Profiling von mütterlichen Verhaltensreaktionen während der Ganzhirnbildgebung

Die Art und Weise, wie eine Bezugsperson Säuglingshinweise wahrnimmt und darauf reagiert, bestimmt, ob der Säugling die Pflege erhält, die er zum Überleben benötigt. Bei Mäusen rufen die Lautäußerungen der Jungtiere komplexe Verhaltensreaktionen hervor und rufen daher wahrscheinlich koordinierte Aktivität in einem Netzwerk von Gehirnregionen hervor. Wir wollen dieses Netzwerk bei Mäusen mit unterschiedlichem mütterlichem Erfahrungshintergrund identifizieren, und die FMRI der wachen Maus ist ein großartiges Werkzeug dafür.

Mit der zunehmenden Verbreitung von FMRI bei wachen Mäusen entstehen spannende Forschungsergebnisse, die die neuronalen Korrelate zielgerichteter Verhaltensweisen untersuchen. Diese Verhaltensweisen werden in der Regel mit Werkzeugen wie Strahlbrechern zur Erkennung von Lecks und Drucksensoren zur Erkennung von Bewegungen bewertet. Unser Protokoll ermöglicht es uns, spontane Verhaltensreaktionen zu beurteilen, selbst in der technisch anspruchsvollen MRT-Umgebung.

Unser Ziel ist es, Messungen des spontanen Verhaltens zu nutzen, um die gehirnweite Aktivität, die wir mit FMRI erworben haben, besser zu verstehen. Unsere früheren Arbeiten haben gezeigt, dass die auditorische Rinde von Müttern und jungfräulichen Tieren unterschiedlich auf Jungtierrufe reagiert. Bei Müttern sind ihre neuronalen Reaktionen an den Schrei eines Welpen gebunden.

Bei Jungfrauen sind sie es nicht. Wenn eine Jungfrau jedoch lernt, mütterliches Verhalten auszudrücken, verändern sich die Hörzentren, um diese neue Fähigkeit widerzuspiegeln. Unsere früheren Studien konzentrierten sich auf den auditorischen Kortex bei anästhesierten Mäusen.

Diese Studie geht über die Grenzen des auditorischen Kortex hinaus und untersucht, wie sich das gesamte Gehirn und das Verhalten von Mäusen im Wachzustand verändert, während ein Tier lernt, Mutter zu werden. Laden Sie zunächst MATLAB von der MathWorks-Website herunter. Um die Bildverarbeitungs-Toolbox zu MATLAB-Add-ons hinzuzufügen, klicken Sie auf Add-ons verwalten, Add-ons abrufen und suchen Sie dann nach ihnen und fügen Sie sie hinzu.

Fügen Sie auf ähnliche Weise die Computer Vision Toolbox zu den MATLAB-Add-ons hinzu. Bearbeiten Sie nach dem Öffnen des ersten Skripts der Analysepipeline die Abschnitte eins, zwei, drei, vier, fünf und sechs des Skripts, um die Datenstrukturen an die angegebenen Stellen anzupassen. Führen Sie Abschnitt eins aus.

Führen Sie den zweiten Abschnitt des Skripts aus, um den ersten Frame jedes Videos aufzurufen. Klicken Sie mit der Maus einmal auf die ersten beiden Punkte und doppelklicken Sie dann auf den dritten Punkt. Nachdem Sie die letzten Punkte des Videos ausgewählt haben, drücken Sie die Eingabetaste.

Führen Sie Abschnitt drei und Abschnitt vier aus. Legen Sie das Flag auf Null ausgerichtet, und führen Sie Abschnitt fünf aus. Setzen Sie dann das Flag auf eins, und führen Sie Abschnitt fünf erneut aus.

Führen Sie nun Abschnitt sechs aus und vergleichen Sie die Ergebnisse nebeneinander. Öffnen Sie als Nächstes das zweite Skript und bearbeiten Sie den ersten Abschnitt des Skripts, um die Datenstrukturen anzupassen. Führen Sie dann Abschnitt eins aus.

