基于尾曲率时间序列的无阈值深度学习模型用于斑马鱼幼体游泳行为的高通量检测与分析

《Communications Biology》：Threshold-free neural network models for swim bout detection of larval zebrafish

　　

摘要

准确检测游泳行为对于解码幼体斑马鱼的运动行为至关重要，然而传统的基于阈值的方法依赖于主观设定的截止值以及针对每个实验的调参。为解决这一局限性，我们开发了基于尾曲率时间序列的无阈值深度学习模型：一个用于事后分析的离线模型和一个用于实时检测的在线模型。两种模型均提高了精确度，优于基于阈值的方法，尤其对低振幅的游泳行为更为显著。利用离线模型，我们表明，固定头部的闭环实验制备基本保留了自然的游泳运动学特征。重复实验降低了游泳频率并增加了间隔时间，而遗传背景主要影响游泳持续时间和最大振幅；值得注意的是，卡斯珀品系幼鱼缺乏野生型和珠光品系在后期实验中观察到的下降趋势。我们进一步表明，检测器的选择可能会改变推断出的行为结果。综合而言，这些结果建立了一个高通量框架，用于在不同实验条件下对斑马鱼游泳行为进行稳健且可重复的分析。