Summary
MouseWalker (MW) araç kutusunu kullanarak serbestçe yürüyen farelerin lokomotor modelini nicel olarak tanımlamak için ilk video kayıtlarından ve izlemeden niceleme sonrası analize kadar uzanan deneysel bir boru hattı sağlanmıştır. MW sisteminin yararlılığını göstermek için farelerde omurilik kontüzyon yaralanması modeli kullanılmıştır.
Abstract
Yürüme ve koşma gibi karmaşık ve yüksek derecede koordine edilmiş motor programlarının yürütülmesi, spinal ve supra-spinal devrelerin ritmik aktivasyonuna bağlıdır. Torasik omurilik yaralanmasından sonra, yukarı akış devreleri ile iletişim bozulur. Bu da, sınırlı iyileşme potansiyeli ile koordinasyon kaybına yol açar. Bu nedenle, ilaçların veya tedavilerin uygulanmasından sonra iyileşme derecesini daha iyi değerlendirmek için, omurilik yaralanmasının hayvan modellerinde yürüyüş, uzuv koordinasyonu ve lokomotor davranışın diğer ince yönlerini ölçmek için yeni, daha ayrıntılı ve doğru araçlara ihtiyaç vardır. Kemirgenlerde serbest yürüme davranışını nicel olarak değerlendirmek için yıllar içinde çeşitli testler geliştirilmiştir; Bununla birlikte, genellikle adım adım yürüme stratejileri, ayak izi kalıpları ve koordinasyon ile ilgili doğrudan ölçümlerden yoksundurlar. Bu eksiklikleri gidermek için, hayal kırıklığına uğramış bir toplam iç yansıma (fTIR) geçitini izleme ve niceleme yazılımı ile birleştiren MouseWalker'ın güncellenmiş bir sürümü sağlanmıştır. Bu açık kaynaklı sistem, çeşitli grafik çıktıları ve kinematik parametreleri çıkarmak için uyarlanmıştır ve sağlanan çıktı verilerini analiz etmek için bir dizi post-niceleme aracı olabilir. Bu makale ayrıca, halihazırda kurulmuş davranış testleriyle birlikte bu yöntemin, omurilik yaralanmasını takiben lokomotor eksiklikleri nicel olarak nasıl tanımladığını göstermektedir.
Introduction
Dört ekstremitenin etkili koordinasyonu, dörtlü hayvanlara özgü değildir. İnsanlarda ön ayak-arka bacak koordinasyonu, yüzme ve yürürken hız değişiklikleri gibi çeşitli görevleri yerine getirmek için önemini korumaktadır1. Çeşitli ekstremite kinematik2 ve motor programı 1,3,4'ün yanı sıra propriyoseptif geri besleme devreleri5, insanlar ve diğer memeliler arasında korunur ve omurilik yaralanması (SCI) gibi motor bozukluklar için terapötik seçenekleri analiz ederken göz önünde bulundurulmalıdır 6,7,8.
Yürümek için, ön ayaklardan ve arka bacaklardan birkaç omurga bağlantısının düzgün bir şekilde bağlanması ve ritmik olarak aktive edilmesi gerekir, bu da beyinden girdiler ve somatosensoriyel sistemden geri bildirim gerektirir 2,9,10. Bu bağlantılar, sırasıyla 1,9,10 olan ön ayaklar ve arka bacaklar için servikal ve lomber seviyede bulunan merkezi desen üreteçleri (CPG'ler) ile sonuçlanır. Genellikle, SCI'den sonra, nöronal bağlantının bozulması ve inhibitör bir glial skar12 oluşumu, lokomotor fonksiyonun iyileşmesini sınırlar ve sonuçlar, yaralanma şiddetine bağlı olarak toplam felçten bir grup ekstremitenin kısıtlı fonksiyonuna kadar değişir. SCI'den sonra lokomotor fonksiyonu hassas bir şekilde ölçmek için kullanılan araçlar, iyileşmeyi izlemek ve tedavilerin veya diğer klinik müdahalelerin etkilerini değerlendirmek için kritik öneme sahiptir6.
SCI'nin fare kontüzyon modelleri için standart metrik tahlil, açık alan arenasında gövde stabilitesini, kuyruk pozisyonunu, plantar adımlamayı ve ön ayak-arka bacak koordinasyonunu dikkate alan parametrik olmayan bir skor olan Basso fare ölçeği (BMS) 13,14'tür. BMS çoğu durumda son derece güvenilir olsa da, doğal değişkenliği hesaba katmak ve önyargıyı azaltmak için hayvan hareketinin tüm açılarını gözlemlemek için en az iki deneyimli puanlayıcı gerektirir.
SCI'dan sonra motor performansını nicel olarak değerlendirmek için başka testler de geliştirilmiştir. Bunlar arasında dönen bir silindir15 üzerinde harcanan zamanı ölçen rotarod testi; kaçırılan korkulukların sayısını ölçen yatay merdiven ve pozitif merdiven16,17; ve bir hayvanın dar bir kirişi geçerken aldığı süreyi ve yaptığı başarısızlık sayısını ölçen ışın yürüme testi18. Motor eksikliklerin bir kombinasyonunu yansıtmasına rağmen, bu testlerin hiçbiri ön ayak-arka bacak koordinasyonu hakkında doğrudan lokomotor bilgi üretmez.
Yürüme davranışını spesifik ve daha kapsamlı bir şekilde analiz etmek için, adım döngülerini ve yürüme stratejilerini yeniden yapılandırmak için başka testler geliştirilmiştir. Bir örnek, bir hayvanın mürekkepli pençelerinin bir beyaz kağıt19 sayfası üzerine bir desen çizdiği ayak izi testidir. Uygulanmasında basit olmasına rağmen, adım uzunluğu gibi kinematik parametrelerin çıkarılması hantal ve yanlıştır. Ayrıca, adım döngüsünün süresi veya bacak zamanlı koordinasyon gibi dinamik parametrelerin eksikliği, uygulamalarını sınırlar; Gerçekten de, bu dinamik parametreler yalnızca şeffaf bir yüzeyden geçen kemirgenlerin kare kare videolarını analiz ederek elde edilebilir. SCI çalışmaları için araştırmacılar, adım döngüsünü yeniden yapılandırmak ve her bir bacak ekleminin açısal varyasyonlarını ölçmek de dahil olmak üzere bir koşu bandı kullanarak yanal bir görünümden yürüme davranışını analiz ettiler 4,20,21. Bu yaklaşım son derecebilgilendirici 6 olsa da, belirli bir uzuv kümesine odaklanmaya devam eder ve koordinasyon gibi ek yürüyüş özelliklerinden yoksundur.
Bu boşlukları doldurmak için Hamers ve meslektaşları, hayal kırıklığına uğramış toplam iç yansıma (fTIR)22 kullanan optik bir dokunmatik sensöre dayanan nicel bir test geliştirdiler. Bu yöntemde, ışık iç yansıma yoluyla camdan yayılır, pençeye basıldığında dağılır ve son olarak yüksek hızlı bir kamera tarafından yakalanır. Daha yakın zamanlarda, bu yöntemin MouseWalker adı verilen açık kaynaklı bir sürümü kullanıma sunuldu ve bu yaklaşım bir fTIR yürüyüş yolunu bir izleme ve niceleme yazılım paketi23 ile birleştiriyor. Bu yöntemi kullanarak, kullanıcı adım, uzamsal ve yürüyüş kalıpları, ayak izi konumlandırma ve ön ayak-arka bacak koordinasyonunun yanı sıra ayak izi desenleri (mürekkepli pençe testi6'yı taklit ederek) veya vücut eksenine göre duruş aşamaları gibi görsel çıktılar da dahil olmak üzere çok sayıda nicel parametre çıkarabilir. Daha da önemlisi, açık kaynaklı doğası gereği, MATLAB komut dosyası paketi güncellenerek yeni parametreler çıkarılabilir.
Burada, MouseWalker23 sisteminin daha önce yayınlanan derlemesi güncellenir. En iyi video kalitesini, izleme koşullarını ve parametre alımını elde etmek için gereken tüm adımlarla birlikte nasıl ayarlanacağına dair bir açıklama sağlanır. MouseWalker (MW) çıktı veri kümesinin analizini geliştirmek için ek post-niceleme araçları da paylaşılır. Son olarak, bu aracın kullanışlılığı, omurilik yaralanması (SCI) bağlamında, genel lokomotor performans, özellikle adım döngüleri ve ön ayak-arka bacak koordinasyonu için ölçülebilir değerler elde edilerek gösterilmiştir.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Tüm elleçleme, cerrahi ve ameliyat sonrası bakım prosedürleri, Instituto de Medicina Moleküler İç Komitesi (ORBEA) ve Portekiz Hayvan Etiği Komitesi (DGAV) tarafından Avrupa Topluluğu yönergelerine (Direktif 2010/63/EU) ve Portekiz hayvan bakımı yasasına (DL 113/2013) uygun olarak 0421/000/000/2022 lisansı kapsamında onaylanmıştır. Bu çalışmada 9 haftalık dişi C57Bl/6J fareler kullanıldı. Çalışmada kullanılan hayvan sayısının en aza indirilmesi ve hayvanların acılarının azaltılması için tüm çabalar gösterilmiştir. MATLAB betiği ve MW yazılımının bağımsız sürümü açık kaynaklıdır ve GitHub'da mevcuttur.
depo (https://github.com/NeurogeneLocomotion/MouseWalker). MW yazılımı MATLAB R2012b'de geliştirilirken, MATLAB R2022b'de çalışacak şekilde uyarlanmıştır. Şekil 1 , MW'nin analiz iş akışını göstermektedir.
1. MouseWalker (MW) aparatının kurulumu
- MW cihazını daha önce23'te açıklandığı gibi monte edin veya deneysel tasarımın özel ihtiyaçlarına uyarlayın (kurulum hakkında daha fazla ayrıntı için Malzeme Tablosu ve Ek Şekil 1'e bakın).
NOT: Yürüyüş alanı, sıçanlar gibi daha büyük hayvanları barındıracak şekilde genişletilebilir. -
Hayvanların yürüdüğü pleksiglasın temiz ve çizilmez olduğundan emin olun. Pürüzsüz bir temizleme bezi kullanın ve pleksiglas zarar verebilecek yüksek konsantrasyonlarda amonyak veya etanol gibi organik çözücülerin kullanımını en aza indirin (% 3 hidrojen peroksit,% 7 etanol veya pleksiglas için uyumlu ve uygun herhangi bir dezenfektan önerilir). Gerekirse, pleksiglas değiştirin.
