Millist treeningandmeid on vaja zebrafish käitumisanalüüsisüsteemi optimeerimiseks?
AZebrafish käitumise analüüsisüsteemi jaoks saab teisendada videod liikumis-, asukoha- ja sündmusetasandil mõõdetavateks andmeteks, kuid väljund on kindel ainult nii palju, kuivõrd seda kasutatakse konfigureerimiseks ja valideerimiseks. Ravimite arendusteame jaoks pole kasulik küsimus lihtsalt „kui palju videoid meil vaja on?“, vaid kas treeningandmed esindavad tegelikult neid loomi, katse tingimusi, kaameravaadeid ja äärmuslikke juhtumeid, millega meeskond tegelikult kokku puutub.
Õige andmekogum sõltub bioloogilisest küsimusest. Süsteem, mis on õpetatud tuvastama larvade ujumisepisoodi kontrollitud plaadi katsekorras, ei ole automaatselt valmis klassifitseerima täiskasvanud kalade sotsiaalset ruumijaotust ega reageerimist muudes valgustingimustes. Praktiline optimeerimiskava algab kirjaliku andmete kirjeldusega ning seejärel testitakse, kas süsteem jätkab mõistlikku käitumist ka siis, kui ilmnevad tavalised laboritingimused.
Alustage otsusega, mida süsteem peab toetama
Enne lisafilmimiste tegemist määrake kindlaks otsus, mida teie Zebrafish käitumise analüüsisüsteemi jaoks on oodata toetama. Kas tegemist on ekraanilise triaasiga, fenotüübi võrdlusega, mürgisuse signaali ülevaatusega või meetodiarendus-uuringuga? Vastus määrab olulised sildid, ajaliku eraldusvõime ja veatolerantsi.
Näiteks võib eksploratiivne ekraan vajada usaldusväärseid tegevuskokkuvõtteid ja viisi salvestiste tähistamiseks ülevaatuseks. Kinnitav uuring võib vajada jälgitavaid loomataseme väljundeid, eelnevalt määratletud välistusi ja tugevamat auditurada. Mõlemas töövoos peitub sageli varjatud kulutus – kahtlaste klippide uuesti sildistamine pärast seda, kui mudel on juba nende ümber kohandatud. Määrake esmalt lõpp-punkt ja koguge seejärel õppematerjal just selle lõpp-punkti ümber, mitte ühe mudeli abil lahendades kõiki käitumisega seotud küsimusi.
Loo katvus bioloogiliste variatsiooniallikate vahel
Kasulik õppematerjal peab sisaldama esinduslikke kalu ja eksperimentaalseid olekuid, mitte ainult kõige selgemaid salvestusi. Kirjutage üles arenguetapp, sort või liin (kui see on oluline), partii või koort, soost, kui see on rakendatav, ravi rühm, toitumis- ja aklimatisatsiooningutingimused ning kavandatud käitumiseparadigma. Need väljad aitavad meeskonnal hiljem kindlaks teha, kas näiliselt masinõppes tekkiv viga on tegelikult testpopulatsiooni muutus.
Lisage nii tavalised kui ka keerukad näited: madala aktiivsusega kalad, kiired pöördeid, ülekattevad loomad, osaline varjatud olek, mustus, peegeldused ja akvaariumi ala piiril asuvad loomad. Avaldatud zebrafish-uuringutes on kasutatud kaamerapõhist kolmemõõtmelist jälgimist ja käitumisomaduste tuvastamist; see meenutab, et geomeetria ja vaatamistingimused on osa probleemi määratlusest, mitte lihtsalt riistvaraline detail.
Küsimus planeerimisfaasis: Kas te olete proovinud koorte ja käitumisolekuid, mis pannakse süsteemi pärast kasutuselevõttu katse alla? Kui vastus on ei, lisage need klippid enne kõige lihtsamasse klassi laiendamist. A Zebrafish käitumise analüüsisüsteemi jaoks treenitud kitsa „puhta“ jaotuse põhjal võib olla täpne, kuid ebaõnnestuda just neil salvestustel, mis on kõige tähtsamad.
Koguge igas videos pildistamise ja testi metaandmed
Kodu jaoks optimeerimine , üksnes video failid ei piisa. Seostage iga salvestus kaamerapositsiooniga, läätse ja suurendusega, kaadrisagedusega, eraldusvõimega, valgustusega, areeni geomeetriaga, veetemperatuuriga, salvestamise ajaga, operaatoriga ja tarkvaraseadetega. Kui käitumine on tundlik käsitlemisele või keskkonnale, dokumenteerige lisaks aklimatisatsioon, stiimulite aegumine ja salvestuste järjekord.
Toorliikumisjoonel võib aeglaselt liikuv nihke sessiooni vältel ilmuda kui peenike muutus algtaseme tegevuses – märk sellest, et temperatuuri, valgustuse või aklimatisatsiooni ei hoitud nii konstantsena, kui oli kavatsetud. Soovitame selliseid metaandmeid kasutada diagnoosimiseks mudeli sisenditena, isegi kui need ei ole lõpliku klassifikaatori otsesteks tunnusteks. See võimaldab eristada andmete kvaliteediga seotud probleemi bioloogilisest tulemusest.
