Profilowanie reakcji na zachowanie matki podczas obrazowania całego mózgu
24 stycznia 2025
Prezentowany tutaj jest potok analizy wideo, który pokonuje wyzwania związane z monitorowaniem zachowań w środowiskach MRI, pozwalając na wykrywanie nieinstruowanych reakcji behawioralnych na zewnętrzne sygnały. Analiza ta ułatwi bardziej kompleksowe zrozumienie wywołanych zmian stanu wewnętrznego i aktywności całego mózgu.
To, w jaki sposób opiekun odbiera i reaguje na sygnały niemowlęcia, decyduje o tym, czy niemowlę otrzyma opiekę, której potrzebuje, aby przeżyć. U myszy wokalizacje szczeniąt wywołują złożone reakcje behawioralne, a tym samym prawdopodobnie wywołują skoordynowaną aktywność w sieci regionów mózgu. Chcemy zidentyfikować tę sieć u myszy o różnych doświadczeniach matczynych, a FMRI obudzonych myszy jest do tego doskonałym narzędziem.
W miarę jak FMRI u wybudzonych myszy staje się coraz powszechniej stosowany, pojawiają się ekscytujące badania, które badają neuronalne korelaty zachowań ukierunkowanych na cel. Zachowania te są zwykle oceniane za pomocą narzędzi, takich jak łamacze wiązki do wykrywania wycieków i czujniki ciśnienia do wykrywania ruchów. Nasz protokół pozwala nam ocenić spontaniczne reakcje behawioralne, nawet w technicznie trudnym środowisku MRI.
Naszym celem jest ostateczne wykorzystanie miar spontanicznych zachowań, aby lepiej zrozumieć aktywność całego mózgu, którą nabyliśmy za pomocą FMRI. Nasze wcześniejsze prace wykazały, że kora słuchowa matki i dziewic zwierząt reaguje inaczej na nawoływania szczeniąt. U matek ich reakcje neuronalne są ograniczone w czasie do płaczu szczeniaka.
W dziewicach nie są. Jednak gdy dziewica uczy się wyrażać zachowania macierzyńskie, ośrodki słuchowe zmieniają się, aby odzwierciedlić tę nową umiejętność. Nasze wcześniejsze badania koncentrowały się na korze słuchowej u znieczulonych myszy.
To badanie wykracza poza granice kory słuchowej, badając, jak zmienia się cały mózg i zachowanie u myszy zachowujących się na jawie, gdy zwierzę uczy się być mamą. Aby rozpocząć, pobierz MATLAB ze strony internetowej MathWorks. Aby dodać przybornik do przetwarzania obrazów do dodatków MATLAB, kliknij zarządzaj dodatkami, pobierz dodatki, a następnie wyszukaj je i dodaj.
Podobnie dodaj przybornik przetwarzania obrazów do dodatków programu MATLAB. Po otwarciu skryptu pierwszego potoku analizy edytuj sekcje pierwszą, drugą, trzecią, czwartą, piątą i szóstą skryptu, aby dopasować struktury danych tam, gdzie jest to wskazane. Uruchom sekcję pierwszą.
Uruchom drugą sekcję skryptu, aby wyświetlić pierwszą klatkę każdego filmu. Użyj myszy, aby kliknąć raz pierwsze dwa punkty, a następnie kliknij dwukrotnie trzeci punkt. Po wybraniu ostatnich punktów filmu naciśnij enter.
Uruchom sekcję trzecią i sekcję czwartą. Ustaw flagę wyrównaną do zera i uruchom sekcję piątą. Następnie ustaw flagę wyrównaną do jednej i ponownie uruchom sekcję piątą.
Teraz uruchom sekcję szóstą i porównaj wyniki obok siebie. Następnie otwórz skrypt drugi i edytuj sekcję pierwszą skryptu, aby dopasować je do struktur danych. Następnie uruchom sekcję pierwszą.
Edytuj sekcję drugą skryptu, aby dopasować struktury danych, a następnie uruchom sekcję drugą. Użyj uzyskanego obrazu, aby zobaczyć, gdzie przepływ optyczny zmienia się najbardziej dramatycznie w analizowanych filmach. Edytuj sekcję trzecią skryptu, aby dopasować ją do struktur danych i potrzeb analizy.
Aby przeanalizować pełne pole widzenia wideo, ustaw flagę, wybierz ROI i podaj ROI do zera. Następnie uruchom sekcję trzecią. Aby przeanalizować nowy zwrot z inwestycji, ustaw flagę, wybierz opcję ROI na jeden i podaj zwrot z inwestycji na zero.
Następnie edytuj newCoordsName i uruchom sekcję trzecią. Wybierz nowy ROI w wyświetlonej ramce przykładowej, klikając i przeciągając. Aby przeanalizować wcześniej narysowany ROI, ustaw flagę wybierz ROI na zero i podaj ROI na jeden.