Bearbeiten Sie den zweiten Abschnitt des Skripts, um die Datenstrukturen anzupassen, und führen Sie den zweiten Abschnitt aus. Verwenden Sie das resultierende Bild, um zu sehen, wo der optische Fluss in den analysierten Videos am stärksten schwankt. Bearbeiten Sie den dritten Abschnitt des Skripts, um die Datenstrukturen und Analyseanforderungen anzupassen.

Um das vollständige Video-FOV zu analysieren, setzen Sie das Flag select ROI and provide ROI auf zero. Führen Sie dann Abschnitt drei aus. Um einen neuen ROI zu analysieren, setzen Sie das Flag select ROI auf eins und provide ROI auf null.

Bearbeiten Sie dann newCoordsName, und führen Sie Abschnitt drei aus. Wählen Sie im angezeigten Beispielrahmen durch Klicken und Ziehen einen neuen ROI aus. Um den zuvor gezeichneten ROI zu analysieren, setzen Sie das Flag Select ROI auf Null und geben Sie ROI auf eins an.

Bearbeiten Sie dann inputCoords, um einen vorgegebenen Satz von Koordinaten bereitzustellen, und führen Sie Abschnitt drei aus. Öffnen Sie Skript drei, und bearbeiten Sie die Abschnitte eins bis drei des Skripts, um sie an die Datenstrukturen und Analyseanforderungen anzupassen. Legen Sie im ersten Abschnitt die Flags für die Analyseoptionen ZSC, BLRM, BLZSC, demeanPerTrial und applyLPfilter auf null oder eins fest.

Stellen Sie LPfilter auf eine Zahl ein, die den gewünschten Tiefpassfilter in Hertz darstellt. Führen Sie dann die Abschnitte eins bis drei aus. Öffnen Sie Skript vier, und bearbeiten Sie den ersten Abschnitt des Skripts, um es an die Datenstrukturen und Analyseanforderungen anzupassen.

Führen Sie Abschnitt eins aus. Öffnen Sie Skript fünf, und bearbeiten Sie den ersten Abschnitt des Skripts, um Datenstrukturen und Analysen anzupassen. Führen Sie dann Abschnitt eins und Abschnitt zwei aus.

Ändern Sie die Variablen group, myTitle und threshT in den Eingaben von Abschnitt drei, um die gewünschte Gruppenanalyse widerzuspiegeln. Führen Sie den dritten Abschnitt für jede Interessengruppe aus. Passen Sie dann den Bereich der C-Achse und die Farbbalkengrenzen für die Visualisierung wie gewünscht an.

Ändern Sie die Variablen mag, myTitle und threshT in den Eingaben von Abschnitt vier, um den gewünschten Gruppenvergleich widerzuspiegeln. Führen Sie den vierten Abschnitt für jeden interessierenden Gruppenvergleich aus, und passen Sie dann den Bereich der Z-Achse und die Farbbalkengrenzen für die Visualisierung wie gewünscht an. Optische Flussvektoren zeigten Regionen an, in denen sich Tiere bewegten, insbesondere um die Schnauze und die Pfoten.

Die Standardabweichung der Größe des optischen Flusses identifizierte Bereiche mit hohen und niedrigen Bewegungsfluktuationen. Mütter zeigten im Vergleich zu Jungfrauen höhere Bewegungsreaktionen auf Welpenrufe, aber nicht auf reine Töne. Die Hauptkomponentenanalyse zeigte, dass Mütter im Vergleich zu Jungfrauen während beider Stimulipräsentationen mehr Bewegung im Nasenbereich hatten.

Die Quantifizierung des optischen Flusses eines Validierungsdatensatzes ergab signifikante Unterschiede in den Verhaltensreaktionen auf Belohnungen mit hohem und niedrigem Wasser. Diese Ergebnisse deuten darauf hin, dass die vorgestellte Videoanalyse-Pipeline verwendet werden kann, um signifikante Unterschiede im Verhalten von Tieren unter verschiedenen Bedingungen zu erfassen.