En los experimentos de biología espacial, estimar con precisión las posturas corporales de pequeños animales, como los peces cebra, bajo condiciones complejas es esencial para entender cómo la microgravedad y otros factores relacionados con el espacio afectan el comportamiento. Este estudio propone un método de estimación de pose de múltiples animales basado en aprendizaje profundo, adaptado a escenarios desafiantes que involucran poblaciones densas, posturas diversas y oclusiones frecuentes. Al integrar priors anatómicos, características visuales a múltiples escalas y un mecanismo de aprendizaje guiado por la estructura, el método demuestra una localización robusta de puntos clave incluso bajo condiciones de superposición o oclusión parcial. Soporta inferencia de extremo a extremo sin necesidad de pasos separados de detección de objetos o agrupamiento de instancias, y logra una mayor eficiencia que los enfoques tradicionales de arriba hacia abajo y de abajo hacia arriba. El método fue evaluado en el conjunto de datos público SpaceAnimal, que incluye tres tipos de animales de experimentos espaciales. Los resultados muestran que supera consistentemente las líneas base existentes en precisión de estimación de pose, manteniendo un buen equilibrio entre precisión y eficiencia. Estos hallazgos destacan el potencial del método para permitir un análisis automatizado y detallado del comportamiento en la investigación de ciencias de la vida en el espacio. Dado que este estudio utilizó solo datos de video disponibles públicamente de misiones espaciales anteriores, no se llevaron a cabo nuevos experimentos con animales y no se requirió aprobación ética.