- Yüksek hızlı kamerayı, fTIR sinyallerinin kaydedilmesine yardımcı olduğu için büyük miktarda ışık yakalamak için hızlı bir lens ve geniş bir diyafram açıklığı (yani, daha küçük F-stop değerleri) ile ayarlayın (bkz.
NOT: Lens, özellikle görüntünün kenarlarında optik bozulmalar oluşturmamalıdır. Optik bozulmalar, bilinen bir desen (örneğin, çizgiler veya kareler) kaydedilerek ve ardından ImageJ / FIJI24'teki blokların boyutunu ölçerek test edilebilir (çizgi aracını kullanın ve ardından Analiz > Ölç'e tıklayın). Örneğin, 1 cm boyutundaki bir karenin hem görüntünün merkezinde hem de kenarlarında aynı piksel boyutlarına sahip olması gerekir. Varyasyonlar %5'ten küçük olmalıdır. - Çok renkli LED ışık şeridini arka plan ışık kutusundan aydınlatın.
- Beyaz LED ışık şeridini geçit ışık kutusundan aydınlatın.
NOT: Renkli bir LED, ayak izi / gövde / arka planın ayırt edilmesini kolaylaştırmak için25 de kullanılabilir. - Oda ışıkları kapalıyken, arka plan ışık kutusunun ve geçitin ışık yoğunluğunu doğrulayın. Gerekirse, bir potansiyometre veya yarı opak plastik kullanarak yoğunluğu ayarlayın. Bunlar, piksel yoğunluğunun aşağıdaki sırayla artması için optimize edilmelidir: hayvanın vücudu < arka planı < ayak izleri.
- Hayvanın vücudunun / arka planının / ayak izlerinin piksel yoğunluğunu kontrol etmek için, ImageJ / FIJI24'teki görüntü dizisini açın ve Analiz > Ölç'e tıklayın. Ayak izi sinyali aşırı doygun olmamalıdır, çünkü bu, ayak izinin sınırlarının tanımlanmasını önleyecektir (örneğin, ayak parmakları ve ayak pedleri) (Ek Şekil 2).
- Video kayıt yazılımındaki geçitin görüntü kontrastını ayarlayın. Kontrast iki şekilde ayarlanabilir: LED şerit üzerindeki aydınlatmayı karartarak veya artırarak ya da kamera lensi diyafram açıklığını ayarlayarak.
- Lensi aynı yükseklikte ve 45° yansıtıcı aynanın merkezinde ve yürüme yoluna dik (90°) olacak şekilde doğru şekilde konumlandırın. Bu, sol-sağ geçit boyunca sürekli orantılı bir görüntü oluşturacaktır.
NOT: Birden fazla kayıt oturumunda kamera konumunu (mesafe, yükseklik ve yön) değiştirmekten kaçının. Gerekirse, tripodun yerleştirilmesi gereken zemini işaretleyin. Bu, görüntü özelliklerini koruyacaktır. - Lensi pleksiglas yüzeyine odaklayın. Bu, pleksiglas yüzeyine dokunan zarar vermeyen bir nesne kullanılarak test edilebilir.
NOT: Daha düşük F-stop lens değerlerinde, alan derinliği küçülür ve böylece odaklama zorlaşır. - Kaydedilen videoların piksel yoğunluğunu değiştirebileceğinden, test sırasında tüm ayarların değişmeden kaldığından emin olun.
2. Video edinme
- Testten önce farelerin odaya ve aparata aşina olduklarından emin olun. Alışkanlık için en az 1 gün tasarruf edin (gün 0). Aşırı eğitimden kaçınmak için, MW testini diğer davranış testlerinden farklı bir günde (tercihen ertesi gün) gerçekleştirin.
- Video kayıt yazılımında, yürüyüş yolunun en az 50 cm'sinin görünür olduğundan emin olun.
- Geçit bölgesini kesmek için kayıt ayarlarını yapın. Bu, video boyutunu küçültecek ve video alımını optimize edecektir.
- Her oturumdan önce normal bir cetvelin fotoğrafını veya kısa bir videosunu çekin. Santimetre başına düşen piksel sayısı daha sonra videoları kalibre etmek için "ayarlar penceresinde" kullanılacaktır.
- Video edinimini başlatın ve yaralanmaları önlemek için kuyruğun tabanını kavrayarak hayvanı yürüyüş yolunun kenarına yerleştirin. Hayvanların platformun en uç noktasına doğru ilerlemesini sağlayın. Düzgün yürüyüş geçişleri sağlamak için video kayıtlarını en az 100 kare / sn ile gerçekleştirin.
- Gerekirse, geçit duvarına hafifçe dokunarak veya parmaklarınızı çırparak / çırparak hayvanları hareket etmeleri için motive edin. Bununla birlikte, sonuçları etkileyebileceğinden fiziksel dürtmeden kaçının.
- Videoları doğrudan TIFF (LZW sıkıştırma ile), JPEG veya PNG formatında görüntü dizileri olarak kaydedin. Fotoğraf makinesinin ham bir MOV dosyası olarak kaydetmesi durumunda, dosyayı ImageJ / FIJI24'te açıp Dosya > > Görüntü dizisi olarak kaydet'e tıklayarak (veya LosslessCut25 gibi başka bir yazılım kullanarak) videoları görüntü dizilerine dönüştürün.
NOT: Çoğu hayvan yürüyüş yoluna konduktan hemen sonra yürümeye başlar; Bu nedenle, hayvanı yerleştirmeden önce video edinimine başlanması önerilir.
3. MW izleme yazılımı için videoların hazırlanması
- Her bir farenin yeterince eksiksiz çalışmasını filme alın. Koşula göre filme alınacak hayvan sayısı ve tamamlanan koşu sayısına her deneysel tasarıma göre karar verilmelidir. Tam bir çalışma, farenin uzun süre durmadan geçitin 50 cm'sinin tamamını yürüdüğü zamandır (bu deneyde, üç tam çalışma seçilmiştir).
NOT: Görüntü alma yazılımına bağlı olarak, videoların en küçük YG'ye göre kırpılması gerekebilir. Bu, izleme ve çıktı oluşturma hızını artıracaktır. - ImageJ/FIJI24'te, Image > Stack > Tools (Görüntü Yığınla Araçları) > Make a Substack (Alt Yığın Oluştur) seçeneğine tıklayarak farenin ekranda bulunduğu kareleri seçin. MW'daki izleme, baş ve kuyruğun tüm çerçevelerde görünür olmasını gerektirir. Bununla birlikte, daha sonra her çalıştırmayı temsil edecek tek bir video kaydından birkaç alt yığın oluşturmak mümkündür.
- Dosya > Görüntü dizisi olarak kaydet'e tıklayarak her alt yığını ayrı ayrı farklı klasörlere kaydedin>. MW yazılımı daha sonra bir çalıştırmayı analiz etmeye her başladığında her dizinde otomatik olarak bir alt klasör oluşturur.
4. İzleme
- MATLAB'ı açın, MW komut dosyasını içeren klasörü çalışma dizinine ekleyin ve ana komut satırında "MouseWalker.m" dosyasını çalıştırın.
NOT: MATLAB altında MW yazılımının kullanılması, izleme hata mesajlarının MATLAB'ın ana konsolunda görüntülenmesine ve istenen çıktı verilerinin seçilmesine olanak tanır ("MouseEvaluate.m" ana komut dosyasını açarak ve çıktıları 1 veya 0 olarak değiştirerek: excel dosyası, ayak izi grafikleri, duruş izleri ve yürüyüş desenleri). - Video klasörünü "Giriş dizini" olarak yükleyin. Çıktı klasörünü de seçebilirsiniz; ancak, MW yazılımı "Giriş dizini" içinde otomatik olarak "Sonuçlar" adlı yeni bir klasör oluşturduğundan bu bir gereklilik değildir.
- "<<", "<", ">>" ve ">" oklarını kullanarak video karelerinin MW yazılımına doğru yüklenip yüklenmediğini kontrol edin.
- Tüm kalibrasyon ve eşik parametrelerinin bulunduğu "Ayarlar penceresine" gidin. Bu ayarlar, diğer faktörlerin yanı sıra arka planın ve ayak izlerinin piksel yoğunluğunun yanı sıra gövdenin ve ayak izlerinin minimum boyutuna bağlı olarak değişebilir ( Ek Şekil 2'deki örneğe bakın). Önizleme düğmesine tıklayarak bazı parametreleri değiştirmenin etkisini test edin.
- Eşik parametrelerini ayarladıktan sonra vücut parçalarını ayırt etmeye yardımcı olmak için "gövde + ayak + kuyruk", "yalnızca gövde", "yalnızca ayaklar" ve "yalnızca kuyruk" gibi farklı çizim stillerini kullanın.
- Parlaklık veya boyut ölçümlerini almak için sağ taraftaki paneldeki araçlardan yararlanın (sırasıyla "parlaklık" ve "cetvel" düğmelerini kullanarak). Fotoğraf makinesi mesafesi aynı kaldığı sürece tüm ayarlar "varsayılan" olarak kaydedilebilir.
- Eşik parametrelerini ayarladıktan sonra videonun otomatik izleme için hazır olup olmadığını kontrol edin. İlk kareye gidin ve izlemeye başlamak için Otomatik'e tıklayın. Bu adım gerçek zamanlı olarak takip edilebilir ve videonun boyutuna ve bilgisayarın performansına bağlı olarak birkaç dakika sürer.
- Otomatik izleme gövde özelliklerini yanlış etiketliyorsa, otomatik izlemeyi iptal edin, yeni ayarlar girin ve işlemi yeniden başlatın.
- İzleme tamamlandıktan sonra, manuel düzeltme gerekip gerekmediğini kontrol edin. Düzeltmek için, orta paneli kullanarak seçin veya seçimini kaldırın ve sağ ön (RF), sağ arka (RH), sol ön (LF) ve sol arka (LH) pençe ayak izlerinin, baş, burun, gövde (iki bölüme ayrılmıştır) ve kuyruk konumlarının (dört bölüme ayrılmıştır) konumunu belirtin. Kaydet düğmesine basarak değişiklikleri kaydedin.
