Stride-level analysis of mouse open field behavior using deep-learning-based pose estimation.
Stride-level analysis of mouse open field behavior using deep-learning-based pose estimation.
复制标题
DOI：
10.1016/j.celrep.2021.110231
复制
发表时间：
2022-01-11
期刊：
影响因子：
8.8
通讯作者：
Kumar V
中科院分区：
文献类型：
--
作者：
Sheppard K;Gardin J;Sabnis GS;Peer A;Darrell M;Deats S;Geuther B;Lutz CM;Kumar V
在许多神经、神经肌肉和神经精神疾病中，步态和姿势经常受到干扰。啮齿动物为阐明疾病机制和干预措施提供了一个易于处理的模型。在这里，我们开发了一种基于神经网络的测定，采用常用的开放领域的设备，小鼠步态和姿势分析。我们在62种小鼠品系中以高精度对两者进行定量。我们描述了四个已知的步态缺陷的突变体，并证明了多个自闭症谱系障碍（ASD）模型显示步态和姿势缺陷，这意味着这是ASD的一般特征。小鼠步态和姿势的措施是高度遗传的，分为三个不同的类。我们进行了全基因组关联研究，以确定在开放领域的步幅水平的小鼠运动的遗传结构。我们提供了一种从开放领域提取步态和姿势的方法，以及研究界最大的实验室小鼠步态和姿势数据资源之一。Sheppard等人提出了一种使用基于神经网络的姿势估计在常见的旷场设备中进行步态和姿势分析的方法。他们应用这种高通量方法来剖析小鼠运动的遗传结构。
Gait and posture are often perturbed in many neurological, neuromuscular, and neuropsychiatric conditions. Rodents provide a tractable model for elucidating disease mechanisms and interventions. Here, we develop a neural-network-based assay that adopts the commonly used open field apparatus for mouse gait and posture analysis. We quantitate both with high precision across 62 strains of mice. We characterize four mutants with known gait deficits and demonstrate that multiple autism spectrum disorder (ASD) models show gait and posture deficits, implying this is a general feature of ASD. Mouse gait and posture measures are highly heritable and fall into three distinct classes. We conduct a genome-wide association study to define the genetic architecture of stride-level mouse movement in the open field. We provide a method for gait and posture extraction from the open field and one of the largest laboratory mouse gait and posture data resources for the research community. Sheppard et al. present a method for gait and posture analysis in the common open field apparatus using neural-network-based pose estimation. They apply this high-throughput method to dissect the genetic architecture of mouse movement.
登录
查看更多内容
影响因子：
30.8
作者：
Durand, Christelle M.;Betancur, Catalina;Bourgeron, Thomas
通讯作者：
Bourgeron, Thomas
影响因子：
4.6
作者：
Broom L;Ellison BA;Worley A;Wagenaar L;Sörberg E;Ashton C;Bennett DA;Buchman AS;Saper CB;Shih LC;Hausdorff JM;VanderHorst VG
通讯作者：
VanderHorst VG
基于深度学习的二维人体姿势估计：一项调查
影响因子：
6.6
作者：
Dang, Qi;Yin, Jianqin;Zheng, Wenqing
通讯作者：
Zheng, Wenqing
影响因子：
2.4
作者：
Baker, Richard
通讯作者：
Baker, Richard
DOI：
10.1002/ar.22955
发表时间：
2014-10
期刊：
Anatomical record (Hoboken, N.J. : 2007)
影响因子：
--
作者：
Batka RJ;Brown TJ;Mcmillan KP;Meadows RM;Jones KJ;Haulcomb MM
通讯作者：
Haulcomb MM