深度学习的应用用于SNCA E46K中多层次的行为分析帕金森病小虫

科学领域:

• 神经科学和行为遗传学
• 在神经退行性疾病中的模型生物研究.

背景情况:

• 黄 (Drosophila melanogaster) 是帕金森病 (PD) 研究的一个关键模型.
• 量化的自发行为,以识别PD症状是具有挑战性的.
• 需要客观的行为特征来准确地确定的PD表型.

研究的目的:

• 开发一个自动化的,多规模的行为表型管道,用于PD研究Drosophila melanogaster.
• 从姿势估计数据中使用运动特征来对PD相关的表型进行分类.
• 评估动力学和行为序列模式的实用性,以区分野生类型和突变的.

主要方法:

• 在3D打印的行为陷中记录了野生类型和Synuclein Alpha E46K突变Drosophila melanogaster的运动运动活动.
• 使用无标记物姿势估计来提取动力学特征 (速度,振荡,四肢运动).
• 应用无监督聚类到姿势衍生的轨迹,以识别反复的自发运动亚型.

主要成果:

• 仅仅是动力学特征就不足以区分突变和对照.
• 无监督的行为序列模式集群使得强大的群体分离成为可能.
• 通过结合动力学和序列模式特征,实现了85%的分类准确度.

结论:

• 行为序列模式对于Drosophila melanogaster中客观的PD表型化至关重要.
• 开发的管道提供了一个客观和可扩展的方法,用于在PD研究中分析行为.
• 这种方法有可能监测疾病进展和查PD治疗方法.