פרופיל תגובות התנהגות אימהיות במהלך הדמיה של כל המוח
24 בינואר 2025
מוצג כאן צינור ניתוח וידאו המתגבר על אתגרים בניטור התנהגותי בסביבות MRI, ומאפשר זיהוי תגובות התנהגותיות ללא הדרכה לרמזים חיצוניים. ניתוח זה יאפשר הבנה מקיפה יותר של שינויים במצב פנימי מעוררים ופעילות כלל-מוחית.
האופן שבו מטפל תופס ומגיב לרמזים של תינוקות יקבע אם התינוק יקבל את הטיפול הדרוש לו כדי לשרוד. בעכברים, קולות גורים מעוררים תגובות התנהגותיות מורכבות, ולכן סביר להניח שהם מעוררים פעילות מתואמת על פני רשת של אזורי מוח. אנו רוצים לזהות את הרשת הזו בעכברים מרקע שונה של חוויות אימהיות, ו-FMRI של עכבר ער הוא כלי נהדר לכך.
ככל שנעשה שימוש נרחב יותר ב-FMRI של עכברים ערים, מתפתח מחקר מרגש החוקר את המתאמים העצביים של התנהגויות מכוונות מטרה. התנהגויות אלו מוערכות בדרך כלל באמצעות כלים כמו מפסקי אלומה לאיתור נזילות וחיישני לחץ לזיהוי תנועות. הפרוטוקול שלנו מאפשר לנו להעריך תגובות התנהגותיות ספונטניות, אפילו בסביבת MRI מאתגרת מבחינה טכנית.
המטרה שלנו היא בסופו של דבר להשתמש במדדים של התנהגות ספונטנית כדי להבין טוב יותר את הפעילות המוחית שרכשנו באמצעות FMRI. העבודה הקודמת שלנו גילתה שקליפת המוח השמיעתית של אימהות וחיות בתולות מגיבות אחרת לקריאות גורים. אצל אמהות, התגובות העצביות שלהן תלויות בזמן לבכי של גור.
אצל בתולות, הן לא. עם זאת, כאשר בתולה לומדת לבטא התנהגות אימהית, מרכזי השמיעה משתנים כדי לשקף מיומנות חדשה זו. המחקרים הקודמים שלנו התמקדו בקליפת המוח השמיעתית בעכברים מורדמים.
מחקר זה דוחף מעבר לגבולות קליפת המוח השמיעתית, ובוחן כיצד המוח וההתנהגות כולה משתנים בעכברים שמתנהגים ערים כאשר חיה לומדת להפוך לאמא. כדי להתחיל, הורד את MATLAB מאתר MathWorks. כדי להוסיף את ארגז הכלים לעיבוד תמונה לתוספות MATLAB, לחץ על נהל תוספות, קבל תוספות ולאחר מכן חפש והוסף אותן.
באופן דומה, הוסף את ארגז הכלים של ראייה ממוחשבת לתוספות MATLAB. לאחר פתיחת קובץ ה- Script הראשון של צינור הניתוח, ערוך את המקטעים הראשון, השני, השלישי, הרביעי, החמישי והשישי של קובץ ה- Script כך שיתאימו למבני נתונים היכן שצוין. הפעל את החלק הראשון.
הפעל את החלק השני של התסריט כדי למשוך את הפריים הראשון של כל סרטון. השתמש בעכבר כדי ללחוץ פעם אחת על שתי הנקודות הראשונות, ולאחר מכן לחץ פעמיים על הנקודה השלישית. לאחר בחירת הנקודות האחרונות בסרטון, הקש Enter.
הפעל את החלק השלישי ואת החלק הרביעי. הגדר את הדגל מיושר לאפס והפעל את החלק החמישי. לאחר מכן הגדר את הדגל מיושר לאחד והפעל שוב את קטע חמש.
כעת הפעל את החלק השישי והשווה את התוצאות זו לצד זו. לאחר מכן, פתח את קובץ ה- Script השני וערוך את החלק הראשון של קובץ ה- Script כך שיתאים למבני נתונים. לאחר מכן הפעל את החלק הראשון.
