Method Article

طريقة الحول الآلي لسلوك مزامنة الوقت وديناميكيات الدماغ في دراسات ألم الفئران

DOI:

10.3791/67136

⸱

November 1st, 2024

 ,  ,  ,  ,  , 
1Department of Molecular Physiology & Biophysics, University of Iowa, 2Department of Pediatrics, University of Iowa, 3VA Center for the Prevention and Treatment of Visual Loss, 4Department of Psychiatry, University of Iowa

In This Article

Summary

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

يوفر هذا البروتوكول طريقة لتتبع الحول الآلي للعين في القوارض بمرور الوقت بطريقة متوافقة مع قفل الوقت للتدابير الفيزيولوجية العصبية. من المتوقع أن يكون هذا البروتوكول مفيدا للباحثين الذين يدرسون آليات اضطرابات الألم مثل الصداع النصفي.

Abstract

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

كان من الصعب تتبع الألم التلقائي في الوقت الفعلي وتحديده بطريقة تمنع التحيز البشري. هذا ينطبق بشكل خاص على مقاييس آلام الرأس ، كما هو الحال في اضطرابات مثل الصداع النصفي. ظهر حول العين كمقياس متغير مستمر يمكن قياسه بمرور الوقت وهو فعال في التنبؤ بحالات الألم في مثل هذه المقايسات. توفر هذه الورقة بروتوكولا لاستخدام DeepLabCut (DLC) لأتمتة وقياس حول العين (المسافة الإقليدية بين الجفون) في الفئران المقيدة ذات حركات الرأس الدوارة بحرية. يتيح هذا البروتوكول القياس الكمي غير المتحيز لحول العين لمقارنته مباشرة بالمقاييس الميكانيكية مثل الفيزيولوجيا العصبية. نحن نقدم تقييما لمعايير تدريب الذكاء الاصطناعي اللازمة لتحقيق النجاح على النحو المحدد من خلال تمييز فترات الحول وعدم الحول. نظهر القدرة على تتبع الحول وتمييزه بشكل موثوق في النمط الظاهري الشبيه بالصداع النصفي الناجم عن CGRP بدقة ثانية فرعية.

Introduction

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

الصداع النصفي هو أحد أكثر اضطرابات الدماغ انتشارا في جميع أنحاء العالم ، حيث يصيب أكثر من مليار شخص1. ظهرت نماذج الفئران قبل السريرية للصداع النصفي كطريقة مفيدة لدراسة آليات الصداع النصفي حيث يمكن التحكم في هذه الدراسات بسهولة أكبر من الدراسات البشرية ، مما يتيح الدراسة السببية للسلوك المرتبط بالصداعالنصفي 2. أظهرت هذه النماذج استجابة نمطية قوية وقابلة للتكرار للمركبات المسببة للصداع النصفي ، مثل الببتيد المرتبط بجين الكالسيتونين (CGRP). تستمر الحاجة إلى قياسات قوية للسلوكيات ذات الصلة بالصداع النصفي في نماذج القوارض ، خاصة تلك التي قد تقترن بمقاييس ميكانيكية مثل التصوير والأساليب الفيزيولوجية الكهربية.

تميزت حالات الدماغ الشبيهة بالصداع النصفي ظاهريا بوجود النفور من الضوء ، ومخلب القدم ، وفرط الألم في الوجه للمنبهات الضارة ، وكشر الوجه3. يتم قياس هذه السلوكيات من خلال إجمالي الوقت الذي يقضيه في الضوء (النفور من الضوء) وعتبات حساسية لمس المخلب أو الوجه (تألم المخلب وفرط تسكين الوجه) وتقتصر على قراءة واحدة على مدى فترات زمنية طويلة (دقائق أو أكثر). يمكن استنباط السلوكيات الشبيهة بالصداع النصفي في عن طريق الجرعات بمركبات مسببة للصداع النصفي مثل CGRP ، مما يحاكي الأعراض التي يعاني منها المرضى البشريون المصابين بالصداعالنصفي 3 (أي إثبات صلاحية الوجه ). تنتج هذه المركبات أيضا أعراض الصداع النصفي عند تناولها في البشر ، مما يدل على صحة بناء هذهالنماذج 4. أدت الدراسات التي تم فيها تخفيف الأنماط الظاهرية السلوكية دوائيا إلى اكتشافات تتعلق بعلاج الصداع النصفي وتقديم مزيد من الأدلة على هذه النماذج (أي إظهار الصلاحية التنبؤية )5،6.

على سبيل المثال ، تبين أن الجسم المضاد أحادي النسيلة المضاد ل CGRP (ALD405) يقلل من السلوك المكروه للضوء5 وكشر الوجه في الفئران6 التي عولجت ب CGRP ، وقد أظهرت دراسات أخرى أن الأدوية المضادة ل CGRP تقلل من السلوكيات الشبيهة بالصداع النصفي الناجم عن أكسيد النيتروز في7،8. أظهرت التجارب السريرية الحديثة نجاحا في علاج الصداع النصفي عن طريق منع CGRP9،10 مما يؤدي إلى العديد من الأدوية المعتمدة من إدارة الغذاء والدواء الأمريكية (FDA) التي تستهدف CGRP أو مستقبلاته. أدى التقييم قبل السريري للأنماط الظاهرية المرتبطة بالصداع النصفي إلى اختراقات في النتائج السريرية ، وبالتالي فهو ضروري لفهم بعض الجوانب الأكثر تعقيدا للصداع النصفي التي يصعب اختبارها مباشرة على البشر.

