Behavioural Classification in C. elegans: a Spatio-Temporal Analysis of Locomotion

📄 arXiv: 2510.00086v1 📥 PDF

作者: Nemanja Antonic, Monika Scholz, Aymeric Vellinger, Euphrasie Ramahefarivo, Elio Tuci

分类: q-bio.QM, cs.CV

发布日期: 2025-09-30

💡 一句话要点

提出一种基于时空分析的线虫行为自动分类方法，无需完整虫体视图。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 线虫行为分析 时空模式识别 无监督学习 行为分类 Agent-based模型

📋 核心要点

  1. 现有线虫行为分析方法依赖于完整清晰的虫体图像，这在高密度环境下难以实现，限制了对社会环境影响的研究。
  2. 该方法提出一种无监督的自动流程，从不完整的线虫运动记录中提取行为单元，避免了人为预设带来的分析偏差。
  3. 实验结果表明，即使仅使用单点跟踪数据，也能有效提取时空运动模式，并将其用于线虫行为分类，验证了方法的有效性。

📝 摘要（中文）

本文提出了一种从秀丽隐杆线虫（C. elegans）运动记录中提取行为单元的方法，该方法不要求清晰的完整虫体视图。许多生物学领域使用这种1毫米的线虫作为模型生物，来研究不同类型的生物过程。为了用计算机辅助研究来补充体内分析，已经提出了几种模拟线虫行为的方法。这些方法使用不同类型的跟踪技术从线虫运动流中提取离散的行为单元。然而，这些技术需要清晰的整个虫体视图，这并不总是能够实现的。例如，在高密度线虫条件下，尤其难以实现，而高密度条件对于理解社会环境对单个线虫行为的影响非常重要。本文提出的行为单元由一个无监督的自动流程定义，该流程避免了预定义的假设，从而避免了行为分析的偏差。通过将自动方法产生的结果与手动设计的行为单元进行比较来解释这些行为单元。通过测量使用基于Agent的模型模拟的线虫的运动与自然线虫的运动的匹配程度来评估自动方法的有效性。结果表明，即使从单点线虫跟踪中也能产生时空运动模式。此外，我们表明，这种模式代表了行为分类过程的一个基本方面。

🔬 方法详解

问题定义：现有线虫行为分析方法通常需要清晰的完整虫体图像，以便准确跟踪和提取行为特征。然而，在高密度线虫培养环境中，虫体之间相互遮挡，难以获得清晰的完整图像，这限制了现有方法在高密度环境下的应用，也阻碍了对线虫社会行为的研究。现有方法依赖人工设计的行为单元，存在主观性和局限性。

核心思路：本文的核心思路是从不完整的线虫运动轨迹（例如单点跟踪数据）中提取时空运动模式，并利用这些模式进行行为分类。该方法假设即使在缺乏完整虫体信息的情况下，线虫的行为仍然会在其运动轨迹中留下可识别的印记。通过无监督学习方法自动发现这些运动模式，避免了人为预设的偏差。

技术框架：该方法包含以下主要阶段：1) 线虫运动轨迹数据采集：使用单点跟踪技术记录线虫的运动轨迹。2) 时空特征提取：从运动轨迹中提取时空特征，例如速度、加速度、运动方向变化等。3) 无监督聚类：使用无监督聚类算法（例如k-means）对时空特征进行聚类，将相似的运动模式归为一类，每一类代表一个行为单元。4) 行为单元解释：将自动聚类得到的行为单元与人工设计的行为单元进行比较，解释其生物学意义。5) 模型验证：使用基于Agent的模型模拟线虫的行为，并评估模拟线虫的运动与真实线虫的运动的匹配程度。

关键创新：该方法的主要创新在于：1) 提出了一种无需完整虫体视图的行为分析方法，扩展了线虫行为分析的应用范围。2) 使用无监督学习方法自动提取行为单元，避免了人为预设带来的偏差，提高了行为分析的客观性。3) 验证了即使是单点跟踪数据也蕴含着丰富的行为信息，为低成本、高通量的线虫行为分析提供了可能性。

关键设计：论文中使用的时空特征包括线虫运动的速度、加速度、运动方向变化率等。聚类算法选择k-means，k值的选择通过实验确定。Agent-based模型用于模拟线虫的行为，模型的参数根据真实线虫的行为数据进行调整。损失函数用于衡量模拟线虫的运动与真实线虫的运动的差异，例如可以使用均方误差。

📊 实验亮点

实验结果表明，即使仅使用单点跟踪数据，该方法也能有效提取线虫的时空运动模式，并将其用于行为分类。通过与人工设计的行为单元进行比较，验证了自动提取的行为单元的生物学意义。使用Agent-based模型模拟线虫的行为，并评估模拟线虫的运动与真实线虫的运动的匹配程度，结果表明两者具有较高的相似性，验证了该方法的有效性。具体的性能数据和提升幅度在论文中未明确给出，属于未知信息。

🎯 应用场景

该研究成果可应用于高密度线虫培养环境下的行为分析，例如研究线虫的社会行为、药物筛选、毒理学测试等。该方法无需完整虫体图像，降低了数据采集的成本和难度，为高通量线虫行为分析提供了新的途径。未来可进一步扩展到其他生物的行为分析，例如昆虫、鱼类等。

📄 摘要（原文）

The 1mm roundworm C. elegans is a model organism used in many sub-areas of biology to investigate different types of biological processes. In order to complement the n-vivo analysis with computer-based investigations, several methods have been proposed to simulate the worm behaviour. These methods extract discrete behavioural units from the flow of the worm movements using different types of tracking techniques. Nevertheless, these techniques require a clear view of the entire worm body, which is not always achievable. For example, this happens in high density worm conditions, which are particularly informative to understand the influence of the social context on the single worm behaviour. In this paper, we illustrate and evaluate a method to extract behavioural units from recordings of C. elegans movements which do not necessarily require a clear view of the entire worm body. Moreover, the behavioural units are defined by an unsupervised automatic pipeline which frees the process from predefined assumptions that inevitably bias the behavioural analysis. The behavioural units resulting from the automatic method are interpreted by comparing them with hand-designed behavioural units. The effectiveness of the automatic method is evaluated by measuring the extent to which the movement of a simulated worm, with an agent-based model, matches the movement of a natural worm. Our results indicate that spatio-temporal locomotory patterns emerge even from single point worm tracking. Moreover, we show that such patterns represent a fundamental aspect of the behavioural classification process.