机器学习使得高吞吐量,低复制查新型抗发作标和化合物使用联合运动和光在斑马鱼幼虫的光

科学领域:

• 神经科学和药理学 神经科学和药理学
• 斑马鱼作为神经系统疾病的模型生物.
• 高通量选试验高通量选试验

背景情况:

• 开发有效的抗发作药物 (ASM) 被当前动物模型的局限性所阻碍.
• 现有的斑马鱼查试验缺乏灵敏度或吞吐量,限制了它们的实用性.
• 需要一种更有效,更准确的方法来进行全机体抗发作表型化.

研究的目的:

• 开发一种新的,高通量测试,用于检测斑马鱼中类似发作的活动.
• 结合机动运动和光特征,以提高发作检测灵敏度和吞吐量.
• 为了验证测试在识别已知的抗发作药物的表现.

主要方法:

• 开发了一种新型的测试方法,使用在不受约束的幼虫斑马鱼中同时测量发动机和的光.
• 使用了96井光板阅读器和定制软件进行高速数据采集 (12.6Hz).
• 采用了带有弹性净回归的后勤分类器,经过组合特征的训练,以区分由乙 (PTZ) 诱导的类似活动.

主要成果:

• 联合运动和光分类器 ("PTZ M+F") 实现了高精度 (AUC-ROC:0.98,F1:0.912),优于使用单一特征的分类器.
• 类似发作事件的发生率显示了对PTZ的剂量依赖性反应,并被已知的ASM (氨酸,提亚甘) 显著抑制.
• 该试验表现出高的统计能力,可靠地检测出只有4次复制的抗发作反应,并在前性查中成功识别了5种测试的ASM中的4种.

结论:

• 开发的试验提供了一个简单的,高通量方法,用于斑马鱼的全生物体抗发作表型.
• 结合运动和光数据,提高了斑马鱼抓捕模型的准确性和实用性.
• 这种方法促进了针对新型抗干预措施的有效查.