基于深度学习的果蝇高通量自动化运动分析平台的构建及其在性别特异性衰老表型研究中的应用

《Scientific Reports》：Design and implementation of an automated Drosophila locomotor assay using computer vision tracking

　　## 摘要果蝇（Drosophila）长期以来一直是研究运动行为的强大模型，通过地理定向测定实验为遗传学、衰老和神经生物学等领域提供了宝贵见解。然而，其应用仍受限于主观评分、通量较低以及可重复性方面的挑战。我们开发并验证了一个集硬件与软件于一体的集成平台，可实现12个试管的并行、自动化、高分辨率运动分析。该系统整合了3D打印机械部件、基于树莓派的视频采集模块以及可编程环境控制单元，以确保实验条件的标准化。深度学习管线以近乎完美的精度（IoU > 0.95）对试管进行分割，计算机视觉算法以每秒60帧的速率量化爬升轨迹、速度和位置区域占有率。端到端工作流可将原始视频转化为时间分辨指标，支持性别特异性数据汇总，并纳入高级统计分析方法，包括线性混合效应回归、调和平均p值和Mann-Whitney U检验。与手动评分相比，该自动化流程处理速度快2.8倍，数据密度提高约800倍。该平台的应用揭示了多种基因型可重复表型。例如，在昼夜节律Clock^out突变中，雄性果蝇表现出随年龄增长而进行性加重的爬升缺陷，而雌性则维持了具有年龄韧性的运动轨迹。此外，雄性Clock^out的运动能力低于同龄对照（w¹¹¹⁸）雄性果蝇；然而，雌性Clock^out仅表现出运动能力的轻微下降。另外，对编码DNA聚合酶γ催化亚基的PolG进行胶质细胞特异性敲低，揭示了显著的性别二态性衰老模式：在Glaz驱动表达系中，雌性果蝇在较老年龄优于对照组，而在Elav驱动表达系中则于较年轻年龄即表现优于对照；雄性果蝇则表现出明显的运动能力下降。为促进该平台的广泛采用，我们提供了用户友好的Python界面（Tkinter图形用户界面），使不具备计算专业背景的研究者也能轻松使用。综上所述，这一标准化高通量框架提升了基因型、年龄和性别依赖性运动动力学的分辨率，为衰老、昼夜节律生物学和神经退行性疾病研究提供了新的机遇。