Następnie edytuj inputCoords, aby zapewnić wstępnie określony zestaw współrzędnych i uruchom sekcję trzecią. Otwórz skrypt trzeci i edytuj sekcje od pierwszej do trzeciej skryptu, aby dopasować je do struktur danych i potrzeb analizy. W sekcji pierwszej ustaw flagi opcji analizy ZSC, BLRM, BLZSC, demeanPerTrial i applyLPfilter na zero lub jeden.
Ustaw LPfilter na liczbę reprezentującą żądany filtr dolnoprzepustowy w hercach. Następnie uruchom sekcje od pierwszej do trzeciej. Otwórz skrypt czwarty i edytuj sekcję pierwszą skryptu, aby dopasować je do struktur danych i potrzeb analizy.
Uruchom sekcję pierwszą. Otwórz skrypt piąty i edytuj sekcję pierwszą skryptu, aby dopasować struktury danych i analizę. Następnie uruchom sekcję pierwszą i sekcję drugą.
Zmień zmienne group, myTitle i threshT w danych wejściowych sekcji trzeciej, aby odzwierciedlić żądaną analizę grupy. Uruchom sekcję trzecią dla każdej grupy zainteresowań. Następnie dostosuj zakres osi C i limity paska kolorów zgodnie z potrzebami wizualizacji.
Zmień zmienne mag, myTitle i threshT w sekcjach wejściowych czwartej, aby odzwierciedlić pożądane porównanie grup. Uruchom sekcję czwartą dla każdego porównania grup, które Cię interesuje, a następnie dostosuj zakres osi Z i limity paska kolorów zgodnie z potrzebami dla wizualizacji. Wektory przepływu optycznego wskazywały obszary ruchu zwierząt, zwłaszcza okolice pyska i łap.
Odchylenie standardowe wielkości przepływu optycznego zidentyfikowało obszary o dużych i niskich fluktuacjach ruchu. Matki wykazywały wyższe reakcje ruchowe na nawoływania szczeniąt w porównaniu z dziewicami, ale nie na czyste tony. Analiza głównych składowych wykazała, że matki miały więcej ruchu w okolicy nosa w porównaniu z dziewicami podczas obu prezentacji bodźców.
Kwantyfikacja przepływu optycznego zestawu danych walidacyjnych ujawniła znaczące różnice w reakcjach behawioralnych na nagrody za wysoką i niską ilość wody. Wyniki te sugerują ponadto, że przedstawiony potok analizy wideo może być wykorzystany do uchwycenia znaczących różnic w zachowaniu zwierząt w różnych warunkach.
Przegląd
Niniejsze badanie przedstawia potok analizy wideo zaprojektowany do monitorowania spontanicznych reakcji behawioralnych u myszy w środowisku MRI. Wykorzystując fMRI u czuwających myszy, badanie ma na celu odkrycie neuronalnych korelację zachowań macierzyńskich w odpowiedzi na wokalizacje młodych.
Kluczowe elementy badania
Dziedzina nauki
- Neuronauka
- Analiza behawioralna
- Techniki obrazowania
Wstęp
- Wokalizacje młodych myszy wywołują złożone reakcje behawioralne.
- Zrozumienie tych reakcji może dostarczyć wiedzy na temat opieki macierzyńskiej i aktywności mózgu.
- Poprzednie badania wykazały różnice w odpowiedziach kory słuchowej między samicami będącymi matkami a samicami niepłodnymi (dziewicami).
- Niniejsze badanie wykracza poza korę słuchową, aby przeanalizować ogólną aktywność mózgu.
Cel badania
- Identyfikacja sieci mózgowych aktywowanych przez wołania młodych u myszy o zróżnicowanych doświadczeniach macierzyńskich.
- Ocena spontanicznych reakcji behawioralnych w wymagającym środowisku MRI.
- Pogłębienie wiedzy na temat aktywności całego mózgu związanej z zachowaniami macierzyńskimi.
Zastosowane metody
- Opracowanie potoku analizy wideo opartego na programie MATLAB.
- Edycja i uruchamianie skryptów do analizy danych wideo z myszy w stanie czuwania.
- Wykorzystanie analizy przepływu optycznego do oceny reakcji ruchowych.
- Porównanie reakcji behawioralnych matek i samic dziewiczych podczas stymulacji słuchowej.
Główne wyniki
- Matki wykazywały silniejsze reakcje ruchowe na wołania potomstwa w porównaniu z osobnikami dziewiczymi.
- Analiza przepływu optycznego wskazała na istotne różnice behawioralne wynikające z doświadczenia macierzyńskiego.
- Analiza głównych składowych ujawniła odrębne wzorce ruchu u matek w stosunku do osobników dziewiczych.
- Procedura analizy wideo skutecznie zarejestrowała spontaniczne zachowania w różnych warunkach.
Wnioski
- Badanie z sukcesem demonstruje metodę analizy spontanicznych zachowań w warunkach obrazowania MRI.
- Wyniki przyczyniają się do zrozumienia neuronowych podstaw zachowań macierzyńskich w odpowiedzi na sygnały dziecka.
- Opracowany schemat analizy może zostać zastosowany w dalszych badaniach z zakresu neuronauki behawioralnej.
