Method Article

استخدام MouseWalker لتحديد الخلل الحركي في نموذج فأر لإصابة الحبل الشوكي

DOI:

10.3791/65207

⸱

March 24th, 2023

 ,  ,  ,  ,  , 
1Instituto de Medicina Molecular João Lobo Antunes, Faculdade de Medicina da Universidade de Lisboa, 2iNOVA4Health, NOVA Medical School|Faculdade de Ciências Médicas, NMS|FCM, Universidade Nova de Lisboa, 3Instituto de Histologia e Biologia do Desenvolvimento, Faculdade de Medicina da Universidade de Lisboa

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يتم توفير خط أنابيب تجريبي لوصف النمط الحركي للفئران التي تمشي بحرية باستخدام صندوق أدوات MouseWalker (MW) ، بدءا من تسجيلات الفيديو الأولية والتتبع إلى التحليل الكمي اللاحق. يتم استخدام نموذج إصابة كدمة الحبل الشوكي في الفئران لإثبات فائدة نظام MW.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعتمد تنفيذ البرامج الحركية المعقدة والمنسقة للغاية ، مثل المشي والجري ، على التنشيط الإيقاعي للدوائر الشوكية وفوق الشوكية. بعد إصابة الحبل الشوكي الصدري ، يكون الاتصال بالدوائر الأولية ضعيفا. وهذا بدوره يؤدي إلى فقدان التنسيق ، مع إمكانية استرداد محدودة. وبالتالي ، لتقييم درجة الشفاء بشكل أفضل بعد تناول الأدوية أو العلاجات ، هناك حاجة إلى أدوات جديدة أكثر تفصيلا ودقة لتحديد المشي وتنسيق الأطراف والجوانب الدقيقة الأخرى للسلوك الحركي في النماذج الحيوانية لإصابة الحبل الشوكي. تم تطوير العديد من المقايسات على مر السنين لتقييم سلوك المشي الحر في القوارض كميا. ومع ذلك ، فإنها عادة ما تفتقر إلى القياسات المباشرة المتعلقة باستراتيجيات المشي التدريجي وأنماط البصمة والتنسيق. لمعالجة أوجه القصور هذه ، يتم توفير نسخة محدثة من MouseWalker ، والتي تجمع بين ممر الانعكاس الداخلي الكلي المحبط (fTIR) مع برنامج التتبع والقياس الكمي. تم تكييف هذا النظام مفتوح المصدر لاستخراج العديد من المخرجات الرسومية والمعلمات الحركية ، ويمكن أن تكون مجموعة من أدوات ما بعد القياس الكمي لتحليل بيانات المخرجات المقدمة. توضح هذه المخطوطة أيضا كيف تصف هذه الطريقة ، المتحالفة مع الاختبارات السلوكية المحددة بالفعل ، كميا، العجز الحركي بعد إصابة الحبل الشوكي.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

التنسيق الفعال لأربعة أطراف ليس فريدا للحيوانات الرباعية. يظل التنسيق بين الأطراف الأمامية والخلفية في البشر مهما لإنجاز العديد من المهام ، مثل السباحة وتغيرات السرعة أثناء المشي1. يتم الحفاظ على مختلف الأطرافالحركية 2 والبرنامج الحركي1،3،4 ، وكذلك دوائر التغذية المرتدة الحس العميق5 ، بين البشر والثدييات الأخرى ويجب أخذها في الاعتبار عند تحليل الخيارات العلاجية للاضطرابات الحركية ، مثل إصابة الحبل الشوكي (SCI)6،7،8.

من أجل المشي ، يجب توصيل العديد من وصلات العمود الفقري من الأطراف الأمامية والخلفية بشكل صحيح وتنشيطها بشكل إيقاعي ، الأمر الذي يتطلب مدخلات من الدماغ وردود فعل من النظام الحسي الجسدي2،9،10. تبلغ هذه الوصلات ذروتها في مولدات النمط المركزي (CPGs) ، والتي تقع على مستوى عنق الرحم وأسفل الظهر للأطراف الأمامية والخلفية ، على التوالي1،9،10. في كثير من الأحيان ، بعد اصابات النخاع الشوكي ، يحد انقطاع الاتصال العصبي وتشكيل ندبة دبقية مثبطة12 من استعادة الوظيفة الحركية ، مع اختلاف النتائج من الشلل التام إلى الوظيفة المقيدة لمجموعة من الأطراف اعتمادا على شدة الإصابة. تعد أدوات القياس الكمي للوظيفة الحركية بدقة بعد اصابات النخاع الشوكي ضرورية لمراقبة التعافي وتقييم آثار العلاجات أو التدخلات السريرية الأخرى6.

المقايسة المترية القياسية لنماذج كدمة الماوس ل SCI هي مقياس باسو للماوس (BMS) 13,14 ، وهي درجة غير بارامترية تأخذ في الاعتبار استقرار الجذع ، وموضع الذيل ، والخطوة الأخمصية ، والتنسيق بين الأطراف الأمامية والخلفية في ساحة المجال المفتوح. على الرغم من أن BMS موثوق للغاية في معظم الحالات ، إلا أنه يتطلب اثنين على الأقل من المقيمين ذوي الخبرة لمراقبة جميع زوايا حركة الحيوانات من أجل حساب التباين الطبيعي وتقليل التحيز.

كما تم تطوير فحوصات أخرى لتقييم الأداء الحركي بعد اصابات النخاع الشوكي كميا. وتشمل هذه اختبار الروتارود ، الذي يقيس الوقت المستغرق في أسطوانة دوارة15 ؛ السلم الأفقي ، الذي يقيس عدد السور المفقود والاستيلاء على السلم الإيجابي16,17 ؛ واختبار المشي بالشعاع ، الذي يقيس الوقت الذي يستغرقه الحيوان وعدد حالات الفشل التي يرتكبها عند عبور شعاع ضيق18. على الرغم من أنها تعكس مزيجا من العجز الحركي ، إلا أن أيا من هذه الاختبارات لا تنتج معلومات حركية مباشرة حول التنسيق بين الأطراف الأمامية والخلفية.

