FLLIT est un algorithme qui calcule les compositions corporelles et des jambes d’un animal suivi. Et ceci est utile pour caractériser les circuits qui sous-tendent les comportements normaux et de marche de maladie. La chose unique au sujet de FLLIT est qu’il ne nécessite aucun ensemble de données annotées par l’utilisateur pour la formation et est donc entièrement automatisé.
Mais analyse aussi automatiquement les données de la piste produisant une série de mesures de démarche, des parcelles de démarche pour la visualisation et une vidéo de piste. Animesh Banerjee, un collègue postdoctorant de mon laboratoire, démontrera la procédure. Avant de commencer une expérience, confirmez que la station d’enregistrement a une caméra à grande vitesse avec une scène au-dessus de lui pour tenir la chambre d’arène.
Placez les leds infrarouges en haut de la scène avec un diffuseur entre la caméra et l’échantillon. Environ 40 minutes avant de commencer l’enregistrement, transférez les mouches dans une vile vide sur la glace pendant cinq à sept minutes. Pendant que les mouches sont sous sedated, utilisez de l’eau et un lingette pour dégager l’arène et les toboggans en verre de la chambre et tapez l’une des glissières de verre sous la chambre.
À l’aide d’une brosse propre, transférer une mouche anesthésiée dans la chambre et fixer la chambre à l’aide d’une deuxième glissière et d’un ruban adhésif. Ensuite, laissez la mouche chambée s’acclimater à température ambiante pendant 15 à 20 minutes. Pour générer des vidéos pour l’analyse FLLIT, tout d’abord, activez la source d’énergie et ouvrez l’application spectateur sur le système informatique connecté.
Changez la vitesse d’enregistrement à 1000 images par seconde et réglez la vitesse d’obturation à une milliseconde. Placez la chambre à la volée sur l’arène d’enregistrement et cliquez sur le bouton LIVE. Confirmé que la caméra est axée sur les extrémités des jambes lorsque la mouche marche debout sur le sol de la chambre et cliquez sur Enregistrer.
Lors de l’enregistrement, assurez-vous que la mouche marche sur une trajectoire relativement droite sans toucher le bord de l’arène, marche au moins trois foulées par jambe, ne s’arrête pas pendant la marche, et que la distance parcourue est l’équivalent d’au moins une longueur et demie du corps. À la fin de l’analyse cliquez sur Enregistrer fait pour arrêter l’enregistrement et enregistrer les fichiers en format mraw ou tiff dans les dossiers appropriés. Pour installer FLLIT, téléchargez d’abord le programme sur n’importe quel système d’exploitation.
Extraire le contenu du fichier zip et télécharger des ensembles de données d’échantillons. Pour installer FLLIT à Ubuntu, accédez à l’annuaire FLLIT/Compiled et cliquez à droite pour sélectionner Open in Terminal. Téléchargez un ensemble de données d’échantillon et créez un dossier de données sous FLLIT-master/Compiled dans lequel les dossiers de l’ensemble de données seront placés.
Installez les bibliothèques matlab à HOME/MCR. Lorsque l’installation de la bibliothèque matlab est terminée, émettre la commande pour s’assurer que les droits exécutables sont enregistrés sur FLLIT. Ensuite, entrez la commande pour exécuter FLLIT.
Pour la segmentation de la vidéo, convertissez le fichier en fichiers TIFF individuels et enregistrez les fichiers convertis dans le dossier de données FLLIT. Lorsque tous les fichiers ont été transférés, exécutez FLLIT. Dans la fenêtre popup, sélectionnez 0 pour effectuer la segmentation des jambes seulement ou sélectionnez 1 pour inclure le suivi des jambes avec segmentation des jambes.
Sélectionnez le dossier contenant les images TIFF image par image de la vidéo à suivre et le fichier d’intérêt et cliquez sur Ajouter. Cliquez ensuite sur Done pour initier la segmentation et le suivi de la vidéo sélectionnée. Pour vérifier l’exactitude du suivi et effectuer des corrections d’erreurs, cliquez sur Sélectionnez dossier de données, puis sélectionnez le dossier à suivre.
Cliquez sur Afficher le suivi et vérifier l’étiquetage de toutes les jambes dans le premier cadre. Si une jambe est mal étiquetée et qu’une correction est nécessaire, cliquez sur Pause visualisation et ajuster la prédiction. Dans le panneau Leg to Adjust, sélectionnez la jambe qui nécessite une correction et double clic sur la position correcte de cette jambe dans la fenêtre d’image.
Cliquez ensuite Enregistrer et sortir. Pour traiter les données segmentées et suivies, cliquez sur Processus de données. Tout d’abord, calculer le champ de vision réel de la vidéo capturée afin que les paramètres de la porte puissent être mesurés.
Dans la fenêtre popup entrer le nombre d’images par seconde à laquelle la vidéo est enregistrée et entrer dans le champ de vision calculé en millimètres. Pour accéder aux résultats de suivi, ouvrez les résultats et suivez les dossiers. Pour générer une vidéo de la mouche suivie, sélectionnez Make Video.
Après la segmentation des jambes, le suivi et le traitement des données, FLLIT génère automatiquement des données brutes pour les positions du corps, et chaque griffe de jambe, 20 paramètres de démarche, et les parcelles d’accompagnement, et des vidéos suivies. SCA3 est caractérisé par une démarche ataxique avec le corps qui dérape, le placement erratique du pied, et de courtes étapes de cache-lur. Pour caractériser la démarche des mouches mutantes SCA3 et pour déterminer si elles affichent une démarche similaire à celle des patients humains, les paramètres de démarche pertinents générés par FLLIT peuvent être analysés.
Les mouches SCA3-Q84 présentent plus de virages, un placement erratique du pied, comme en montre une faible régularité de l’empreinte, et un chevauchement accru du domaine des jambes, des domaines de jambes agrandis en longueur et en zone, et une diminution de la longueur de la foulée. FLLIT peut également générer une vidéo montrant la mouche et les jambes suivies dans les vues centrées sur l’arène et centrées sur le corps, la trajectoire du corps, la direction du cap, et les déplacements verticaux et latéraux de chaque jambe. Par rapport aux mouches SCA3-Q27, les mouches SCA3-Q84 présentent des domaines irréguliers de jambe s’entrecoupant de différentes tailles, ce qui indique une démarche ataxique.
Les données brutes sur les positions des griffes du corps et des jambes peuvent être analysées à la recherche de mouvements d’intérêt spécifiques. Par exemple, l’utilisation de FLLIT a permis à notre groupe de déterminer que les phénotypes rigides affichés par les modèles drosophiles de la maladie de Parkinson sont causés par le dysfonctionnement des neurones dopaminergiques.