على الرغم من المزايا العديدة ، غالبا ما تكون التجارب التي تستخدم قراءات سلوكية القوارض للصداع النصفي مقيدة في قدراتها على أخذ العينات في النقطة الزمنية ويمكن أن تكون ذاتية وعرضة للخطأ التجريبي البشري. العديد من المقايسات السلوكية محدودة في القدرة على التقاط النشاط بدقة زمنية أدق ، مما يجعل من الصعب في كثير من الأحيان التقاط المزيد من العناصر الديناميكية التي تحدث في مقياس زمني أقل من الثانية ، مثل مستوى نشاط الدماغ. لقد ثبت أنه من الصعب تحديد عناصر السلوك الأكثر عفوية والتي تحدث بشكل طبيعي بمرور الوقت بدقة زمنية ذات مغزى لدراسة آليات الفيزيولوجيا العصبية. إن إنشاء طريقة لتحديد النشاط الشبيه بالصداع النصفي في نطاقات زمنية أسرع سيسمح بالتحقق من صحة حالات الدماغ الشبيهة بالصداع النصفي خارجيا. وهذا بدوره يمكن مزامنته مع نشاط الدماغ لإنشاء ملامح أكثر قوة لنشاط الدماغ للصداع النصفي.

يتم استخدام أحد هذه الأنماط الظاهرية المرتبطة بالصداع النصفي ، كشر الوجه ، عبر سياقات مختلفة كقياس للألم في التي يمكن قياسها على الفور وتتبعها بمرور الوقت11. غالبا ما يستخدم تجهم الوجه كمؤشر على الألم التلقائي بناء على فكرة أن البشر (خاصة البشر غير اللفظيين) وأنواع الثدييات الأخرى يظهرون تغيرات طبيعية في تعبيرات الوجه عند الشعور بالألم11. استخدمت الدراسات التي تقيس تجهم الوجه كمؤشر على الألم في الفئران في العقد الماضي مقاييس مثل مقياس كشر الفأر (MGS) لتوحيد توصيف الألم في القوارض12. تشمل متغيرات تعبيرات الوجه في MGS الشد المداري (الحول) ، وانتفاخ الأنف ، وانتفاخ الخد ، ووضع الأذن ، وتغيير الشعيرات. على الرغم من أن MGS قد ثبت أنه يميز الألم في13 بشكل موثوق ، إلا أنه شخصي معروف ويعتمد على التسجيل الدقيق ، والذي يمكن أن يختلف باختلاف المجربين. بالإضافة إلى ذلك ، فإن MGS محدود من حيث أنه يستخدم مقياسا غير مستمر ويفتقر إلى الدقة الزمنية اللازمة لتتبع السلوك الذي يحدث بشكل طبيعي عبر الزمن.

تتمثل إحدى طرق مكافحة ذلك في تحديد ميزة الوجه المتسقة بشكل موضوعي. الحول هو ميزة الوجه الأكثر قابلية للتتبعباستمرار 6. يمثل الحول غالبية التباين الكلي في البيانات عند حساب جميع متغيرات MGS (الحول ، وانتفاخ الأنف ، وانتفاخ الخد ، وموضع الأذن ، وتغيير الشعيرات)6. نظرا لأن الحول يساهم بشكل أكبر في النتيجة الإجمالية التي تم الحصول عليها باستخدام MGS ويتتبع بشكل موثوق الاستجابة ل CGRP6،14 ، فهي الطريقة الأكثر موثوقية لتتبع الألم التلقائي في نماذج الفئران الصداعية. هذا يجعل التحديق سلوكا غير متماثل قابل للقياس الكمي يسببه CGRP. استخدمت العديد من المختبرات ميزات تعبيرات الوجه ، بما في ذلك الحول ، لتمثيل الألم التلقائي المحتمل المرتبط بالصداع النصفي6،15.

ظلت العديد من التحديات فيما يتعلق بإجراء الحول الآلي بطريقة يمكن أن تقترن بالدراسات الميكانيكية للصداع النصفي. على سبيل المثال ، كان من الصعب تتبع الحول بشكل موثوق دون الاعتماد على موضع ثابت يجب معايرته بنفس الطريقة عبر الجلسات. التحدي الآخر هو القدرة على إجراء هذا النوع من التحليل على نطاق مستمر بدلا من المقاييس المنفصلة مثل MGS. للتخفيف من هذه التحديات ، هدفنا إلى دمج التعلم الآلي ، في شكل DeepLabCut (DLC) ، في خط أنابيب تحليل البيانات الخاص بنا. DLC هو نموذج التعلم الآلي لتقدير الوضع الذي طوره ماتيس وزملاؤه وتم تطبيقه على مجموعة واسعة من السلوكيات16. باستخدام برنامج تقدير الوضع الخاص بهم ، تمكنا من تدريب النماذج التي يمكنها التنبؤ بدقة بالنقاط على عين الماوس بدقة شبه البشرية. هذا يحل مشكلات التسجيل اليدوي المتكرر مع زيادة الدقة الزمنية بشكل كبير. علاوة على ذلك ، من خلال إنشاء هذه النماذج ، قمنا بعمل وسيلة قابلة للتكرار لتسجيل الحول وتقدير نشاط الدماغ الشبيه بالصداع النصفي على مجموعات تجريبية أكبر. هنا ، نقدم تطوير هذه الطريقة والتحقق من صحتها لتتبع سلوكيات الحول بطريقة يمكن أن تكون مقفلة زمنيا للقياسات الميكانيكية الأخرى مثل الفيزيولوجيا العصبية. الهدف الشامل هو تحفيز الدراسات الميكانيكية التي تتطلب سلوكيات الحول المقفلة زمنيا في نماذج القوارض.

