yapılmasın diye yazabilirsiniz. Sanal işaretleyici videosunu takip etmek için Manage Project seçeneğini seçerek yeni bir saDLC projesi oluşturun. Yapılandırmada.YAML dosyası, vücut parçaları alanındaki tüm bireyler ve vücut parçalarının kombinasyonlarını listeleyin. Yeniden adlandırılan sanal işaretleyici videodan kareleri çıkarmak için Extract Frames seçeneğini seçin. Şimdi çıkarılmış her kareyi etiket verilerinde etiket verilerinde sanal işaretleyicilerle etiketleyin; tutarlı bireysel kimlikler atanabilir ve hem kimliklerin hem de vücut parçalarının kareler arasında eşleşmesini sağlar.Bir vücut parçası kısmen gizlenmişse ancak bireyin kimliği biliniyorsa, konumunu tahmin edin ve etiketi buna göre uygulayın. Çıkarılan çerçevelerden bir eğitim veri seti oluşturun ve Eğitim Veri Seti Oluştur seçeneğini seçin. Bu eğitim oturumu için ağı verimli net B0 seviyesine ayarlayın.Ağı eğitmeye başlayarak Train seçin. Bu oturum için maksimum yineleme parametresini 200.000 olarak ayarlayın, diğer tüm ayarlar varsayılan değerlerinde kalabilir. Eğitilmiş ağı değerlendirdikten sonra, daha önce gösterildiği gibi manuel doğrulama yapın.Kalabalık sahnelerde, VM takibi maDLC'den çok daha yüksek eşleşme yüzdesi elde etti. VM takibi ile yanlış negatif sayısı, maDLC'ye göre çok daha azdı. Ancak, VM takibi ile maDLC arasında yanlış pozitif ve ID switch sayısında bir fark yoktu.Kalabalık olmayan sahnelerde, VM takibi maDLC'ye göre çok daha yüksek eşleşme yüzdesi elde etti. VM takibi ile yanlış negatif sayısı, maDLC'ye göre çok daha azdı. VM takibi ile maDLC arasında yanlış pozitif ve ID anahtarlama sayılarında hiçbir fark yoktu.Kalabalık sahnelerde, maDLC'deki eşleşme yüzdesi yaklaşık %85'te durdu; yaklaşık 400 açıklamalı çerçeve sonrası ve daha fazla gelişme olmadı. VM takibi ise yaklaşık 1.000 kare civarında %95'e kadar istikrarlı bir artış gösterdi. maDLC'de, annotasyonlu çerçeve sayısının artırılması yanlış negatif sayısını azaltmazdı.Doğru atanan sanal işaretleyicilerin daha yüksek oranına sahip sahneler genellikle daha yüksek eşleşme yüzdeleri gösterirdi. Ancak, 3 ve 11 gibi bazı sahneler, birçok yanlış atama veya eksik işarete rağmen yüksek eşleşme yüzdeleri gösterdi. Protokolümüz, çoklu hayvan poz takibinde güvenilir kimlik koruma eksikliğini ele almaktadır.Sanal işaretleyicileri mevcut araçlarla birleştirerek poz takip doğruluğunu artırır. Gelecekteki araştırmalarımız, grup dinamiklerinin farelerde sosyal davranışları nasıl şekillendirdiğini ele almak için bu verileri kullanacak.

utilizing-vmtracking-to-improve-accuracy-multi-animal-pose-estimation

Research

JoVE Journal

Behavior

Davranış

Burada tek tek hayvan uzun bir süre boyunca izlemek için bir iletişim kuralı mevcut. Vaka çalışması, aynı anda nasıl evine, bilgi veren bir grup ıstakoz kullanarak el ile oluşturulmuş etiketleri kümesini tanımlamak için yöntemleri işlemek ve ıstakoz işaretlemek bilgisayarlı görme kullanır.

Cohoused suda yaşayan hayvanların uzun süreli Video izleme: Norveç ıstakoz (Nephrops norvegicus) ve günlük Lokomotor aktivite bir vaka çalışması

Burada, davranışları ve hayati bir mechanosensory sistem boyama yöntemleri için yüksek üretilen iş çalışma Meksika cavefish bir dizi mevcut. Bu yöntemler davranışları çalışmaları için pratik ve düşük maliyetli bir yöntem sağlayan ücretsiz yazılım ve özel komut dosyalarını kullanın.