لتحليل سلوك المشي بشكل محدد وأكثر شمولا ، تم تطوير فحوصات أخرى لإعادة بناء دورات الخطوة واستراتيجيات المشي. أحد الأمثلة على ذلك هو اختبار البصمة ، حيث ترسم الكفوف المحبرة لحيوان نمطا على ورقة بيضاء19. على الرغم من بساطة تنفيذه ، إلا أن استخراج المعلمات الحركية مثل طول الخطوة أمر مرهق وغير دقيق. وعلاوة على ذلك، فإن الافتقار إلى بارامترات دينامية، مثل مدة دورة الخطوة أو التنسيق المحدد بتوقيت الساق، يحد من تطبيقاتها؛ في الواقع ، لا يمكن الحصول على هذه المعلمات الديناميكية إلا من خلال تحليل مقاطع الفيديو إطارا تلو الآخر للقوارض التي تمشي عبر سطح شفاف. بالنسبة لدراسات اصابات النخاع الشوكي ، قام الباحثون بتحليل سلوك المشي من وجهة نظر جانبية باستخدام جهاز المشي ، بما في ذلك إعادة بناء دورة الخطوة وقياس الاختلافات الزاوية لكل مفصل ساق4،20،21. على الرغم من أن هذا النهج يمكن أن يكون مفيدا للغاية6 ، إلا أنه يظل يركز على مجموعة محددة من الأطراف ويفتقر إلى ميزات المشي الإضافية ، مثل التنسيق.

لسد هذه الفجوات، طور هامرز وزملاؤه اختبارا كميا يعتمد على مستشعر اللمس البصري باستخدام الانعكاس الداخلي الكلي المحبط (fTIR)22. في هذه الطريقة ، ينتشر الضوء عبر الزجاج عبر الانعكاس الداخلي ، وينتشر عند الضغط على المخلب ، وأخيرا ، يتم التقاطه بواسطة كاميرا عالية السرعة. في الآونة الأخيرة ، تم توفير نسخة مفتوحة المصدر من هذه الطريقة ، تسمى MouseWalker ، ويجمع هذا النهج بين ممر fTIR وحزمة برامج التتبع والقياسالكمي 23. باستخدام هذه الطريقة ، يمكن للمستخدم استخراج مجموعة كبيرة من المعلمات الكمية ، بما في ذلك أنماط الخطوة والمكانية والمشي ، وتحديد موضع البصمة ، والتنسيق بين الأطراف الأمامية والخلفية ، بالإضافة إلى المخرجات المرئية ، مثل أنماط البصمة (محاكاة مقايسة المخلبالمحبر 6) أو مراحل الوقوف بالنسبة لمحور الجسم. الأهم من ذلك ، نظرا لطبيعتها مفتوحة المصدر ، يمكن استخراج معلمات جديدة عن طريق تحديث حزمة البرنامج النصي MATLAB.

هنا ، يتم تحديث التجميع المنشور مسبقا لنظام MouseWalker23 . يتم توفير وصف لكيفية إعداده ، مع جميع الخطوات المطلوبة لتحقيق أفضل جودة للفيديو وظروف التتبع واكتساب المعلمات. كما تتم مشاركة أدوات إضافية لما بعد القياس الكمي لتعزيز تحليل مجموعة بيانات مخرجات MouseWalker (MW). أخيرا ، يتم توضيح فائدة هذه الأداة من خلال الحصول على قيم قابلة للقياس الكمي للأداء الحركي العام ، وتحديدا دورات الخطوة والتنسيق بين الأطراف الأمامية والخلفية ، في سياق إصابة الحبل الشوكي (SCI).

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تمت الموافقة على جميع إجراءات المناولة والرعاية الجراحية وما بعد الجراحة من قبل اللجنة الداخلية الجزيئية لمعهد الطب (ORBEA) ولجنة أخلاقيات الحيوان البرتغالية (DGAV) وفقا لإرشادات الجماعة الأوروبية (التوجيه 2010/63 / EU) والقانون البرتغالي بشأن رعاية الحيوان (DL 113/2013) بموجب الترخيص 0421/000/000/2022. تم استخدام إناث الفئران C57Bl / 6J التي تتراوح أعمارها بين 9 أسابيع في الدراسة الحالية. تم بذل كل الجهود لتقليل عدد الحيوانات وتقليل معاناة الحيوانات المستخدمة في الدراسة. البرنامج النصي MATLAB والإصدار المستقل من برنامج MW مفتوح المصدر ومتوفر في GitHub
مستودع (https://github.com/NeurogeneLocomotion/MouseWalker). بينما تم تطوير برنامج MW في MATLAB R2012b ، فقد تم تكييفه للتشغيل في MATLAB R2022b. يوضح الشكل 1 سير عمل تحليل MW.

