Анализ кондиционирования ухаживания может использоваться для измерения обучения и памяти в Drosophila . Чтобы продемонстрировать это, результаты, представленные здесь, анализируют STM и LTM у контрольных мух по сравнению с мухами с нейроно-специфическим нокдауном Dhap-at. Контрольные самцы экспрессируют интерференционную последовательность шпилек РНК, нацеленную на специфический ген Caenorhabditis elegans , предполагаемый белок цинкового пальца C02F5.12 19 . Этот контрольный штамм обеспечивает равное количество элементов активирующей последовательности восходящего потока (UAS) между нокдауном и контролем в том же генетическом фоне, а контрольная шпилька RNAi учитывает любые неспецифические эффекты системы RNAi. Контрольные самцы (генотип: UAS-dcr2 / +; P {KK108109} VIE-260B / +; elav-Gal4 / + ) показывают значительное снижение CI в тренированных и наивных для обоих STM ( рис. 3A , p = 1,2 × 10 - 4 , Манн-УитнY U-тест) и LTM ( рисунок 3B , p = 1,2 × 10 -4 , U-тест Манна-Уитни). Этот результат отражает нормальную способность к обучению и памяти у этих мух. Dhap - у нокдаун-мух (генотип: UAS-dcr2 / +; P {KK101437} VIE-260B / +; elav-Gal4 / + ) также демонстрируют значительное снижение CI у обученных против наивных мух для STM ( рис. 3A , p = 1,2 × 10 -4 , U-тест Манна-Уитни). Однако они не показывают значительного снижения CI после обучения LTM ( рисунок 3B , p = 0,33, U-тест Манна-Уитни). У-тест Mann-Whitney использовался для сравнения среднего CI наивных и обученных мух из-за непараметрического распределения данных CI для некоторых условий ( рис. 3A и 3B ). Различия, наблюдаемые в результате анализа CI, отражаются LI для каждого генотипа, который измеряет процентное соотношениеВ КИ в наивных и опытных мухах ( рис. 3C ). Нет существенной разницы в LI между контрольными элементами и Dhap-при нокдаун-мух для STM ( p = 0,155, 10000 бутстрапов, рис. 3C , таблица 3 ), тогда как LI для LTM значительно ниже в Dhap-у нокдаун-мух ( p = 0,0034, 10000 копий бутстрапа, Рисунок 3C , Таблица 3 ). Для сравнения LI между генотипами тест 20 рандомизации, адаптированный из метода, впервые рекомендованного Камышевым и др. 7 . Поскольку LI - это одно значение, полученное из данных о населении ( т. Е. Среднее CI-наивное и среднее CI-обучение), стандартные статистические методы, основанные на экспериментально полученных распределениях, не применяются. Тест рандомизации не распространяется на распределение и использует загрузку ( т. Е. Случайные sampliNg с заменой), чтобы генерировать гипотетические наборы данных, полученные из фактических данных. Сценарий analearn (файл S3) генерирует набор гипотетических LI для каждого генотипа и вычисляет разницу между контролем и тестовым генотипом (LIdiff). Этот процесс повторяется 10000 раз, и полученные значения используются для определения 95% доверительного интервала LIdiff ( таблица 3 ). Эти данные используются для генерации p- значения, указывающего вероятность того, что LI двух генотипов отличается. Результаты, показанные здесь, показывают, что Dhap-at требуется в нейронах для LTM, но не для STM.
Чтобы контролировать повседневную изменчивость, CI и LI сравниваются между повторяющимися днями ( Таблица 4 ). Хотя некоторые колебания LI наблюдаются изо дня в день, результаты, как правило, воспроизводимы. Важно отметить, что данные CI могут сильно варьироваться в зависимости от управляющей strAin и условия окружающей среды для тестирования. Данные CI, показанные здесь, типичны для этого контрольного генотипа, но другие генотипы могут иметь более высокий или более низкий средний CI и распределение.