NOT: Tüm düğmelerin ve çoğu komutun bir tuş kısayolu vardır (ayrıntılar23 için ilgili kılavuza bakın). Video kaydırmayı ve klavye kısayollarının yürütülmesini kolaylaştırmak için, programlanabilir düğmelere sahip bir donanım denetleyicisi ve Contour ShuttlePro V2 gibi bir mekik tekerleği kullanılabilir. - İzlenen videodan çıktı dosyalarını oluşturmak için Değerlendir'e tıklayın. Seçilen istenen çıktıya bağlı olarak (bkz. adım 4.1), bu adım birkaç dakika sürebilir.
- Tüm grafik çıktı veri grafiklerinin "Sonuçlar" klasörüne kaydedildiğini kontrol edin. Tüm pençe konumlarının tutarlı olup olmadığını kontrol edebileceğiniz "Duruş izleri" gibi bazı grafik çıktıları inceleyerek izlemenin doğruluğunu doğrulayın.
- Bir hata tespit edilirse, izlemeyi manuel olarak düzeltin (mümkünse; aksi takdirde, "Sonuçlar" klasörünü ortadan kaldırın ve otomatik izlemeyi yeni ayarlarla tekrar gerçekleştirin) ve Değerlendirme komutunu tekrar tıklayın.
- MW yazılımı tarafından oluşturulan tüm nicel ölçümlerin bir Excel elektronik tablosuna kaydedildiğini ve "1. Info_Sheet". Formül sınırlamaları için excel seçeneklerinin komut dosyasıyla eşleştiğinden emin olun. Ondalık ayırıcı "," olmalı ve bin ayırıcı ";" olmalıdır.
- Tüm çalıştırmalardaki ölçümleri analiz için yeni bir dosyada toplamak üzere "MouseMultiEvaluate.m" betiğini kullanın.
- Başlamak için, tüm videoların klasör yollarını içeren bir .txt dosyası oluşturun (ör. "Videofiles.txt"). Her satırın tek bir videoya karşılık geldiğinden emin olun.
- Ardından, komut satırına "MouseMultiEvaluate('Videofiles.txt')" yazın. Çalışma dizininde "ResultSummary.xls" adlı bir excel dosyası oluşturulur (GitHub deposundaki bir örneğe bakın).
NOT: Şekil 2 , MW yazılımı tarafından kaydedilen bir hayvanın videolarından elde edilen grafik çıktıları temsil etmektedir.
5. Kinematik veri analizi iş akışı
- Sağlanan Python betiklerini kullanarak işlenecek verileri içeren adım 4.10'da oluşturulan excel sayfasını aşağıdaki önkoşullara göre düzenleyin.
- İlk sütun başlığında, deneysel koşulu belirtin. Grup/koşul adından sonraki her satırı adlandırın (aynı gruplardan bireylerin aynı ada sahip olması gerekir). İlk grup kontrol veya taban çizgisi olmalıdır (bu yalnızca ısı haritası çizimi için zorunludur, adım 5.6).
- İkinci sütunda, hayvan kimliğini belirtin. Bu zorunludur, ancak bu bilgiler arsa üretimi için kullanılmayacaktır.
- Üçüncü sütundan sonra, analiz için kullanılacak motor parametrelerini seçin. İlk satırın parametrenin adı olduğundan emin olun (bu adlar daha sonra grafiklerde görünecektir).
- Anaconda Navigator'ı açın ve sağlanan Python betiklerini açmak için Spyder'ı çalıştırın.
NOT: Tüm komut dosyaları Python 3.9.13 ile geliştirilmiştir, Anaconda Navigator 2.1.4'te Spyder 5.2.2 ile yürütülmüştür ve Malzeme Tablosu ve GitHub deposunda (video örneği, excel örnek dosyası ve SSS belgesi gibi ek materyallerin dahil edildiği) mevcuttur. Komut dosyalarını Anaconda Navigator dışında yürütmek mümkündür; ancak, bu grafik kullanıcı arayüzü daha kullanıcı dostudur. - Ham veri grafiklerini oluşturmak için "Rawdata_PlotGenerator.py" kullanın. Bu, her parametrenin bir hız fonksiyonu olarak görselleştirilmesine izin verecektir.
- Spyder'da "Rawdata_PlotGenerator.py" ı açın ve Oynat düğmesine tıklayarak kodu çalıştırın.
- Analiz edilecek Excel dosyasını ve otomatik pencerede sayfa adını seçin. Sayfa adı değiştirilmemişse, "Sheet1" yazın.
- Ham veri grafikleri, çizim konsolunda (sağ üst panel) görünecektir. Grafikleri kaydetmek için, çizim konsolundaki Resmi kaydet veya Tüm görüntüleri kaydet düğmesine tıklayın.
- Veri analizi için artıkları hesaplamak üzere "Residuals_DataAnalysis" betiğini kullanın. Bu komut dosyası, tüm motor parametreleri için artıkların hesaplamalarını içeren bir CSV dosyası oluşturur.
NOT: MW tarafından çıkarılan ölçülen yürüyüş parametrelerinin çoğu hıza göre değişir (örneğin, dönüş hızı, adım uzunluğu, duruş süresi, duruş düzlüğü ve yürüyüş indeksleri). Bu nedenle, temel deney için hıza karşı her bir parametrenin en uygun regresyon modelinin gerçekleştirilmesi ve ardından bu regresyon modeliyle ilişkili olarak her bir deney grubu için artık değerlerin belirlenmesi önerilir. Veriler daha sonra artık normalleştirilmiş satır26'dan fark olarak ifade edilir.- Spyder'da "Residuals_DataAnalysis.py" ı açın ve Oynat düğmesine tıklayarak kodu çalıştırın.
- Analiz edilecek Excel dosyasını ve otomatik pencerede sayfa adını seçin. Sayfa adı değiştirilmemişse, "Sheet1" yazın.
- CSV dosyasını verilerle aynı klasöre kaydedin. Denetimin (veya temelin) Excel dosyasındaki ilk grup olması zorunludur.
- Ana bileşen analizi (PCA) gerçekleştirmek için "PCA_PlotGenerator.py" komut dosyasını kullanın.
NOT: Bu denetimsiz boyutsallık azaltma yöntemi, verilerin 27,28,29 daha özlü bir temsilini oluşturmak için kullanılır (Şekil 3A, B). PCA komut dosyası aşağıdaki adımları içerir. Veriler önce merkezleme ve ölçeklendirme ile önceden işlenir, daha sonra PCA algoritması değişkenler arasındaki korelasyonları belirlemek için kovaryans matrisini hesaplar ve ana bileşenleri tanımlamak için kovaryans matrisinin özvektörlerini ve özdeğerlerini hesaplar. İlk iki veya üç ana bileşen, verilerin sırasıyla 2B veya 3B grafiklerde gösterilmesi için seçilir. Grafiklerdeki her nokta bir hayvana karşılık gelir ve farklı bir soyut değişkeni temsil eder. Renk kodlu noktalar, belirli grupları ayırt etmek için kullanılır. Bu nedenle, nokta kümeleri, ilgili bireyler tarafından paylaşılan benzer yürüyüş modellerini yansıtır.- Spyder'da "PCA_PlotGenerator.py" ı açın ve Oynat düğmesine tıklayarak kodu çalıştırın.
- Analiz edilecek Excel dosyasını ve otomatik pencerede sayfa adını seçin. Sayfa adı değiştirilmemişse, "Sheet1" yazın.
- PCA 2B ve 3B grafiklerin çizim konsolunda (sağ üst panel) göründüğünden emin olun. Her renk farklı bir grubu temsil eder ve gösterge grafiğin yanında görünür. Grafiği kaydetmek için, çizim konsolunda Resmi kaydet'e tıklayın.
- Bir ısı haritası oluşturmak için "Heatmap_PlotGenerator.py" kullanın. Isı haritası üretecinin, her motor parametresi27 için taban çizgisi grubu (veya kontrol grubu) ile diğer gruplar arasındaki istatistiksel farkları gösteren bir tablo oluşturduğundan emin olun (Şekil 4). Her sütun bir grubu gösterir ve her satır belirli bir motor parametresiyle ilişkilidir.
NOT: İstatistiksel analiz, tek yönlü bir ANOVA ve ardından Tukey'in post hoc testi (normal dağılımlar için) veya Kruskal-Wallis ANOVA ve ardından Dunn'un post hoc testi (normal olmayan dağılımlar için) ile gerçekleştirilmiştir. Aykırı değerler analizin dışında bırakıldı. P değerleri, kırmızı ve mavi tonları sırasıyla kontrole (veya taban çizgisine) göre bir artış veya azalış gösteren bir renk koduyla temsil edilir. Renk tonu istatistiksel anlamlılığı temsil eder, koyu renkler daha yüksek bir önem gösterir ve daha açık renkler daha düşük bir önem gösterir. P < 0.001'e karşılık gelir; ** P < 0,01'e karşılık gelir; ve * P < 0,05'e karşılık gelir. Beyaz, varyasyon olmadığını gösterir.- Spyder'da "Heatmap_PlotGenerator.py" yi açın ve Oynat düğmesine tıklayarak kodu çalıştırın.
- Analiz edilecek Excel dosyasını ve otomatik pencerede sayfa adını seçin. Sayfa adı değiştirilmemişse, "Sheet1" yazın.
- İkinci otomatik pencerede veri türünü seçin: ham veriler veya artık veriler. Bir seçenek belirlenmezse, artık veriler varsayılan değerdir.
- Isı haritası çizim konsolunda (sağ üst panel) görünecektir. Grafiği kaydetmek için, çizim konsolunda Resmi kaydet'e tıklayın.
Not: denetimin (veya temel) Excel dosyasındaki ilk grup olması zorunludur.
- Kutu grafiklerini oluşturmak için "Boxplots_PlotGenerator.py" kullanın. Bu araç, her grup için tüm motor parametreleri için değerlerin dağılımını temsil eden kutu grafiklerinin oluşturulmasına izin verecektir (Şekil 5, Şekil 6 ve Şekil 7).
NOT: Her kutu orta çizgi olarak medyanı içerir ve kutuların alt ve üst kenarları sırasıyla% 25 ve% 75 çeyreği temsil eder. Bıyıklar, aykırı değerler hariç olmak üzere tüm veri kümesinin aralığını temsil eder. Aykırı değerler, sırasıyla %25 ve %75'lik çeyreklerin altında veya üstünde çeyrekler arası aralığın 1,5 katı olan herhangi bir değer olarak tanımlanır.- Spyder'da "Boxplots_PlotGenerator.py" yi açın ve Oynat düğmesine tıklayarak kodu çalıştırın.
