نصف هنا PyOKR ، وهي طريقة تحليل كمي شبه آلية تقيس مباشرة حركات العين الناتجة عن الاستجابات البصرية لحركة الصورة ثنائية الأبعاد. تسمح واجهة المستخدم المستندة إلى Python وخوارزمية التحليل بإنتاجية أعلى وقياسات كمية أكثر دقة لمعلمات تتبع العين مقارنة بالطرق السابقة.
يتطلب اشتراك JoVE لعرض هذا المحتوى. تسجيل الدخول أو ابدأ نسخة تجريبية مجانية
مقالة منهجية
PyOKR: طريقة شبه آلية لقياس قدرة تتبع منعكس البصر
في هذه المقالة
ملخص
الملخص
تعد دراسة الاستجابات السلوكية للمنبهات البصرية مكونا رئيسيا لفهم وظيفة النظام البصري. إحدى الاستجابات الملحوظة هي المنعكس البصري (OKR) ، وهو سلوك فطري محفوظ للغاية ضروري لتثبيت الصورة على شبكية العين. يوفر OKR قراءة قوية لقدرة تتبع الصور وقد تمت دراسته على نطاق واسع لفهم دوائر النظام البصري ووظيفته في من خلفيات وراثية مختلفة. يتكون OKR من مرحلتين: مرحلة تتبع بطيئة حيث تتبع العين حافزا إلى حافة المستوى البصري ومرحلة سريعة تعويضية تعيد ضبط موضع العين في المدار. الطرق السابقة لتتبع القياس الكمي للمكاسب ، على الرغم من موثوقيتها ، كثيفة العمالة ويمكن أن تكون ذاتية أو مشتقة بشكل تعسفي. للحصول على تقدير كمي أسرع وقابل للتكرار لقدرة تتبع العين ، قمنا بتطوير برنامج تحليل شبه آلي جديد ، PyOKR ، يسمح بالقياس الكمي لحركة تتبع العين ثنائية الأبعاد استجابة لأي حافز اتجاهي ، بالإضافة إلى كونها قابلة للتكيف مع أي نوع من معدات تصوير العين بالفيديو. توفر هذه الطريقة التصفية الآلية ، واختيار مراحل التتبع البطيئة ، ونمذجة متجهات العين الرأسية والأفقية ، والقياس الكمي لمكاسب حركة العين بالنسبة لسرعة التحفيز ، وتنظيم البيانات الناتجة في جدول بيانات قابل للاستخدام للمقارنات الإحصائية والرسومية. يوفر خط أنابيب التحليل الكمي والمبسط هذا ، الذي يمكن الوصول إليه بسهولة عبر استيراد PyPI ، قياسا سريعا ومباشرا لاستجابات OKR ، مما يسهل دراسة الاستجابات السلوكية البصرية.
المقدمة
يعتمد تثبيت الصورة على استجابات حركية دقيقة للعين للتعويض عن التدفق البصري العالمي الذي يحدث أثناء الحركة الذاتية. هذا الاستقرار مدفوع بشكل أساسي باستجابتين حركيتين: المنعكس البصري (OKR) والمنعكس الدهليزي العيني (VOR) 1،2،3. تحفز الحركة العالمية البطيئة عبر شبكية العين OKR ، مما يثير دوران العين الانعكاسي في الاتجاه المقابل لتثبيت الصورة 1,2. هذه الحركة ، المعروفة باسم المرحلة البطيئة ، تنقطع عن طريق الأكياس التعويضية ، والمعروفة باسم المرحلة السريعة ، حيث يتم إعادة ضبط العين بسرعة في الاتجاه المعاكس للسماح بمرحلة بطيئة جديدة. هنا ، نحدد هذه الأكياس سريعة المرحلة على أنها حركات تتبع العين (ETMs). في حين أن VOR يعتمد على النظام الدهليزي لاستنباط حركات العين للتعويض عن حركات الرأس3 ، يتم بدء OKR في شبكية العين عن طريق إطلاق ON والإشارات اللاحقة إلى النظام البصري الملحق (AOS) في الدماغ المتوسط 4,5. نظرا لاعتماده المباشر على دوائر الشبكية ، فقد تم استخدام OKR بشكل متكرر لتحديد قدرة التتبع البصري في كل من الإعدادات البحثية والسريرية 6,7.