1. إعداد جهاز MouseWalker (MW)

  1. قم بتجميع جهاز MW كما هو موضح سابقا23 ، أو التكيف مع الاحتياجات المحددة للتصميم التجريبي (انظر جدول المواد والشكل التكميلي 1 لمزيد من التفاصيل حول الإعداد).
    ملاحظة: يمكن توسيع ساحة المشي لاستيعاب الحيوانات الكبيرة ، مثل الفئران.
  2. تحقق من أن زجاج شبكي حيث تمشي الحيوانات نظيف وخالي من الخدوش. استخدم قطعة قماش ناعمة للتنظيف ، وقلل من استخدام المذيبات العضوية مثل الأمونيا أو الإيثانول بتركيزات عالية ، والتي يمكن أن تلحق الضرر بزجاج شبكي (يوصى باستخدام 3٪ بيروكسيد الهيدروجين أو 7٪ إيثانول أو أي مطهر متوافق ومناسب لزجاج شبكي). إذا لزم الأمر ، استبدل زجاج شبكي.
  3. قم بإعداد الكاميرا عالية السرعة بعدسة سريعة وفتحة عدسة كبيرة (أي قيم F-stop أصغر) لالتقاط كمية كبيرة من الضوء ، حيث يساعد ذلك في تسجيل إشارات fTIR (انظر جدول المواد).
    ملاحظة: يجب ألا تولد العدسة تشوهات بصرية، خاصة عند حواف الصورة. يمكن اختبار التشوهات البصرية عن طريق تسجيل نمط معروف (على سبيل المثال ، خطوط أو مربعات) ثم قياس حجم الكتل على ImageJ / FIJI24 (استخدم أداة الخط ، ثم انقر فوق تحليل > قياس). على سبيل المثال ، يجب أن يكون للمربع بحجم 1 سم نفس أبعاد البكسل في كل من مركز الصورة وعلى الحواف. يجب أن تكون الاختلافات أصغر من 5٪.
  4. قم بإضاءة شريط إضاءة LED متعدد الألوان من صندوق إضاءة الخلفية.
  5. قم بإضاءة شريط إضاءة LED الأبيض من صندوق إضاءة الممشى.
    ملاحظة: يمكن أيضا استخدام مؤشر LED ملون25 لتسهيل تمييز البصمة / الجسم / الخلفية.
  6. مع إطفاء أضواء الغرفة ، تحقق من شدة الضوء لصندوق إضاءة الخلفية والممر. اضبط الشدة ، إذا لزم الأمر ، باستخدام مقياس الجهد أو البلاستيك شبه غير الشفاف. يجب تحسينها بحيث تزداد كثافة البكسل بالترتيب التالي: جسم الحيوان < الخلفية < آثار الأقدام.
    1. للتحقق من كثافة البكسل لجسم الحيوان / خلفيته / آثار أقدامه ، افتح تسلسل الصورة على ImageJ / FIJI24 ، وانقر فوق تحليل > قياس. لا ينبغي أن تكون إشارة البصمة مفرطة التشبع ، لأن ذلك سيمنع تحديد حدود البصمة (أي أصابع القدم ووسادات القدم) (الشكل التكميلي 2).
  7. اضبط تباين صورة الممشى على برنامج تسجيل الفيديو. يمكن ضبط التباين بطريقتين: عن طريق تعتيم أو زيادة الإضاءة على شريط LED أو عن طريق ضبط فتحة عدسة الكاميرا.
  8. ضع العدسة بشكل صحيح لتكون على نفس الارتفاع وفي وسط المرآة العاكسة 45 درجة وعموديا (90 درجة) على الممشى. سيؤدي ذلك إلى إنشاء صورة متناسبة باستمرار على طول الممر الأيسر الأيمن.
    ملاحظة: تجنب تغيير موضع الكاميرا (المسافة والارتفاع والاتجاه) عبر جلسات التسجيل المتعددة. إذا لزم الأمر ، ضع علامة على الأرضية حيث يجب وضع الحامل ثلاثي القوائم. سيؤدي هذا إلى الحفاظ على ميزات الصورة.
  9. ركز العدسة على سطح زجاج شبكي. يمكن اختبار ذلك باستخدام جسم غير ضار يلامس سطح زجاج شبكي.
    ملاحظة: مع انخفاض قيم عدسة F-stop ، سيصبح عمق المجال أصغر ، مما يجعل التركيز البؤري أكثر صعوبة.
  10. تأكد من بقاء جميع الإعدادات دون تغيير أثناء الفحص ، لأنها قد تغير كثافة البكسل لمقاطع الفيديو المسجلة.

2. اقتناء الفيديو

  1. تأكد من أن الفئران على دراية بالغرفة والجهاز قبل الاختبار. حفظ ما لا يقل عن 1 يوم للتعود (اليوم 0). لتجنب التدريب المفرط ، قم بإجراء اختبار MW في يوم مختلف عن الاختبارات السلوكية الأخرى (يفضل أن يكون ذلك في اليوم التالي).
  2. في برنامج تسجيل الفيديو ، تأكد من أن 50 سم على الأقل من الممر مرئي.
  3. اضبط إعدادات التسجيل لاقتطاع منطقة الممشى. سيؤدي ذلك إلى تقليل حجم الفيديو وتحسين اكتساب الفيديو.
  4. التقط صورة أو مقطع فيديو قصيرا لمسطرة عادية قبل كل جلسة. سيتم استخدام عدد وحدات البكسل لكل سنتيمتر لاحقا في "نافذة الإعدادات" لمعايرة مقاطع الفيديو.
  5. ابدأ اقتناء الفيديو ، وضع الحيوان على حافة الممشى عن طريق الإمساك بقاعدة الذيل لتجنب الإصابات. تأكد من تحرك الحيوانات للأمام إلى الحافة القصوى للمنصة. قم بإجراء تسجيلات الفيديو باستخدام 100 إطار / ثانية على الأقل لضمان انتقالات مشية سلسة.
    1. إذا لزم الأمر ، حفز الحيوانات على التحرك عن طريق النقر برفق على جدار الممشى أو التقاط / تصفيق الأصابع. ومع ذلك ، تجنب الدفع الجسدي ، لأن هذا قد يؤثر على النتائج.
    2. احفظ مقاطع الفيديو مباشرة كتسلسلات صور بتنسيق TIFF (مع ضغط LZW) أو JPEG أو PNG. في حالة تسجيل الكاميرا كملف MOV خام ، قم بتحويل مقاطع الفيديو إلى تسلسلات صور عن طريق فتح الملف في ImageJ / FIJI24 والنقر فوق File > Save as > Image sequence (أو باستخدام برامج أخرى ، مثل LosslessCut25).
      ملاحظة: تبدأ معظم الحيوانات في المشي فور وضعها في الممشى. لذلك ، يوصى ببدء اقتناء الفيديو قبل وضع الحيوان.

