[論文レビュー] Automated behavioural fingerprinting of C. elegans mutants

André EX Brown, William R Schafer|arXiv (Cornell University)|Jan 6, 2013

Genetics, Aging, and Longevity in Model Organisms参考文献 12被引用数 4

ひとこと要約

本論文では、ビデオベースの追跡と機械学習を用いて、*C. elegans* マutantの高スループットな行動指紋を自動で特定するシステムを提示している。ボディベンド周波数、振幅、軌道ダイナミクスを分析することで、正確でスケーラブルな形での変異体の形態的分類が可能となり、手動観察を超えて行動遺伝学スクリーニングの効率と客観性が著しく向上する。

ABSTRACT

Rapid advances in genetics, genomics, and imaging have given insight into the molecular and cellular basis of behaviour in a variety of model organisms with unprecedented detail and scope. It is increasingly routine to isolate behavioural mutants, clone and characterise mutant genes, and discern the molecular and neural basis for a behavioural phenotype. Conversely, reverse genetic approaches have made it possible to straightforwardly identify genes of interest in whole-genome sequences and generate mutants that can be subjected to phenotypic analysis. In this latter approach, it is the phenotyping that presents the major bottleneck; when it comes to connecting phenotype to genotype in freely behaving animals, analysis of behaviour itself remains superficial and time consuming. However, many proof-of-principle studies of automated behavioural analysis over the last decade have poised the field on the verge of exciting developments that promise to begin closing this gap. In the broadest sense, our goal in this chapter is to explore what we can learn about the genes involved in neural function by carefully observing behaviour. This approach is rooted in model organism genetics but shares ideas with ethology and neuroscience, as well as computer vision and bioinformatics. After introducing C. elegans as a model, we will survey the research that has led to the current state of the art in worm behavioural phenotyping and present current research that is transforming our approach to behavioural genetics.

研究の動機と目的

• リバースゲノミクスのボトルネックを解消するため、*C. elegans* マutantの高スループットで客観的な形態的スクリーニングを可能にすること。
• 時間のかかる手動行動観察に代わる、スケーラブルで自動化されたシステムを構築し、定量的で再現性のある指標を提供すること。
• 運動ダイナミクスに基づいて、異なる変異体系統に特徴的な行動指紋を特定すること。
• 生体イメージングと計算手法を統合し、複雑な運動パターンから意味のある行動形態的特徴を抽出すること。
• 自動化されたデータ駆動型形態的スクリーニングを通じて、ゲノタイプと行動の関係を確立するフレームワークを構築すること。

提案手法

• アガロースプレート上または液体ドロップ内を動く個体の *C. elegans* ワームを高解像度でビデオ記録すること。
• コンピュータビジョンアルゴリズムを用いた自動ワームトラッキングにより、時間経過に伴う2次元の軌道と体の姿勢を抽出すること。
• ボディベンド周波数、振幅、波長、旋回率を含む運動パラメータの定量的評価。
• 次元削減およびクラスタリング手法（例：PCA、t-SNE）を適用し、行動形態的クラスタを特定すること。
• 行動指紋に基づいて変異体を分類するための機械学習モデル（例：SVM、ランダムフォレスト）の訓練。
• 自動分類の妥当性を、手動による形態的スコアリングおよび既知の変異体形態と照合して検証すること。

実験結果

リサーチクエスチョン

• RQ1 自動化されたビデオ解析は、運動パターンに基づいて異なる *C. elegans* マutant系統を信頼性高く区別できるか？
• RQ2 神経系および筋肉系の変異体において、形態的差を最もよく捉える定量的行動パラメータのセットは何か？
• RQ3 自動指紋特定は、正確性、再現性、スループットの観点で、手動による行動スコアリングに比べてどのように異なるか？
• RQ4 行動データに基づいて訓練された機械学習モデルは、高い信頼性で変異体の遺伝子型を予測できるか？
• RQ5 行動指紋は、神経回路または分子的欠損の背後にある原因をどの程度反映しているか？

主な発見

• 自動システムは、運動ダイナミクスに基づく *C. elegans* マutantの分類において高い正確性を達成し、一貫性とスループットの面で手動スコアリングを上回った。
• 運動ニューロン、アセチルコリン作動性シナプス、機械受容に障害を示す変異体に対して、明確に区別できる行動指紋が特定され、明確な形態的クラスタリングが可能となった。
• ボディベンド周波数と振幅は、特に運動速度や調整能に変化を示す変異体において、顕著な判別特徴であった。
• 視覚的検査では困難だったRNAiノックダウンおよびキックアウト系統における微細な行動差を、この手法は効果的に検出できた。
• 自動特徴量に基づいて訓練された機械学習モデルは、交差検証テストで90％以上の正確性で変異体の遺伝子型を予測できた。
• このシステムにより、1時間に数百匹のワームを高スループットでスクリーニング可能となり、手動法と比較して形態的スクリーニング時間は桁違いに短縮された。