Protocol

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

ملاحظة: تم التعامل مع جميع المستخدمة في هذه التجارب وفقا للبروتوكولات المعتمدة من قبل اللجنة المؤسسية لرعاية واستخدامه (IACUC) بجامعة أيوا.

1. إعداد المعدات لجمع البيانات

  1. تأكد من توفر جميع المعدات اللازمة: تأكد من أن الأجهزة الموصى بها لتشغيل DLC تحتوي على ذاكرة لا تقل عن 8 جيجابايت. راجع جدول المواد للحصول على معلومات متعلقة بالأجهزة والبرامج.
    ملاحظة: يمكن جمع البيانات بأي تنسيق ولكن يجب تحويلها إلى تنسيق يمكن قراءته بواسطة DLC قبل التحليل. التنسيقات الأكثر شيوعا هي AVI و MP4.
  2. قم بتكوين كاميرا واحدة على الأقل بحيث يمكن اكتشاف عين واحدة لحيوان. إذا كانت كلتا العينين مرئيتين ، فقم بإجراء تصفية إضافية ، فقد يتسبب ذلك في حدوث تداخل في التتبع. انظر القسم 10 للحصول على مثال على هذه التصفية للبيانات المقدمة هنا.
  3. قم بتثبيت DLC باستخدام الحزمة الموجودة في Deeplabcut.github.io/DeepLabCut/docs/installation.
  4. في إعداد الكاميرا، قم بتضمين كاميرا واحدة بزاوية جانبية (~90 درجة) للماوس. لاتباع هذا المثال ، قم بأخذ عينة عند 10 هرتز ، مع تقييد الفئران ولكن بحرية الوصول إلى النطاق الكامل لحركات الرأس بالنسبة للجسم. احتفظ بما بين 2 و 4 بوصات من الكاميرا إلى.

2. إعداد المحتوى القابل للتنزيل

  1. بعد تثبيت DLC، قم بإنشاء بيئة للعمل منها. للقيام بذلك، انتقل إلى المجلد حيث تم تنزيل برنامج DLC باستخدام دليل التغيير باستخدام الأمر التالي.
    folder_name القرص المضغوط
    ملاحظة: سيكون هذا هو المكان الذي يوجد فيه ملف DEEPLABCUT.yaml.
  2. قم بتشغيل الأمر الأول لإنشاء البيئة وتمكينها عن طريق كتابة الأمر الثاني.
    conda env create -f DEEPLABCUT.yaml
    conda تنشيط Deeplabcut
    ملاحظة: تأكد من تنشيط البيئة قبل كل استخدام للمحتوى القابل للتنزيل.
    بعد تنشيط البيئة، افتح واجهة المستخدم الرسومية (GUI) بالأمر التالي وابدأ في إنشاء النموذج.
    بايثون -م deeplabcut

3. إنشاء النموذج

  1. بعد فتح واجهة المستخدم الرسومية ، ابدأ في إنشاء نموذج بالنقر فوق إنشاء مشروع جديد في الأسفل.
  2. قم بتسمية المشروع بشيء ذي مغزى وفريد من نوعه لتحديده لاحقا وأدخل اسما كمجريب. تحقق من قسم الموقع لمعرفة مكان حفظ المشروع.
  3. حدد استعراض المجلدات وابحث عن مقاطع الفيديو لتدريب النموذج. حدد نسخ مقاطع الفيديو إلى مجلد المشروع إذا لم يتم نقل مقاطع الفيديو من دليلها الأصلي.
  4. حدد إنشاء لإنشاء مشروع جديد على الكمبيوتر.
    ملاحظة: يجب أن تغطي مقاطع الفيديو النطاق الكامل للسلوك الذي ستلاحظه (على سبيل المثال ، الحول ، وعدم الحول ، وجميع السلوكيات بينهما). سيكون النموذج قادرا فقط على التعرف على السلوك المشابه لتلك الموجودة في بيانات التدريب ، وإذا كانت بعض مكونات السلوك مفقودة ، فقد يواجه النموذج صعوبة في التعرف عليه.

4. تكوين الإعدادات

ملاحظة: هذا هو المكان الذي يمكن فيه تحديد تفاصيل مثل النقاط التي يجب تتبعها ، وعدد الإطارات التي يجب استخراجها من كل فيديو تدريبي ، وحجم نقطة التسمية الافتراضي ، والمتغيرات المتعلقة بكيفية تدريب النموذج.