3. إعداد مقاطع الفيديو لبرنامج تتبع MW

  1. فيلم ما يكفي من أشواط كاملة من كل الماوس الفردية. يجب تحديد عدد الحيوانات المراد تصويرها لكل حالة وعدد مرات التشغيل الكاملة وفقا لكل تصميم تجريبي. الجري الكامل هو عندما يمشي الماوس على مسافة 50 سم كاملة من الممشى دون توقف طويل (في هذه التجربة ، تم اختيار ثلاثة أشواط كاملة).
    ملاحظة: اعتمادا على برنامج الحصول على الصور ، قد تحتاج مقاطع الفيديو إلى اقتصاصها إلى أصغر عائد استثمار. سيؤدي ذلك إلى زيادة سرعة التتبع وتوليد المخرجات.
  2. في ImageJ/FIJI24، حدد الإطارات التي يظهر فيها الماوس على الشاشة بالنقر فوق Image > Stack > Tools > Make a substack. يتطلب التتبع على MW أن يكون الرأس والذيل مرئيين في جميع الإطارات. ومع ذلك ، من الممكن إنشاء عدة مكدسات فرعية من تسجيل فيديو واحد ، والذي سيمثل لاحقا كل تشغيل.
  3. احفظ كل مكدس فرعي على حدة في مجلدات مختلفة بالنقر فوق ملف > حفظ باسم تسلسل صورة >. يقوم برنامج MW لاحقا بإنشاء مجلد فرعي تلقائيا في كل دليل في كل مرة يبدأ فيها المرء في تحليل التشغيل.

4. التتبع

  1. افتح MATLAB ، وأضف المجلد الذي يحتوي على البرنامج النصي MW إلى دليل العمل ، وقم بتشغيل "MouseWalker.m" في سطر الأوامر الرئيسي.
    ملاحظة: يسمح استخدام برنامج MW ضمن MATLAB بتتبع رسائل الخطأ ليتم عرضها على وحدة التحكم الرئيسية في MATLAB وتحديد بيانات الإخراج المطلوبة (عن طريق فتح ملف البرنامج النصي الرئيسي "MouseEvaluate.m" وتغيير المخرجات إلى 1 أو 0: ملف Excel ، ومخططات الخطوات ، وآثار الموقف ، وأنماط المشي).
  2. قم بتحميل مجلد الفيديو ك "دليل الإدخال". يمكن للمرء أيضا اختيار مجلد الإخراج ؛ ومع ذلك ، هذا ليس شرطا لأن برنامج MW ينشئ مجلدا جديدا يسمى "النتائج" تلقائيا داخل "دليل الإدخال".
  3. باستخدام الأسهم "<<" و "<" و ">>" و ">" تحقق مما إذا كانت إطارات الفيديو قد تم تحميلها بشكل صحيح داخل برنامج MW.
  4. انتقل إلى "نافذة الإعدادات" حيث توجد جميع معلمات المعايرة والعتبة. يمكن أن تتغير هذه الإعدادات اعتمادا على كثافة البكسل للخلفية وآثار الأقدام ، بالإضافة إلى الحد الأدنى لحجم الجسم وآثار الأقدام ، من بين عوامل أخرى (انظر المثال في الشكل التكميلي 2). اختبر تأثير تغيير بعض المعلمات بالنقر فوق الزر معاينة .
    1. استخدم أنماط الرسم المختلفة ، بما في ذلك "الجسم + الأقدام + الذيل" و "الجسم فقط" و "الأقدام فقط" و "الذيل فقط" ، للمساعدة في تمييز أجزاء الجسم بعد ضبط معلمات العتبة.
    2. استفد من الأدوات الموجودة على اللوحة اليمنى لأخذ قياسات السطوع أو الحجم (باستخدام زري "السطوع" و "المسطرة" ، على التوالي). يمكن حفظ جميع الإعدادات على أنها "افتراضية" طالما ظلت مسافة الكاميرا كما هي.
  5. بعد ضبط معلمات الحد الأدنى ، تحقق من أن الفيديو جاهز للتتبع التلقائي. انتقل إلى الإطار الأول ، وانقر فوق تلقائي لبدء التتبع. يمكن اتباع هذه الخطوة في الوقت الفعلي ، وتستغرق بضع دقائق ، اعتمادا على حجم الفيديو وأداء الكمبيوتر.
    1. إذا قام التتبع التلقائي بتسمية ميزات الجسم بشكل غير صحيح ، فقم بإلغاء التتبع التلقائي ، وأدخل إعدادات جديدة ، وأعد تشغيل العملية.
  6. بعد اكتمال التتبع ، تحقق مما إذا كانت هناك حاجة إلى تصحيح يدوي. للتصحيح ، استخدم اللوحة الوسطى لتحديد أو إلغاء تحديد ، والإشارة إلى موقع آثار أقدام مخلب الجبهة اليمنى (RF) ، والخلف الأيمن (RH) ، والجبهة اليسرى (LF) ، والخلفية اليسرى (LH) ، والرأس والأنف والجسم (مقسمة إلى جزأين) ، ومواضع الذيل (مقسمة إلى أربعة أجزاء). احفظ التغييرات بالضغط على الزر حفظ .
    ملاحظة: تحتوي جميع الأزرار ومعظم الأوامر على اختصار مفتاح (راجع الدليل المرتبط للحصول على التفاصيل23). لتسهيل تمرير الفيديو وتنفيذ اختصارات لوحة المفاتيح ، يمكن استخدام وحدة تحكم في الأجهزة بأزرار قابلة للبرمجة وعجلة مكوك مثل Contour ShuttlePro V2.
  7. انقر فوق تقييم لإنشاء ملفات الإخراج من الفيديو المتعقب. اعتمادا على الإخراج المطلوب المحدد (انظر الخطوة 4.1) ، يمكن أن تستغرق هذه الخطوة بضع دقائق.
  8. تحقق من حفظ جميع مخططات بيانات الإخراج الرسومية في مجلد "النتائج". تحقق من دقة التتبع من خلال فحص بعض المخرجات الرسومية ، مثل "آثار الموقف" ، حيث يمكن للمرء التحقق مما إذا كانت جميع مواضع الكفوف متسقة.
    1. إذا تم تحديد خطأ ، فقم بتصحيح التتبع يدويا (إن أمكن ؛ وإلا ، فقم بإزالة مجلد "النتائج" ، وقم بإجراء التتبع التلقائي مرة أخرى بإعدادات جديدة) ، وانقر فوق الأمر تقييم مرة أخرى.
  9. تحقق من حفظ جميع القياسات الكمية التي تم إنشاؤها بواسطة برنامج MW في جدول بيانات Excel وتلخيصها في "1. Info_Sheet". تأكد من تطابق خيارات Excel لترسيمات الصيغة مع البرنامج النصي. يجب أن يكون الفاصل العشري "،" ، ويجب أن يكون الفواصل الألف "؛".
  10. استخدم البرنامج النصي "MouseMultiEvaluate.m" لتجميع القياسات من جميع عمليات التشغيل في ملف جديد للتحليل.
    1. للبدء ، قم بإنشاء ملف .txt يحتوي على مسارات المجلد لجميع مقاطع الفيديو (مثل "ملفات الفيديو.txt"). تأكد من أن كل سطر يتوافق مع مقطع فيديو واحد.
    2. ثم اكتب "MouseMultiEvaluate ('Videofiles.txt')" في سطر الأوامر. سيتم إنشاء ملف Excel باسم "ResultSummary.xls" في دليل العمل (انظر مثالا في مستودع GitHub).
      ملاحظة: يمثل الشكل 2 المخرجات الرسومية التي تم الحصول عليها بواسطة برنامج MW من مقاطع الفيديو الخاصة بحيوان مسجل واحد.

