Hvorfor det er sværere at måle larvers svømmeaktivitet, end det ser ud til
En zebrafisklarve er lille, hurtig og kun et par millimeter lang. At se én svømme tværs over en brøndplade med det blotte øje fortæller dig, at der sker noget, men det giver dig ikke et tal. Og tal er det, eksperimenter kræver. Dosis-respons-kurver, behandlingslignende sammenligninger og statistiske tests afhænger alle af at omdanne adfærd til en målelig størrelse. Automatisk analyse er værktøjet, der gør dette muligt.
Problemet er, at »svømmeaktivitet« ikke er én enkelt ting. En larve, der suser tværs over en brønd, og en larve, der svæver med små bevægelser, er begge aktive, men på forskellige måder. En larve, der helt ophører med at bevæge sig, kan være i hvile, lammet eller død. Automatiserede systemer kan måle alle disse tilstande, men målingerne giver kun mening, hvis analysen er udformet ud fra det biologiske spørgsmål.
Hvad automatiseret sporing faktisk måler i en larvebrønd
En typisk automatiseret analyseproces starter med video. Larven optages i en multibrøndplade under kontrolleret belysning. Softwaren registrerer larven i hver frame, sporer dens position over tid og beregner et sæt bevægelsesmålinger. De mest almindelige er den samlede tilbagelagte afstand, gennemsnitshastigheden, maksimalhastigheden og varigheden af bevægelsesudbrud.
-
Den samlede tilbagelagte afstand giver et bredt mål for den samlede aktivitet.
-
Gennemsnitshastigheden afspejler den vedvarende svømnehastighed.
-
Maksimalhastigheden fremhæver udbrud og skrækkereaktioner.
-
Bevægelsesvarighed og -frekvens beskriver det tidsmæssige mønster.
-
Ubevægelighed eller fryseepisoder signalerer nedsat responsivitet.
Hver af disse metrikker fanger et andet aspekt af adfærd. Den samlede distance er nem at fortolke, men kan være misvisende, hvis en larve bevæger sig i en lille cirkel. Maksimal hastighed registrerer korte begivenheder, som gennemsnitshastigheden udjævner. At vælge den rigtige metrik er en del af analysesdesignet.
Indstilling af billedoptagelsesforhold, der understøtter ren data
Kvaliteten af analysen afhænger af kvaliteten af videoen. Nogle faktorer betyder mere end de fleste forventer.
Belysning står øverst på listen. Ujævn belysning kan gøre den ene side af pladen lysere end den anden, hvilket påvirker, hvordan softwaren registrerer larven. Spejlinger fra vandoverfladen kan skabe falske objekter. En bagbelyst eller diffuseret lyskilde giver normalt den mest konstante kontrast.
Billedfrekvensen er en anden faktor. En larve kan bevæge sig hurtigt, og en lav billedfrekvens vil gå glip af korte bevægelsesudbrud. En for høj billedfrekvens giver store filer og kan tilføje støj. Et praktisk udgangspunkt er en frekvens, der registrerer flere billeder pr. sekund af bevægelsen. Den præcise værdi afhænger af den adfærd, der undersøges.
Temperaturkontrol er lige så vigtig her som i enhver anden larveassay. Bevægelseshastigheden afhænger af temperaturen. En plade, der står ved stuetemperatur under optagelse, kan vise anden aktivitet end en, der holdes ved den almindelige opdræts temperatur.
| Billeddannelsesfaktor | Typisk overvejelse | Indvirkning på data |
|---|---|---|
| Belysning | Jævn, diffuseret | Påvirker konsekvensen af detektering |
| Billedfrekvens | Tilpasset adfærdens hastighed | Gået glip af udbrud eller ekstra støj |
| Kameraoppløsning | Tilstrækkelig til larvens størrelse | Sporingens præcision |
| Temperatur | Stabil under optagelse | Bevægelseshastighed |
| Type af plade | Konsekvent på tværs af grupper | Refleksion og kontrast |
Adskillelse af aktivitetstyper i analysen
Rå bevægelsesdata er ikke det samme som adfærd. To larver kan have samme samlede distance, men meget forskellige bevægelsesmønstre. Den ene kan f.eks. svømme jævnt rundt i brønden, mens den anden bliver på én position og rykker periodisk. Automatiseret analyse kan adskille disse mønstre, hvis de rigtige metrikker anvendes.
