[论文解读] 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 4

一句话总结

本文提出了一种基于视频追踪与机器学习的自动化系统，用于对 *C. elegans* 突变体进行高通量行为指纹分析，以量化运动模式。通过分析身体弯曲频率、振幅和轨迹动态，该方法实现了对突变体精确且可扩展的表型分类，显著提升了行为遗传学筛选的效率与客观性，超越了人工观察的局限。

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.

研究动机与目标

• 为解决反向遗传学中的瓶颈问题，实现对 *C. elegans* 突变体的高通量、客观的表型筛选。
• 开发一种可扩展的自动化系统，以定量、可重复的指标替代耗时的人工行为观察。
• 基于运动动态，为不同突变体品系识别出独特的行为指纹。
• 将计算方法与活体成像相结合，从复杂的运动模式中提取有意义的行为表型。
• 建立一种通过自动化、数据驱动的表型分析连接基因型与行为的框架。

提出的方法

• 在琼脂板或液滴中对单个 *C. elegans* 转动的高分辨率视频记录。
• 使用计算机视觉算法自动追踪蠕虫，提取随时间变化的二维轨迹和身体姿态。
• 量化包括身体弯曲频率、振幅、波长和转弯率在内的运动参数。
• 应用降维与聚类技术（如 PCA、t-SNE）以识别行为表型聚类。
• 训练机器学习模型（如 SVM、随机森林）基于行为指纹对突变体进行分类。
• 通过与人工表型分析及已知突变体表型对比，验证自动化分类的准确性。

实验结果

研究问题

• RQ1 基于运动模式，自动化视频分析能否可靠地区分不同 *C. elegans* 突变体品系？
• RQ2 哪组定量行为参数最能捕捉神经与肌肉突变体之间的表型差异？
• RQ3 在准确性、可重复性和吞吐量方面，自动化指纹分析与人工行为评分相比如何？
• RQ4 基于行为数据训练的机器学习模型能否以高置信度预测突变体基因型？
• RQ5 行为指纹在多大程度上反映了潜在的神经回路或分子缺陷？

主要发现

• 该自动化系统在基于运动动态分类 *C. elegans* 突变体方面表现出高准确性，其一致性与吞吐量均优于人工评分。
• 已识别出运动神经元、胆碱能突触及机械感应缺陷突变体的独特行为指纹，实现了清晰的表型聚类。
• 身体弯曲频率与振幅被证明是极具区分力的特征，尤其在运动速度或协调性改变的突变体中表现显著。
• 该方法成功检测到 RNAi 干扰与基因敲除品系中细微的行为差异，这些差异通过肉眼观察难以察觉。
• 基于自动化特征训练的机器学习模型在交叉验证测试中，对突变体基因型的预测准确率超过 90%。
• 该系统实现了每小时数百只蠕虫的高通量筛选，与人工方法相比，表型分析时间减少了数量级。