基于DeepLabCut的物体识别系统建立及其在老龄和牙周炎模型认知功能评估中的初步应用

《Frontiers in Behavioral Neuroscience》:Establishment and preliminary application of object recognition system based on DeepLabCut

【字体: 大 中 小 】 时间:2026年04月21日 来源:Frontiers in Behavioral Neuroscience 2.9

编辑推荐:

  为解决传统物体识别(NOR/OLR)方法难以精准量化小鼠探索行为、无法检测衰老与牙周炎模型的细微认知变化等问题,研究人员开发了一种基于DeepLabCut (DLC)的自动化物体识别分析系统。该系统通过追踪多个体表标记点,自动计算36项细化行为指标。应用表明,该系统能敏感检测到自然衰老模型和老年牙周炎模型中传统方法无法发现的认知损伤样行为,为衰老及炎症相关认知障碍的行为评估提供了更精确、多维的工具。

  
如何更精准地评估小鼠的“记性”好坏?在认知神经科学与行为学研究领域,物体识别实验是一种广泛应用的方法,它基于生物体天生偏爱新奇事物的特性,通过测量动物对新奇物体和熟悉物体的探索差异,来推断其识别记忆能力。然而,传统的分析方法,无论是依赖实验者肉眼观察,还是基于计算机视觉、传感器或视频跟踪的技术,都存在明显的局限:它们无法精确捕捉特定的动物行为,易受干扰,识别准确性不足,尤其难以量化探索行为的精细维度,比如不同距离的嗅探频率和持续时间。随着老龄化社会的到来,老年人的认知衰退已成为重大健康挑战,而牙周炎作为一种常见的慢性炎症性疾病,被发现与认知障碍密切相关。但在这类研究中,传统物体识别实验缺乏对小鼠行为的全面、精准的自动化量化手段,这限制了对衰老及相关疾病模型中细微认知变化的深入探究。
为了克服这些技术瓶颈,一项发表在《Frontiers in Behavioral Neuroscience》上的研究,建立并初步应用了一套基于深度学习算法DeepLabCut (DLC)的物体识别系统。研究人员没有修改DLC的核心跟踪算法,而是通过创新的分析流程和框架,实现了对小鼠探索行为的高精度、多维量化。该系统不仅能自动化计算传统指标,更能细分出36项评估指标,涵盖嗅探频率、探索时长和新奇偏好三个维度,并引入了分级动态距离阈值(1 cm, 1.5 cm, 2 cm)来捕捉不同精细程度的探索行为。
为了开展这项研究,研究人员主要运用了以下几项关键技术方法:首先,搭建了由定制竞技箱、高清工业相机和计算机组成的硬件系统,用于录制小鼠行为视频。其次,利用DeepLabCut (DLC, v2.1.5) 深度学习框架,对小鼠的五个体表标记点(鼻尖、双耳、身体中心、尾根)进行人工标注和神经网络迭代训练,建立能够自动跟踪这些标记点的模型。再次,使用Python编程语言对DLC导出的标记点坐标文件进行后处理,自动计算包括传统指标和36项新型细化指标在内的各项行为参数。最后,将系统应用于两类动物模型:一是自然衰老模型(比较6月龄年轻小鼠与20月龄老年小鼠),二是老年牙周炎模型(在15月龄小鼠中建立牙周炎模型并与对照组比较),以验证系统的有效性和敏感性。研究采用了新型物体识别(NOR)和物体位置识别(OLR)两种实验范式,并使用SPSS 27.0和Python 3.9进行严格的统计分析,对p值进行了Benjamini-Hochberg (BH)错误率校正。
3.1 基于深度学习的物体识别分析系统硬件
系统硬件包括物体识别竞技箱、高清工业相机和计算机。工业相机位于装置正上方拍摄俯视图像,计算机负责记录、存储图像,训练深度学习模型,跟踪标记点并自动化量化指标。相关硬件示意图展示了该系统的构成。
3.2 人工神经网络
研究人员为物体识别实验中的小鼠图像手动标注了5个体表标记点:鼻尖、左耳、右耳、身体中心和尾根。标注后,在DLC中对人工神经网络算法进行了迭代训练,以构建能够自动跟踪图像中标记点位置的模型。标注示例如图所示。