Burst-analyse er én tilgang. Softwaren identificerer perioder med høj acceleration og tæller dem. Startle-respons fremstår som skarpe bursts efter en stimulus. Spontane bursts opstår uden ekstern udløser. Habituation – altså et fald i responsen over gentagne stimuli – kan også kvantificeres ved at spore burst-amplitude over tid.
En anden tilgang er zonemæssig analyse. Brønden opdeles i zoner, og tiden brugt i hver zone måles. Larver, der opholder sig nær kanten, kan vise thigmotaktisk adfærd. Larver, der udforsker centrum, kan vise mere udforskende adfærd. De to mønstre er forskellige, selvom den samlede distance er lignende.
Håndtering af støj, occlusion og andre praktiske problemer
Automatisk analyse er ikke magi. Den har fejlmønstre, der viser sig i reelle eksperimenter.
En larve, der rører brøndkanten, kan blive delvist beskåret i billedrammen, hvilket forvirrer sporingalgoritmen. En refleksion kan registreres som et andet objekt. En larve, der standser bevægelse, kan helt undgås, hvis detekteringsgrænsen er sat for højt. Disse problemer er almindelige og skal håndteres.
-
Brug baggrundssubtraktion til at reducere falske objekter.
-
Indstil detekteringsgrænser ud fra pilotdata, ikke gæt.
-
Gennemgå rå video for en delmængde af brønde for at bekræfte sporingens kvalitet.
-
Udeluk brønde med åbenlyse sporingssvigt fra analysen.
-
Rapportér antallet af udelukkede brønde i metoderne.
At udelukke data er et følsomt emne. At forkaste brønde, der ikke passer til det forventede mønster, udgør en form for bias. At udelukke brønde på grund af sporingssvigt er en teknisk nødvendighed. Forskellen er vigtig og bør dokumenteres tydeligt.
Et felt-eksempel fra en facilitet, der kører larve-skærme
Et laboratorium for udviklingsneurotoksicitet i sydlige Kina screenede en række forbindelser for virkninger på larvers svømning. Den indledende analyse brugte den samlede tilbagelagte afstand som primær måling. Nogle forbindelser så ud til at øge aktiviteten, men effekten var inkonsistent mellem gentagelser.
En nærmere analyse af de rå sporededata afslørede, at den "øgede aktivitet" koncentreredes i korte udbrud nær brøndkanten. Larverne svømmede ikke mere i alt. De blev blot overrasket oftere og ramte væggen. Målingen af den samlede afstand havde slået to forskellige adfærdsmønstre sammen i ét tal.
Laboratoriet tilføjede målinger af burst-frekvens og kant-tid til analysen. Forbindelserne, der øgede burst-frekvensen, blev adskilt fra dem, der øgede udforskende svømning. Resultaterne blev tydeligere, og fortolkningen blev mere velbegrundet. Ændringen var ikke en ny kamera eller en ny algoritme. Det var et bedre valg af målparametre.
Hvad automatisk analyse kan og ikke kan fortælle dig
Automatisk analyse er kraftfuld, men den giver ikke et komplet billede. Den måler bevægelse. Den måler ikke motivation, sanselig forarbejdning eller dyrets indre tilstand. En larve, der ikke bevæger sig, kan være i hvile, syg eller være ude af stand til at bevæge sig på grund af en motorisk defekt. Analysen kan ikke skelne mellem disse muligheder uden yderligere eksperimenter.
Det afhænger også af kvaliteten af assay-designet. En dårligt designet pladeopsætning, inkonsekvent belysning eller varierende temperatur vil generere data, som ingen analyse kan rette op på. Automatiseringen forstærker det, der allerede er i eksperimentet – enten et rigtigt effekt eller en systematisk bias.
Hunter Lab (Hunter) fremstiller laboratorieudstyr til zebrafisk med særlig fokus på billedstabilitet, som den automatiserede analyse af larver kræver. Produktionen og kvalitetskontrollen sikrer den konsekvens, som langvarige screeningsprogrammer kræver. For laboratorier, der kvantificerer larvers svømmeaktivitet, udgør denne type byggedisiplin en del af grundlaget.