Рисунок 1: Определение индекса ухаживания и экспериментального обзора. ( A ) Изображения, показывающие стереотипное поведение супружеского ухаживания по отношению к женщине. Показаны различные этапы поведения ухаживания: ориентация (I), следующая (II), вибрация (растяжение) крыла и постукивание (III), лизание (IV) и попытка совокупления (V). ( B ) Схематический обзор времени обучения и тестирования относительно цикла освещения инкубатора, отмеченного в часах. Время обучения указано в барах, периоды отдыха для STM и LTM обозначены пунктирной линией, а начальная точка тестирования указана как стрелка. Обратите внимание, чтоВремя тестирования для LTM на следующий день после тренировки. Нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Рисунок 2: Оборудование, используемое для анализа кондиционирования суставов Drosophila. ( A ) Жилищный блок представляет собой плоский нижний блок с 500 мкл энергетической энергии на лунку. Он запечатывается клеящей пленкой qPCR с по меньшей мере 4 отверстиями на лунку, которые были созданы с помощью иглы шприца диаметром 0,8 мм. Отдельные ряды разрезаются продольно на полоски, используя лезвие бритвы, чтобы можно было открывать и закрывать. ( B ) Аспиратор необходим для нежной передачи мутантов и самцов без использования анестезии. На вставке показан кончик аспиратора, закрытый куском хлопка до кеEp мух внутри наконечника. ( C ) Настройка двухкамерной системы для одновременной записи двух ухаживающих камер. ( D ) Ухаживающая камера с 18 аренами. Раздвижные входные отверстия используются для размещения мух на аренах. Белые разделители можно одновременно открыть, чтобы инициировать взаимодействие между самцами и самками. Нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Рисунок 3: Анализ STM и LTM в контроле и Dhap-Knockdown Flies. ( AB ). Коробки, показывающие распределение значений CI для наивных (N) и обученных (T) мух контрольных (серых) и Dhap- нокаутированных (белых) генотипов, проверенных для STM (A) и LTM (B). ( C ) КорреспоЗначения LI для управления и Dhap-на нокдаун-мух, протестированных для STM и LTM. Различия в LI между генотипами контроля и нокдауна сравнивались с использованием теста рандомизации (10000 копий бутстрапа). Таблицы ошибок указывают на стандартную ошибку среднего, полученную из значений LI, рассчитанных в разные тестовые дни. Генотипы: w +, UAS-dcr2 / + ; P {KK108109} VIE-260B / + ; И elav-Gal4 / + (контроль) И w +, UAS-dcr2 / + ; P {KK101437} VIE-260B / +; И elav-Gal4 / + ( Dhap-at- RNAi). Нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
| Генеральная | собирать | Поезд | Контрольная работа |
| День -11 | Начать готовые женские коллекции культур (шаг 1.3) | | | |
| День -10 | Начать культуру для сбора мужских испытуемых (шаг 2.2) | | | |
| 1 день | | по донесению 1 | | |
| день 2 | | по донесению 2 | | |
| День 3 | | по донесению 3 | | |
| День 4 | | по донесению 4 | по донесению 1 | |
| День 5 | | | по донесению 2 | по донесению 1 |
| День 6 | | | по донесению 3 | по донесению 2 |
| День 7 | | | по донесению 4 | по донесению 3 |
| День 8 | | | | по донесению 4 |
| День 9 | Анализ и статистика видеоданных (шаг 8) | | | |
| | | | |
| Rep = повторить | | | |
Таблица 1 : Пример временной шкалы для тестирования LTM над тремя репликами в отдельные дни.
| Обучение | STM | LTM |
| Тренировочное время | 1 ч. | 1 ч. | 8 ч. |
| Время отдыха | 0 ч. | 1 ч. | ~ 24 ч. |
| Начать обучение | 0час ALO | 0 ч. ALO | 4 ч. BLO |
| Прекратить обучение | 1 ч. ALO | 1 ч. ALO | 4 ч. ALO |
| Начать тест | 1 ч. ALO | 2 ч. ALO | 0 ч. ALO (на следующий день) |
| ALO = после включения индикаторов, BLO = перед включением фары, STM = кратковременная память, LTM = долговременная память |
Таблица 2 : Продолжительность обучения, время обучения и время тестирования для обучения, STM и LTM.
