Hvorfor manuell observasjon ikke holder mål med moderne atferdsstudier
Manuell observasjon har en lang historie i atferdsforskning, og den har fremdeles sin plass. En trent observatør kan merke subtile stillinger, sosiale interaksjoner og kontekst som en kamera ikke fanger opp. Men manuell vurdering har en grense. En person kan bare observere noen få fisk om gangen, og vurderingen skjer i sanntid eller fra videogjenavspilling. Trøtthet setter inn. To observatører kan vurdere samme atferd annerledes. Raske hendelser, som en skrekkmotstand som varer en brøkdel av et sekund, er lett å overse helt.
Moderne adferdsstudier av zebrafisk involverer ofte flere akvarier, flere konsentrasjoner og flere tidspunkter. Volumet av data overstiger det som noe team kan analysere manuelt. Et system for adferdsanalyse av zebrafisk som bygger på videosporing endrer denne ligningen. Det kan registrere mange arenaer samtidig og trekke ut bevegelsesdata uten at en observatør må se på hver sekund. Dette eliminerer ikke behovet for menneskelig vurdering, men flytter den menneskelige rollen fra analyse til tilsyn.
Hva videosporing faktisk fanger opp – og som andre metoder ikke gjør
Videosporing måler ikke bare om en fisk har beveget seg. Den måler hvordan, når og hvor. En sporingssløyfe kan beregne total avstand, gjennomsnittsfart, maksimal hastighet, dreievinkel, akselerasjon og tid brukt i definerte soner. Den kan oppdage fryseadferd, altså en periode med immobilitet som ofte signaliserer frykt eller stress. Den kan også måle latenstiden før inngang til et nytt område etter en stimulus.
Disse målene er viktige fordi ulike atferder kan se like ut ved første øyekast. En fisk som svømmer i stramme sirkler og en fisk som svømmer i en rett linje kan dekke den samme avstanden, men den underliggende atferden er forskjellig. En fisk som holder seg nær bunnen av et akvarium kan være angstfull, eller den kan være kald, eller den kan bare foretrekke denne sonen. Videosporing gir de rådataene som lar en forsker teste disse tolkningene.
-
Total tilbakelagt avstand og gjennomsnittsfart.
-
Maksimal hastighet og akselerasjon under korte, kraftige bevegelser.
-
Tid brukt i ulike soner, for eksempel øverst versus nederst.
-
Varighet og frekvens av fryseatferd.
-
Latens ved respons på et lys- eller lydstimulus.
Rammenes frekvens og oppløsningens rolle for kvaliteten på atferdsdata.
Videoovervåking er like god som det videomaterialet den analyserer. Bildefrekvensen avgjør hvor mye av en rask hendelse som registreres. En skrekkerespons som varer en brøkdel av et sekund kan reduseres til én enkelt ramme ved lav bildefrekvens, noe som gjør det umulig å måle forsinkelse eller størrelse nøyaktig. En høyere bildefrekvens fanger opp mer detalj, men produserer også større filer og krever mer prosesseringskraft.
Oppløsning er viktig av en annen grunn. En zebrafisklarv er liten, og posisjonen dens må spores nøyaktig. Hvis oppløsningen er for lav, kan sporalgoritmen forveksle fisken med en refleksjon eller et stykke søppel. Hvis oppløsningen er svært høy, blir filene store og analysen langsommere. Den rette balansen avhenger av størrelsen på arenaen, fiskenes alder og atferden som studeres.
| Aspekt | Manuell observasjon | Videosporingssystem |
|---|---|---|
| Datavolumet | Begrenset av observatørens tid | Høy, kontinuerlig |
| Raske hendelser | Let å overse | Fanges inn hvis bildefrekvensen er tilstrekkelig |
| Gjentakbarhet | Avhengig av observatør | Avhengig av algoritme, men konsekvent |
| Flere-arenaer-gjennomstrømning | Lav | Høy |
| Menneskelig rolle | Å score | Tilsyn og validering |
Hvordan sporingalgoritmer gjør piksler om til atferdsmålinger
Programvaren bak videosporing er ikke magi. Den bruker en rekke trinn for å finne fisken i hver ramme og koble sammen disse oppdagelsene til en sporingsbane. Bakgrunnsfjerning fjerner de statiske delene av bildet. Terskelsetting eller kantdeteksjon isolerer fisken. En sporalgoritme, som f.eks. sentroidsporing eller et Kalman-filter, predikerer hvor fisken vil være i neste ramme og kobler den til en oppdagelse.
For flere fisk hjelper tildelingsalgoritmer, som den ungarske metoden, med å holde identitetene rett når fisk krysser veiene. Utseendefeatures, som haleform eller fargepattern, kan forbedre identitetskontinuitet. Resultatet er et sett med koordinater over tid, som deretter konverteres til de atferdsmålingene som beskrevet tidligere. Hvert trinn har parametere som påvirker resultatet, og disse parameterne må dokumenteres og holdes konsekvent mellom eksperimenter.
Et felt-eksempel der videosporing oppdaget en skjult effekt
En gruppe innen nevrofarmakologi ved et universitet i østlige Kina testet en forbindelse for anxiolytisk aktivitet. Den første runden brukte manuell vurdering av en lys- og mørk-boks. Resultatene var inkonsistente. Noen karer viste en tydelig preferanse for den mørke siden, mens andre ikke gjorde det. Observatørene var uenige om grensetilfeller, og effektstørrelsen var liten.
Gruppen byttet til et adferdsanalyse-system for zebrafisk med videosporing. Systemet registrerte hver arena kontinuerlig og beregnet automatisk sondebasierte mål. Dataene viste at forbindelsen reduserte mørkpreferanse, men den reduserte også total bevegelighet. Manuell vurdering hadde gått glipp av denne andre effekten fordi observatørene fokuserte på sonnevalg. Sporingsdataene gjorde begge effektene synlige. Gruppen justerte analysen for å skille mellom de to adferdene. Forbindelsen var fortsatt interessant, men tolkningen endret seg. Uten videosporing kunne effekten på bevegelighet ha gått helt glipp.
Der videosporing har begrensninger og menneskelig vurdering fortsatt er avgjørende
Videooppsporing er et verktøy, ikke en fullstendig løsning. Den kan forveksles av refleksjoner, bobler og søppel. Den kan miste en fisk hvis kontrasten er dårlig eller hvis fisken berører kanten av arenaen. Den kan ikke avgjøre om en fisk ser frisk ut eller om akvariet har et problem som påvirker atferden. Slike vurderinger krever fortsatt en person.
Det er også risiko for overavhengighet av tall. Et oppsporingsystem kan produsere en stor tabell med målverdier, men ikke alle av dem er meningsfulle. Å velge riktige målverdier og tolke dem i riktig sammenheng er en ferdighet som utvikles med erfaring. Systemet leverer dataene. Forskeren gir dem betydning.
Hunter Lab (Hunter) bygger laboratorieutstyr for zebrafisk med fokus på bildestabilitet, noe som er avgjørende for videosporing. Produksjonen og kvalitetskontrollen sikrer konsekvensen som langvarige atferdsstudier krever. For laboratorier som bruker videosporing til atferdsanalyse er denne type byggedisiplin en del av grunnlaget.