[논문 리뷰] Characterizing the structure of mouse behavior using Motion Sequencing

Sherry Lin, Winthrop F. Gillis외 6명|arXiv (Cornell University)|2022. 11. 15.

Cell Image Analysis Techniques인용 수 6

한 줄 요약

이 논문은 3D 영상과 행동 시그널을 사용하여 쥐 행동을 모듈형이고 순차적인 운동으로 분해하는 비지도 학습 기반 기계학습 프레임워크인 모션 시퀀싱(MoSeq)을 소개한다. 이 방법을 적용함으로써 유전적, 약리적 또는 신경학적 조작이 행동 구조에 미치는 영향을 정량적으로 추적할 수 있으며, 출력으로는 시간에 따른 시그널 레이블과 전이 동역학이 포함된다.

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.

연구 동기 및 목표

• 자발적 쥐 행동의 구조적 조직을 표준화하고 접근하기 쉽게 분석할 수 있는 방법을 개발하기 위해.
• 컴퓨터 전문 지식이 없는 연구자들이 비지도 기계학습을 사용하여 복잡한 행동 시퀀스를 분석할 수 있도록 하기 위해.
• 3D 영상 촬영, 사전 처리, 모델링 및 행동 시그널의 시각화를 위한 파이프라인을 제공하기 위해.
• 행동 모듈(시그널)이 실험적 조작에 따라 시간에 따라 어떻게 순서를 이루고 전이되는지 규명하기 위해.
• 임상 전 연구 신경과학 분야에서 데이터 기반 행동 형질 분석의 진입 장벽을 낮추기 위해.

제안 방법

• 이 방법은 통제된 환경에서 자발적 쥐 행동을 촬영하기 위해 3D 기계 시각 기술을 사용한다.
• 비지도 기계학습을 적용하여 연속적인 영상을 이산적이고 반복적인 운동 패턴으로 분해하며, 이를 '시그널'이라 부른다.
• 파이프라인은 깊이 영상 촬영, 데이터 사전 처리, 모델링 모듈을 포함하며, 노트북 기반 프레임워크로 구현되어 있다.
• 학습된 운동 패턴에 기반해 각 영상 프레임에 시그널 레이블을 할당한다.
• 시그널 간 전이 확률을 계산하고 동적 시퀀스 네트워크로 시각화한다.
• 표준화된 시각화 도구 세트를 통해 사용자가 시그널 사용 빈도와 시간적 순서를 탐색할 수 있다.

실험 결과

연구 질문

• RQ1 자발적 쥐 행동는 어떻게 반복적이고 모듈형 운동 단위로系계적으로 분해될 수 있는가?
• RQ2 행동 시퀀스의 시간적 구조는 무엇이며, 실험 조건이 변화함에 따라 어떻게 변하는가?
• RQ3 비지도 학습은 3D 영상 데이터에서 생물학적으로 의미 있는 행동 시그널을 신뢰성 있게 식별할 수 있는가?
• RQ4 MoSeq 파이프라인이 비전문가가 복잡한 행동 역학을 어떻게 분석할 수 있도록 하는가?
• RQ5 행동 전이 정도는 얼마나 정량화되고 시각화되어, 잠재적 행동 조직을 드러내는가?

주요 결과

• MoSeq 프레임워크는 자유롭게 움직이는 쥐의 3D 영상에서 이산적이고 반복적인 행동 시그널의 집합을 성공적으로 식별한다.
• 행동 시퀀스는 시그널이 비랜덤하고 시간에 따라 의존적인 패턴으로 상호 전이되는 방식으로 구조화되어 있다.
• 이 방법은 다양한 실험 조건에서도 일관된 시그널 레이블을 생성하여 신뢰성 있는 비교를 가능하게 한다.
• 사전 행동 레이블링 없이도 사용자가 시그널 사용 빈도와 전이 역학을 보여주는 요약 플롯을 생성할 수 있다.
• 노트북 기반 파이프라인이 최소한의 컴퓨팅 전문 지식으로 영상 촬영부터 행동 모델링까지 재현 가능한 종단 간 분석을 가능하게 한다.
• 이 방법은 행동 구조가 유전적, 약리적, 신경학적 조작에 의해 동적으로 조절된다는 것을 드러내며, 이는 수정된 시그널 시퀀스로 반영된다.