Larvaaalsete zebrafish’i testide jaoks mõeldud meetodite raporteerimise juhised rõhutavad meetodilisi muutujaid, samuti rõhutavad loomade uuringute raporteerimise juhised juhuslikkust ja pimedust. Rakenda sama range lähenemine ka Zebrafish käitumise analüüsisüsteemi jaoks : säilita tingimused, mille korral sildid ja tulemused loodi.
Kujunda sildid nii, et need vastaksid soovitud analüüsile
Siltide kvaliteet on tavaliselt väärtuslikum kui suur hulk nõrgalt defineeritud klippe. Koosta lühike annotatsioonijuhis, milles defineeritakse iga kehahoiak, liikumissündmus, tsooni üleminek või ebanormaalne käitumine; lisada näited ning reegel ebatäpsuste korral. Kasuta vähemalt valimi põhjal teostatavat kahekordset sildistamist ning vaata kokku erinevused kellegiaga, kes mõistab testi, mitte ainult häältega otsustades.
Pose’i või trajektooriate ülesannete puhul tuleb säilitada märkmed mitmest visuaalsest kontekstist. Larvulaarse zebrafishi jälgimise ressursid on hõlnanud nii vabalt ujuvaid kui ka pea fikseeritud videoid, mis näitab, miks valmistamise kontekst peaks jääma siltidega seotuks. Ühe Zebrafish käitumise analüüsisüsteemi jaoks , „liikumine“ võib igas kontekstis tähendada erinevat visuaalset tõendust.
Masinõpe võib aidata märgistamisel ja liigitamisel, kuid see ei tohiks vaigistada bioloogilise lõpp-punkti ümberdefineerimist. Säilitage inimese poolt antud silt, märgistaja identiteet või roll, märgistuse versioon ning iga mudelipõhise paranduse ajalugu. Need kirjed võimaldavad hiljem täpsus ülevaateid.
Andmeid tuleb jagada eksperimentide kaupa, mitte peaaegu identsete kaadrite kaupa
Tavaline viga on juhuslikult jagada sama kala või salvestuse kaadrid treeningu- ja testkomplekti. See võib teha mudeli tugevamaks näivaks, kuna testkaadrid meenutavad tihedalt seda, mida mudel on juba näinud. Pigem tuleb hoida terveid kalu, augusid, salvestusseansse või ideaalis sõltumatuid eksperimentaalrunde ühes ja samas jaotuses.
Reserveerige lõpliku kontrollhulga, mis peegeldab tulevast käivitust: teist päeva, teist kohorti, teist operaatorit või kontrollitud pildistamistingimusi. Seejärel esitage tulemusid tähendusliku alamgrupi kaupa, näiteks käitumisklassi, kaameraseadistuse, arenguetapi ja testipartii järgi. Kui Zebrafish käitumise analüüsisüsteemi jaoks tulemused on ebavõrdsed, on see tulemus kasulik: see näitab meeskonnale, kus on vaja täpsemat treeningandmestikku.
Kasutage iteratiivset optimeerimisringi
- Määrake testi lähtetaseme tulemus. Koguge esinduslikud kontrollsalvestused ja dokumenteerige tavapärast muutlikkust enne mudeli muutmist.
- Auditeerige vigu nende põhjuste järgi. Rühmitage puudumised sildi ebaselguse, pildikvaliteedi, ebatavalise käitumise, riistvaraseadistuse või bioloogilise konteksti järgi.
- Lisa täpselt sihitud näited. Laiendage nõrgemat alamgruppi, mitte suvaliselt lisades rohkem domineerivast klassist andmeid.
- Kinnitage uuesti puutumata andmetel. Võrdle uut versiooni lukustatud holdout-kogumiga ja säilita eelmine versioon, kui kompromiss ei ole põhjendatud.
- Versioonige kõik. Seondage iga mudeli versioon andmekogu manifestiga, annotatsioonijuhistega, konfiguratsiooniga ja ülevaatamisnotetega.
Meie esimene instinkt võib olla läbilaskevõime maksimeerimine, kuid ebavõrdsed sildid või kontrollimatu andmete kogumine võivad tulemusi vaikimisi kahjustada, kuni meeskond aeglustab ja standardiseerib andmete töötlemise protsessi. See on sageli kõige tootlikum vorm optimeerimine .
Praktiline valmisoleku kontrollnimekiri
- Kas andmekogu hõlmab kalasid, käitumisi ja pildistustingimusi, mida uuringus kasutatakse?
- Kas metaandmed ja siltide definitsioonid on piisavalt täielikud, et teine ülevaataja saaks iga näite mõista?
- Kas treening-, valideerimis- ja holdout-kogumid on eraldatud bioloogiliste või eksperimentaalsete ühikute järgi?
- Kas pimedas või sõltumas ülevaataja on kontrollinud olulise valimi siltide ja väljundite kohta?
- Kas meeskond saab iga tulemuse jälgida tagasi Zebrafish käitumise analüüsisüsteemi jaoks mudeli ja andmekogu versioonini?
Kui mitu vastust on 'ei', koguge enne keerukama mudeli kasutuselevõttu paremini sihitud tõendeid. Usaldusväärne Zebrafish käitumise analüüsisüsteemi jaoks ehitatakse esinduslikust andmestikust, läbipaistvatest siltidest ja valiidatud andmetest, mis meenutavad järgmist tegelikku katset – mitte ainult mahust.