تمت دراسة OKR على نطاق واسع كأداة لتقييم القدرة البصرية الأساسية2،6،8 ، وتطوير DSGC9،10،11،12 ، والاستجابات الحركية للعين13 ، والاختلافات الفسيولوجية بين الخلفيات الوراثية7. يتم تقييم OKR في الثابتة الرأس المقدمة مع حافز متحرك14. عادة ما يتم التقاط الاستجابات الحركية للعين باستخدام مجموعة متنوعة من أدوات الفيديو ، ويتم التقاط حركات تتبع العين كأشكال موجية OKR في الاتجاهين الأفقي والرأسي9. لتحديد قدرة التتبع ، تم وصف مقياسين أساسيين: كسب التتبع (سرعة العين بالنسبة لسرعة التحفيز) وتردد ETM (عدد أكياس المرحلة السريعة خلال إطار زمني معين). تم استخدام حساب الكسب تاريخيا لقياس السرعة الزاوية للعين مباشرة لتقدير قدرة التتبع. ومع ذلك ، فإن هذه الحسابات كثيفة العمالة ويمكن اشتقاقها بشكل تعسفي بناء على طرق جمع تصوير العين بالفيديو والقياس الكمي اللاحق. لتقييم OKR بشكل أسرع ، تم استخدام حساب تردد ETM كطريقة بديلة لقياس حدة التتبع7. على الرغم من أن هذا يوفر تقديرا دقيقا إلى حد ما لقدرة التتبع ، إلا أن هذه الطريقة تعتمد على مقياس غير مباشر لتحديد استجابة المرحلة البطيئة وتقدم عددا من التحيزات. وتشمل هذه التحيز المراقب في تحديد saccade ، والاعتماد على استجابات saccadic متسقة زمنيا عبر حقبة محددة ، وعدم القدرة على تقييم حجم استجابة المرحلة البطيئة.
من أجل معالجة هذه المخاوف مع مناهج تقييم OKR الحالية ولتمكين القياس الكمي المتعمق عالي الإنتاجية لمعلمات OKR ، قمنا بتطوير طريقة تحليل جديدة لتحديد أشكال موجات OKR. يستخدم نهجنا منصة برمجية يمكن الوصول إليها تستند إلى Python تسمى "PyOKR". باستخدام هذا البرنامج ، يمكن دراسة نمذجة وقياس استجابات المرحلة البطيئة ل OKR بعمق أكبر ومع زيادة المعلمات. يوفر البرنامج تقييمات كمية يمكن الوصول إليها وقابلة للتكرار للاستجابات لعدد لا يحصى من المحفزات البصرية وكذلك التتبع البصري ثنائي الأبعاد استجابة للحركة الأفقية والرأسية.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
البروتوكول
تمت الموافقة على جميع التجارب على التي أجريت في كلية الطب بجامعة جونز هوبكنز (JHUSOM) من قبل اللجنة المؤسسية لرعاية واستخدام (IACUC) في JHUSOM. تم إجراء جميع التجارب التي أجريت في جامعة كاليفورنيا ، سان فرانسيسكو (UCSF) وفقا للبروتوكولات المعتمدة من قبل برنامج UCSF المؤسسي لرعاية واستخدام.
1. جمع البيانات السلوكية
- سجل حركات العين OKR باستخدام طريقة تصوير العين بالفيديو المختارة لتوليد بيانات الموجة (أي سلسلة زمنية لزاوية نظر العين في إحداثيات كروية).
ملاحظة: تم الحصول على البيانات التمثيلية التي تم جمعها في JHUSOM باستخدام جراحة زرع الرأس وتصوير العين بالفيديو ، كما هو موضح سابقا9،13 (الشكل 1). تم الحصول على البيانات التمثيلية التي تم جمعها من UCSF من خلال جراحة زرع الرأس وطريقة تصوير العين بالفيديو ، كما هو موضح سابقافي 10 (الشكل 7).- قم بتدوين معلمات التحفيز والتسجيل: تسجيل معدل الإطارات وسرعة التحفيز واتجاهه وطول الفترة الزمنية بين فترات التحفيز وبعدها. بالنسبة للمثيرات الجيبية، لاحظ سعة موجة المثير وتكرارها أيضا.
- تصدير بيانات الموجة المجمعة ك . CSV يحتوي على بيانات موجة أفقية ورأسية (السمت والارتفاع).
