机器学习评分揭示了Drosophila melanogaster中死前临近跌倒的频率增加
Faerie Mattins1, Shriya Nagrath1, Yijie Fan1
1Molecular and Computational Biology Section, Department of Biological Sciences, University of Southern California, Los Angeles, CaliforniaUSA.
概括
研究人员开发了一种自动机器学习方法来量化果 (Drosophila melanogaster) 的跌倒情况. 这种工具可以准确地检测掉落,有助于研究衰老和神经退行性疾病.
科学领域:
- 老年学是一门学科.
- 神经科学是一个神经科学.
- 生物技术是生物技术.
背景情况:
- 落是人类残疾和死亡的主要原因,与衰老和神经退行性疾病有关.
- 德洛索菲拉 (Drosophila melanogaster) 作为一种有价值的模型生物,用于研究衰老和人类神经退行性疾病.
- 的衰老与登障碍和跌增加有关,这有助于死亡率.
研究的目的:
- 开发一种基于机器学习的自动化方法,用于量化Drosophila melanogaster.
- 为研究导致摔倒的因素和测试干预措施提供一个强大的工具.
- 分析老和处于压力状态的的跌落模式.
主要方法:
- 使用了You Only Look Once (YOLOv4) 软件,用于在2D飞机运动轨迹中检测跌落.
- 手动注释了大约9000个视频用于训练机器学习模型.
- 验证模型预测与手动注释的视频录制的地面真相数据对比.
主要成果:
- 自动化方法表明,预测和实际的Drosophila落下之间存在很强的相关性.
- 在遭受脱水/饥饿的中,死亡前2-4小时,跌倒频率显著增加.
- 老在死亡前表现出长期增加跌倒的情况.
结论:
- 开发的自动化方法准确量化了Drosophila落,最大限度地减少了观察者偏见.
- 这种工具为未来研究与跌倒相关的机制和治疗策略提供了可靠的方法.
- 研究结果突出了与急性压力相关的明显的跌落模式,与的自然衰老相比.