3.3 物体识别行为评估指标
该系统首先实现了对传统物体识别指标的自动量化。更重要的是,基于DLC标记点跟踪,系统建立了一个包含1 cm、1.5 cm和2 cm的分级动态鼻-物距离阈值体系,并引入了身体中心以及鼻尖与身体中心联合作为校准点,从而能够自动量化一系列新颖行为指标,包括在不同距离阈值下对新颖和熟悉物体的探索频率、持续时间及相应的偏好指数。
3.4 系统验证
通过对比人工肉眼观察与系统自动分析的结果,发现两者在传统指标(鼻尖在2 cm距离探索物体的频率、时长及偏好)上无显著差异,且呈现高度显著的相关性。这表明该物体识别细行为分析系统能够准确分析物体识别实验数据。
3.5 衰老模型中物体识别行为分析
在新型物体识别(NOR)范式中,传统行为指标(鼻尖在2 cm处探索)未检测到6月龄与20月龄小鼠间的显著认知差异。然而,DLC系统揭示,与年轻组相比,老年组小鼠对新物体的身体中心探索持续时间、以及鼻尖与身体中心联合探索持续时间(均在2 cm处)均显著降低,其相应的持续时间偏好指数也显著下降。在物体位置识别(OLR)范式中,传统指标同样未发现组间差异。但DLC系统发现,老年组小鼠对新位置物体的身体中心探索频率、以及鼻尖与身体中心联合探索频率(2 cm处)显著降低,身体中心探索的频率偏好也显著下降。这些结果表明,DLC系统能检测到传统方法无法发现的、与衰老相关的空间识别记忆损伤。相关结果通过多个柱状图对比展示,直观反映了年轻与老年组在传统指标和细化指标上的差异。
3.6 牙周炎模型记忆损伤样行为分析
在老年牙周炎模型中,传统指标显示,模型组小鼠对熟悉物体的鼻尖探索频率和持续时间(2 cm处)显著增加,而对物体的探索频率偏好和持续时间偏好显著降低。DLC系统的细化分析进一步发现,模型组小鼠对熟悉物体的鼻尖探索频率在1.5 cm距离处显著升高,而对物体的鼻尖探索频率偏好(1 cm处)显著降低。这表明牙周炎诱导的认知损伤在近距离精细探索维度更为明显,模型小鼠主动识别新物体的偏好受损,而对熟悉物体的探索倾向异常增强。相关统计分析结果通过柱状图清晰呈现。
综合研究结果与讨论,本研究的结论和重要意义可归纳如下:本研究成功建立并验证了一套基于DeepLabCut (DLC)的自动化物体识别分析系统。该系统通过创新性地同时追踪多个体表标记点(鼻尖、双耳、身体中心、尾根),并引入分级距离阈值(1 cm, 1.5 cm, 2 cm)和头部朝向判定机制,实现了对小鼠探索行为的敏感、精确、多维量化,能够计算多达36项细化行为指标。
该系统有效克服了传统方法(仅依赖鼻尖在2 cm区域的探索)的技术局限。在自然衰老模型中,传统方法未能检测到认知差异,而DLC系统则敏感地捕捉到了老年小鼠在新物体探索的持续时间、频率及偏好指数上的显著下降,尤其是在引入身体中心及联合校准点后,这些指标能更准确地反映与整体认知状态相关的探索行为,减少了单一鼻尖指标可能带来的假阴性结果。在老年牙周炎模型中,系统不仅验证了传统指标所显示的认知损伤,还进一步发现模型小鼠在更近距离(1.5 cm和1 cm)的探索行为出现异常,表明近距离精细探索指标能更敏感地反映主动识别和记忆检索过程的细微损伤。
该系统的重要意义在于:首先,它提供了一种能够捕获传统方法无法检测的细微认知变化的高精度行为分析工具,增强了认知异常检测的敏感性。其次,通过多标记点协同决策和头部朝向过滤,系统有效区分了探索性行为与非特异性接近,提高了行为检测的特异性和准确性。最后,该研究将系统成功应用于衰老和牙周炎这两种与认知障碍密切相关的模型,不仅验证了系统的有效性,也为阐明衰老及炎症相关认知障碍的神经机制提供了更全面的行为学证据。该系统有望为未来认知增强药物的研发筛选以及认知障碍病理机制的研究,提供一种更精细化的行为评估工具和方法学基础。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号