- تنظيم بيانات الموجة كمحدد بعلامات جدولة . ملف CSV مع عمودين يحتويان على بيانات أفقية (epxWave) وبيانات رأسية (epyWave).
2. تثبيت برنامج التحليل
- قم بتنزيل وتثبيت بايثون.
- للإشراف على الرسم البياني ، قم بتثبيت Spyder عبر Anaconda.
- لضمان عمل الرسوم البيانية بشكل صحيح في Spyder، انتقل إلى تفضيلات > الأدوات > وحدة تحكم Ipython > الرسومات > الواجهة الخلفية للرسومات. اضبط مضمنة على تلقائي.
- قم بإنشاء بيئة Anaconda جديدة باستخدام Python.
- قم بتثبيت PyOKR عبر PyPi مع تثبيت النقطة PyOKR لتثبيت أحدث إصدار مع تبعيات الحزمة (ملف الترميز التكميلي 1 وملف الترميز التكميلي 2)
- في حالة استخدام جهاز كمبيوتر يعمل بنظام Windows ، قم بالتشغيل من OKR_win استيراد PyOKR ك o ثم o.run ().
- إذا كان جهاز كمبيوتر Mac قيد الاستخدام ، فقم بالتشغيل من استيراد PyOKR OKR_osx ك o ثم o.run ().
3. تحليل بيانات الموجة
- تهيئة التحليل واستيراد الملفات
- قم بتشغيل o.run() في برنامج نصي .py لفتح واجهة المستخدم.
- ضمن ملف ، استخدم الوظيفة فتح أو الأمر Ctrl + O [أمر iOS] لفتح متصفح يسمح للمستخدم بتحديد ملف الموجة المطلوب.
- ضمن ملف ، استخدم الزر تصدير مجلد أو الأمر Ctrl + E لفتح متصفح مجلد يسمح بتحديد مجلد إخراج سيتم تصدير التحليلات النهائية إليه.
- أدخل اسم ملف التحليل النهائي ضمن ملف الإخراج بتنسيق موصى به مثل AnimalGenotype_AnimalNumber_Analysis.
- قم بتعيين البرنامج لحيوان فردي باستخدام الأمر تعيين الموضوع ضمن ملف أو الأمر Ctrl + S لتهيئة مجموعة البيانات لحيوان فردي.
- تعريف معلمات ملف الموجة
- للبدء في تعيين معلمات التحفيز ، حدد الاتجاه ضمن تحديد اتجاه التحفيز عن طريق تحديد أحد الاتجاهات الأساسية الأربعة. بالنسبة للمحفزات الجيبية ، حدد واحدا يحتوي على (أفقي) أو (عمودي) وفقا لذلك ، مع تحديد الاتجاه الأساسي للاتجاه الأولي للموجة الجيبية.
- قم بتعيين نوع التحفيز ضمن حدد نوع التحفيز إما أحادي الاتجاه أو تذبذبي أو مائل.
- بعد تحديد الاتجاه، قم باستيراد إما مجموعة بيانات موضع التحفيز الخاصة بك (استيراد بيانات متجه التحفيز الخاصة) أو قم تلقائيا بإنشاء متجه بناء على المعلمات (إنشاء متجه التحفيز من المعلمات). في حالة استيراد متجه تحفيز ، تابع 3.2.3.1 ثم انتقل إلى الخطوة 3.3. في حالة إنشاء ناقل تحفيز ، تابع الخطوات التالية.
- في حالة استيراد بيانات متجهة خاصة بشخص ما، قم باستيراد قيم المسافة للمثير (أي سلسلة زمنية تصف مدى تحرك المثير بين كل إطار استحواذ مجاور) بنفس التنسيق الموصوف في الخطوة 3.2.1. بالإضافة إلى ذلك ، قم بتحليل مجموعة البيانات بأكملها كحقبة واحدة بدلا من تقسيمها إلى عصور فردية ، حيث لم تتم إضافة وظيفة لإلغاء قيمة التحفيز المستوردة اعتبارا من PyOKR v1.1.2.
- ضمن معلمات التحفيز ، قم بتعيين معلمات التحفيز المستخدم لجمع البيانات.
- اضبط طول الفترة الزمنية لعدم وجود حافز في بداية (الرأس) ونهاية (الذيل) لتجربة معينة باستخدام الرأس والذيل.
