Hvorfor larvsvømmeaktivitet er vanskeligere å kvantifisere enn det ser ut til
En zebrafisklarve er liten, rask og bare noen millimeter lang. Å se en slik larve svømme over et brønnplate med øyet forteller deg at noe skjer, men gir deg ikke et tall. Og tall er det eksperimenter trenger. Dose-respons-kurver, behandlings-sammenligninger og statistiske tester avhenger alle av å gjøre adferd til en målbar størrelse. Automatisk analyse er verktøyet som gjør dette mulig.
Problemet er at «svømmeaktivitet» ikke er én enkelt ting. En larve som beveger seg raskt over en brønn og en larve som svever med små bevegelser er begge aktive, men på ulike måter. En larve som helt stopper bevegelsen kan være i hvile, lamslått eller død. Automatiserte systemer kan måle alle disse tilstandene, men målingen gir bare mening hvis analysen er utformet med utgangspunkt i den biologiske problemstillingen.
Hva automatisk sporing faktisk måler i en larvebrønn
En typisk automatisk analyseprosess starter med video. Larven registreres i en multibrønnplate under kontrollert belysning. Programvaren oppdager larven i hver bildeframe, sporer dens posisjon over tid og beregner et sett med bevegelsesmål. De vanligste er total tilbakelagt avstand, gjennomsnittshastighet, maksimal hastighet og varighet av bevegelsesutbrudd.
-
Total tilbakelagt avstand gir et bredt mål på generell aktivitet.
-
Gjennomsnittshastighet fanger opp vedvarende svømbehov.
-
Maksimal hastighet fremhever utbrudd og skremmereaksjoner.
-
Bevegelsesvarighet og -frekvens beskriver det tidsmessige mønsteret.
-
Ubevegelighet eller fryseepisoder indikerer redusert respons.
Hver av disse målene fanger opp et annet aspekt av atferd. Total avstand er lett å tolke, men kan være missvisende dersom en larv beveger seg i en stram sirkel. Maksimal hastighet registrerer korte hendelser som gjennomsnittlig hastighet utjevner. Å velge riktig mål er en del av analyseplanleggingen.
Oppsett av bildedataforhold som støtter ren data
Kvaliteten på analysen avhenger av kvaliteten på videoen. Noen faktorer er viktigere enn de fleste forventer.
Belysning står øverst på listen. Ujevn belysning kan gjøre at den ene siden av platen blir lysere enn den andre, noe som påvirker hvordan programvaren oppdager larven. Refleksjoner fra vannoverflaten kan skape falske objekter. En baklyst eller diffundert lyskilde gir vanligvis den mest konsekvente kontrasten.
Bildehastighet er en annen faktor. En larve kan bevege seg raskt, og en lav bildehastighet vil gå glipp av korte bevegelsesutbrudd. En for høy bildehastighet gir store filer og kan legge til støy. Et praktisk utgangspunkt er en hastighet som fanger flere bilder per sekund av bevegelse. Den nøyaktige verdien avhenger av det atferdsfenomenet som studeres.
Temperaturkontroll er viktig av samme grunn som i alle andre larveforsøk. Bevegelseshastigheten er temperaturavhengig. En plate som står ved romtemperatur under opptak kan vise annen aktivitet enn en plate som holdes ved standard oppdrettstemperatur.
| Avbildningsfaktor | Typisk vurdering | Påvirkning på data |
|---|---|---|
| Belysning | Jevn, diffus | Påvirker konsekvensen i deteksjonen |
| Bildehastighet | Tilpasset atferdshastigheten | Gått glipp av utbrudd eller ekstra støy |
| Kameroppløsning | Tilstrekkelig for larvestørrelse | Sporingsnøyaktighet |
| Temperatur | Stabil under opptak | Fart |
| Platetype | Konsekvent på tvers av grupper | Refleksjon og kontrast |
Skille mellom aktivitetstyper i analysen
Rå bevegelsesdata er ikke det samme som atferd. To larver kan ha samme totalt tilbakelagt avstand, men svært ulike bevegelsesmønstre. En kan for eksempel svømme jevnt rundt i brønnen. Den andre kan stå stille på ett sted og rykke periodisk. Automatisert analyse kan skille mellom disse mønstrene dersom riktige metrikker brukes.
