使用基于深度学习的视频分析量化社会距离:来自BTBR自闭症小鼠模型的结果
Tausif Khan1,2, Kostiantyn Cherkas3, Nikolas A Francis1,3
1Department of Biology, University of Maryland, College Park, MD, United States.
Frontiers in behavioral neuroscience
|July 7, 2025
概括
像DeepLabCut这样的深度学习工具精确地跟踪小鼠行为,揭示自闭症谱系障碍 (ASD) 模型表现出超运动和更大的社会距离. 这种自动化方法提高了自闭症研究的准确性.
科学领域:
- 神经科学是一个神经科学.
- 行为科学 行为科学
- 计算生物学 计算生物学
背景情况:
- 自闭症谱系障碍 (ASD) 在社交沟通和重复行为方面存在挑战.
- BTBR小鼠是研究ASD的常见模型,但手动行为评分缺乏精度.
- 使用深度学习的自动跟踪为行为量化提供了更准确的方法.
研究的目的:
- 使用DeepLabCut (DLC),一个深度学习工具,用于自动跟踪鼠标运动和社交距离.
- 量化BTBR小鼠 (ASD模型) 和CBA对照小鼠之间的社会行为差异.
- 评估DLC在为自闭症研究提供准确的行为数据方面的影响.
主要方法:
- 使用DeepLabCut (DLC) 进行自动姿势估计和追踪单个小鼠.
- 计算跟踪小鼠之间的欧几里德距离以量化社会距离.
- 在60分钟的时间内,比较BTBR和CBA小鼠之间的移动和社交距离指标.
主要成果:
- 与CBA小鼠相比,BTBR小鼠表现出明显更大的超运动和社会距离.
- 在BTBR小鼠中,在整个实验期间,社会距离的提高是一致的.
- 尽管增加了社会距离,但BTBR和CBA小鼠表现出身体部位 (头部,身体,尾部) 的空间安排相似.
- 年龄,性别和体型等因素可能会影响社交距离.
结论:
- DeepLabCut (DLC) 有效地量化了小鼠的社交距离和运动,比手工方法提供了更高的精度.
- 这种自动化方法为自闭症谱系障碍研究中的行为分析提供了有价值的补充工具.
- 这些发现支持DLC在促进对动物模型中ASD相关行为的理解方面的实用性.
