Zebrabalıkta (Danio rerio) 3 odalı açık tankta serbest yüzme görevi kullanılarak sosyal tercihi incelemek için düşük maliyetli alternatif
7 Ağustos 2026
Çok odalı sosyal tercih görevleri, kemirgenlerden zebra balıklarına uyarlanmış ve model organizmalarda sosyal davranışın incelenmesini kolaylaştırmıştır. Bu protokol, web kameraları ve açık kaynak yazılımları kullanarak zebrafishin sosyal tercihlerini ölçmek için düşük maliyetli 3 odalı açık tank görevini doğrularak lisans araştırma ve öğretimine erişilebilir hale getirir.
Bu protokol, zebrafishlerde sosyal tercihi inceleyen, düşük maliyetli ve açık kaynaklı, 3 bölmeli açık tank serbest yüzme görevini doğrulamaktadır. Bu protokol çeşitli türlerle kullanılabilir ve lisans öğrencisi araştırmacıların minimum kaynakla sosyal tercihi incelemelerine olanak tanır. Başlamak için, merkezi bir deney bölmesi ve iki yanda uyaran bölmeleri bulunan açık tank düzeneğini hazırlayın.
Arka aydınlatma sistemini kurun. Görsel izolasyonu ve video kontrastını optimize etmek için opak bölücüler ve polarize filtreler kullanın. Kamera destek çerçevesini kullanarak kameraları odacıkların önüne monte edin ve hizalayın.
Deneye başlamadan önce karartma perdelerini kapatın ve sabit tutma koşullarını sağlayın. Open Broadcaster Software'i indirin ve Windows işletim sistemli bir yerel bilgisayara kurun. Yazılımı başlattıktan sonra, ayarları belirli kayıt ihtiyaçlarına, donanım kaynaklarına ve ağ koşullarına göre optimize etmek için otomatik yapılandırma sihirbazını çalıştırın.
Kamera konfigürasyonundan önce temel ayarları doğrulayın. Temel tuval çözünürlüğünü ekran çözünürlüğüyle eşleşecek şekilde ayarlayın ve uygun çıktı ölçeklendirme çözünürlüğünü belirleyin. Ardından, sahneler kutusuna sağ tıklayıp Sahne Ekle'yi seçerek bir sahne oluşturun.
Sahneye bir ad atayın ve bu adı yayın düzenini tanımlamak için kullanın. Yeni bir kaynak ekleyin ve bir web kamerası eklemek için Video Yakalama Cihazı'nı seçin. Her kameraya Kamera Merkez gibi farklı bir ad atayın ve aynı işlemi ek kamera için tekrarlayın.
Önizleme penceresindeki kaynakları konumlandırın ve yeniden boyutlandırın. Kameranın kaynaklar listesinde yer aldığından emin olun. Kontrol artı D tuşlarına basarak kamera görüntüsünü tuvalin merkezine getirin. Kontrol artı F tuşlarına basarak ekrana sığdırın veya kontrol artı S tuşlarına basarak ekranı genişletin. Alt tuşuna basılı tutarken sınırlayıcı kutuyu sürükleyerek kaynağı kırpın.
Ardından, seçili kameraya çift tıklayın ve Video Yapılandır (Configure Video) seçeneğine tıklayın. Özellikler menüsünden videonun parlaklık ve kontrast ayarlarını yapın. Balıkları yerleştirmeden önce, üç hazneyi de konaklama tanklarındaki suyla doldurun ve su sıcaklığını ayarlayın.
Alıştırma süresi boyunca bölmeler arasındaki opak bariyerlerin yerinde olduğundan emin olun. Bir adet yetişkin Danio rerio'yu merkezi bölmeye aktarın ve en az bir saat boyunca alışmasına izin verin. Yapay sosyal uyaranları yan taraftaki sol uyaran bölmesine yerleştirin.