Najczęściej zadawane pytania
Znaczenie dla przemysłu
Integracja profilowania behawioralnego z obrazowaniem całego mózgu u czuwających myszy umożliwia zespołom biofarmaceutycznym powiązanie aktywności obwodów neuronalnych ze złożonymi, etologicznie istotnymi zachowaniami w kontrolowanych warunkach eksperymentalnych. Podejście to zwiększa pewność prognostyczną w walidacji celów terapeutycznych poprzez korelację ilościowych wyników behawioralnych z funkcjonalnymi odpowiedziami w obrębie całego mózgu. Taki schemat postępowania wspiera ciągłość translacyjną od wczesnej fazy odkrywania po rozwój modeli przedklinicznych, szczególnie w przypadku portfeli neurobehawioralnych i celowanych w OUN.
Strategiczne zastosowania w badaniach i rozwoju biofarmaceutycznym
Wczesne etapy odkrywania i walidacja celu
- Umożliwia analizę obwodów neuronalnych leżących u podłoża specyficznych fenotypów behawioralnych w odpowiedzi na określone bodźce.
- Wspiera ograniczanie ryzyka biologicznego poprzez powiązanie funkcjonalnej aktywności mózgu z obserwowalnymi efektami behawioralnymi.
- Zwiększa pewność prognostyczną przy wyborze celu poprzez kwantyfikację odpowiedzi wywołanych bodźcem w kohortach zwierząt.
Przesiewy i opracowanie testów
- Przygotowuje zwalidowane odczyty behawioralne do integracji z procesami obrazowania neuronalnego.
- Standaryzuje kwantyfikację behawioralną z wykorzystaniem przepływu optycznego i redukcji wymiarowości w celu zapewnienia powtarzalności.
- Umożliwia rzetelne porównanie interwencji związków chemicznych lub genetycznych w odniesieniu do punktów końcowych zarówno neuronalnych, jak i behawioralnych.
Badania translacyjne i przedkliniczne
- Umożliwia powiązanie wyników behawioralnych z aktywnością neuronalną istotną dla choroby w celu opracowania translacyjnych biomarkerów.
- Zapewnia ciągłość procesu od etapu odkrycia po walidację przedkliniczną dzięki możliwości monitorowania behawioralnego w ograniczonych przestrzeniach.
- Zmniejsza ryzyko mechanistyczne w przypadku portfeli celów terapeutycznych związanych z OUN i neuropsychiatrią.
Integracja potoku i przepływu pracy
Niniejszy potok analizy wideo zachowań łączy wczesne etapy odkryć z badaniami przedklinicznymi, umożliwiając zsynchronizowany pobór danych behawioralnych i neuronalnych w wymagających środowiskach, takich jak MRI. Jest on przeznaczony do wykorzystania w walidacji celów, identyfikacji związków wiodących oraz opracowywaniu modeli translacyjnych.
- Biologia odkrywcza: Ilościowo ocenia reakcje behawioralne na określone bodźce, wspierając testowanie hipotez i wyjaśnianie szlaków sygnałowych.
- Przesiewy: Dostarcza powtarzalnych, ilościowych miar behawioralnych do dalszych przesiewów związków chemicznych lub genetycznych.
- Analityka: Zapewnia wyniki statystyczne i redukcję wymiarowości w celu przeprowadzenia rzetelnych porównań między różnymi warunkami.
- Badania translacyjne: Ułatwia dopasowanie punktów końcowych behawioralnych i neuronalnych dla walidacji modeli przedklinicznych.
- Ponowne wykorzystanie w przedsiębiorstwie: Oferuje modułowy, adaptacyjny potok analizy do monitorowania behawioralnego w różnych platformach rejestracji aktywności neuronalnej.
Wpływ operacyjny i przedsiębiorczy
- Wartość naukowa: Zwiększa pewność prognostyczną i zmniejsza niejednoznaczność mechanistyczną w walidacji celów terapeutycznych OUN.
- Wartość operacyjna: Standaryzuje kwantyfikację behawioralną w celu zapewnienia powtarzalności i skalowalności między badaniami.
- Wartość strategiczna: Usprawnia podejmowanie decyzji o kontynuacji lub przerwaniu badań (go/no-go) poprzez integrację strumieni danych behawioralnych i neuronalnych.
- Wpływ na portfolio: Umożliwia priorytetyzację celów i modeli neurobehawioralnych z uwzględnieniem korekty ryzyka.
Wskazówki dotyczące wdrożenia
- Wymaga doświadczenia w zakresie neuronauki behawioralnej, obrazowania oraz analizy obliczeniowej.
- Zależne od dostępu do systemu akwizycji wideo kompatybilnego z MRI oraz infrastruktury analitycznej opartej na programie MATLAB.
- Wymaga standaryzacji protokołów oceny behawioralnej i integracji danych pomiędzy zespołami.
- Możliwość adaptacji do różnych modalności rejestracji aktywności neuronalnej poza fMRI, zgodnie z zakresem projektu potoku przetwarzania.
- Ograniczone koniecznością stosowania sprzętu nieferromagnetycznego oraz ograniczonym polem widzenia w środowiskach MRI.