- Analiz edilecek Excel dosyasını ve otomatik pencerede sayfa adını seçin. Sayfa adı değiştirilmemişse, "Sheet1" yazın.
- İkinci otomatik pencerede veri türünü seçin: ham veriler veya artık veriler. Bir seçenek belirlenmezse, artık veriler varsayılan değerdir.
- Kutu grafikleri çizim konsolunda görünecektir (sağ üst panel). Grafikleri kaydetmek için, çizim konsolundaki Resmi kaydet veya Tüm görüntüleri kaydet düğmesine tıklayın.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Standart BMS sistemi, SCI14'ten sonraki brüt motor açıklarını tanımlar. Öznel doğası nedeniyle, diğer nicel testler genellikle hareketin daha ayrıntılı ve ince bir değerlendirmesini üretmek için BMS ile birlikte gerçekleştirilir. Bununla birlikte, bu testler adım döngüleri, basamak paternleri ve ön ayak-arka bacak koordinasyonu hakkında spesifik bilgiler gösterememektedir; bu, omurga devresinin işlevini nasıl koruduğunu ve eksik bir SCI'ye nasıl uyum sağladığını anlamada son derece önemlidir. Bu bölümde, MW araç kutusunun SCI'den sonra lokomotor fonksiyonun geri kazanılmasını izlemeye nasıl yardımcı olabileceği ve yürüme davranışı hakkında ilgili bilgileri nasıl ekleyebileceği gösterilmektedir.
Çalışma örneği, 9 haftalık iki dişi C57Bl / 6J fare grubuna ayrıldı: hayvanlara laminektomi uygulanan ve ardından bir Sonsuz Ufuk Darbecisi kullanılarak T9 / T10 vertebral kolon seviyesinde orta ila şiddetli kontüzyon yaralanması yapılan bir SCI deney grubu (n = 11 ) (bkz. ve aynı kolon seviyesinde sadece laminektominin yapıldığı sahte yaralı bir kontrol grubu (n = 10) (Şekil 1, adım 1). SCI ve sahte yaralı hayvanların lokomotor davranışları 30 gün boyunca izlendi. MW testi, ameliyattan önceki alışma gününde (başlangıç) ve yaralanmadan 15 gün, 22 gün ve 30 gün sonra (dpi) yapıldı (Şekil 1, adım 2). Karşılaştırma amacıyla, fareler ameliyattan önce paralel olarak ve 1 dpi, 3 dpi, 7 dpi, 14 dpi, 21 dpi ve 30 dpi'de BMS testine tabi tutuldu (Ek Şekil 3). MW ile elde edilen tüm videoları izledikten sonra, iki tür çıktı dosyası oluşturuldu: her çalıştırmadan sonra birkaç parametrenin görsel gösterimlerini gösteren grafik çıkışlar ve ölçülebilir tüm motor parametrelerini özetleyen kinematik çıkışlar (Şekil 1, adım 3 ve adım 4).
Sonuç olarak, bir dizi Python betiği kullanılarak ( bkz. Malzeme Tablosu ve GitHub deposu bağlantısı), ham veri grafikleri elde edildi (Şekil 1, adım 5). Çoğu parametre hayvanın hızından etkilendiğinden, yaralanmadan önceki taban çizgisi grubunun regresyon modeli, her durum için ölçülen artık değerlerle birlikte gerçekleştirildi (Şekil 1, adım 6). Kinematik profilleri ve kontrol (sham) ve deney grupları (SCI) arasındaki anlamlı farklılıkları kontrol etmek için, tüm kinematik parametreler (toplam 79) üç dereceden bir ana bileşen analizine (PCA) tabi tutuldu ve veri kümesini en iyi tanımlayan motor parametreleri koleksiyonuyla (toplam 33) bir ısı haritası oluşturuldu (Şekil 1, adım 7a, b). Son olarak, SCI'dan sonra etkilenen spesifik motor parametreler, yaralanmadan önceki taban çizgisi ile karşılaştırılmıştır (Şekil 1, Adım 7c).
Şekil 1: MW'nin analiz iş akışının şematik gösterimi. (1) Hayvanlar laminektomi (sham kontrol grubu) veya laminektomi için seçilir ve ardından omurilik yaralanması (deney grubu) yapılır. (2) Hayvanlar daha sonra yaralanmadan bir gün önce ve yaralanma sonrası 15, 22 ve 30. günlerde davranışsal bir teste tabi tutulur. (3) MW iki tür çıktı verisi üretir: (a) duruş izleri, yürüme ve adım atma desenleri gibi çeşitli parametrelerin grafiksel görselleştirmeleri ve (b) tüm ölçülebilir motor parametrelerinin kinematik bir özeti. (4) Tüm kontrol ve deneysel veriler, MATLAB üzerindeki "MouseMultiEvaluate.m" betiği kullanılarak tek bir dosyada toplanır. (5) Python için "RawData_PlotGenerator" betiği, ölçülebilir tüm motor parametrelerinin hıza göre nasıl değiştiğinin görsel bir temsilini oluşturur. Parametreler hız ile ilişkili değilse, (7) 'ye atlanabilir; Bununla birlikte, SCI'dan sonraki çoğu parametre büyük ölçüde hıza bağlı olduğundan, Python için "Residual_DataAnalysis" betiği kullanılarak bir model oluşturulmalıdır (6). Her motor parametresi için artık değerler oluşturulduktan sonra, veri analizi yapılır (7): (a) "PCA_PlotGenerator" betiğine sahip bir parametre seçimi kullanılarak bir ana bileşen analizi (PCA) gerçekleştirilir; (b) Farklı parametreler için koşullar arasındaki istatistiksel olarak anlamlı farklılıkları göstermek için bir "Heatmap_PlotGenerator" komut dosyası ile bir ısı haritası oluşturulur; ve c) SCI'dan sonra değiştirilen birkaç bireysel parametre "BoxPlot_PlotGenerator" betiği ile değerlendirilir. Tüm betikler Malzeme Tablosu ve GitHub deposu bağlantısında mevcuttur. Komut dosyaları kırmızı renkle gösterilir. Bu şeklin daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
MW'den toplanan grafik çıktı verilerinden, SCI'den sonra ayak izlerinin görsel gösterimindeki iyi bilinen ani değişikliği doğrulamak mümkün oldu. MW tarafından üretilen "Dijital mürekkep" testinde, arka pençelerin destek eksikliği tespit edildi (Şekil 2A), hem sol hem de sağ arka pençeler için ayak izi alanında bir azalma (Şekil 2B), 15 dpi'den itibaren korundu (veriler gösterilmedi). Ek olarak, her adım döngüsünde MW, duruş aşaması (yani, pençe dokunuşu ile kalkıştan önce arasındaki süre) ve salınım fazı (yani, uzuvun yerden kalktığı zaman) ile ilgili parametreleri hesaplar. Bu nedenle, MW, duruş aşamaları23 sırasında vücudun merkezinin ve ekseninin her bir bacağa ve ayak izi merkezine göre konumunu dikkate alan görsel "duruş izleri" üretebilir. Her hayvan için elde edilen genel duruş izleri birkaç benzersiz özellik göstermiştir (Şekil 2C). Bu veriler, SCI'den sonra, arka pençelerin 15 dpi'den itibaren hem temasta hem de kaldırmada daha kısa duruş izlerine ve daha rastgele pençe konumlandırmalarına sahip olduğunu göstermiştir (Şekil 2C).
Şekil 2: MW yazılımı tarafından izleme videolarından elde edilen temsili grafik çıktılar. (A) Her pençeyi farklı bir renkle gösteren bir SCI hayvanı için "Dijital mürekkep" baskıları: birkaç zaman noktasında kırmızı (sağ ön), sarı (sol ön), yeşil (sağ arka) ve mavi (sol arka). (B) 15 dpi'de bir SCI hayvanının sol ön (LF), sol arka (LH), sağ ön (RF) ve sağ arka (RH) ayak izleri. (C) Bir SCI hayvanı için birkaç zaman noktasında "duruş izleri". Bacaklardan biri için AEP ve PEP ilk panelde gösterilmiştir. Hem AEP hem de PEP için "ayak izi kümelemesi", her videodaki ortalama AEP veya PEP koordinatlarının standart sapmasına karşılık gelir. Kısaltmalar: dpi = yaralanmadan sonraki günler; cm = santimetre; px = piksel. Bu şeklin daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
Daha sonra, kinematik çıktılar MW tarafından hesaplandıktan sonra analiz edildi (Şekil 3 ve Şekil 4). Veri kümesinin daha özlü bir tasvirini elde etmek ve MW'den elde edilen kinematik motor parametrelerin zaman içinde SCI hayvanlarında bulunan lokomotor açıklarını göstermek için yeterli olup olmadığını test etmek için bir PCA27 gerçekleştirildi. Dikkat çekici bir şekilde, verilerdeki varyansın% 40'ı, bir SCI'ye sahip olan hayvan grubunu diğerlerinden ayıran ilk bileşende (PC1: % 40.1), tüm zaman noktalarında (15 dpi, 22 dpi ve 30 dpi) tek yönlü bir ANOVA testine (Şekil 3A, B) dayanan 0.001'den daha düşük bir p değeri ile açıklanabilir. Diğer bileşenlerden de zayıf bir katkı vardı (PC2: %11 ve PC3:%8.6). Her bir bileşen için her bir motor parametre katkısının atanmış ağırlığı, Ek Şekil 4'te gösterilmiştir. Dahası, veri kümesindeki varyans, zaman içindeki farklılıkları (yani, 15 dpi, 22 dpi ve 30 dpi arasında) yansıtmak için yeterli değildi, bu da daha önce tarif edilen lokomotor geri kazanımplatosunu çoğaltıyor 14. Toplamda, bu sonuçlar MW'den elde edilen kinematik parametrelerin, SCI'dan sonra tüm zaman noktalarında gözlemlenen motor açıklarını güçlü bir şekilde tanımladığını göstermektedir.
