Чому ручне спостереження не встигає за сучасними поведінковими дослідженнями
Ручне спостереження має довгу історію в поведінкових дослідженнях і досі має своє місце. Досвідчений спостерігач може помітити тонкі пози, соціальні взаємодії та контекст, які можуть уникнути камеру. Але ручна оцінка має свої межі. Людина може одночасно спостерігати лише за кількома рибками, а оцінка відбувається в реальному часі або за відеозаписом. Наступає втома. Два спостерігачі можуть по-різному оцінити одну й ту саму поведінку. Швидкі події, наприклад, реакція на стрес, що триває частку секунди, легко пропустити повністю.
Сучасні поведінкові дослідження зебrafish часто включають кілька акваріумів, кілька концентрацій речовин та кілька часових точок. Обсяг даних перевищує можливості будь-якої команди щодо ручного аналізу. Система поведінкового аналізу зебrafish, що ґрунтується на відеоспостереженні, змінює це співвідношення. Вона може одночасно записувати багато арен і автоматично витягувати дані про рух без постійного спостереження людини за кожною секундою. Це не усуває потреби в людському судженні, але зміщує роль людини від ручного оцінювання до нагляду.
Що саме відеоспостереження фіксує, а інші методи пропускають
Відеоспостереження вимірює не лише те, чи рухався рибка, а й як, коли та де саме. Пайплайн відстеження може обчислювати загальну відстань, середню швидкість, максимальну швидкість, кут повороту, прискорення та час перебування в заданих зонах. Він може виявляти замерзання (freezing) — період нерухомості, що часто свідчить про страх або стрес. Також він може вимірювати затримку (latency) входу в нову зону після подачі стимулу.
Ці метрики мають значення, бо різні поведінкові патерни можуть виглядати схожими на перший погляд. Риба, яка плаває щільними колами, і риба, яка плаває по прямій лінії, можуть подолати однакову відстань, але базова поведінка у них різна. Риба, яка тримається поблизу дна акваріуму, може відчувати тривогу, може відчувати холод або просто надавати перевагу цій зоні. Відеослідкування надає необроблені дані, що дозволяють дослідникові перевірити такі тлумачення.
-
Загальна відстань, яку пропливла риба, і середня швидкість.
-
Максимальна швидкість і прискорення під час спалахів активності.
-
Час, проведений у різних зонах, наприклад, у верхній чи нижній частині акваріуму.
-
Тривалість і частота епізодів замерзання (freezing).
-
Затримка реакції на світловий або звуковий стимул.
Роль частоти кадрів і роздільної здатності у якості поведінкових даних.
Відеоспостереження є настільки ефективним, наскільки якісним є відео, яке аналізується. Частота кадрів визначає, яку частину швидкої події вдається зафіксувати. Реакція на раптовий подразник, що триває менше ніж секунду, може звестиcя до одного-єдиного кадру при низькій частоті кадрів, і тоді неможливо точно виміряти затримку або амплітуду. Вища частота кадрів забезпечує більш детальне відтворення, але також призводить до збільшення розміру файлів і вимагає більших обчислювальних потужностей.
Роздільна здатність має значення з іншої причини. Личинка данио реріо дуже мала, і її положення потрібно відстежувати з великою точністю. Якщо роздільна здатність надто низька, алгоритм відстеження може сплутати рибку з її відбиттям або уламком бруду. Якщо ж роздільна здатність надто висока, файли стають занадто великими, а аналіз — повільнішим. Оптимальний баланс залежить від розміру арени, віку рибок і типу поведінки, яку досліджують.
| Аспект | Ручне спостереження | Система відеоспостереження |
|---|---|---|
| Обсяг даних | Обмежена часом спостерігача | Висока, безперервна |
| Швидкі події | Легко пропустити | Фіксується, якщо частота кадрів достатня |
| Відтворюваність | Залежить від спостерігача | Залежить від алгоритму, але є стабільною |
| Пропускна здатність багатоаренних систем | Низька | Високий |
| Роль людини | Нанесення подовжніх рисок | Контроль та перевірка |
Як алгоритми відстеження перетворюють пікселі на поведінкові метрики
Програмне забезпечення для відеовідстеження — це не магія. Воно використовує послідовність кроків, щоб знайти рибу на кожному кадрі й зв’язати ці виявлення в єдину траєкторію. Віднімання фону видаляє нерухомі частини зображення. Порогова обробка або виявлення контурів ізолює рибу. Алгоритм відстеження, наприклад, відстеження за центроїдом або фільтр Калмана, прогнозує, де буде риба на наступному кадрі, й співставляє її з виявленим об’єктом.
Для кількох риб алгоритми призначення, такі як угорський метод, допомагають зберегти ідентичність особин, коли риби перетинають траєкторії одна одної. Ознаки зовнішнього вигляду, наприклад форма хвоста чи забарвлення, можуть покращити стабільність ідентифікації. Результатом є набір координат у часі, який потім перетворюється на поведінкові метрики, описані раніше. Кожен крок має параметри, що впливають на результат, і ці параметри потрібно задокументувати та зберігати незмінними в усіх експериментах.
Приклад поля, де відеоспостереження виявило прихований ефект
Група нейрофармакологів університету на сході Китаю тестувала сполуку на анксіолітичну активність. У першому раунді використовували ручну оцінку у світло-темному ящику. Результати виявилися непослідовними. У деяких резервуарах чітко простежувався перевага темної сторони, в інших — ні. Спостерігачі не збігалися у випадках, що межували з порогом, а розмір ефекту був невеликим.
Група перейшла на систему аналізу поведінки зебrafish із відеоспостереженням. Система безперервно записувала кожну арену й автоматично обчислювала метрики, засновані на зонах. Дані показали, що сполука дійсно зменшувала перевагу темних зон, але також зменшувала загальну рухову активність. Ручна оцінка пропустила цей другий ефект, оскільки спостерігачі зосереджувалися лише на виборі зони. Дані відеоспостереження зробили обидва ефекти помітними. Група скоригувала аналіз, щоб розділити ці дві поведінки. Сполука залишалася цікавою, але тлумачення результатів змінилося. Без відеоспостереження ефект на рухову активність, можливо, був би зовсім пропущений.
Там, де відеоспостереження має обмеження, а людське судження все ще має значення
Відеоспостереження — це інструмент, а не повноцінне рішення. Воно може плутатися через відблиски, бульбашки та забруднення. Система може втратити рибу, якщо контраст зображень низький або якщо риба торкається краю акваріуму. Вона не може визначити, чи виглядає риба здоровим, чи є в акваріумі проблема, що впливає на поведінку. Такі оцінки досі потребують участі людини.
Існує також ризик надмірної залежності від цифр. Система відстеження може генерувати велику таблицю метрик, але не всі з них мають сенс. Вибір правильних метрик та їх інтерпретація в контексті — це навичка, яка розвивається з досвідом. Система надає дані. Дослідник надає значення.
Hunter Lab (Hunter) виробляє обладнання для лабораторій із даними зебrafish, зосереджуючись на стабільності візуалізації, від якої залежить відеослідкування. Виробництво та контроль якості забезпечують узгодженість, необхідну для тривалих поведінкових досліджень. Для лабораторій, що покладаються на відеослідкування в поведінковому аналізі, така дисципліна виготовлення є частиною фундаменту.