  1. بعد إنشاء النموذج، قم بتحرير إعدادات التكوين عن طريق تحديد تحرير config.yaml. حدد تحرير لفتح ملف إعدادات التكوين لتحديد إعدادات المفاتيح المتعلقة بالنموذج.
  2. قم بتعديل أجزاء الجسم لتشمل جميع أجزاء العين المراد تتبعها ، ثم قم بتعديل numframes2pick لعدد الإطارات المطلوبة لكل فيديو تدريبي للحصول على إجمالي 400 إطار. أخيرا ، قم بتغيير حجم النقاط إلى ستة بحيث يكون الحجم الافتراضي عند وضع الملصقات صغيرا بما يكفي لوضعه بدقة حول حواف العين.

5. استخراج إطارات التدريب

  1. بعد التكوين، انتقل إلى علامة التبويب Extract Frames في الجزء العلوي من واجهة المستخدم الرسومية (GUI) وحدد Extract Frames في أسفل يمين الصفحة.
  2. راقب التقدم باستخدام شريط التحميل في الجزء السفلي من واجهة المستخدم الرسومية.

6. إطارات التدريب على التسمية

  1. انتقل إلى علامة التبويب إطارات التسمية في واجهة المستخدم الرسومية (GUI) وحدد إطارات التسميات. ابحث عن النافذة الجديدة التي تعرض مجلدات لكل مقطع فيديو تدريبي محدد. حدد المجلد الأول، وسيتم فتح واجهة مستخدم رسومية جديدة للتصنيف.
  2. قم بتسمية النقاط المحددة أثناء التكوين لكل إطار من الفيديو المحدد. بعد تسمية جميع الإطارات ، احفظها وكرر العملية للفيديو التالي.
  3. للحصول على وضع العلامات المناسبة على الحول ، استخدم نقطتين قريبتين من أكبر ذروة للعين (المركز) قدر الإمكان وحدد المواضع لأعلى / لأسفل لكل نقطة. الحول التقريبي كمتوسط لهذين الطولين.
    ملاحظة: عند وضع العلامات، لا يقوم المحتوى القابل للتنزيل بحفظ التقدم تلقائيا. يوصى بالتوفير الدوري لتجنب فقدان البيانات المصنفة.

7. إنشاء مجموعة بيانات تدريب

  1. بعد التسمية يدويا، انتقل إلى علامة التبويب شبكة التدريب وحدد شبكة التدريب لمطالبة البرنامج ببدء تدريب النموذج.
  2. مراقبة التقدم في نافذة الأوامر.

8. تقييم الشبكة

  1. بعد اكتمال التدريب على الشبكة، انتقل إلى علامة التبويب تقييم الشبكة وحدد تقييم الشبكة. انتظر بضع لحظات حتى تختفي دائرة التحميل الزرقاء مما يشير إلى أنها انتهت من التقييم الذاتي وأن النموذج جاهز للاستخدام.

9. تحليل البيانات / إنشاء مقاطع فيديو مصنفة

  1. لتحليل مقاطع الفيديو، انتقل إلى علامة التبويب تحليل مقاطع الفيديو . حدد إضافة المزيد من مقاطع الفيديو وحدد مقاطع الفيديو المراد تحليلها.
  2. حدد حفظ النتيجة (النتيجة) ك csv إذا كان إخراج csv للبيانات كافيا.
  3. عند الحصول على جميع مقاطع الفيديو ، حدد تحليل مقاطع الفيديو في الجزء السفلي لبدء تحليل مقاطع الفيديو.
    ملاحظة: يجب إكمال هذه الخطوة قبل إنشاء مقاطع فيديو مصنفة في الخطوة 9.5
  4. بعد تحليل مقاطع الفيديو ، انتقل إلى علامة التبويب إنشاء مقاطع فيديو وحدد مقاطع الفيديو التي تم تحليلها.
  5. حدد إنشاء مقاطع فيديو وسيبدأ البرنامج في إنشاء مقاطع فيديو مصنفة تمثل البيانات المعروضة في .csv المقابلة.

10. معالجة البيانات النهائية

  1. قم بتطبيق وحدات الماكرو الموجودة في https://research-git.uiowa.edu/rainbo-hultman/facial-grimace-dlc لتحويل البيانات الأولية إلى التنسيق المستخدم في هذا التحليل (أي المسافة الإقليدسية).
  2. قم باستيراد وتطبيق وحدات الماكرو المسماة Step1 و Step 2 على csv لتصفية جميع نقاط البيانات دون المستوى الأمثل وتحويل البيانات إلى متوسط المسافة الإقليدية للنقاط المركزية في أعلى وأسفل العين.
  3. قم بتشغيل ماكرو يسمى Step3 لتمييز كل نقطة على أنها 0 بدون حول و 1 حول بناء على قيمة العتبة في البرنامج النصي ، والتي تم تعيينها على 75 بكسل.
    ملاحظة: قد تتطلب معلمات وحدات الماكرو هذه التعديل وفقا للإعداد التجريبي (انظر المناقشة). عتبة الحول والمرشح التلقائي للقيمة القصوى للعين هي معلمات يمكن تغييرها اعتمادا على حجم والمسافة من الكاميرا. يمكنك أيضا ضبط القيم المستخدمة لإزالة النقاط دون المستوى الأمثل اعتمادا على مدى تصفية البيانات بشكل انتقائي.