ערוך את מקטע 2 של קובץ ה- Script כך שיתאים למבני נתונים והפעל את מקטע 2. השתמש בתמונה המתקבלת כדי לראות היכן הזרימה האופטית משתנה בצורה הדרמטית ביותר בסרטונים המנותחים. ערוך את החלק השלישי של קובץ ה- Script כך שיתאים למבני נתונים ולצורכי הניתוח.
כדי לנתח את ה-FOV המלא של הסרטון, הגדר את הדגל בחר ROI וספק החזר ROI לאפס. לאחר מכן הפעל את החלק השלישי. כדי לנתח החזר ROI חדש, הגדר את הדגל בחר ROI לאחד וספק החזר ROI לאפס.
לאחר מכן ערוך את newCoordsName והפעל את החלק השלישי. בחר החזר ROI חדש במסגרת לדוגמה המוצגת על ידי לחיצה וגרירה. לניתוח החזר ROI שצויר בעבר, הגדר את הדגל בחר ROI לאפס וספק החזר ROI לאחד.
לאחר מכן ערוך את inputCoords כדי לספק קבוצה קבועה מראש של קואורדינטות והפעל את החלק השלישי. פתח את קובץ ה- Script השלישי וערוך את המקטעים הראשון עד השלישי של קובץ ה- Script כך שיתאימו למבני נתונים ולצורכי הניתוח. בסעיף הראשון, הגדר את דגלי אפשרויות הניתוח ZSC, BLRM, BLZSC, demeanPerTrial ו- applyLPfilter לאפס או לאחד.
הגדר את LPfilter למספר המייצג את מסנן המעבר הנמוך הרצוי בהרץ. לאחר מכן הפעל את הסעיפים הראשון עד השלישי. פתח את קובץ ה- Script הרביעי וערוך את החלק הראשון של קובץ ה- Script כך שיתאים למבני נתונים ולצורכי הניתוח.
הפעל את החלק הראשון. פתח את קובץ ה- Script החמישי וערוך את החלק הראשון של קובץ ה- Script כך שיתאים למבני נתונים ולניתוח. לאחר מכן הפעל את החלק הראשון והשני.
שנה את משתני הקבוצה, myTitle ו-threshT בסעיף 3 כדי לשקף את הניתוח הקבוצתי הרצוי. הפעל את החלק השלישי עבור כל קבוצת עניין. לאחר מכן התאם את הטווח של ציר C ואת גבולות סרגל הצבעים כרצונך להמחשה.
שנה את המשתנים mag, myTitle ו-threshT בסעיף ארבע כניסות כדי לשקף את ההשוואה הקבוצתית הרצויה. הפעל את סעיף 4 עבור כל השוואה קבוצתית של עניין, ולאחר מכן התאם את הטווח של ציר Z ואת מגבלות סרגל הצבעים לפי הצורך להדמיה. וקטורי זרימה אופטיים הצביעו על אזורים של תנועת בעלי חיים, במיוחד סביב החוטם והכפות.
סטיית התקן של גודל הזרימה האופטית זיהתה אזורים עם תנודות תנועה גבוהות ונמוכות. אמהות הראו תגובות תנועה גבוהות יותר לקריאות גורים בהשוואה לבתולות, אך לא לצלילים טהורים. ניתוח מרכיבים עיקריים גילה כי לאמהות הייתה יותר תנועה באזור האף בהשוואה לבתולות במהלך שתי מצגות הגירויים.
כימות זרימה אופטית של מערך נתוני אימות חשף הבדלים משמעותיים בתגובות התנהגותיות לתגמולי מים גבוהים לעומת נמוכים. תוצאות אלה מצביעות עוד על כך שניתן להשתמש בצינור ניתוח הווידאו המוצג כדי ללכוד הבדלים משמעותיים בהתנהגות בעלי חיים בין תנאים.