5. سير عمل تحليل البيانات الحركية

  1. قم بتحرير ورقة Excel التي تم إنشاؤها في الخطوة 4.10 ، والتي تحتوي على بيانات المعالجة باستخدام نصوص Python النصية المتوفرة ، وفقا للمتطلبات الأساسية التالية.
    1. في رأس العمود الأول، حدد الشرط التجريبي. قم بتسمية كل سطر بعد اسم المجموعة / الشرط (يجب أن يكون للأفراد من نفس المجموعات نفس الاسم). يجب أن تكون المجموعة الأولى هي عنصر التحكم أو خط الأساس (هذا إلزامي فقط لرسم خريطة التمثيل اللوني ، الخطوة 5.6).
    2. في العمود الثاني، حدد معرف الحيوان. هذا إلزامي ، على الرغم من أن هذه المعلومات لن تستخدم لإنشاء المؤامرة.
    3. في العمود الثالث فصاعدا ، اختر معلمات المحرك التي سيتم استخدامها للتحليل. تأكد من أن السطر الأول هو اسم المعلمة (ستظهر هذه الأسماء لاحقا في المؤامرات).
  2. افتح Anaconda Navigator ، وقم بتنفيذ Spyder لفتح نصوص Python النصية المتوفرة.
    ملاحظة: تم تطوير جميع البرامج النصية باستخدام Python 3.9.13 ، وتم تنفيذها باستخدام Spyder 5.2.2 في Anaconda Navigator 2.1.4 ، وهي متوفرة في جدول المواد ومستودع GitHub (حيث يتم تضمين مواد إضافية ، مثل مثال فيديو وملف مثال Excel ومستند الأسئلة الشائعة). من الممكن تنفيذ البرامج النصية خارج Anaconda Navigator ؛ ومع ذلك ، فإن واجهة المستخدم الرسومية هذه أكثر سهولة في الاستخدام.
  3. استخدم "Rawdata_PlotGenerator.py" لإنشاء مخططات البيانات الأولية. سيسمح ذلك بتصور كل معلمة كدالة للسرعة.
    1. افتح "Rawdata_PlotGenerator.py" في Spyder ، وقم بتشغيل الكود بالنقر فوق الزر "تشغيل ".
    2. حدد ملف Excel لتحليله واسم الورقة في النافذة التلقائية. إذا لم يتم تغيير اسم الورقة ، فاكتب "الورقة 1".
    3. ستظهر مخططات البيانات الأولية في وحدة تحكم قطعة الأرض (اللوحة اليمنى العليا). لحفظ المؤامرات ، انقر فوق الزر حفظ الصورة أو حفظ جميع الصور في وحدة التحكم في قطعة الأرض.
  4. استخدم البرنامج النصي "Residuals_DataAnalysis" لحساب المخلفات لتحليل البيانات. سيقوم هذا البرنامج النصي بإنشاء ملف CSV مع حسابات المخلفات لجميع معلمات المحرك.
    ملاحظة: تختلف العديد من معلمات المشي المقاسة المستخرجة بواسطة MW باختلاف السرعة (على سبيل المثال ، سرعة التأرجح ، وطول الخطوة ، ومدة الموقف ، واستقامة الموقف ، ومؤشرات المشي). لذلك ، يوصى بإجراء نموذج الانحدار الأنسب لكل معلمة فردية مقابل السرعة لتجربة خط الأساس ثم تحديد القيم المتبقية لكل مجموعة تجريبية فيما يتعلق بنموذج الانحدار هذا. ثم يتم التعبير عن البيانات على أنها الفرق من الخط الطبيعي المتبقي26.
    1. افتح "Residuals_DataAnalysis.py" في Spyder ، وقم بتشغيل الكود بالنقر فوق الزر "تشغيل ".
    2. حدد ملف Excel لتحليله واسم الورقة في النافذة التلقائية. إذا لم يتم تغيير اسم الورقة ، فاكتب "الورقة 1".
    3. احفظ ملف CSV في نفس مجلد البيانات. من الضروري أن يكون عنصر التحكم (أو الأساس) هو المجموعة الأولى في ملف Excel.
  5. استخدم البرنامج النصي "PCA_PlotGenerator.py" لإجراء تحليل مكون رئيسي (PCA).
    ملاحظة: يتم استخدام طريقة تقليل الأبعاد غير الخاضعة للإشراف هذه لتوليد تمثيل أكثر إيجازا27،28،29 من البيانات (الشكل 3 أ ، ب). يتضمن البرنامج النصي PCA الخطوات التالية. تتم معالجة البيانات أولا مسبقا عن طريق التوسيط والقياس ، وبعد ذلك تقوم خوارزمية PCA بحساب مصفوفة التغاير لتحديد الارتباطات بين المتغيرات وحساب المتجهات الذاتية والقيم الذاتية لمصفوفة التغاير لتحديد المكونات الرئيسية. يتم اختيار أول مكونين أو ثلاثة مكونات رئيسية لتمثيل البيانات في مؤامرات 2D أو 3D ، على التوالي. تتوافق كل نقطة في المؤامرات مع وتمثل متغيرا مجردا مختلفا. تستخدم النقاط المرمزة بالألوان لتمييز المجموعات المحددة. على هذا النحو ، تعكس مجموعات النقاط أنماط المشي المتشابهة التي يشاركها الأفراد المقابلون.
    1. افتح "PCA_PlotGenerator.py" في Spyder ، وقم بتشغيل الكود بالنقر فوق الزر "تشغيل ".
