使用DeepLabCut和SimBA机器学习模型对老鼠恐惧表达的综合性伦理学分析
Kanat Chanthongdee1,2, Yerko Fuentealba1, Thor Wahlestedt1
1Department of Biomedical and Clinical Sciences, Center for Social and Affective Neuroscience, Linköping University, Linköping, Sweden.
Frontiers in behavioral neuroscience
|August 16, 2024
概括
当面对威胁时,老鼠表现出各种各样的防御行为,不仅仅是结. 像DeepLabCut和SimBA这样的机器学习工具可以准确地识别这些行为,帮助恐惧研究.
科学领域:
- 神经科学是一个神经科学.
- 伦理学 伦理学 伦理学
- 行为科学 行为科学
背景情况:
- 防御性行为对生存至关重要,并使用恐惧调节范式进行研究.
- 传统的方法,如结和操作抑制,无法捕捉到防御反应的全部范围.
- 老鼠表现出一系列由威胁的直接性影响的依赖上下文的防御行为.
研究的目的:
- 系统量化由威胁线索触发的老鼠的各种防御行为.
- 评估DeepLabCut和SimBA的准确性,以便对这些行为进行自动化的行为学分析.
- 评估泽对广泛的恐惧相关行为产生焦虑缓解作用.
主要方法:
- 在老鼠中听觉恐惧调节范式.
- 使用Ethovision XT进行手动行为评分.
- 开发和验证DeepLabCut + SimBA机器学习工作流程.
- 给予不同剂量的迪亚泽巴姆来评估抗焦虑效应.
主要成果:
- 除了结外,老鼠还表现出风险评估行为 (嗅探,养,,扫描头部).
- 根据剂量,泽帕姆在两性中都减少了这些风险评估行为.
- 在DeepLabCut + SimBA工作流中,通过获得足够的训练数据来对表现良好的行为进行分类,实现了高准确度.
- 建议在培训和评估数据集之间保持一致的实验条件,以获得最佳的准确性.
结论:
- 由DeepLabCut和SimBA增强的伦理学分析提供了一种评估恐惧学习的强有力的方法.
- 这种自动化方法为解码防御行为提供了手动评分的替代方案.
- 这些发现支持进一步调查男性和女性大鼠恐惧和焦虑的神经生物学基础.