סקירה כללית
מחקר זה מציג תהליך ניתוח וידאו שנועד לניטור תגובות התנהגותיות ספונטניות בעכברים בתוך סביבות MRI. באמצעות שימוש ב-fMRI של עכברים ערים, המחקר שואף לחשוף את המתאמים העצביים של התנהגויות אימהות בתגובה לקולות של גורים.
מרכיבי מפתח של המחקר
תחום המדע
- מדעי המוח
- ניתוח התנהגותי
- טכניקות דימות
רקע
- קולקולציות של גורי עכברים מעוררות תגובות התנהגותיות מורכבות.
- הבנת תגובות אלו יכולה להביא לתובנות לגבי טיפול אימהי ופעילות מוחית.
- מחקרים קודמים הצביעו על הבדלים בתגובות של קליפת הקורטקס השמיעתי בין אימהות לבין נקבות בתולות.
- מחקר זה חורג מגבולות הקורטקס השמיעתי כדי לבחון את הפעילות המוחית הכללית.
מטרת המחקר
- זיהוי רשתות מוחיות המופעלות על ידי קריאות גורים בעכברים עם חוויות אימהיות משתנות.
- הערכת תגובות התנהגותיות ספונטניות בסביבת MRI מאתגרת.
- העמקת ההבנה של פעילות מוחית רחבה הקשורה להתנהגויות אימהיות.
שיטות שנעשה בהן שימוש
- פיתוח של תשתית לניתוח וידאו מבוססת MATLAB.
- עריכה והרצה של סקריפטים לניתוח נתוני וידאו מעכברים ערים.
- שימוש בניתוח זרימה אופטית (optical flow) להערכת תגובות תנועה.
- השוואה של תגובות התנהגותיות בין אימהות לבתולות במהלך גירויים שמיעתיים.
תוצאות עיקריות
- אימהות הראו תגובות תנועה חזקות יותר לקריאות גורים בהשוואה לבתולות.
- ניתוח זרימה אופטית (Optical flow) הצביע על הבדלים התנהגותיים משמעותיים המבוססים על ניסיון אימהותי.
- ניתוח רכיבים ראשיים (Principal component analysis) חשף דפוסי תנועה מובחנים בקרב אימהות לעומת בתולות.
- תהליך ניתוח הווידאו תפס ביעילות התנהגויות ספונטניות בתנאים השונים.
מסקנות
- המחקר מדגים בהצלחה שיטה לניתוח התנהגויות ספונטניות בתנאי MRI.
- הממצאים תורמים להבנת הבסיס העצבי של התנהגויות אימהיות בתגובה לרמזים של תינוקות.
- ניתן ליישם את תהליך העבודה (pipeline) שפותח במחקרים נוספים במדעי המוח ההתנהגותיים.
שאלות נפוצות
רלוונטיות למגזר התעשייה
שילוב של פרופיל התנהגותי עם דימות של המוח כולו בעכברים ערים מאפשר לצוותי ביו-פארמה לקשר בין פעילות של מעגלים עצביים לבין התנהגויות מורכבות ורלוונטיות אתולוגית תחת תנאים ניסויים מוגבלים. גישה זו מגבירה את רמת הביטחון החזייתית בתיקוף מטרות (target validation) על ידי קורלציה בין פלטים התנהגותיים כמותיים לתגובות תפקודיות בכל רחבי המוח. תהליך העבודה תומך ברציפות תרגומית (translational continuity) משלב הגילוי המוקדם ועד לפיתוח מודלים פרה-קליניים, ובמיוחד עבור פורטפוליו של מחקרים נוירו-התנהגותיים ומטרות במערכת העצבים המרכזית (CNS).
יישומים אסטרטגיים במחקר ופיתוח בביופארמה
גילוי מוקדם ותיקוף מטרה
- מאפשרת חקירה של מעגלים עצביים העומדים בבסיס פנוטיפים התנהגותיים ספציפיים בתגובה לגירויים מוגדרים.