- قم بتعيين مقدار الوقت الذي يظهر فيه التحفيز ، ومقدار الوقت الذي لا يوجد فيه تحفيز بعد ذلك ، وعدد الحقب الإجمالية خلال تجربة معينة مع طول الحقبة ، وطول فترة ما بعد التحفيز ، وعدد الحقب ، على التوالي.
- بالنسبة للمحفزات أحادية الاتجاه والمائلة ، اضبط سرعة التحفيز بالدرجات في الثانية باستخدام السرعة الأفقية والسرعة الرأسية.
- اضبط معدل التقاط كاميرا التجميع باستخدام معدل إطارات الالتقاط.
- بالنسبة للمنبهات الجيبية ، قم بتوليد الموجة الجيبية لنمذجة المنبهات التذبذبية مع التردد والسعة.
- بعد تحديد المعلمات ، قم بعمل النموذج المناسب من معلومات التحفيز المدخلة أعلاه باستخدام توليد متجه التحفيز من المعلمات.
- حدد حقبة معينة للتحفيز المدخل باستخدام تحديد حقبة للمسح الضوئي من خلال ملف الموجة الإجمالي.
- الاختيار الخاضع للإشراف لمراحل التتبع
- لتحديد مناطق التتبع البطيء ، حدد تلقائيا أكياس الطور السريع مع الضبط الأولي بالنقر فوق البيانات غير المصفاة أو البيانات التي تمت تصفيتها ، والتي ستقوم بتسمية الأكياس المحتملة بناء على تغييرات السرعة القصوى.
- ضمن البيانات غير المصفاة، تأكد من تحديد الأكياس بدقة بنقطة زرقاء. إذا لم يكن التحديد التلقائي دقيقا، فقم بإزالة النقاط يدويا باستخدام زر الماوس الأيسر (LMB) أو أضف نقاطا باستخدام زر الماوس الأيمن (RMB). عند تحديد أكياس الطور السريع بشكل مناسب ، احفظ النقاط باستخدام زر الماوس الأوسط (MMB) وأغلق الرسم البياني.
- إذا كانت التصفية التلقائية مطلوبة، فقم بتعيين حد Z-Score وانقر فوق البيانات المصفاة لتصفية الأكياس تلقائيا. إذا لزم الأمر ، استخدم نفس الإشراف اليدوي كما هو موضح في الخطوة 3.3.2 لإزالة أي ضوضاء.
- بعد التحديد المناسب للسكيد، اضغط على ضبط النقطة لتحديد المنطقة المراد إزالتها. قم بتغيير النقاط العلوية والسفلية من خلال مخطط تحكم مماثل كما هو موضح سابقا في الخطوة 3.3.2. قم بتحرير النقاط العلوية (الخضراء) باستخدام LMB أو RMB وقم بتحرير النقاط السفلية (الحمراء) باستخدام Shift + LMB أو Shift + RMB. عندما يتم وضع النقاط بشكل صحيح ، استخدم MMB لحفظ النقاط.
ملاحظة: في حالة استخدام جهاز Mac، يكون ضبط النقطة السفلية والعلوية في زرين منفصلين ويتبع نفس نظام التحكم كما هو موضح في الخطوة 3.3.2.
- تحليل مراحل التتبع البطيء
- قم بتعيين ترتيب نموذج كثير الحدود باستخدام Set Polynomial Order لتحديد نموذج كثير الحدود الذي سيتم تركيبه على المراحل البطيئة الفردية.
ملاحظة: بالنسبة للمحفزات أحادية الاتجاه أو المائلة ، تكون القيمة الافتراضية هي 1 لأن الخطية ضرورية لحساب كسب التتبع. بالنسبة للمنبهات الجيبية ، هناك حاجة إلى ترتيب أعلى لنمذجة منحنى الموجة ، مع افتراضي 15. - لتحليل التتبع ، حدد التحليل النهائي لإنشاء نماذج الطور البطيء (الشكل 2) للمراحل البطيئة المحددة (انظر الشكل 2A-D) وحساب المسافات والسرعات ومكاسب التتبع في المتوسط عبر الحقبة (الشكل 2E).