    2. حدد ملف Excel لتحليله واسم الورقة في النافذة التلقائية. إذا لم يتم تغيير اسم الورقة ، فاكتب "الورقة 1".
    3. تأكد من ظهور مؤامرات PCA 2D و 3D في وحدة التحكم في قطعة الأرض (اللوحة العلوية اليمنى). يمثل كل لون مجموعة مختلفة ، وتظهر وسيلة الإيضاح بجوار المؤامرة. لحفظ قطعة الأرض ، انقر فوق حفظ الصورة في وحدة التحكم في المؤامرة.
  6. استخدم "Heatmap_PlotGenerator.py" لإنشاء خريطة حرارية. تأكد من أن مولد خريطة الحرارة ينشئ جدولا يوضح الاختلافات الإحصائية بين مجموعة خط الأساس (أو المجموعة الضابطة) والمجموعات الأخرى لكل معلمة محرك27 (الشكل 4). يصور كل عمود مجموعة واحدة ، ويرتبط كل سطر بمعلمة محرك محددة.
    ملاحظة: تم إجراء التحليل الإحصائي باستخدام ANOVA أحادي الاتجاه متبوعا باختبار Tukey اللاحق (للتوزيعات الطبيعية) أو اختبار Kruskal-Wallis ANOVA متبوعا باختبار Dunn اللاحق (للتوزيعات غير الطبيعية). تم استبعاد القيم المتطرفة من التحليل. يتم تمثيل قيم P برمز لون ، مع ظلال حمراء وزرقاء تشير إلى زيادة أو نقصان بالنسبة إلى التحكم (أو خط الأساس) ، على التوالي. يمثل ظل اللون الدلالة الإحصائية ، حيث تظهر الألوان الداكنة أهمية أعلى ، وتظهر الألوان الفاتحة أهمية أقل. يتوافق مع P < 0.001 ؛ ** يتوافق مع P < 0.01 ؛ و * يتوافق مع P < 0.05. يشير اللون الأبيض إلى عدم وجود اختلاف.
    1. افتح "Heatmap_PlotGenerator.py" في Spyder ، وقم بتشغيل الكود بالنقر فوق الزر "تشغيل ".
    2. حدد ملف Excel لتحليله واسم الورقة في النافذة التلقائية. إذا لم يتم تغيير اسم الورقة ، فاكتب "الورقة 1".
    3. حدد نوع البيانات في النافذة التلقائية الثانية: البيانات الأولية أو البيانات المتبقية. إذا لم يتم تحديد خيار، فإن البيانات المتبقية هي الافتراضية.
    4. ستظهر خريطة التمثيل اللوني في وحدة التحكم في قطعة الأرض (اللوحة العلوية اليمنى). لحفظ قطعة الأرض ، انقر فوق حفظ الصورة في وحدة التحكم في المؤامرة.
      ملاحظة: من الضروري أن يكون عنصر التحكم (أو الأساس) هو المجموعة الأولى في ملف Excel.
  7. استخدم "Boxplots_PlotGenerator.py" لإنشاء مخططات الصندوق. ستسمح هذه الأداة بإنشاء مخططات صندوقية تمثل توزيع القيم لجميع المعلمات الحركية لكل مجموعة (الشكل 5 والشكل 6 والشكل 7).
    ملاحظة: يحتوي كل صندوق على الوسيط كخط وسط، وتمثل الحواف السفلية والعلوية للمربعات الربعين 25٪ و75٪ على التوالي. تمثل الشعيرات نطاق مجموعة البيانات الكاملة ، باستثناء القيم المتطرفة. يتم تعريف القيم المتطرفة على أنها أي قيمة تبلغ 1.5 ضعف النطاق الربيعي أقل أو أعلى من الربعين 25٪ و 75٪ ، على التوالي.
    1. افتح "Boxplots_PlotGenerator.py" في Spyder ، وقم بتشغيل الكود بالنقر فوق الزر "تشغيل ".
    2. حدد ملف Excel لتحليله واسم الورقة في النافذة التلقائية. إذا لم يتم تغيير اسم الورقة ، فاكتب "الورقة 1".
    3. حدد نوع البيانات في النافذة التلقائية الثانية: البيانات الأولية أو البيانات المتبقية. إذا لم يتم تحديد خيار، فإن البيانات المتبقية هي الافتراضية.
    4. ستظهر مخططات المربعات في وحدة تحكم قطعة الأرض (اللوحة العلوية اليمنى). لحفظ المؤامرات ، انقر فوق الزر حفظ الصورة أو حفظ جميع الصور في وحدة التحكم في قطعة الأرض.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يصف نظام BMS القياسي العجز الحركي الإجمالي بعد SCI14. نظرا لطبيعتها الذاتية ، يتم إجراء فحوصات كمية أخرى بشكل عام جنبا إلى جنب مع BMS لإنتاج تقييم أكثر تفصيلا ودقة للحركة. ومع ذلك ، تفشل هذه الاختبارات في إظهار معلومات محددة حول دورات الخطوة ، وأنماط الخطوة ، والتنسيق بين الأطراف الأمامية والخلفية ، وهو أمر مهم للغاية في فهم كيفية حفاظ الدوائر الشوكية على وظيفتها وتكيفها مع اصابات النخاع الشوكي غير المكتملة. يوضح هذا القسم كيف يمكن أن يساعد صندوق أدوات MW في مراقبة استعادة الوظيفة الحركية بعد اصاب...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

