En datamängd med finfördelade zebrafiskinteraktioner i hälsa och sjukdom

Varför fiskfighter kan hjälpa mänsklig hälsa

Vid första anblick kan två små fiskar som cirklar och rusar mot varandra se ut som ett enkelt djurgräl. Men gömt i dessa snabba vridningar och förföljelser finns ledtrådar till hur hjärnor styr socialt beteende, hur sjukdomar förändrar rörelser och hur vi bättre kan pröva nya behandlingar. Denna artikel presenterar en stor, noggrant inspelad datamängd av zebrafiskdueller och uppgörelser, fångade i tre dimensioner och i mycket hög hastighet, och erbjuder en ny resurs för biologer, fysiker och artificiell intelligens-forskare.

Fiskdueller som en glimt in i socialt beteende

Zebrafisk har blivit en favoritart för forskning om hjärna och beteende eftersom de är små, lätta att odla och delar många gener med människor. De uppvisar även rikt socialt beteende, inklusive häftiga konflikter om dominans, särskilt mellan hanar. Fram tills nu har de flesta studier använt lågupplöst spårning, där varje fisk följts som en enda prick i en platt, tvådimensionell vy. Den metoden missar de subtila kroppsböjningarna och hållningsförändringarna som kan avslöja om ett djur hotar, flyr eller ger upp. Författarna gick därför vidare för att bygga en datamängd som fångar dessa fina detaljer under långa perioder, både hos friska djur och hos fiskar med mutationer kopplade till människoliknande hjärnsjukdomar.

Bygga en högupplöst 3D-arena för fisk

För att göra detta designade teamet en experimentarena ungefär tio fisklängder bred i varje riktning, vilket gav par av vuxna zebrafisk utrymme att jaga, cirkla och konfrontera varandra naturligt. Tre synkroniserade högfrekventa kameror — en ovanifrån och två från sidorna — filmade fiskarna med 140 bilder per sekund i fem timmar åt gången. Särskild belysning och transparenta burväggar minskade reflexer och skuggor, medan ett specialgjort rutnät av små pärlor möjliggjorde precis kalibrering så att positioner i varje kameravy kunde mappas tillbaka till verkligt tredimensionellt rum. Resultatet är en klar, högupplöst inspelning av varje rörelse, från svepande stjärtslag till subtila kroppsvinklar.

Lära datorer att följa varje fenfläkt

Inspelningarna i sig skulle vara överväldigande att analysera för hand, så forskarna vände sig till maskinseendeverktyg. Ett program (SLEAP) tränades att hitta tre nyckelpunkter längs varje fisks kropp: huvudspetsen, mitten av bröstkorgsområdet och stjärtfästet. Dessa tre markörer bildar ett enkelt »skelett» vars rörelse fångar hållning och riktning. Ett annat program (idtracker.ai) följde varje fisks övergripande form för att hålla reda på vilken individ som var vilken över timmars förlopp. Teamet kombinerade sedan information från alla tre kameror med sin kalibreringsmodell, kontrollerade för inkonsekventa tilldelningar genom att mäta hur väl punkter reprojicerades över vyerna, och raderade eller interpolerade alla bildrutor som verkade misstänkta. Denna pipeline producerade rena 3D-hållningsspår för båda fiskarna, bildruta för bildruta, under nästan hela inspelningen.

Vad datamängden innehåller och hur den kan användas

Den slutliga samlingen inkluderar 173 femtimmars experiment, mestadels hälsosamma han-han-par men också några hon-hon-par och två typer av mutanter. En mutant modellerar Rett-syndrom, en mänsklig neurodevelopmental störning, och visar förändrad rörelse; den andra har en genetisk förändring kopplad till ovanligt orädd och aggressiv beteende. För varje experiment lagras positionerna för de tre kroppspunkterna på varje fisk i enkla tabellfiler, kompletterade med metadata om kön, genotyp och arenas form. Författarna visar hur dessa data kan avslöja subtila mönster genom att analysera »gaze asymmetry» — hur ofta en fisk är riktad mot den andra. I friska par skiftar denna mätning över tid när ett djur gradvis blir den tydliga dominanten, medan en sådan ren asymmetri inte framträder hos Rett-liknande mutanter.

Varför dessa detaljerade fiskrörelser är viktiga

För en lekman kan detta arbete verka som överanalys av fiskgräl. Men datamängden liknar snarare ett högfrekvent mikroskop för socialt beteende. Den ger en standardreferens för normalt och förändrat aggression i en vida använd djurmodell, vilket hjälper forskare att upptäcka subtila rörelseförändringar i sjukdomsmodeller relevanta för tillstånd som Parkinsons, Alzheimers och Rett-syndrom. Den erbjuder också en rik testbädd för nya algoritmer inom positionsspårning och beteendeanalys, och ett sätt för fysiker att söka efter dolda regler som styr sociala interaktioner. Genom att göra varje stjärtfäktning och sidoblick hos dessa fiskar allmänt tillgänglig i 3D-detalj ger författarna den vetenskapliga gemenskapen ett kraftfullt nytt verktyg för att förstå hur hjärnor, kroppar och social dynamik hänger ihop.

Citering: Deligkaris, K., Neiman, R., Hiroi, M. et al. A dataset of fine-grained zebrafish interactions in health and disease. Sci Data 13, 583 (2026). https://doi.org/10.1038/s41597-026-06953-6

Nyckelord: zebrafiskars sociala beteende, 3D-positionsspårning, aggression och dominans, modeller för neurodegenerativa sjukdomar, beteendedatamängder