使用DeepLabCut对6型小鼠脊髓小脑动脉动脉的表型分析
Dennis Piotrowski1, Erik K H Clemensson2, Huu Phuc Nguyen2
1Behavioral Neuroscience, Faculty for Biology and Biotechnology, Ruhr-University Bochum, ND7/32, Universitätsstr. 150, 44780, Bochum, Germany.
Scientific reports
|April 12, 2024
概括
这项研究使用开源软件DeepLabCut (DLC) 和R来分析6型脊髓小脑动脉缩症小鼠模型中的运动行为. 结果显示出明显的动力障碍异常,证明了这些工具对于详细的运动缺陷表征的有用性.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 计算生物学 计算生物学
背景情况:
- 脊髓小脑动症6型 (SCA6) 是一种影响运动控制的神经退行性疾病.
- 准确量化运动缺陷对于了解疾病进展和评估治疗方法至关重要.
- 传统的运动行为分析方法可能是劳动密集型和主观的.
研究的目的:
- 证明开源软件用于自动化运动行为分析的有效性.
- 通过使用无标记物姿势估计,对两种6型脊髓小脑动性的小鼠模型进行运动缺陷的特征化.
- 建立一个定量方法来评估步态异常和身体姿势.
主要方法:
- 使用DeepLabCut (DLC) 在beamwalk测试期间对小鼠模型进行无标记姿势估计.
- 开发了定制的R脚本用于数据分析,包括后腿滑落分类和身体部位位置跟踪.
- 量化小/大后爪滑落,鼻子,腹部和尾巴相对于梁的位置,以及尾巴的角度.
主要成果:
- 与手动评分相比,定制的光束行走分析脚本 (BAS) 在分类后腿滑动方面取得了83%的准确性.
- 这两种SCA6小鼠模型都在18个月大时表现出左侧主要后滑落和下腹/尾部位置的增加.
- 鼠标的SCA684Q线显示出更严重的动力衰竭,与CT-longQ27PC线相比,身体的整体位置较低.
结论:
- 像DLC和R这样的开源软件为运动行为分析提供了一个强大的,可定制的平台.
- 自动化分析准确地识别和量化SCA6小鼠模型中明显的运动缺陷.
- 这种方法提高了表征神经系统疾病和评估治疗干预的能力.