Results

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

هنا ، نقدم طريقة للكشف الموثوق به عن الحول بدقة زمنية عالية باستخدام DeepLabCut. لقد قمنا بتحسين معلمات التدريب ، ونقدم تقييما لنقاط القوة والضعف في هذه الطريقة (الشكل 1).

بعد تدريب نماذجنا ، تحققنا من أنهم كانوا قادرين على تقدير النقاط العلوية والسفلية للجفن بشكل صحيح (الشكل 2) ، والتي تعمل كنقاط إحداثيات لقياس المسافة الإقليدية. تعرف المسافة الإقليدية بأنها متوسط أطوال المسافات بين النقطتين العلوية والسفلية للعين. كان نموذجنا قادرا على اكتشاف حالات عدم الحول (الشكل 2 أ) والحول (الشكل 2 ب). تشير النقاط الزرقاء إلى النقاط المستخدمة لتحديد المسافة الإقليدية لكل إطار. تم استخدام النقاط الخضراء والصفراء والبرتقالية والأرجوانية لمساعدة النموذج على تقدير المسافة الإقليدية بشكل صحيح وتقليل قيمة الاحتمالية عندما يكون الرأس في وضع دون المستوى الأمثل (أي حساب حركة الرأس والتغيرات في الموضع عبر الجلسات). ثم تحققنا من دقة النموذج باستخدام عدد من الطرق المختلفة.

للتحقق من صحة العدد المثالي للإطارات المستخدمة للنموذج ، قمنا بتدريب واختبار أربعة نماذج بأحجام إطار عينة مختلفة (الشكل 3). قمنا أولا بمقارنة قيم جذر متوسط الخطأ التربيعي (RMSE) بين بيانات الاختبار والتدريب للتحقق من مدى قدرة النماذج على التنبؤ بدقة ببيانات الاختبار التي لم يتم تدريبها عليها. أظهرت هذه المقارنة أن التباين بين النقاط المسماة يدويا والنقاط المسماة بالنموذج تمت تسويته بعد 300 إطار. يرتبط هذا الاتجاه بمتوسطات الاحتمالية المبلغ عنها والتي يبدو أيضا أنها تستقر بعد 300 إطار محدد. استخدمنا قيم الاحتمالية المبلغ عنها لتصفية النقاط التي كانت أقل من 0.92. تشير قيم الاحتمالية هذه إلى مدى ثقة النموذج في أن نقطة معينة قد تم تصنيفها بشكل صحيح بناء على بيانات التدريب. قمنا بحساب متوسط هذه القيم للنقاط التي تساهم في مقياس المسافة الإقليدي لفحص مدى جودة أداء النماذج بالنسبة لبعضها البعض. على الرغم من عدم وجود فرق كبير بين 300 و 400 إطار ، فقد استخدمنا 400 إطار لأنه كان متوسطه أعلى من قيمة الاحتمالية 0.95 ، والتي تقترب من عتبة التصفية اليدوية الخاصة بنا وتتوافق مع العتبة المستخدمة في النماذج المماثلة لتقديرالوضع 16.

هناك طريقة أخرى لإثبات صحة النموذج وهي مصفوفة الارتباك التي تقارن الإطارات المشروحة يدويا بالإطارات المسماة بالمحتوى القابل للتنزيل. قام شخصان مصابان بالعمى بتعليق 300 إطار من نفس العين يدويا في ثمانية مقاطع فيديو. استخدمنا هذه البيانات لبناء مصفوفة ارتباك لتقييم الإيجابيات والسلبيات الصحيحة والخاطئة (الشكل 4) ، حيث تم استخدام البيانات المسجلة يدويا كحقيقة أساسية. بالنسبة إلى المحتوى القابل للتنزيل ، تم تسجيل قيمة الحول الإيجابية عندما تم تسجيل المسافة الإقليدية على أنها أقل من 75 بكسل (أي حول) ، وتم تسجيل قيمة سالبة للقيم التي تزيد عن 75 بكسل (أي أن لا يحدق). وجدنا قيمة تنبؤية إيجابية تبلغ 96.96٪ ، وهي النسبة المئوية للوقت الذي يتنبأ فيه النموذج بدقة بالحول بالنسبة إلى الحول المشروح يدويا. وجدنا قيمة تنبؤية سلبية تبلغ 99.66٪ ، وهي النسبة المئوية للوقت الذي يتنبأ فيه النموذج بدقة بعدم وجود حول بالنسبة للحول المشروح يدويا. توضح هذه نسبة القيم السلبية والإيجابية التي تم تصنيفها بشكل صحيح. وجدنا أيضا معدلا إيجابيا حقيقيا قدره 98.1٪ ومعدلا سلبيا حقيقيا قدره 99.46٪ ، وهو ما يمثل التنبؤ الدقيق للنموذج بالقيم الإيجابية والسلبية بالنسبة لجميع القيم الإيجابية والسلبية ، على التوالي. كان معامل ارتباط ماثيوز ، أو MCC ، 93.8٪ ، مما يشير إلى معامل الارتباط بين القيم المرصودة والمتوقعة.