- תומך בהפחתת סיכונים ביולוגיים על ידי קישור פעילות מוחית תפקודית לתוצרי התנהגות ניתנים לצפייה.
- מעניק ביטחון חיזוי בבחירת המטרה על ידי כימות תגובות עקב גירוי במאגרי בעלי חיים.
סריקה ופיתוח בדיקות
- מכין מדדי התנהגות מתוקשפים לשילוב עם זרימות עבודה של דימיון עצבי.
- מסטנדרט את הכמות ההתנהגותית באמצעות זרימה אופטית והפחתת ממד לצורך הדירות.
- מאפשר השוואה חזקה של התערבויות תרופתיות או גנטיות הן בנקודות קצה עצביות והן בהתנהגותיות.
מחקר תרגומי ופרה-קליני
- מתאימה פלטים התנהגותיים לפעילות עצבית רלוונטית למחלה לצורך פיתוח ביומרקרים תרגומיים.
- תומכת ברציפות משלב הגילוי ועד לאישור פרה-קליני על ידי אפשור ניטור התנהגותי בסביבות מוגבלות.
- מספקת הפחתת סיכונים מכניסטית עבור פורטפוליו של מטרות במערכת העצבים המרכזית (CNS) ובפסיכוניורולוגיה.
שילוב תהליכי עבודה וצינורות עיבוד
תהליך ניתוח הווידאו ההתנהגותי זה מגשר בין שלבי הגילוי המוקדמים למחקר פרה-קליני, על ידי מתן אפשרות לרכישה מסונכרנת של נתונים התנהגותיים ועצביים בסביבות מאתגרות כגון MRI. הוא מיועד לשימוש בתיקוף מטרות (target validation), זיהוי מובילים (lead identification) ופיתוח מודלים תרגומיים.
- ביולוגיה של גילוי: מכמתת תגובות התנהגותיות לגירויים מוגדרים, ובכך תומכת בבדיקת השערות ובבירור מסלולים ביולוגיים.
- סריקה: מספקת מדדים התנהגותיים כמותיים הניתנים לשחזור, עבור סריקה גנטית או סריקה של תרכובות בשלבים הבאים.
- אנליטיקה: מספקת פלטי סטטיסטיים והפחתת ממדיות לצורך השוואות חסונות בין תנאים שונים.
- מחקר תרגומי: מקלה על סנכרון של נקודות סיום התנהגותיות ועצביות לצורך תיקוף של מודלים פרה-קליניים.
- שימוש חוזר ארגוני: מציעה תהליך עבודה (pipeline) מודולרי וניתן להסתגלות לניטור התנהגותי על פני פלטפורמות שונות של הקלטה עצבית.
השפעה תפעולית וארגונית
- ערך מדעי: מגביר את הביטחון החזוי ומפחית עמימות מכניסטית בתיקוף מטרות במערכת העצבים המרכזית (CNS).
- ערך תפעולי: סטנדרטיזציה של כימות התנהגותי לצורך הדירות ויכולת הרחבה בין מחקרים.
- ערך אסטרטגי: משפר החלטות של המשך/עצירה (go/no-go) על ידי שילוב זרמי נתונים התנהגותיים ועצביים.
- השפעה על תיק הפיתוח: מאפשר תעדוף מותאם סיכונים של מטרות ומודלים נוירו-התנהגותיים.
שיקולי יישום
- דורש מומחיות במדעי המוח ההתנהגותיים, בדימות ובניתוח חישובי.
- תלוי בגישה למערכת רכישת וידאו התואמת ל-MRI ותשתית ניתוח מבוססת MATLAB.
- מחייב סטנדרטיזציה בין-צוותית של דירוג התנהגותי ופרוטוקולים של אינטגרציית נתונים.
- ניתן להתאמה למגוון שיטות הקלטה עצבית מעבר ל-fMRI, כפי שנתמך על ידי תכנון תהליך העבודה (pipeline).
- מוגבל על ידי הצורך בציוד שאינו פרומגנטי ובשדה ראייה מוגבל בסביבת MRI.