هنا ، يتم توضيح إمكانات طريقة MouseWalker من خلال تحليل السلوك الحركي بعد اصابات النخاع الشوكي. يوفر رؤى جديدة حول تعديلات محددة في أنماط الخطوات والبصمة والمشي التي قد تفوتها الاختبارات القياسية الأخرى. بالإضافة إلى توفير إصدار محدث من حزمة MW ، يتم أيضا وصف أدوات تحليل البيانات باستخدام نصوص Python النصية المرفقة (انظر الخطوة 5).

نظرا لأن MW يولد مجموعة بيانات كبيرة ومجموعة من المعلمات الحركية التي تعكس عملية حركية عالية الأبعاد ، فقد تم استخدام PCA. في الواقع ، تم استخدام PCA على نطاق واسع ...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ويعلن صاحبا البلاغ أنه ليس لهما مصالح مالية متنافسة.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يشكر المؤلفان لورا تاكر وناتاسا لونكاريفيتش على تعليقاتهما على المخطوطة والدعم الذي قدمه مرفق القوارض التابع لمعهد الطب الجزيئي جواو لوبو أنتونيس. يريد المؤلفون الاعتراف بالدعم المالي المقدم من Prémios Santa Casa Neurociências - جائزة Melo e Castro لأبحاث إصابات الحبل الشوكي (MC-36/2020) إلى L.S. و CSM تم دعم هذا العمل من قبل Fundação para a Ciência e a Tecnologia (FCT) (PTDC / BIA-COM / 0151/2020) ، iNOVA4Health (UIDB / 04462/2020 و UIDP / 04462/2020) ، و LS4FUTURE (LA / P / 0087/2020) إلى C.S.M. L.S. تم دعمه بعقد باحث رئيسي فردي من CEEC (2021.02253.CEECIND). تم دعم AFI من خلال زمالة الدكتوراه من FCT (2020.08168.BD). تم دعم A.M.M. من خلال زمالة الدكتوراه من FCT (PD / BD / 128445 / 2017). تم دعم IM من خلال زمالة ما بعد الدكتوراه من FCT (SFRH / BPD / 118051 / 2016). تم دعم D.N.S. من خلال زمالة الدكتوراه من FCT (SFRH / BD / 138636 / 2018).

