Samenvatting

Beweging van het skelet is essentieel voor een breed scala aan gedragingen, waaronder voortbeweging, voeding en verzorging. Het kwantificeren van de skeletkinematica bij vrij bewegende knaagdieren was echter een uitdaging vanwege de kleine omvang en complexe anatomie van deze dieren. Hier presenteren we een nieuwe trackingmethode die gebruik maakt van snelle videografie en machinaal leren om de beweging van individuele botten bij vrij bewegende knaagdieren te volgen. Onze methode kan de beweging van botten met hoge nauwkeurigheid en precisie volgen en kan worden gebruikt om een ​​breed scala aan gedragingen te bestuderen. We demonstreren het nut van onze methode door de beweging van de voorbeen- en achterbeenbeenderen tijdens voortbeweging te volgen. Onze resultaten bieden nieuwe inzichten in de kinematica van de voortbeweging van knaagdieren en benadrukken het potentieel van onze methode voor het bestuderen van skeletbewegingen in een verscheidenheid aan ander gedrag.

Introductie

Beweging van het skelet is essentieel voor een breed scala aan gedragingen, waaronder voortbeweging, voeding en verzorging. Het begrijpen van de kinematica van skeletbewegingen is daarom van cruciaal belang om te begrijpen hoe knaagdieren omgaan met hun omgeving. Het kwantificeren van de skeletkinematica bij vrij bewegende knaagdieren was echter een uitdaging vanwege de kleine omvang en complexe anatomie van deze dieren.

Traditionele methoden voor het volgen van skeletbewegingen, zoals motion capture en videografie, worden vaak beperkt door hun invasiviteit of hun onvermogen om de beweging van individuele botten te volgen. Meer recentelijk zijn er op machine learning gebaseerde methoden ontwikkeld die de beweging van botten kunnen volgen via snelle videografie. Deze methoden zijn echter doorgaans beperkt tot het volgen van de beweging van een klein aantal botten en zijn niet gevalideerd voor gebruik bij vrij bewegende knaagdieren.

Hier presenteren we een nieuwe trackingmethode die gebruik maakt van snelle videografie en machinaal leren om de beweging van individuele botten bij vrij bewegende knaagdieren te volgen. Onze methode kan de beweging van botten met hoge nauwkeurigheid en precisie volgen en kan worden gebruikt om een ​​breed scala aan gedragingen te bestuderen. We demonstreren het nut van onze methode door de beweging van de voorbeen- en achterbeenbeenderen tijdens voortbeweging te volgen. Onze resultaten bieden nieuwe inzichten in de kinematica van de voortbeweging van knaagdieren en benadrukken het potentieel van onze methode voor het bestuderen van skeletbewegingen in een verscheidenheid aan ander gedrag.

Methoden

Dieren

Alle experimenten werden uitgevoerd in overeenstemming met de National Institutes of Health Guide for the Care and Use of Laboratory Animals en werden goedgekeurd door het Institutional Animal Care and Use Committee van de University of California, Berkeley. Bij alle experimenten werden mannelijke C57BL/6J-muizen (8-12 weken oud) gebruikt.

Experimentele opstelling

De muizen werden in een op maat gemaakte arena (30 cm x 30 cm x 30 cm) van helder plexiglas geplaatst. De arena werd op een trillingsisolatietafel geplaatst om bewegingsartefacten te minimaliseren. Hogesnelheidsvideografie werd uitgevoerd met behulp van een Photron Fastcam SA3-camera (Photron, Tokio, Japan) die werkte met 500 frames per seconde. De camera werd boven de arena geplaatst en gericht op het lichaam van de muis.

Trackingmethode

Onze trackingmethode is gebaseerd op een deep learning-algoritme genaamd