Şekil 3: Artık veri analizinden sonra MW yazılımı tarafından elde edilen tüm kinematik motor parametrelerinin (79) ana bileşen analizi. (A) Üç bileşenli PCA analizinin 3B görselleştirilmesi. (B) Toplanan verilerin %50'sini temsil eden daireler içeren bir 2B görselleştirme. Varyansın% 40'ından fazlasını açıklayan PC1'de, 15 dpi, 22 dpi ve 30 dpi'deki SCI grubu, tek yönlü bir ANOVA tarafından belirlendiği gibi, p-değeri 0.001 < olan sahte gruptan ve taban çizgisinden (yaralanmadan önce) önemli ölçüde farklıydı. Her bir küçük nokta veya üçgen, her hayvan için üç videonun ortalamasını temsil ederken, daha büyük noktalar veya üçgenler ortalama noktayı temsil eder (koşul başına n = 10-11, taban çizgisi grubu için n = 21). Her bileşenin katkısı her eksende belirtilir. Kısaltmalar: dpi = yaralanmadan sonraki günler; SCI = omurilik yaralanması; PC = ana bileşen. Bu şeklin daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
Daha sonra, veri kümesini ne kadar güçlü tanımladığına bağlı olarak bir motor parametreleri koleksiyonu seçildi (toplamda 33) ve bir ısı haritası oluşturuldu (Şekil 4). Gerçekten de, çoğu lokomotor parametre, SCI'den sonra tüm zaman noktalarında (15 dpi, 22 dpi ve 30 dpi) ciddi bir değişiklik gösterirken, sahte yaralı kontroller sadece 30 dpi'de önemli değişiklikler gösterdi. Sahte gruptaki bu değişiklikler, muhtemelen daha sonra tartışılacak olan test alışkanlığı nedeniyle salınım hızındaki genel bir düşüşle açıklanabilir.
SCI hayvanlarının sahte yaralı kontrollerden daha yavaş yürüdüğü fark edildi (veriler gösterilmedi). Bununla birlikte, hızdan bağımsız olarak, hem 15 dpi hem de 30 dpi'de, SCI hayvanları daha yüksek bir salınım süresi, daha düşük duruş süresi ve duruş süresi / adım periyodu23 ile ilgili daha düşük bir görev faktörü endeksi sergiledi. Bu sonuçlar, yukarıda tarif edilen bacak pozisyonundaki değişikliklerin, diğer hayvan modellerinde görüldüğü gibi SCI'nin karakteristiği olduğunu göstermektedir30,31,32 ve hızdaki değişikliklerle ilişkili değildir (Şekil 4).
Sol ve sağ senkronun etkilenmediği de belirtilmelidir, çünkü ön ayaklar ve arka bacaklar için "faz" indekslerinde anlamlı bir değişiklik gözlenmemiştir10,23 (Şekil 4), sol ve sağ ekstremiteler arasında sağlam bir eşleşme olduğunu göstermektedir.
Dahası, SCI fareleri hem ön ayaklarda hem de arka bacaklarda daha düşük bir "duruş düzlüğü" indeksi (yer değiştirme/yol uzunluğu) göstermiştir (Şekil 4). Bu parametre, izlerin düz bir çizgi (0 ila 1 arasında değişen, doğrusal bir izi gösteren) olacak ideal duruma göre ne kadar doğrusal olduğunu ölçer27. Bu nedenle, bu sonuçlar bu grupta düz yürümek için güçlü bir yetersizlik olduğunu göstermektedir.
Her duruş aşaması için MW, pençe touchdown'dan (ön aşırı pozisyon veya AEP) başlayarak ve kalkıştan önce sona eren - arka aşırı pozisyon veya PEP ( Şekil 2C'deki örneğe bakınız) vücudun salınımlarının yeniden yapılandırılmasını çizer. Hem AEP hem de PEP'nin "ayak izi kümelemesi", her videodaki ortalama AEP veya PEP koordinatlarının standart sapmasını ölçer. SCI hayvanları, AEP için tüm zaman noktalarında arka pençe ayak izi kümelenmesinde bir artış gösterdi ve sadece 15 dpi'de sahte yaralı grup için anlamlı bir etki gözlendi (Şekil 4). Bu, SCI hayvanlarının arka bacaklarını salıncaktan sonra touchdown'da doğru şekilde konumlandıramadıklarını göstermektedir. Ek olarak, PEP için ön pençe "ayak izi kümelemesinde" bir azalma, PEP için arka pençe ayak izi kümelemesinde 30 dpi'de bir azalma görülmüştür (Şekil 4). Bu sonuçlar, çizilen "duruş izlerinde" gözlemlenenlerle uyumludur ve ön pençelerin pozisyonunun yaralanmadan sonra daha kısıtlı hale geldiğini göstermektedir.
Son olarak, pençe konumlandırmasındaki değişikliklere uygun olarak, yürüyüş stratejilerinde ve pençelerin ortaya çıkardığı "basınçta", alan üzerindeki ortalama parlaklık ile ölçülen değişiklikler olmuştur (Şekil 4), daha fazla tartışılacaktır.
Şekil 4: Artık veri analizinden sonra MW tarafından elde edildiği gibi, SCI hayvanlarını ve sahte yaralı hayvanları ameliyattan önceki güne göre karşılaştıran önemli ölçüde değiştirilmiş lokomotor parametrelerin bir koleksiyonunu gösteren ısı haritası grafiği. n = koşul başına 10-11; Temel grup, ameliyattan önceki gün tüm hayvanları içerir, n = 21. Veriler, istatistiksel analizden sonra p-değeri ile tek yönlü bir ANOVA ile ifade edilir, bunu Tukey'in post hoc testi (normal dağılımlar için) veya Dunn'un post hoc testi (normal olmayan dağılımlar için) izler. P değerleri bir renk koduyla temsil edilir, kırmızı ve mavi tonlar sırasıyla taban çizgisine göre bir azalma veya artış gösterir. Renk tonu istatistiksel anlamlılığı temsil eder, koyu renkler daha yüksek bir önemi ve daha açık renkler daha düşük bir önemi gösterir; P < 0,001; **P < 0,01; *P < 0,05. Beyaz, varyasyon olmadığını gösterir. Kısaltmalar: dpi = yaralanmadan sonraki günler; SCI = omurilik yaralanması; s = saniye; ms = milisaniye; ortalama = ortalama; F = ön; H = arka; AEP = ön aşırı pozisyon; PEP = posterior ekstrem pozisyon; LF = sol ön; LH = sol arka; RF = sağ ön; RH = sağ arka. Bu şeklin daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
Daha sonra, yaralanmanın farklı aşamalarında (yani, 15 dpi, 22 dpi ve 30 dpi) SCI hayvanlarının lokomotor açıklarını tanımlamak için hangi bireysel parametrelerin en iyi olacağını anlamaya çalıştık. Arka bacaklarda total felçten kısmi fonksiyona ilerlerken ön ayaklar ve arka bacaklarda farklılıklar gösteren basamak döngüsü parametrelerini inceleyerek başladık (Şekil 5). Ortalama salınım hızı, ön ayaklar için taban çizgisine göre (yaralanmadan önce) önemli ölçüde artarken, arka bacak salınım hızı önemli ölçüde değişmedi (taban çizgisinden daha düşük olma eğilimi olmasına rağmen) (Şekil 5A, B). Buna paralel olarak, ön ayakların ortalama adım uzunluğu azaldı, arka bacaklarda önemli bir değişiklik olmadı (Şekil 5C, D). Şaşırtıcı olmayan bir şekilde, yaralı fareler ön ayak salınım süresinde azalma ve 15 dpi'den itibaren arka bacak salınımlarının süresinde ters bir artış göstermiştir (Şekil 5E, F). Birlikte ele alındığında, bu sonuçlar ön ayakların her arka bacak döngüsü için iki ön ayak döngüsü ile daha hızlı bir ritim benimsediğini göstermektedir. Bu 2: 1 döngü oranı,sıçanlarda SCI hemiseksiyonundan sonra daha önce 1,33 olarak tanımlanmıştır ve farelerde 30 dpi'den sonra geri kazanılmayan kusurlu ön ayak-arka bacak koordinasyonunun önemli bir yönünü göstermektedir.
Şekil 5: Yaralanmadan 1 gün önce birkaç zaman noktasında ve SCI hayvanlarında 15 dpi, 22 dpi ve 30 dpi'de ön pençeler ve arka pençeler için adım döngüsü parametreleri (n = 11). (A,B) Ön ve arka pençelerin taban çizgisine göre ortalama dönüş hızı. (C,D) Ön ve arka pençelerin taban çizgisine göre ortalama adım uzunluğu. (E,F) Ön pençeler ve arka pençeler için taban çizgisine göre ortalama salınım süresi. Kutu grafiklerinde, medyan orta çizgi ile temsil edilir ve kutuların alt ve üst kenarları sırasıyla% 25 ve% 75 çeyreği temsil eder; Bıyıklar, tüm veri kümesinin aralığını temsil eder. Aykırı değerler tek noktalarla temsil edilir. İstatistiksel analiz, tek yönlü bir ANOVA ve ardından Tukey'in post hoc testi (normal dağılımlar için) veya Dunn'un post hoc testi (normal olmayan dağılımlar için) ile gerçekleştirildi. *P < 0,05; **P < 0,01; P < 0.001. Kısaltmalar: dpi = yaralanmadan sonraki günler; SCI = omurilik yaralanması; cm = santimetre; s = saniye. Bu şeklin daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
MW yazılımı ayrıca, belirli bir bacak kombinasyonuna atanan çerçevelerin fraksiyonunu ölçerek farelerin basamak kalıplarını hesaplayabilir ve bu, belirli yürüyüş stratejilerinin varlığı için bir vekil olarak çalışır. Daha yavaş hızlarda, yaralanmamış fareler, çoğu çerçevenin tek bacaklı bir salınıma sahip olduğu (pençe pozisyonundan bağımsız olarak) bir "yürüyüş yürüyüşü" benimseme eğilimindedir. Pistte en yaygın olan ara hızlarda, fareler en temsili konfigürasyonun çapraz bacak salınımı olduğu bir tırıs yürüyüşüne dönüşür. Son olarak, daha yüksek hızlarda, fareler aynı andasallanan üç bacaklı 23,34 ile bir "dörtnala yürüyüş" kullanır. Daha az yaygın olan diğer konfigürasyonlar, çoğunlukla yanal bacak salınımı (hem sol hem de sağ bacaklar) ile temsil edilen tempolu yürüyüşü ve hem arka bacakları hem de ön ayakları aynı anda sallanan "bağlı / atlamalı yürüyüş" ü içerir10. Bununla birlikte, bir SCI bağlamında, üç bacaklı salıncak gibi bu konfigürasyonların bazılarının kusurlu arka bacak pençe pozisyonlamasını yansıtabileceği ve bu nedenle belirli bir yürüyüş stratejisiyle tam olarak eşleşmediği akılda tutulmalıdır - bu durumda, dörtnala. Bu nedenle, analiz yalnızca bacak konfigürasyonları karşılaştırılarak basitleştirildi.
