Fully Automated Leg Tracking in Freely Moving Insects using Feature Learning Leg Segmentation and Tracking (FLLIT)
Notice bibliographique
Résumé
The Drosophila model has been invaluable for the study of neurological function and for understanding the molecular and cellular mechanisms that underlie neurodegeneration. While fly techniques for the manipulation and study of neuronal subsets have grown increasingly sophisticated, the richness of the resultant behavioral phenotypes has not been captured at a similar detail. To be able to study subtle fly leg movements for comparison amongst mutants requires the ability to automatically measure and quantify high-speed and rapid leg movements. Hence, we developed a machine-learning algorithm for automated leg claw tracking in freely walking flies, Feature Learning-based Limb segmentation and Tracking (FLLIT). Unlike most deep learning methods, FLLIT is fully automated and generates its own training sets without a need for user annotation, using morphological parameters built into the learning algorithm. This article describes an in depth protocol for carrying out gait analysis using FLLIT. It details the procedures for camera setup, arena construction, video recording, leg segmentation and leg claw tracking. It also gives an overview of the data produced by FLLIT, which includes raw tracked body and leg positions in every video frame, 20 gait parameters, 5 plots and a tracked video. To demonstrate the use of FLLIT, we quantify relevant diseased gait parameters in a fly model of Spinocerebellar ataxia 3.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».