- لعرض الرسم البياني ثنائي الأبعاد (2D) أو ثلاثي الأبعاد (3D) للمناطق المحددة، حدد عرض الرسم البياني ثنائي الأبعاد أو عرض الرسم البياني ثلاثي الأبعاد ، على التوالي.
- حدد إضافة حقبة لحفظ القيم المجمعة التي تم إنشاؤها في الخطوة 3.4.2. لعرض جميع القيم المضافة لحيوان معين بالإضافة إلى متوسطات التجارب المجمعة، حدد عرض مجموعة البيانات الحالية.
- بعد إضافة حقبة، تنقل عبر بقية الملف باستخدام تحديد حقبة، باتباع الخطوات من 3.3.1 إلى 3.4.4.
- بمجرد تحليل ملف الموجة بالكامل ، كرر هذه العملية لجميع الملفات الأخرى لحيوان معين عن طريق فتح ملفات جديدة ، وتحديد المعلمات المناسبة ، وتحليلها وفقا لذلك. بتكرار الخطوات 3.2.1-3.4.5 لكل ملف ، قم بإنشاء مجموعة بيانات نهائية تحتوي على جميع بيانات الموجة لحيوان معين.
- قم بتعيين ترتيب نموذج كثير الحدود باستخدام Set Polynomial Order لتحديد نموذج كثير الحدود الذي سيتم تركيبه على المراحل البطيئة الفردية.
- التصدير النهائي للبيانات
- بعد اكتمال تحليل البيانات لحيوان معين ، مع تحليل جميع الاتجاهات أو المحفزات ، قم بتصدير مجموعة البيانات عبر تصدير البيانات.
ملاحظة: سيتم تصدير مجموعة البيانات الأولية بناء على اسم ملف الإخراج وحفظها على طول المسار الذي حدده مجلد الإخراج كملف CSV يحتوي على بيانات حقبة فردية مع المتوسط الإجمالي لكل معلمة تحفيز. - بعد تصدير فردي ، أعد تهيئة مجموعة البيانات باستخدام Ctrl + S ثم كرر جميع الخطوات السابقة لتحليل جديد.
- إذا لزم الأمر ، أعد تنظيم جميع بيانات المخرجات التي تم جمعها لحيوانات متعددة لتسهيل التحليل باستخدام الأمر فرز البيانات تحت علامة التبويب التحليل .
ملاحظة: ستقوم هذه الوظيفة بتجميع وفرز جميع القيم المتوسطة لجميع ملفات التي تم تحليلها المخزنة داخل مجلد الإخراج للسماح بتوليد الرسوم البيانية والمقارنات الإحصائية بشكل أسهل. يعتمد الفرز على تسمية الملفات اعتبارا من الإصدار 1.1.2. استخدم نظام التسمية الموصى به كما هو موضح في الخطوة 3.1.4 لكل ملف (على سبيل المثال، WT_123_Analysis).
- بعد اكتمال تحليل البيانات لحيوان معين ، مع تحليل جميع الاتجاهات أو المحفزات ، قم بتصدير مجموعة البيانات عبر تصدير البيانات.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
النتائج
للتحقق من صحة طريقة التحليل الموضحة أعلاه ، قمنا بقياس مكاسب تتبع OKR على آثار الموجة التي تم جمعها من الفئران البرية ومتحولة الضربة القاضية المشروطة مع عجز تتبع معروف. بالإضافة إلى ذلك ، لاختبار التطبيق الأوسع لطريقة التحليل الخاصة بنا ، قمنا بتحليل الآثار المشتقة من مجموعة منفصلة من الفئران البرية التي تم الحصول عليها باستخدام طريقة مختلفة لجمع تصوير العين بالفيديو. تسهل التصفية التلقائية للأكياس معالجة وتحليل بيانات OKR (الشكل 3). باستخدام تسجيلات من المحفزات أحادية الاتجاه والجيبية (
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
المناقشة
يوفر PyOKR العديد من المزايا لدراسة الاستجابات البصرية المنعكسة في حركات العين. وتشمل هذه الدقة وإمكانية الوصول وخيارات جمع البيانات ، بالإضافة إلى القدرة على دمج المعلمات وسرعات التحفيز المتغيرة.