Rezidüel analiz yapıldıktan sonra, diyagonal salınımların prevalansında bir azalma ve buna eşlik eden tüm zaman noktalarında tek salınımlarda azalma olduğu fark edildi (Şekil 6A,B). Daha da ilginci, lateral salınımların prevalansında bir artış olmuştur (Şekil 6C). Tempo benzeri yürüyüş normal bir C57BL/6J fare için tipik değildir; Bununla birlikte, sıçanlarda SCI hemiseksiyonundan sonra meydana geldiği bildirilmiştir1. Bu faz içi patern, ön ayak veya arka ekstremite faz indeksini (Şekil 3'te görüldüğü gibi) değiştirecek kadar yaygın değildi, ancak arka bacaklardan ön ayaklara kusurlu spinal geri bildirimi göstermektedir. Ek olarak, muhtemelen yanlış arka bacak plantar basamaklaması nedeniyle ön ayak/arka ekstremite salınımlarının prevalansında doğal bir artış vardı (Şekil 6D) ve üç bacaklı salınımlarda bir artış vardı (Şekil 6E).
Şekil 6: Farklı kademeli salınım konfigürasyonları için ortalama endeksler . SCI hayvanlarında (A) diyagonal, (B) tek, (C) lateral, (D) ön/arka ve (E) üç bacaklı salıncak SCI hayvanlarında çeşitli zaman noktalarında (n = 11) gösterilmiştir. Kutu grafiklerinde, medyan orta çizgi ile temsil edilir ve kutuların alt ve üst kenarları sırasıyla% 25 ve% 75 çeyreği temsil eder; Bıyıklar, tüm veri kümesinin aralığını temsil eder. Aykırı değerler tek noktalarla temsil edilir. İstatistiksel analiz, tek yönlü bir ANOVA ile gerçekleştirildi ve ardından Tukey'in post hoc testi (normal dağılımlar için) veya Dunn'un post hoc testi (normal olmayan dağılımlar için) yapıldı. **P < 0,01; P < 0.001. Kısaltmalar: dpi = yaralanmadan sonraki günler; SCI = omurilik yaralanması; NA = uygulanamaz. Bu şeklin daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
Son olarak, MW'den çıkarılabilecek bir başka okuma, parlaklık / alanın bir ölçüsü olarak "basınç" tır. Daha yüksek hızlarda, zeminle temas alanı azalır ve basınç artar, böylece taban çizgisi verilerinin doğrusal bir regresyonu gerçekleştirildi ve her koşul için artık değerler ölçüldü. Ön pençeler üzerindeki basıncın tüm zaman noktalarında önemli ölçüde arttığı fark edildi, ancak sol ön pençe için değişiklik zaten 30 dpi'de istatistiksel anlamlılığını yitirdiği için bu etkinin gücü zamanla azalma eğilimindeydi (Şekil 7A, C). Sol taraftaki bu spesifik etki, bu çalışmada omuriliğin sağ tarafını tercihen etkileyebilecek lateralize bir yaralanma ile açıklanabilir. Bununla birlikte, arka pençeler tarafından uygulanan basınç , yaralı farelerde, beklendiği gibi, tüm zaman noktalarında, bir artış eğilimi göstermeden azalmıştır (Şekil 7B, D).
Şekil 7: SCI hayvanlarında arka ve ön pençelerin birkaç zaman noktasında ortaya çıkardığı basınç (n = 11). (A) sol ön pençe, (B) sol arka pençe, (C) sağ ön pençe ve (D) sağ arka pençe tarafından ortaya çıkan basınç, taban çizgisine (yaralanmadan önceki gün) göreceli farklılıklar olarak gösterilir. Kutu grafiklerinde, medyan orta çizgi olarak temsil edilir ve kutuların alt ve üst kenarları sırasıyla% 25 ve% 75 çeyreği temsil eder; Bıyıklar, tüm veri kümesinin aralığını temsil eder. Aykırı değerler tek noktalarla temsil edilir. İstatistiksel analiz, tek yönlü bir ANOVA ile gerçekleştirildi ve ardından Tukey'in post hoc testi (normal dağılımlar için) veya Dunn'un post hoc testi (normal olmayan dağılımlar için) yapıldı. **P < 0,01; P < 0.001. Kısaltmalar: dpi = yaralanmadan sonraki günler; SCI = omurilik yaralanması; cm = santimetre; px = piksel. Bu şeklin daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
Birlikte ele alındığında, bu çalışma, MW sisteminin, diğer test sınırlamaları nedeniyle bazen göz ardı edilebilen SCI'nin neden olduğu motor bozukluklarını nicel olarak tanımlamak için gücünü göstermektedir. Ayrıca, SCI'nin kontüzyon fare modelinde zaman içinde şüphesiz sınırlı fonksiyonel iyileşmenin altını çizmektedir.
Ek Şekil 1: MW donanım bileşenleri. (A) Bu kurulum aşağıdaki gibi bölünmüştür: I - fTIR geçit; II - fTIR destek tabanı ve direkleri; III - geçit duvarı; IV - 45° ayna; ve V - arka plan arka ışığı. (B) Base-U- kanalının ve geçit kenar çizgilerinin yakın plan görüntüleri. (C) Geçit duvarının tasarımı. (D) 45° ayna kurulumunun yakın plan görüntüsü. Kısaltma: cm = santimetre. Bu Dosyayı indirmek için lütfen buraya tıklayın.
Ek Şekil 2: Piksel yoğunluğunun ve bölge alanlarının gösterildiği bir fTIR videosunun tek bir karesi. Bu çalışmada video analizi için kullanılan gövde, arka plan ve ayak izleri için piksel yoğunlukları, köşeli parantezler arasında sunulmuş ve tümü görüntü netliği için optimize edilmiş kırmızı ile belirtilmiştir. Işık yoğunluğu, farklı bölgeler arasında uygun ayrım elde etmek için ayarlanmalıdır. Vücudun göreceli alanları ve ayak izleri kesikli sarı çizgilerle gösterilir. Hem alanlar hem de piksel yoğunluğu ImageJ/FIJI'de elde edildi. Bu Dosyayı indirmek için lütfen buraya tıklayın.
Ek Şekil 3: (A) Bu çalışmada analiz edilen farelerin BMS toplam puanı ve (B) alt puanı (n = 10-11). İstatistiksel analiz, ANOVA ±ve ardından Bonferroni'nin post hoc testi ile iki yönlü tekrarlanan ölçümlerle gerçekleştirildi; P < 0.001. Kısaltma: BMS = Basso fare ölçeği. Bu Dosyayı indirmek için lütfen buraya tıklayın.
Ek Şekil 4: Her bir bileşen için her bir motor parametresinin katkısının atanan ağırlığı. PCA'daki (A) PC1, (B) PC2 ve (C) PC3 için kalıntı analizinden sonra her motor parametresinin atanan ağırlığı (toplamda 79). Kesme çizgisi 0.04 ms ve -0.04'te çizildi. Kısaltmalar: ms = milisaniye; ortalama = ortalama; SD = standart sapma; F = ön; H = arka; AEP = ön aşırı pozisyon; PEP = posterior ekstrem pozisyon; LF = sol ön; LH = sol arka; RF = sağ ön; RH = sağ arka; = basınç. Bu Dosyayı indirmek için lütfen buraya tıklayın.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Burada, MouseWalker yönteminin potansiyeli, SCI sonrası lokomotor davranışı analiz ederek gösterilmiştir. Adımlama, ayak izi ve yürüme modellerinde aksi takdirde diğer standart testler tarafından kaçırılacak belirli değişiklikler hakkında yeni bilgiler sağlar. MW paketinin güncellenmiş bir sürümünü sağlamanın yanı sıra, veri analiz araçları da sağlanan Python betikleri kullanılarak açıklanmaktadır (bkz. adım 5).
MW, büyük bir veri kümesi ve yüksek boyutlu bir lokomotor süreci yansıtan bir kinematik parametreler koleksiyonu oluşturduğundan, bir PCA kullanıldı; Gerçekten de, PCA buna benzer diğer kinematik veri kümelerinde yaygın olarak kullanılmıştır 27,35,36 (Şekil 3). Bu boyutsallık azaltma tekniği, kinematik profillerin nicel olarak tanımlanmasına ve bunları kontrol veya temel koşullardan hızlı bir şekilde ayırt edilmesine olanak tanıyan minimum varsayımlara sahip basit ve sağlam bir yöntemdir. Ek olarak, daha sonra ayrı ayrı analiz edilebilen taban çizgisinden istatistiksel olarak farklı olan parametreleri (Şekil 4) hızlı bir şekilde tanımlamak için ısı haritaları oluşturulmuştur (Şekil 5, Şekil 6 ve Şekil 7).
Daha sonra, MW'den çıkarılabilecek spesifik parametrelerin, koordinasyon gibi SCI hayvanlarında görülen sağlam lokomotor açıklarını nasıl gösterdiği gösterilmiştir. Koordinasyon, bir görevi yerine getirmek için her bir uzvu organize bir şekilde kullanma yeteneğidir. Çoğu zaman, koordinasyon dolaylı olarak bir merdivendeki hataların / olumlu olayların sayısı 16,17 veya rotarod15 üzerinde harcanan zaman ile ölçülür. Belirgin bir şekilde, MW hem adım döngüsü sırasında pençe konumlandırmasındaki değişkenliği (ayak izi paterni) hem de "duruş düzlüğü" endeksi27'yi hesaplar. Her iki parametrenin de yaralanmadan anlamlı olarak etkilendiği gösterilmiştir (Şekil 4).
Ayrıca, MW, kullanıcının zamansal dinamiklerle ilgili parametreleri çıkarmasına izin verir. SCI hayvanlarında salınım/duruş süresinde önemli bir bozulma görülmüştür (Şekil 4) ve SCI farelerinin ön ayak adım döngüsünü hızlandırarak arka bacaklarındaki destek kaybını telafi ettikleri, böylece ön ayak adım uzunluğunu ve ortalama salınım süresini azalttıkları bulunmuştur (Şekil 5). Bu etki, ön pençeleri daha fazla vücut ağırlığına dayanmaya zorlayan ağırlık merkezindeki kayma ile ilgili olabilir1. Benzer şekilde, ön ayak ve arka bacak CPG'leri 1,9,32 arasındaki sinerjik etkileşimden sorumlu olan ve sonuçta ön ayak-arka bacak ritim ayrışmasına yol açan uzun yükselen propriospinal yolların kaybına bağlanabilir.