Ardından, benzer boyut, yaş ve aşinalığa sahip iki erkek ve iki dişiden oluşan dört balıktan meydana gelen küçük bir sürüyü sağdaki stimülasyon haznesine aktarın. Alıştırma süreci boyunca, canlı hayvan içeren tüm haznelere 26 °C'ye ayarlanmış bir daldırma ısıtıcı, akvaryum hava pompasına bağlı bir hava taşı ve sabit tutma koşullarını korumak için bir tank kapağı sağlayın. Deneysel oturumu başlatmadan önce ısıtıcıları ve hava taşlarını çıkarın.
Ortadaki tankı gören tek kamerayı başlatın. Yazılımı çalıştırın ve video köşelerini tıklayıp sürükleyerek merkezi kamera görüntüsünü ekranı dolduracak şekilde yeniden boyutlandırın. Ardından, kontroller altından Kaydı Başlat seçeneğini seçin.
Opak bariyerleri derhal kaldırın. 10 dakika sonra, kontroller altındaki Kaydı Durdur seçeneğini belirleyerek oturumu sonlandırın. Kaydedilen oturumlara, sol üst menüdeki Dosya seçeneğini belirleyip açılır menüden Kayıtları Göster'i seçerek erişin.
DeepLabCut gibi bir hareket analiz yazılım uygulamasına dört veya beş video yükleyin ve her videodan 20 ila 30 kare çıkarın. Baş, kuyruk ve gövde gibi en az üç temel takip noktası tanımlayın. Ağı, bu noktaları kareler boyunca takip edecek şekilde eğitin.
Modeli eğitmek için ResNet-101 tabanlı bir sinir ağı kullanın. Eğitimi tamamlamak için gerekli iterasyon sayısını belirleyin. Ardından, tam eğitilmiş DeepLabCut modelini kalan deneysel videolara uygulayın ve kullanıcı kılavuzunu takip ederek her bir deneme için konum verilerini çıkarın.
Ardından, tercihi nicelleştirmek için eşit genişlikteki üç dikey arena bölgesi boyunca gerçekleşen hareketi tanımlamak ve analiz etmek için Python gibi bir kodlama yazılımı kullanın. İzleme gürültüsünü azaltmak için, belirlenen bölge içindeki en az iki vücut noktasını kullanarak her bölgede geçirilen süreyi ölçün. Bölgedeki toplam kare sayısını, toplam kare sayısına bölerek her bölgedeki toplam süreyi hesaplayın.
Donma gibi hareketsiz geçirilen süreyi tanımlamak ve ölçmek için aynı kodlama yazılımını kullanın. Hareket eşiğini, minimum 15 ardışık kare sayısı ile kare başına 2 ila 5 piksel olarak tanımlayın. Son olarak, istatistiksel analiz ve görselleştirme için ölçümleri derleyin ve dışa aktarın.
Denekler, canlı sürünün bulunduğu sağ bölgede, orta bölgeye veya yapay hareketli uyarana en yakın olan sol bölgeye kıyasla anlamlı derecede daha fazla seans süresi geçirmişlerdir. Orta bölge ile sol bölge arasında geçirilen süre bakımından istatistiksel olarak anlamlı bir fark saptanmamıştır. Denekler, orta bölgede hareketsiz olarak geçirdikleri seans süresinin, canlı sürüye en yakın olan sağ bölgeye veya hareketli uyarana en yakın olan sol bölgeye kıyasla anlamlı derecede daha düşük olduğunu göstermişlerdir.
Bu protokol, araştırmacılar tarafından bir zebra balığının iki farklı sosyal stimülüse görsel olarak yönelme eğilimini incelemek ve hangi stimülüsün tercih edildiğini belirlemek için kullanılabilir. Araştırmacılar farklı türler veya stimülüs konfigürasyonları kullanabildikleri gibi, ani hızlanma veya düzensiz yüzme gibi diğer tepkileri de inceleyebilirler. Sistem, sosyal işlevselliğe yönelik translasyonel modelleri çalışmak için bir platform sunar ve farmakolojik ile çevresel manipülasyonların araştırılmasına olanak tanır.
Tam transkripti görüntüleyin ve binlerce bilimsel videoya erişin
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