Davranışsal izleme ve Meksika Cavefish Neuromast görüntüleme

Burada sunulan bir protokol toplamak ve preklinik çalışmalar için kemirgenler dört ayaklı lokomotif üç boyutlu kinematik analiz etmektir.

Kemirgenler preklinik çalışmalar için 3D Kinematic yürüyüş analizi

Burada açıklanan üç oda testi için bir alternatif sunan ve aynı zamanda çeşitli uyarılar çözer yeni bir otomatik deneysel sistemdir. Bu sistem, sosyal tercih ve sosyal yenilik tercihi testleri sırasında küçük kemirgen davranış dinamiklerinin titizlikle analizini sağlayan birden fazla davranışsal parametre sağlar.

Küçük Kemirgenlerde Sosyal Tercih Davranışının Dinamiklerini İzleme Sistemi

Nöropsikiyatrik bozuklukların patogenezinde yakın zamanda keşfedilen hastalıkla ilişkili genlerin rolü belirsizliğini korumaktadır. Modifiye edilmiş bir in utero elektroporasyon tekniği, büyük nöron popülasyonlarında gen transferine ve gen ekspresyon değişikliklerinin sosyal davranış üzerindeki nedensel etkilerinin incelenmesine izin verir.

Kemirgen Davranışı Üzerindeki Genetik Etkileri Sorgulamak için İkili İn Utero Elektroporasyonunu Kullanan Bir Boru Hattı

Bu protokol, küçük ve çok yönlü bir video kameranın nasıl inşa edilebildiğini ve bir hayvanın operant klima odalarındaki konumunu izlemek için sinir ağı eğitmek için ondan elde edilen videoların nasıl kullanılacağını açıklar. Bu, operant koşullandırma testlerinden elde edilen veri günlüklerinin standart analizlerinin değerli bir tamamlayıcısıdır.

Çok Yönlü Ev Yapımı Video Kamera ve DeepLabCut kullanarak Operant Klima Odalarında Rats Izleme

Bu protokol, beyin kodlamasını doğal bağlamlarda anlamak için gelişmiş hesaplamalı nöroetolojik yöntemlere dayanan entegre bir çerçeve sunar.

Nöroetolojik Yerleştirmeden Doğal Davranışın Kodunu Çözmek

Bu protokol, derin öğrenme odaklı çok eklemli yörünge otomatik etiketleme ile işaretçisiz koşu bandı testi kullanarak sıçan arka ayağı kinematik değerlendirme boru hattı oluşturur; bu da tekrarlanabilir hareket niceliğini sağlar.

Sıçanlarda arka uzuv lokomotor kinematiklerinin nesnel nicelendirilmesi için derin öğrenme tabanlı çok eklemli senkron izleme

Gıda kısıtlı sıçanlarda arayan ilacın sağlam bir yükselişin bir gösteri sağlayan bir prosedür açıklanmıştır. Eroin öz-yönetim eğitimi takiben, fareler hafif kısıtlı yiyecek vardır sırasında, bir ilaç içermeyen bir ortamda, bir yoksunluk dönemi geçmesi. İlaç arayan sonra ilaç ile ilişkili olarak test edilir.

Eroin kanaatkâr Sıçanlarda Aradığınız üzerinde uzun süreli Gıda Kısıtlanması Etkisi Eğitim Bir Prosedürü

Bir prosedür, sıçanlarda alkol arama davranışının yenilenmesi açıklanan tetiklemek için, bir alkol ilişkili çevre koşullarından kapasitesini incelemek.

Usulü Sıçanlar Pavlovyan klimalı Alkol arayan Davranış Bağlam kaynaklı Yenileme İnceleyecek

Öğrenin vmTracking ile yoğun gruplarda serbest hareket eden kemirgenlerin yüksek doğruluklu poz takibini. Bu yöntem, yarı doğal ortamlarda sosyal etkileşimleri güvenilir şekilde analiz etmenizi sağlar.

Kemirgen Sosyal Davranış Çalışmalarında Çoklu Hayvan Poz Tahmininin Doğruluğunu Artırmak için vmTracking'i Kullanma

Daha fazla video keşfet