Basamaklı yürüyüşlerin özellikleri, lokomotor ağların modüler organizasyonunu gösterebilir 1,34. Her ne kadar basamak kalıpları bu durumda23 benimsenen yürüyüş stratejileri için doğrudan bir vekil olmasa da, bazı önemli gözlemler hala çizilebilir. SCI farelerinin basamaklama paternlerinde önemli değişiklikler görüldü (Şekil 6). Yaralı hayvanlar yanal salınımları (pacing benzeri yürüyüşler) benimsemeye başladı ve diyagonal salıncaklarda da bir azalma oldu. Bu adaptasyonlar, ön ayakları ve arka bacakları koordine etme girişimi ile ilişkili gibi görünmektedir, bu da yine yaralanmanın altındaki ve üstündeki omurga izleri arasındaki ayrışmayı göstermektedirve bu da 1,9,32'yi iyileştirmemektedir.
SCI'den sonraki sınırlı iyileşme, ortalama basınçla ölçüldüğü gibi, arka bacaklardaki kas gücündeki azalma ile de doğrulanmıştır (Şekil 7). Sonuç olarak, ön ayaklar daha fazla vücut ağırlığını desteklemeye zorlanır ve bu da basıncı arttırır. Kas dinamiği ile ilgili birçok parametre burada analiz edilmemiş olsa da (yani, fleksör ve ekstansör kas koordinasyonu 7,21), bu kantitatif ölçüm, uzuv desteğinin miktarının doğrudan okunmasını sağlayabilir.
Bu MW analizi, uzuv rotasyonunu, pençe yerleşimini, kuyruk pozisyonunu ve adım hatalarını ölçen standart BMS testi ile de birleştirilebilir. Genel olarak, SCI fareleri maksimum 3 alt skorla maksimum 4-5 puan elde eder, yani ara sıra sık sık adımlar atabilirler, ancak çoğunlukla pençe kaldırma ve / veya touchdown14'te dönerler (Ek Şekil 2). Arka pençeler için AEP değerlerinin SCI grubunda neden önemli ölçüde değiştiği açıktır, çünkü salınım fazı sırasında uzuvların paralel olmayan konumlandırılması pençe koordinatlarını etkileyebilir. Ek olarak, BMS'de, gövde genellikle popo aşağı veatlama 14 gibi adım atmayı önleyen örneklerin veya olayların varlığı nedeniyle şiddetli olarak sınıflandırılır. Popo aşağı davranışını veya adım atmayı önleyen örnekleri ölçmek mümkün olmasa da, MW'de daha yüksek salınım süresi (Şekil 5F), artan üç bacak salınımı (Şekil 6E) ve daha düşük basınç (Şekil 7B-D) ile sınırlı arka pençe basamağı tespit edildi. Ek olarak, ön/arka salınımlarda anlamlı bir artış gözlenmiştir (Şekil 6D). Bu davranışsal tezahür için iki tamamlayıcı açıklama olabilir. İlk olarak, BMS testinde zaten gözlemlenebilen atlama benzeri yürüyüş ölçüldü. Bununla birlikte, bu davranış aynı zamanda her iki arka bacakta da doğru plantar basamağın bulunmaması ile ilişkili olabilir, bu da ayak sürüklenmesi veya sırt yerleşimi ile sonuçlanır. Genel olarak, bu gözlemler SCI'den sonra gövde stabilitesinin ciddi şekilde hasar gördüğü iddiasını desteklemektedir. Son olarak, BMS testinde 5'ten yüksek puan almanın şartlarından biri koordinasyon14'tür ve bunun için test sırasında değerlendiriciler tarafından en az üç erişilebilir geçişe uyulmalıdır. Bunlardan üç veya daha fazla erişilebilir geçişten ikisinin koordineli olarak sınıflandırılması gerekir (yani, ön ayaklar ve arka bacaklar dönüşümlü). MW verilerinden, hayvan hızından veya erişilebilir geçişten bağımsız olarak koordinasyonu doğrudan ölçen objektif ölçümler, duruş düzlük indeksi ve ayak izi kümelemesi çıkarılabilir (Şekil 4). Ek olarak, uzuvlar arasındaki değişim, basamaklama stratejileri ölçülerek objektif olarak ölçülebilir (Şekil 6). Bu parametreler, SCI farelerinin sürekli olarak düz çizgiler halinde yürüyemediklerini ve arka bacaklarını yanlış yerleştiremediklerini açıkça göstermektedir.
MW araç kutusu, SCI'den sonra lokomotor kusurlarını incelemek için yararlı bir strateji olsa da, bazı sınırlamaları göz önünde bulundurulmalıdır. İlk olarak, zaman noktaları arasındaki görüntü özelliklerinin korunması için yakalama parametreleriyle (örneğin, kamera konumu, odak, ışık yoğunluğu) tutarlı kalmak çok önemlidir. İkincisi, tekrarlamanın alışkanlığa yol açtığı ve bunun da hızın azalmasına neden olduğu fark edildi. Bu aynı zamanda yetiştirme / tımar etme davranışlarının artmasına katkıda bulundu ve koşu ortasında durdu. Yaralı hayvanlar için, yürüyüş yolu duvarlarına yaslanma eğilimi ve koşu ortasında artan sayıda durak vardı. Bu davranışlar lokomotor değerlendirmenin bir parçası olmadığından, dikkate alınmamalıdır. Tercihen araştırmacılar, hayvanların başları düz olacak şekilde sürekli yürüdüğü videoları seçmelidir. Bu davranışların bu çalışmanın sonuçları üzerindeki etkisine karşı koymak için, fareler en az dört veya beş koşu boyunca sürekli olarak kaydedildi ve yürüyüş yolu boyunca her iki yönde de koşmalarına izin verildi. Daha sonra, kaydedilen en iyi üç koşu seçildi ve ImageJ/FIJI24'te (180° dönüş) aynı yöne ayarlandı. Böylece, her hayvan, zaman noktası başına bir araya getirilmiş üç koşunun ortalaması ile temsil edildi. Koşul başına daha fazla sayıda hayvan da beklenen değişkenliği azaltabilir. Ayrıca, bu lokomotor testinin, izleme sistemi ince ayarlı lokomotor değerlendirmesi için tasarlandığından, yalnızca plantar basamaklama elde edildikten sonra önerildiğine dikkat edilmelidir. Bu çalışmada, 15 dpi'den önce, MW testinin, izlemeyi etkileyebilecek artan ayak sürüklenmeleri ve yanlış plantar yerleştirme nedeniyle lokomotor değerlendirme için avantajlı olmadığı belirtilmiştir (veriler gösterilmemiştir). Son olarak, bazı parametreler ( ayak izi kümelemesi gibi), oluşturulan regresyon modeli tarafından yapılan ekstrapolasyonlara karşı çok hassastır. Bu nedenle, kod buna göre ayarlandı (GitHub bağlantısındaki betikteki belgelere bakın).
Genel olarak, MW'nin SCI hayvanlarını sahte yaralı kontrollerden güçlü bir şekilde ayırt edebileceği ve MW'nin SCI'den sonra lokomotor kusurları incelemek için değerli bir yöntem olarak yerleşik testlerle de ortak olabileceği gösterilmiştir. Ayrıca, sağlanan Python betikleri kullanılarak MW veri kümesinden nicel çıktıların kolayca oluşturulabileceği gösterilmiştir. Bu araçlar, orijinal MW çıktı dosyalarını tamamlayan zengin ve çeşitli nicel ve grafiksel çıktılar kümesi oluşturmak için verimli bir deneysel boru hattı sağlar ve araştırmacının analiz türü ve grafik gösterim açısından hedeflerini yerine getirmek için değiştirilebilir.
Bu araç kutusu, sadece omurilik yaralanmasıyla ilgili olanları değil, motorla ilgili diğer hastalıkları veya motor işlev bozukluklarını incelemek için değerli bir yöntemdir. Skarlatou ve ark.10 , gelişim sırasında önemli bir iskele proteini olan Afadin'deki spesifik bir mutasyonun, iki merkezi kanal oluşturarak omurilikte anormal bir fenotipe neden olduğunu zaten göstermiştir. Bu defekt, sağ-sol ekstremite değişiminin kaybına ve atlamalı bir yürüyüşün tipik bir örneği olan daha yüksek bir ekstremite senkronizasyonu prevalansına neden oldu. Stauch ve ark.10 ayrıca bu tür bir sistemin kullanıcının ihtiyaçlarına göre uyarlanabileceğini göstermiştir. Bu durumda, bir sıçan Parkinson hastalığı modelinde spesifik davranışsal eksiklikleri incelemek için uygulanmıştır. Bu nedenle, bu araç kutusu, motor bozulmalarının beklendiği ve sahada zaten kurulmuş davranış protokolleriyle birleştirilebildiği farklı modellerde geniş bir uygulama yelpazesine sahiptir.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Yazarlar, rakip finansal çıkarları olmadığını beyan ederler.
Acknowledgments
Yazarlar, Laura Tucker ve Natasa Loncarevic'e el yazması hakkındaki yorumları ve Instituto de Medicina Moleküler João Lobo Antunes Kemirgen Tesisi tarafından verilen destek için teşekkür eder. Yazarlar, Prémios Santa Casa Neurociências - Omurilik Yaralanması Araştırmaları için Melo e Castro Ödülü (MC-36/2020) tarafından L.S. ve C.S.M.'ye finansal destek sağlamak istiyor. Bu çalışma Fundação para a Ciência e a Tecnologia (FCT) (PTDC/BIA-COM/0151/2020), iNOVA4Health (UIDB/04462/2020 ve UIDP/04462/2020) ve LS4FUTURE (LA/P/0087/2020) tarafından C.S.M. L.S.'ye CEEC Bireysel Baş Araştırmacı sözleşmesi (2021.02253.CEECIND) ile desteklenmiştir. A.F.I., FCT'den (2020.08168.BD) doktora bursu ile desteklenmiştir. A.M.M., FCT'den doktora bursu ile desteklenmiştir (PD/BD/128445/2017). I.M., FCT'den doktora sonrası bir burs ile desteklenmiştir (SFRH / BPD / 118051 / 2016). D.N.S., FCT'den doktora bursu ile desteklenmiştir (SFRH / BD / 138636 / 2018).
