Erforschung des Zusammenhangs zwischen Alter, skelettaler Mobilität, Diät und lebenslanger Knochengesundheit durch intelligentes Langzeitbewegungstracking des Zebrafisches

Die Erhaltung lebenslanger muskuloskelettaler Gesundheit und Frakturresistenz spielt eine zentrale Rolle für die Mobilität der alternden Bevölkerung. Im Bereich der Osteologie und Biomechanik wird Knochengesundheit in der Regel in Form von Knochenqualitätsparametern beschrieben, welche Aussage über die Knochendichte, den Mineralisationsgrad und die Mikrostruktur, -architektur und -komposition des Gewebes zulassen. Wobei bekannt ist, dass sowohl in Menschen als auch in Knochenfischen Einflussfaktoren wie mechanische Belastung den Aufbau und die Anpassung von Knochen befördern können, ist der Zusammenhang zwischen Mobilität und Knochenqualität bisher unzureichend erforscht. Um die Zusammenhänge verschiedener Einflussfaktoren auf die Skelettgesundheit im Alter systematisch zu ergründen, werden in der Regel Populationsstudien an Modellorganismen durchgeführt, welche häufig auf enorme administrative, finanzielle und ethische Ressourcen angewiesen sind. Die Beobachtung einer Gruppe von Modellorganismen durch einen Menschen ist, insbesondere bei großen Gruppen und langen Beobachtungszeiträumen, nicht praktikabel. Des Weiteren ist dabei die Möglichkeit quantitativer Aussagen limitiert. Methoden des Deep Learning bieten daher einen vielversprechenden Ansatz, die Bewegungsmuster von Individuen innerhalb von Gruppen zu tracken.

In diesem Projekt wollen wir durch die Etablierung eines intelligenten 3D Bewegungstracking und Life-imaging Systems für kleine Laborfischmodelle (Zebrafisch – Danio rerio) die Zusammenhänge zwischen körperlicher Mobilität und Skelettgesundheit untersuchen. Spezifisch von Interesse sind für uns hierbei die Etablierung eines Systems zur automatisierten Erkennung individueller Fische in Aquarien sowie die Erfassung von 3D Trajektorien; die Analyse der Abhängigkeit von skelettaler Aktivität und Alter, sowie die Bestimmung von Knochenqualitätsparametern der individuellen Fische.

Um quantitative Aussagen über die Bewegungsmuster der Fische treffen zu können, muss das intelligente Bewegungstracking die Identität und Position jedes Fisches im Aquarium erkennen können. Das System muss sowohl das Tracking selbst, also auch eine Identifizierung der individuellen Fische umfassen. Convolutional Neural Networks (CNNs) dominieren seit einigen Jahren das Identifizieren von Objekten in Bild- und Videodaten und sie sind in der Lage, automatisch relevante Unterscheidungsmerkmale von Objekten zu lernen. Im Rahmen dieses Projekts sollen CNNs dazu verwendet werden, um individuelle Fische zu identifizieren. In Kombination mit hochauflösender Bildgebung (microCT imaging und Elektronenmikrosopie) der Fische können somit Korrelationen zwischen skelettaler Aktivität (3D Trajektorien) und Knochengesundheit (Mineralisierung, mechanische Kompetenz) bestimmt werden.

Darüber hinaus hat die zu entwickelnde 3D Tracking-System das besondere Potential, den Bedarf an großen Versuchstiergruppen sowie Kontrollgruppen zu vermindern und kann somit ethische Bestrebungen im Rahmen des 3R Prinzips (Reduce, Refine, Replace) zur Reduzierung von Versuchstieren befördern.