| Генотип | Обучение состояние | CI наивный | CI обученный | LI | LI разница | Нижний предел (95% доверительный интервал) | Верхний предел (95% доверительный интервал) | р-значение |
| контроль | STM | 0,467 | 0,116 | 0,752 | Не Доступно | Не Доступно | Не Доступно | Не Доступно |
| DHAP-на-RNAi | STM | 0,699 | 0,257 | 0,633 | 0,119 | -0,030 | 0,265 | 0,116 |
| контроль | LTM | 0,590 | 0,384 | 0,348 | Не Доступно | Не Доступно | Не Доступно | Не Доступно |
| DHAP-на-RNAi | LTM | 0,697 | 0,650 | 0,068 | 0,280 | 0,103 | 0,446 | 0,003 |
Таблица 3: Статистические данные, подготовленные по аналоговому сценарию.
Статистические данные, полученные из сценария сравнения. Выходной файл загрузочного R-скрипта, содержащего генотип, условие обучения ( т. Е. Обучение, STM или LTM), означает CI наивный, средний CI, LI, разница между LI контроля по сравнению с экспериментальным условием (LI diff) , Нижний предел (LL) и верхний предел (UL) 95% доверительного интервала LI dif и p- значение, указывающее вероятность отсутствия существенной разницы.
| | контроль | | | DHAP-на-RNAi | | |
| | Средний CI наивный | Средний CI | LI | Средний CI наивный | Средний CI | LI |
| STM | 1 день | 0,300 | 0,125 | 0,584 | 0,679 | 0,239 | 0,648 |
| День 2 | 0,634 | 0,107 | 0,831 | 0,720 | 0,276 | 0,617 |
| Все дни | 0,467 | 0,116 | 0,752 | 0,699 | 0,257 | 0,633 |
| LTM | 1 день | 0,590 | 0,441 | 0,252 | 0,630 | 0,646 | -0,027 |
| День 2 | 0,640 | 0,363 | 0,432 | 0,709 | 0,710 | -0,002 |
| День 3 | 0,547 | 0,349 | 0,363 | 0,738 | 0,598 | 0,190 |
| Все дни | 0,590 | 0,384 | 0,348 | 0,697 | 0,650 | 0,068 |
Таблица 4 : Значения CI и LI, полученные в отдельные дни тестирования.
| «Naivelevel» определяет текст, который будет определять наивные значения для каждого генотипа. Значение по умолчанию - «N», но это может быть изменено на любой другой буквенно-цифровой текст. |
«Refmutation» по умолчанию устанавливается «NA» (не применимо), но может быть изменено на имя элемента управления или генотипа для выполнения статистических сравнений. Это приведет кCript, чтобы автоматически выбрать контрольный генотип. |
| «Datname» относится к имени файла данных и может быть указано в этом аргументе вместо выбора файла по умолчанию. |
«Header» может использоваться для указания, содержит ли файл данных заголовки столбцов. По умолчанию используется значение «TRUE», но файл, не содержащий заголовков, может использоваться, когда этот аргумент изменен на «FALSE». |
«Seed» инициализирует генератор случайных чисел, который по умолчанию устанавливается «NA» и обеспечивает случайное число при каждом использовании сценария. По дизайну, анализ начальной загрузки будет давать несколько разные результаты при каждом запуске, даже при использовании одного и того же файла данных. Когда семя задается любым целочисленным числом, большим нуля, получается тот же набор выборок случайного бутстрапа. |
| "Написать Put "может быть установлен на" TRUE "или" FALSE ", чтобы определить, будет ли генерироваться выходной файл. По умолчанию используется значение «ИСТИНА». |
Таблица 5: Аргументы, используемые в функции Analearn, которые могут изменять настройки по умолчанию для функции «Настройка параметров начальной загрузки»
Дополнительный файл S1: План строительства камеры ухаживания. Файл можно открыть с помощью любого приложения, которое поддерживает расширения .stp (CAD-файлы) . Нажмите здесь, чтобы загрузить этот файл.
Дополнительный файл S2 : пример входного файла для скрипта Analearn .S2.zip "target =" _ blank "> Нажмите здесь, чтобы скачать этот файл.
Дополнительный файл S3 : The Analearn.R Acript. Файл можно открыть с помощью R-studio 18 . Нажмите здесь, чтобы загрузить этот файл.