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
<قوي>45 & ordm; مرآة  بثق ألومنيوم < / قوي >
2 (2 × 2 سم) ، ارتفاع 16 سم ، 1 على كل جانبميسومي
2 بثق ألومنيوم (2 × 2 سم) ، 23 سم ، @ 45 درجة ؛ 1 على كل جانبميسومي
1 بثق ألومنيوم (2 × 2 سم) ، 83 سمبطول ميسومي
87 × 23 سم مرآةمورد زجاج عام   ؛
حشو الورق المقوى الأسود القرطاسية العامةاستخدمنا 2 ، أحدهما بحجم 69 × 6 سم والآخر بحجم 69 × 3 سم للحد من الانعكاس على المرآة
< قوية > إضاءة خلفية < / قوية >
109 × 23 سم زجاج شبكي (0.9525 سم) موردالأجهزة
2 بثق جانبي من الألومنيوم (4 × 4 سم) ، بطول 20 سم ، 1 على كل جانبMisumi
شريط LED متعدد الألوانالأجهزة
ورق أبيض غير شفاف لتغطية زجاج شبكيمورد
العامة < قوي > fTIR قاعدة دعم ومشاركات < / قوي >
2 بثق الألومنيوم (4 × 4 سم) ، ارتفاع 100 سمميسومي
60 × 30 سم لوح تجارب متريإدموند للبصريات & nbsp ؛# 54-641
M6 مسامير 12 ممEdmund Optics   ؛
M6 عرافة المكسرات والواهرإدموند للبصريات  
fTIR Walkway  زجاج شبكي < / قوي>
109 × 8.5 سم (سمك 1.2 سم)موردزجاج شبكي 109 × 8.5 سم (سمك 1.2 سم) بطول
109 سم من الألومنيوم ذو القناة الأساسية على شكل حرف U بارتفاع 1.6 سم × عمق 1.9 سم طيات سميكة (لتثبيت زجاج شبكي)مورد
2 بثق جانبي من الألومنيوم (4 × 4 سم) بطول 20 سم ، 1 على كل جانبMisumi
حشو الورق المقوى الأسود القرطاسية العامةاستخدمنا 2 حشو على كل جانب لتغطية حدود زجاج شبكي ، وتجنب الحواف الساطعة
M6 مسامير 12 ممEdmund Optics   ؛
<قوية>كاميرا عالية السرعة (على حامل ثلاثي القوائم) < / قوي> Blackfly
S USB3FLIR#BFS-U3-32S4M-Cهذه توصية الشرط هو تسجيل ما لا يقل عن 100 إطار في الثانية
Infinite Horizon Impactor 
Infinite Horizon Impactor الدقة للأنظمة والأجهزة ، ذ م م.# 0400
Lens< / strong>
Nikon AF Zoom-Nikkor 24-85mmنيكون# 1929يوصى بهذه العدسة ، ولكن يمكن استخدام عدسة أخرى. تأكد من احتوائه على فتحة عدسة كبيرة (أي قيم F-stop أصغر) ، لالتقاط إشارات fTIR
Software
MATLAB R2022bMathWorks
Python 3.9.13 بايثون للبرمجيات
أناكوندا نافيجيتور 2.1.4أناكوندا ، إنك.
سبايدر 5.1.5 المساهمون
SpyderWalkway wall  < / قوي>
2 أكريليك كبير مستقيم مع 100 × 15 سمأي متجر
2 جوانب شبه منحرفة أكريلية بطول 6-10 × 15 سمارتفاع أي متجر صغير bricolage
GitHub Materials< / strong >
Folder name < / strong >URL < / strong>
Boxplotshttps://github.com/NeurogeneLocomotion/MouseWalker/tree/main/BoxplotsScript لإنشاء Boxplots
Docshttps://github.com/NeurogeneLocomotion/MouseWalker/tree/main/Docsمستندات إضافية
خريطة التمثيل اللونيhttps://github.com/NeurogeneLocomotion/MouseWalker/tree/main/Heatmapsالنصي لإنشاء خريطة التمثيل اللوني
برنامج نصي Matlathttps://github.com/NeurogeneLocomotion/MouseWalker/tree/main/Matlab%20Scriptبرنامج نصي MouseWalker matlab
PCAhttps://github.com/NeurogeneLocomotion/MouseWalker/tree/main/PCA%20plotsScript لتنفيذ مخططات البيانات الأولية لتحليل المكونات الرئيسية
https://github.com/NeurogeneLocomotion/MouseWalker/tree/main/Rawdata%20Plotsبرنامج نصي لإنشاء مخططات البيانات
التحليل المتبقيhttps://github.com/NeurogeneLocomotion/MouseWalker/tree/main/Residual_Analysisالتعليمات البرمجية لحساب المخلفات من البيانات الأولية
مورد العام مورد العام القرطاسية الأجهزة العامة الأجهزة العامةمورد مؤسسة في مشروعصغير bricolage البرنامج الأولية

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Frigon, A. The neural control of interlimb coordination during mammalian locomotion. Journal of Neurophysiology. 117 (6), 2224-2241 (2017).
  2. Grillner, S. Biological pattern generation: The cellular and computational logic of networks in motion. Neuron. 52 (5), 751-766 (2006).
  3. Dominici, N., et al. locomotor primitives in newborn babies and their development. Science. 334 (6058), 997-999 (2011).
  4. 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).
  5. Clarac, F., Cattaert, D., le Ray, D. Central control components of a 'simple' stretch reflex. Trends Neuroscience. 23 (5), 199-208 (2000).
  6. Squair, J. W., Gautier, M., Sofroniew, M. V., Courtine, G., Anderson, M. A. Engineering spinal cord repair. Current Opinion in Biotechnology. 72, 48-53 (2021).
  7. Wenger, N., et al. Spatiotemporal neuromodulation therapies engaging muscle synergies improve motor control after spinal cord injury. Nature Medicine. 22 (2), 138-145 (2016).
  8. Grillner, S. The spinal locomotor CPG: A target after spinal cord injury. Progress in Brain Research. 137, 97-108 (2002).
  9. Boulain, M., et al. Synergistic interaction between sensory inputs and propriospinal signalling underlying quadrupedal locomotion. Journal of Physiology. 599 (19), 4477-4496 (2021).
  10. Skarlatou, S., et al. Afadin signaling at the spinal neuroepithelium regulates central canal formation and gait selection. Cell Reports. 31 (10), 107741(2020).
  11. 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).
  12. Silver, J., Miller, J. H. Regeneration beyond the glial scar. Nature Reviews Neuroscience. 5 (2), 146-156 (2004).
  13. 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).
  14. 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).
  15. 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).
  16. 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).
  17. 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).
  18. 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).
  19. 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).
  20. 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).
  21. 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).
  22. 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).
  23. Mendes, C. S., et al. Quantification of gait parameters in freely walking rodents. BMC Biology. 13 (1), 50(2015).
  24. Schindelin, J., et al. Fiji: An open-source platform for biological-image analysis. Nature Methods. 9 (7), 676-682 (2012).
  25. 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).
  26. 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).
  27. Cabrita, A., et al. Motor dysfunction in Drosophila melanogaster as a biomarker for developmental neurotoxicity. iScience. 25 (7), 104541(2022).
  28. Bishop, C. M. Pattern Recognition and Machine Learning. , Springer. Delhi, India. (2006).
  29. vander Maaten, L., Postma, E., vanden Herik, J. Dimensionality reduction: A comparative review. , Tilburg University. The Netherlands.. http://www.uvt.nl/ticc (2009).
  30. 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).
  31. 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).
  32. Cheng, H., et al. Gait analysis of adult paraplegic rats after spinal cord repair. Experimental Neurology. 148 (2), 544-557 (1997).
  33. 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).
  34. 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).
  35. 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).
  36. 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).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

MouseWalker SystemSpinal Cord InjuryLocomotor DysfunctionGait QuantificationMouse ModelMotor CoordinationKinematic AnalysisBehavioral AssaysOpen Source ToolsFootprint Patterns

Related Articles