在使用机器学习的气探索测试中,对动物行为的自动化表型化
Danil A Lukovikov1, Ilya S Zhukov2, Elena V Gerasimova1
1Neuroscience Department, Sirius University of Science and Technology, Sirius Federal Territory, Russia.
Neuroscience
|March 4, 2026
概括
本研究介绍了一种自动机器学习框架,用于在气探索测试中分析动物行为. 该系统在基因改造的老鼠模型中准确地识别出不同的行为表型,推进神经科学研究.
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:
- 动物模型对于神经科学研究至关重要,需要对功能读数进行精确的行为特征.
- 准确的行为表型化对于理解基因型-表型关系和翻译研究至关重要.
研究的目的:
- 开发一种机器学习框架,用于使用圆筒探索测试 (CET) 进行自动化动物行为分析.
- 量化特定的行为,如结,养和运动.
- 确定区分实验条件和基因型的关键特征.
主要方法:
- 在CET中利用姿势估计和可解释的机器学习进行自动行为分析.
- 开发了一个框架来量化结,养,探索性运动和运动.
- 通过表型化多巴胺载体淘汰 (DAT-KO) 和酸酶2淘汰 (Tph2-KO) 的老鼠菌株及其野生类型对照来验证该方法.
主要成果:
- 自动化框架成功地识别了不同的菌株特定的行为表型.
- 实现了高分类准确度:DAT-KO与DAT-WT的AUC=0.84和Tph2-KO与Tph2-WT的AUC=0.98.
- 在不同基因型之间表现出歧视性行为特征.
结论:
- 自动化CET分析可以检测动物的基因型特异性行为特征.
- 这种可扩展的方法支持神经科学和临床前研究中的标准化表型.
- 该框架提供了一个强大的工具来分析复杂的行为及其遗传基础.
更多相关视频
16:23Automated, Quantitative Cognitive/Behavioral Screening of Mice: For Genetics, Pharmacology, Animal Cognition and Undergraduate Instruction
Published on: February 26, 2014
15.0K
09:43A Fully Automated Rodent Conditioning Protocol for Sensorimotor Integration and Cognitive Control Experiments
Published on: April 15, 2014
11.1K