Materials
| Name | Company | Catalog Number | Comments |
| 45º Mirror | |||
| 2 aluminum extrusion (2 x 2 cm), 16 cm height, 1 on each side | Misumi | ||
| 2 aluminum extrusion (2 x 2 cm), 23 cm, @ 45° , 1 on each side | Misumi | ||
| 1 aluminum extrusion (2 x 2 cm), 83 cm long | Misumi | ||
| 87 x 23 cm mirror | General glass supplier | ||
| black cardboard filler | General stationery supplier | We used 2, one with 69 x 6 cm and another with 69 x 3cm to limit the reflection on the mirror | |
| Background backlight | |||
| 109 x 23 cm plexiglass (0.9525 cm thick) | General hardware supplier | ||
| 2 lateral aluminum extrusion (4 x 4 cm), 20 cm long, 1 on each side | Misumi | ||
| multicolor LED strip | General hardware supplier | ||
| white opaque paper to cover the plexyglass | General stationery supplier | ||
| fTIR Support base and posts | |||
| 2 aluminum extrusion (4 x 4 cm), 100 cm height | Misumi | ||
| 60 x 30 cm metric breadboard | Edmund Optics | #54-641 | |
| M6 12 mm screws | Edmund Optics | ||
| M6 hex nuts and wahers | Edmund Optics | ||
| fTIR Walkway | |||
| 109 x 8.5 cm plexyglass (1.2 cm thick) | General hardware supplier | 109 x 8.5 cm plexyglass (1.2 cm thick) | |
| 109 cm long Base-U-channel aluminum with 1.6 cm height x 1.9 cm depth thick folds (to hold the plexyglass) | General hardware supplier | ||
| 2 lateral aluminum extrusion (4 x 4 cm) 20 cm length, 1 on each side | Misumi | ||
| black cardboard filler | General stationery supplier | we used 2 fillers on each side to cover the limits of the plexyglass, avoiding bright edges | |
| M6 12 mm screws | Edmund Optics | ||
| High speed camera (on a tripod) | |||
| Blackfly S USB3 | FLIR | #BFS-U3-32S4M-C | This is a reccomendation. The requirement is to record at least 100 frames per second |
| Infinite Horizon Impactor | |||
| Infinite Horizon Impactor | Precision Systems and Instrumentation, LLC. | #0400 | |
| Lens | |||
| Nikon AF Zoom-Nikkor 24-85mm | Nikon | #1929 | This lens is reccomended, however other lens can be used. Make sure it contains a large aperture (i.e., smaller F-stop values), to capture fTIR signals |
| Software | |||
| MATLAB R2022b | MathWorks | ||
| Python 3.9.13 | Python Software Foundation | ||
| Anaconda Navigator 2.1.4 | Anaconda, Inc. | ||
| Spyder 5.1.5 | Spyder Project Contributors | ||
| Walkway wall | |||
| 2 large rectagular acrilics with 100 x 15 cm | Any bricolage convenience store | ||
| 2 Trapezian acrilic laterals with 6-10 length x 15 cm height | Any bricolage convenience store | ||
| GitHub Materials | |||
| Folder name | URL | ||
| Boxplots | https://github.com/NeurogeneLocomotion/MouseWalker/tree/main/Boxplots | Script to create Boxplots | |
| Docs | https://github.com/NeurogeneLocomotion/MouseWalker/tree/main/Docs | Additional documents | |
| Heatmap | https://github.com/NeurogeneLocomotion/MouseWalker/tree/main/Heatmaps | Script to create heatmap | |
| Matlat script | https://github.com/NeurogeneLocomotion/MouseWalker/tree/main/Matlab%20Script | MouseWalker matlab script | |
| PCA | https://github.com/NeurogeneLocomotion/MouseWalker/tree/main/PCA%20plots | Script to perform Principal Component Analysis | |
| Raw data Plots | https://github.com/NeurogeneLocomotion/MouseWalker/tree/main/Rawdata%20Plots | Script to create Raw data plots | |
| Residual Analysis | https://github.com/NeurogeneLocomotion/MouseWalker/tree/main/Residual_Analysis | Code to compute residuals from Raw data |
References
- Frigon, A. The neural control of interlimb coordination during mammalian locomotion. Journal of Neurophysiology. 117 (6), 2224-2241 (2017).
- Grillner, S. Biological pattern generation: The cellular and computational logic of networks in motion. Neuron. 52 (5), 751-766 (2006).
- Dominici, N., et al. locomotor primitives in newborn babies and their development. Science. 334 (6058), 997-999 (2011).
- Courtine, G., et al. Kinematic and EMG determinants in quadrupedal locomotion of a non-human primate (Rhesus). Journal of Neurophysiology. 93 (6), 3127-3145 (2005).
- Clarac, F., Cattaert, D., le Ray, D. Central control components of a 'simple' stretch reflex. Trends Neuroscience. 23 (5), 199-208 (2000).
- Squair, J. W., Gautier, M., Sofroniew, M. V., Courtine, G., Anderson, M. A.
- Wenger, N., et al. Spatiotemporal neuromodulation therapies engaging muscle synergies improve motor control after spinal cord injury. Nature Medicine. 22 (2), 138-145 (2016).
- Grillner, S. The spinal locomotor CPG: A target after spinal cord injury. Progress in Brain Research. 137, 97-108 (2002).
- Boulain, M., et al. Synergistic interaction between sensory inputs and propriospinal signalling underlying quadrupedal locomotion. Journal of Physiology. 599 (19), 4477-4496 (2021).
- Skarlatou, S., et al. Afadin signaling at the spinal neuroepithelium regulates central canal formation and gait selection. Cell Reports. 31 (10), 107741 (2020).
- Viala, D., Vidal, C. Evidence for distinct spinal locomotion generators supplying respectively fore-and hindlimbs in the rabbit. Brain Research. 155 (1), 182-186 (1978).
- Silver, J., Miller, J. H.
- Basso, D. M., Beattie, M. S., Bresnahan, J. C. A sensitive and reliable locomotor rating scale for open field testing in rats. Journal of Neurotrauma. 12 (1), 1-21 (1995).
- Basso, D. M., et al. Basso mouse scale for locomotion detects differences in recovery after spinal cord injury in five common mouse strains. Journal of Neurotrauma. 23 (5), 635-659 (2006).
- Jones, B. J., Roberts, D. J. The quantitative measurement of motor inco-ordination in naive mice using an accelerating rotarod. Journal of Pharmacy and Pharmacology. 20 (4), 302-304 (1968).
- Metz, G. A., Whishaw, I. Q. The ladder rung walking task: A scoring system and its practical application. Journal of Visualized Experiments. (28), e1204 (2009).
- Metz, G. A., Whishaw, I. Q. Cortical and subcortical lesions impair skilled walking in the ladder rung walking test: A new task to evaluate fore-and hindlimb stepping, placing, and coordination. Journal of Neuroscience Methods. 115 (2), 169-179 (2002).
- Wallace, J. E., Krauter, E. E., Campbell, B. A. Motor and reflexive behavior in the aging rat. Journal of Gerontology. 35 (3), 364-370 (1980).
- Carter, R. J., et al. Characterization of progressive motor deficits in mice transgenic for the human Huntington's disease mutation. The Journal of Neuroscience. 19 (8), 3248-3257 (1999).
- Leblond, H., L'espérance, M., Orsal, D., Rossignol, S. Behavioral/systems/cognitive treadmill locomotion in the intact and spinal mouse. The Journal of Neuroscience. 23 (36), 11411-11419 (2003).
- Courtine, G., et al. Recovery of supraspinal control of stepping via indirect propriospinal relay connections after spinal cord injury. Nature Medicine. 14 (1), 69-74 (2008).
- Hamers, F. P. T., Koopmans, G. C., Joosten, E. A. J. CatWalk-assisted gait analysis in the assessment of spinal cord injury. Journal of Neurotrauma. 23 (3-4), 537-548 (2006).
- Mendes, C. S., et al. Quantification of gait parameters in freely walking rodents. BMC Biology. 13 (1), 50 (2015).
- Schindelin, J., et al. Fiji: An open-source platform for biological-image analysis. Nature Methods. 9 (7), 676-682 (2012).
- Stauch, K. L., et al. Applying the ratwalker system for gait analysis in a genetic rat model of Parkinson's disease. Journal of Visualized Experiments. (167), e62002 (2021).
- Mendes, C. S., Rajendren, S. V., Bartos, I., Márka, S., Mann, R. S. Kinematic responses to changes in walking orientation and gravitational load in Drosophila melanogaster. PLoS One. 9 (10), e109204 (2014).
- Cabrita, A., et al. Motor dysfunction in Drosophila melanogaster as a biomarker for developmental neurotoxicity. iScience. 25 (7), 104541 (2022).
- Bishop, C. M. Pattern Recognition and Machine Learning. , Springer. Delhi, India. (2006).
- vander Maaten, L., Postma, E., vanden Herik, J. Dimensionality reduction: A comparative review. , Tilburg University. The Netherlands.. http://www.uvt.nl/ticc (2009).
- Courtine, G., et al. Performance of locomotion and foot grasping following a unilateral thoracic corticospinal tract lesion in monkeys (Macaca mulatta). Brain. 128 (10), 2338-2358 (2005).
- Drew, T., Jiang, W., Kably, B., Lavoie, S. Role of the motor cortex in the control of visually triggered gait modifications. Canadian Journal of Physiology and Pharmacology. 74 (4), 426-442 (1996).
- Cheng, H., et al. Gait analysis of adult paraplegic rats after spinal cord repair. Experimental Neurology. 148 (2), 544-557 (1997).
- Thibaudier, Y., et al. Interlimb coordination during tied-belt and transverse split-belt locomotion before and after an incomplete spinal cord injury. Journal of Neurotrauma. 34 (9), 1751-1765 (2017).
- Bellardita, C., Kiehn, O. Phenotypic characterization of speed-associated gait changes in mice reveals modular organization of locomotor networks. Current Biology. 25 (11), 1426-1436 (2015).
- Machado, A. S., Marques, H. G., Duarte, D. F., Darmohray, D. M., Carey, M. R. Shared and specific signatures of locomotor ataxia in mutant mice. eLife. 9, 55356 (2020).
- Takeoka, A., Vollenweider, I., Courtine, G., Arber, S. Muscle spindle feedback directs locomotor recovery and circuit reorganization after spinal cord injury. Cell. 159 (7), 1626-1639 (2014).