بمجرد أن كنا واثقين من أن نموذجنا يتتبع الحول بشكل موثوق ، قمنا بمقارنة طريقة DLC هذه بطريقة تتبع الحول المنشورة مسبقا باستخدام مجموعة بيانات الصداع النصفي قبل السريري14. سنشير إلى هذه الطريقة الأخرى باسم "نموذج حول المنطقة (ASM)" لأنه تم تطويره باستخدام منطقة العين المفتوحة باعتبارها المتغير المستمر الذي يقيس الحول14. يستخدم نموذج الحول في المنطقة برنامجا مدربا للكشف عن الوجه جنبا إلى جنب مع برنامج نصي MATLAB مخصص لتحليل متوسط مساحة البكسل في العين مع استبعاد الإطارات بمعدل خطأ في التتبع يبلغ >15٪ 14. أحد القيود الرئيسية هو أن "ASM" ليس مفتوح المصدر ، وبالتالي لا يمكن الوصول إليه على نطاق واسع. يسمح المحتوى القابل للتنزيل بزيادة التحسين والقدرة على التكيف دون الحاجة إلى شراء كبير للبرامج والأجهزة.

استخدمنا مجموعة بيانات من 10 إناث و 10 ذكور فئران CD1. من الناحية التجريبية ، تأقلمت جميع مع قيود لطيفة لمدة 30 دقيقة على مدار 3 أيام قبل بدء التسجيلات. تم تسجيل كل لمدة 5 دقائق من خط الأساس ثم 5 دقائق لتسجيلات العلاج. خلال جلسات العلاج ، عولجت إما ب PBS (مركبة) أو 0.1 مجم / كجم CGRP (علاج) داخل الصفاق للحث على حالة شبيهة بالصداع النصفي. تم جمع البيانات في غرفة مضاءة جيدا باستخدام كاميرات مزودة بضوء الأشعة تحت الحمراء لإضاءة الوجه ، مما يضمن اكتشافا دقيقا للمعالم المميزة. تضمنت كاميرا الأشعة تحت الحمراء عدسة Kowa LM35JC 2/3 "35 مم F1.6 يدوية قزحية C مع مسافة بؤرية تبلغ 254 مم وفتحة معدلة بشكل مناسب. بعد أن جمعنا البيانات ، استخدمنا ASM و DLC لتحليل البيانات. نظرا لأن التسجيل اليدوي قد تم استخدامه بشكل تقليدي في هذا المجال لتحديد كشر الوجه ، مع كون الحول أحد مكونات كشر الوجه14 ، فقد قارنا أيضا بياناتنا بالبيانات المسجلة يدويا.

بناء على النتائج السابقة التي تفيد بأن الحقن المحيطي ل CGRP يحفز استجابة الحول في الفئران ، توقعنا أن نلاحظ اختلافات كبيرة في استجابة الحول بين السيارة وعلاج CGRP6،14. قارنا طرق ASM واليدوية وDLC ووجدنا أن نموذجنا اكتشف بقوة نمطا ظاهريا للحول ، كما فعلت الطرق اليدوية والطرق ASM (الشكل 5). من المهم ملاحظة أنه تم استخدام نموذج ASM لتقييم الألم والحول الناجم عن CGRP. في تلك الدراسة ، قارن Rea et al. استجابة الحول بعد CGRP لاستجابة الحول بعد حقن الفورمالين في المخلب الخلفي كمقايسة تحريض الألم "الأكثر تقليدية" 14. علاوة على ذلك ، تم توثيق CGRP جيدا على أنه يحفز فرط الحساسية للمس في الفئران من خلال استخدام von Frey3،17. تمشيا مع المجال ، قمنا بتطبيع متوسط الحول أثناء جلسة العلاج إلى خط أساس ما قبل المعالجة لمدة 5 دقائق لكل وقارنا PBS (ن = 10) مقابل المعالجة ب CGRP (ن = 11). التحليلات الإحصائية للمجموعات المعالجة ب PBS مقابل CGRP هي كما يلي. وجدنا أن المعالجة ب CGRP أظهرت انخفاضا في متوسط مساحة البكسل باستخدام طريقة الحول في المنطقة للتتبع (ص = 0.012 ، الشكل 5 أ) وأظهرت انخفاضا في المسافة الإقليدية عند تسجيلها يدويا (ص = 0.0007 ، الشكل 5 ب) وباستخدام نموذج DLC الخاص بنا (ص = 0.007 ، الشكل 5 ج). عندما قارنا كل طريقة بمرور الوقت في تمثيلي واحد ، لوحظ نفس النمط (الشكل 5). أظهر هذا نمطا ظاهريا واضحا جدا للحول استجابة لعلاج CGRP ولكن ليس ل PBS. تمكنت جميع النماذج من اكتشاف هذه الاختلافات ، ولكن تم تمثيل البيانات بشكل أكثر وضوحا في نموذج DLC الخاص بنا (الشكل 5). تعتبر المقاييس الدقيقة والدقيقة مهمة بشكل خاص عندما يجب تحليل البيانات بدقة أدق حيث لا يشير المتوسط إلى القراءة السلوكية الكاملة (على سبيل المثال ، نشاط الدماغ). تسمح لنا طريقة DLC للكشف عن الحول في الفئران بجمع البيانات على مقياس زمني بالمللي ثانية وتثبيتها زمنيا لمقاييس نشاط الدماغ (على سبيل المثال ، إمكانات المجال المحلي) ، والتي تحدث على مقياس زمني بالمللي ثانية. يمكننا بعد ذلك استخدام هذه التقنية لبناء ملف تعريف أكثر قوة لحالة الدماغ التي تدل على الألم التلقائي في سياق الصداع النصفي واضطرابات الدماغ المعقدة الأخرى.