Burst-analyse er en tilnærming. Programvaren identifiserer perioder med høy akselerasjon og teller dem. Startle-respons vises som skarpe bursts etter en stimulus. Spontane bursts oppstår uten ekstern utløser. Habituering – altså en nedgang i respons over gjentatte stimuli – kan også kvantifiseres ved å spore burst-amplitude over tid.
En annen tilnærming er sondebasert analyse. Brønnen deles inn i soner, og tiden brukt i hver sone måles. Larver som holder seg nær kanten kan vise thigmotaksis. Larver som utforsker sentrum kan vise mer utforskende atferd. De to mønstrene er ulike, selv om den totale avstanden er lik.
Å håndtere støy, skjulinger og andre praktiske problemer
Automatisert analyse er ikke magi. Den har sviktmoduser som viser seg i reelle eksperimenter.
En larve som berører kanten av brønnen kan bli delvis beskåret i bildet, noe som forvirrer sporingalgoritmen. En refleksjon kan oppfattes som et annet objekt. En larve som stanser bevegelsen kan gå helt tapt hvis deteksjonsterskelen er satt for høyt. Disse problemene er vanlige og må håndteres.
-
Bruk bakgrunnsfratrekk for å redusere falske objekter.
-
Sett deteksjonsterskler basert på pilotdata, ikke på gjetning.
-
Gjennomgå råvideo for en delmengde av brønnene for å bekrefte sporkvaliteten.
-
Ekskluder brønner med åpenbare sporingssvikt fra analysen.
-
Rapporter antallet ekskluderte brønner i metoden.
Å ekskludere data er et sensitivt tema. Å forkaste brønner som ikke passer inn i det forventede mønsteret er en form for bias. Å ekskludere brønner fordi sporingen mislyktes, er en teknisk nødvendighet. Forskjellen er viktig og bør dokumenteres tydelig.
Et felt-eksempel fra en anlegg som bruker larve-skjermer
Et laboratorium for utviklingsneurotoksikologi i sørlig Kina testet en rekke forbindelser for effekter på larvers svømming. Den første analysen brukte total tilbakelagt avstand som hovedmål. Noen forbindelser virket å øke aktiviteten, men effekten var inkonsekvent mellom gjentakelser.
En nærmere undersøkelse av råsporingsdataene avslørte at den «økte aktiviteten» var konsentrert i korte utbrudd nær kanten av brønnen. Larvene svømte ikke mer totalt sett. De reagerte oftere med skrekkmønster og traff veggen. Målet for total tilbakelagt avstand hadde slått sammen to ulike oppførsler til ett tall.
Laboratoriet la til metrikker for burst-frekvens og kant-tid i analysen. Forbindelsene som økte burst-frekvensen ble skilt fra de som økte utforskende svømming. Resultatene ble tydeligere, og tolkningen ble mer forsvarlig. Endringen var ikke en ny kamera eller en ny algoritme. Det var et bedre valg av metrikker.
Hva automatisk analyse kan og ikke kan fortelle deg
Automatisk analyse er kraftfull, men den gir ikke et komplett bilde. Den måler bevegelse. Den måler ikke motivasjon, sanselig behandling eller dyrets indre tilstand. En larv som ikke beveger seg, kan være i hvile, syk eller ikke i stand til å bevege seg på grunn av en motorisk defekt. Analysen kan ikke skille mellom disse tilfellene uten ytterligere eksperimenter.
Det avhenger også av kvaliteten på assay-designet. En dårlig designet plateoppsett, uregelmessig belysning eller varierende temperatur vil produsere data som ingen analyse kan rette opp. Automatiseringen forsterker det som allerede er i eksperimentet, enten det er en ekte effekt eller en systematisk bias.
Hunter Lab (Hunter) bygger laboratorieutstyr for zebrafisk med fokus på bildestabilitet, noe som er avgjørende for automatisk analyse av larver. Produksjon og kvalitetskontroll støtter konsekvensen som langvarige screeningsprogrammer krever. For laboratorier som kvantifiserer svømmeaktivitet hos larver, er denne typen byggedisiplin en del av grunnlaget.