يوفر تقييم كسب تتبع العين المباشر توصيفا دقيقا لحركة العين وهو مقياس كمي مباشر أكثر من العد اليدوي التقليدي لأكياس المرحلة السريعة (ETMs). على الرغم من أنه مفيد ، إلا أن عد saccade يوفر تقييما غير مباشر لحركة التتبع الفعلية. توفر منصة برنامج PyOKR تقديرا كميا مباشرا لسرعات التتبع ، مع مراعاة المعلمات...
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
الإفصاحات
ليس لدى المؤلفين أي تضارب في المصالح.
شكر وتقدير
تم دعم هذا العمل من قبل R01 EY032095 (ALK) ، زمالة VSTP لما قبل الدكتوراه 5T32 EY7143-27 (JK) ، F31 EY-033225 (SCH) ، R01 EY035028 (FAD و ALK) و R01 EY-029772 (FAD).
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
المواد
| الاسم | الشركة | رقم فهرسي | التعليقات |
|---|---|---|---|
| C57BL / 6J الفئران | Jackson Labs | 664 | |
| Igor Pro | WaveMetrics | RRID: SCR_000325 | |
| MATLAB | MathWorks | RRID: SCR_001622 | |
| غرفة التسجيل الانعكاسية البصرية - JHUSOM | Custom-built | N / A | كما هو موضح في Al-Khindi et al. (2022) 9< / sup> and Kodama et al. (2016) 13 |
| غرفة التسجيل الانعكاسي البصري - UCSF | Custom-built | N / A | كما هو موضح في Harris and Dunn ، 201510 |
| Python | Python Software Foundation | RRID: SCR_008394 | |
| Tbx5 flox/+ < / em>mice | هدية من B. Bruneau | N / A | كما هو موضح في Al-Khindi et al. (2022)9 |
| Tg (Pcdh9-cre) NP276Gsat / Mmucd | MMRRC | MMRRC مخزون # 036084-UCD ؛ RRID: MMRRC_036084-UCD |
المراجع
- Stahl, J. S. Using eye movements to assess brain function in mice. Vision Res. 44 (28), 3401-3410 (2004).
- Kretschmer, F., Tariq, M., Chatila, W., Wu, B., Badea, T. C. Comparison of optomotor and optokinetic reflexes in mice. J Neurophysiol. 118, 300-316 (2017).
- Bronstein, A. M., Patel, M., Arshad, Q. A brief review of the clinical anatomy of the vestibular-ocular connections - How much do we know. Eye. 29 (2), 163-170 (2015).
- Simpson, J. I. The accessory optic system. Ann Rev Neurosci. 7, 13-41 (1984).
- Hamilton, N. R., Scasny, A. J., Kolodkin, A. L. Development of the vertebrate retinal direction-selective circuit. Dev Biol. 477, 273-283 (2021).
- Dobson, V., Teller, D. Y. Visual acuity in human infants: a review and comparison of behavioral and electrophysiological studies. Vision Res. 18 (11), 1469-1483 (1978).
- Cahill, H., Nathans, J. The optokinetic reflex as a tool for quantitative analyses of nervous system function in mice: Application to genetic and drug-induced variation. PLoS One. 3 (4), e2055(2008).
- Cameron, D. J., et al. The optokinetic response as a quantitative measure of visual acuity in zebrafish. J Vis Exp. (80), e50832(2013).
- Al-Khindi, T., et al. The transcription factor Tbx5 regulates direction-selective retinal ganglion cell development and image stabilization. Curr Biol. 32 (19), 4286-4298 (2022).
- Harris, S. C., Dunn, F. A. Asymmetric retinal direction tuning predicts optokinetic eye movements across stimulus conditions. eLife. 12, 81780(2015).
- Sun, L. O., et al. Functional assembly of accessory optic system circuitry critical for compensatory eye movements. Neuron. 86 (4), 971-984 (2015).
- Yonehara, K., et al. Congenital Nystagmus gene FRMD7 is necessary for establishing a neuronal circuit asymmetry for direction selectivity. Neuron. 89 (1), 177-193 (2016).
- Kodama, T., Du Lac, S. Adaptive acceleration of visually evoked smooth eye movements in mice. J Neurosci. 36 (25), 6836-6849 (2016).
- Stahl, J. S., Van Alphen, A. M., De Zeeuw, C. I. A comparison of video and magnetic search coil recordings of mouse eye movements. J Neurosci Methods. 99 (1-2), 101-110 (2000).
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
إعادة الطباعة والأذونات