figure-results-1
الشكل 1: نظرة عامة على الإجراء الخاص بإنشاء شبكة مدربة باستخدام DLC. الرسم التخطيطي العام للعملية التي يتم من خلالها تتبع ملامح عين ثم تحليلها باستخدام التعلم الآلي. الاختصار: DLC = DeepLabCut. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-2
الشكل 2: مثال على تتبع الحول الآلي في ماوس CD1 تمثيلي. (أ) مثال على إطار يظهر حول تتبع DLC (النقاط الملونة) على مخطط العين أثناء يوم العلاج عندما لا يحدق الفأر. (ب) مثال على إطار يوضح الكشف التلقائي عن الحول في يوم العلاج ، باستخدام نموذج DLC الخاص بنا. تم قياس المسافة الإقليدية باستخدام متوسط المسافة بين B و C ، النقاط الزرقاء ، في أعلى وأسفل العين. تستخدم مجموعات النقاط الزرقاء في أعلى وأسفل العين عند تتبع المسافة الإقليدية. النقاط الأخرى (الأخضر والأصفر والبرتقالي والأرجواني) هي تأطير المعالم المستخدمة لمساعدة النموذج على تقدير نقاط المسافة الإقليدية وتصفية وضع الرأس دون المستوى الأمثل بعد جمع البيانات. الاختصار: DLC = DeepLabCut. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-3
الشكل 3: تبرير عدد الإطارات المستخدمة لتدريب النموذج. (أ) يشير تحليل الخطأ التربيعي لمتوسط الجذر إلى متوسط المسافة بين القيم المتوقعة والملاحظة لمجموعات بيانات الاختبار والقطار. تمثل مجموعة بيانات التدريب الإطارات التي تم أخذ عينات منها عند تدريب النموذج، وتمثل مجموعة بيانات الاختبار الإطارات غير التدريبية المستخدمة للتحقق من مدى قدرة النموذج على تحديد الصور المتشابهة ولكن المختلفة. استخدمنا خمس مجموعات من بيانات التدريب والاختبار ووجدنا أن قيم RMSE مستوية حوالي 300 إطار لمجموعة الاختبار. (ب) احتمال تسمية نقطة معينة بشكل صحيح (متوسط + SEM). أظهر هذا أن 400 إطار تم تصنيفها يدويا كانت مثالية لأن مجموعات البيانات الأولية كان متوسطها أعلى من 0.95 احتمالية ، مع وجود درجة RMSE أقرب إلى تلك الخاصة ببيانات التدريب. هذا يعني أن النموذج كان قادرا على تقريب النقاط التي تم تدريبه عليها عن كثب مع الإبلاغ أيضا عن معظم الإطارات ذات الاحتمالية العالية. الاختصار: RMSE = جذر متوسط الخطأ التربيعي. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-4
الشكل 4: مصفوفة الارتباك لقياسات الحول DLC. أخذنا عينات من 300 ثانية من ثمانية مقاطع فيديو (خمسة CGRP وثلاثة PBS) وقارنا هذه النقاط بدرجة ثنائية مكتوبة يدويا بنعم أو لا للحول. قمنا بقياس القيم المتوقعة على أنها تلك التي حددها DLC والقيم الفعلية مثل تلك التي سجلها الإنسان يدويا. ثم قارنا هذا بالبيانات التي تم تسجيلها يدويا لمعرفة عدد المرات التي تم فيها تحديد الحول بشكل صحيح بالنسبة إلى ذلك الثنائي الذي تم تسجيله يدويا بنعم أو لا من الحول. الاختصارات: DLC = DeepLabCut; CGRP = الببتيد المرتبط بجين الكالسيتونين ؛ PBS = محلول ملحي مخزن بالفوسفات ؛ TP = الإيجابيات الحقيقية ؛ FP = إيجابيات خاطئة ؛ الجبهة الوطنية = السلبيات الكاذبة؛ TN = السلبيات الحقيقية ؛ PPV = قيمة تنبؤية إيجابية ؛ NPV = قيمة تنبؤية سلبية ؛ TPR = المعدل الإيجابي الحقيقي ؛ TNR = المعدل السلبي الحقيقي ؛ MCC = معامل ارتباط ماثيو. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-5
الشكل 5: النمط الظاهري للحول عبر ثلاثة نماذج مختلفة للكشف عن الحول. يحتوي الصفان العلويان على نفس التمثيلي مع كل حالة (PBS أو CGRP) عبر ثلاثة نماذج مختلفة للكشف عن الحول. يعكس الصف السفلي المتوسطات في جميع. (أ) كان هناك انخفاض في متوسط مساحة البكسل (متوسط مساحة البكسل الإجمالية / خط الأساس) في الفئران المعالجة ب CGRP مقابل الفئران المعالجة ب PBS (t (18) = 2.805 ، p = 0.012) بعد معالجة جميع البيانات باستخدام نموذج الحول للمنطقة المنشور والتحقق من صحتهمسبقا 14. (ب) كانت هناك استجابة مماثلة في البيانات المسجلة يدويا (t (18) = 4.064 ، ص = 0.0007). (ج) أظهرت الفئران المعالجة ب CGRP انخفاضا في متوسط المسافة بين الجفن والجفن (المسافة الإقليدية / المعالجة المسبقة الإقليدية ، خط الأساس) مقارنة بالفئران المعالجة ب PBS (t (18) = 3.040 ، ص = 0.007 عند استخدام DLC لمعالجة جميع البيانات. N = 20 (10 إناث ، 10 ذكور). تشير أشرطة الخطأ إلى متوسط ± SEM. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

