[論文レビュー] Characterizing the structure of mouse behavior using Motion Sequencing

Sherry Lin, Winthrop F. Gillis+6 more|arXiv (Cornell University)|Nov 15, 2022

Cell Image Analysis Techniques被引用数 6

ひとこと要約

本論文では、3次元動画と行動スィラブル（行動の最小単位）を用いて、マウス行動をモジュラーで順序付けられた動きに分解する非教師あり機械学習フレームワーク、Motion Sequencing（MoSeq）を紹介する。この手法を適用することで、遺伝的・薬理的・神経的介入が行動構造に与える影響を定量的に追跡でき、出力としてスィラブルのラベルと時間経過に伴う遷移ダイナミクスが得られる。

ABSTRACT

Spontaneous mouse behavior is composed from repeatedly-used modules of movement (e.g., rearing, running, grooming) that are flexibly placed into sequences whose content evolves over time. By identifying behavioral modules and the order in which they are expressed, researchers can gain insight into the impact of drugs, genes, context, sensory stimuli and neural activity on behavior. Here we present a protocol for performing Motion Sequencing (MoSeq), an ethologically-inspired method that uses 3D machine vision and unsupervised machine learning to decompose spontaneous mouse behavior in the laboratory into a series of elemental modules called "syllables". This protocol is based upon a notebook-based pipeline for MoSeq that includes modules for depth video acquisition, data pre-processing and modeling, as well as a standardized set of visualization tools. Users are provided with instructions and code for building a MoSeq imaging rig and acquiring three-dimensional video of spontaneous mouse behavior for submission to the modeling framework; the outputs of this protocol include syllable labels for each frame of video data as well as summary plots describing how often each syllable was used and how syllables transitioned from one to the other over time. This protocol and the accompanying pipeline significantly lower the bar for adopting this unsupervised, data-driven approach to characterizing mouse behavior, enabling users without significant computational ethology experience to gain insight into how the structure of behavior is altered after experimental manipulations.

研究の動機と目的

• 自発的マウス行動の構造的組織を標準的かつアクセス可能な方法で定量化すること。
• 計算専門知識のない研究者が非教師あり機械学習を用いて複雑な行動系列を分析できるようにすること。
• 3次元動画取得、前処理、モデリング、行動スィラブルの可視化を統合したパイプラインを提供すること。
• 行動モジュール（スィラブル）が実験的介入に対してどのように順序付けられ、時間経過とともに遷移するかを同定すること。
• 臨床前神経科学分野におけるデータ駆動型行動表型解析への参入障壁を低減すること。

提案手法

• 本手法は、制御された環境下で自発的マウス行動を3次元マシンビジョンで捉える。
• 非教師あり機械学習を用いて、連続的な動画を「スィラブル」と呼ばれる離散的かつ繰り返される運動パターンに分解する。
• パイプラインには、深度動画取得、データ前処理、モデリングモジュールが含まれており、ノートブックベースのフレームワークで実装されている。
• 学習された運動パターンに基づき、各動画フレームにスィラブルラベルが割り当てられる。
• スィラブル間の遷移確率が計算され、動的シーケンスネットワークとして可視化される。
• 標準化された可視化ツールセットにより、ユーザーはスィラブルの使用頻度と時間的順序を探索できる。

実験結果

リサーチクエスチョン

• RQ1 自発的マウス行動は、どのようにして繰り返されるモジュラーな運動単位に体系的に分解可能か？
• RQ2 行動系列の時間的構造は何か？ そして、実験的条件下でその構造はどのように変化するか？
• RQ3 非教師あり学習は、3次元動画データから生物学的に意味のある行動スィラブルを信頼性高く同定できるか？
• RQ4 MoSeqパイプラインは、非専門家が複雑な行動ダイナミクスをどのように分析可能にするか？
• RQ5 行動遷移はどの程度定量的に評価され、可視化可能となり、その背後にある行動組織を明らかにできるか？

主な発見

• MoSeqフレームワークは、自由に移動するマウスの3次元動画から、離散的かつ繰り返される行動スィラブルを効果的に同定した。
• 行動系列は、非ランダムで時間依存的なパターンに従ってスィラブルが相互に遷移する構造を持つ。
• 本手法は、異なる実験的条件下でも一貫したスィラブルラベルを生成し、信頼性の高い比較を可能にした。
• 事前に行動ラベルを付与することなく、スィラブル使用頻度と遷移ダイナミクスを要約したプロットを生成できる。
• ノートブックベースのパイプラインにより、計算スキルが限定的なユーザーでも、動画取得から行動モデリングまで再現可能でエンドツーエンドの解析が可能になった。
• 本手法により、遺伝的・薬理的・神経的介入によって行動構造が動的に調節されていることが明らかになった。これは、スィラブルの系列に変化が生じることによって反映された。