Discussion

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

يوفر هذا البروتوكول طريقة متعمقة يسهل الوصول إليها لاستخدام الأدوات القائمة على التعلم الآلي والتي يمكنها التمييز بين الحول بدقة شبه بشرية مع الحفاظ على نفس الدقة الزمنية (أو الأفضل) للأساليب السابقة. في المقام الأول ، يجعل تقييم الحول الآلي متاحا بسهولة أكبر لجمهور أوسع. تحتوي طريقتنا الجديدة لتقييم الحول الآلي على العديد من التحسينات مقارنة بالطرز السابقة. أولا ، يوفر مقياسا أكثر قوة من ASM من خلال استخدام عدد أقل من النقاط التي تساهم بالفعل في القياس الكمي للحول. هذا يقلل من احتمالية الإيجابيات والسلبيات الخاطئة عن طريق جعل التحليل يعتمد على نقاط أقل عند توليد القيم التي تشير إلى الحول. بمعنى آخر ، يجعل نموذج DLC كل نقطة حول العين ضرورية ولكنها ليست كافية لإدراج نقطة زمنية. يتيح لنا ذلك تصفية البيانات دون المستوى الأمثل باستخدام نفس عدد النقاط مثل ASM دون الحاجة إلى الاعتماد على التباين الأكبر الذي يأتي من الاعتماد على العديد من النقاط المكونة. بالإضافة إلى ذلك ، قمنا بتقليل الخطأ البشري المحتمل من خلال تصميم نماذج لا تعتمد كليا على دقة الأفراد المدربين.

عند معالجة البيانات ، وجدنا أن طريقتنا قامت بدقة بتصفية النقاط دون المستوى الأمثل والنقاط الخارجية التي كانت أكبر مما كان ممكنا ، بالنظر إلى الحد الأقصى لحجم عين الفأر (قسم البروتوكول 10). استخدمنا وحدات الماكرو التي تحققت مما إذا كانت كل نقطة من النقاط العشر المحيطة بالعين على حدة لها قيمة احتمالية أكبر من 0.92 وقمنا بتصفية أي منها أقل من تلك القيمة. في المستقبل ، يمكن تعديل ذلك لجعل البيانات المعالجة أكثر أو أقل انتقائية. قامت وحدات الماكرو أيضا بتصفية أي قيم مسافة إقليدية أكبر من 200 بكسل ، حيث وجدنا أن أكبر مسافة ممكنة بين أعلى وأسفل العين كانت 150 بكسل. قد يحتاج هذا إلى التغيير اعتمادا على الإعداد التجريبي. إذا لم تكن الكاميرا على نفس المسافة من العين ، فقد تكون القيمة القصوى أكثر أو أقل بشكل ملحوظ. تكمن قوة وحدات الماكرو هذه في أنها سمحت لنا باستخراج القياسات بين الجزء العلوي والسفلي من العين بطريقة تعتمد على النموذج الذي أبلغ عن احتمالية أعلى لجميع النقاط المكونة المحيطة بالعين.

كل من DLC و ASM محدودان من حيث أنهما يعتمدان على الماوس ليكون في وضع ثابت على مسافة محددة مسبقا من الكاميرا للسماح بتوسيع نطاق التكبير المتسق بين خط الأساس وظروف العلاج. وبالتالي ، فإن الحركة من نفسه ، أو الوضع غير الصحيح داخل الجهاز ، أو تغيير في الإجراء التجريبي من شأنه أن يضر بقدرة النموذج على اكتشاف المساحة الكلية للعين. يعمل نموذجنا إلى حد ما على تحسين هذه القيود من خلال استخدام المسافة الإقليدية ، أي المسافة لأعلى ولأسفل لطول العين ، مما يسمح بتحسين التتبع على الرغم من الاختلافات في زوايا الكاميرا ، والحركة من ، والتباين التجريبي عبر جلسات مختلفة دون الحاجة إلى إعادة معايرة إضافية. ومع ذلك ، فإننا نقر بأن التحسينات في التطبيع لمراعاة حركة الرأس قد تؤدي إلى تتبع أفضل للحول في المتحركة.

قيد آخر لطريقتنا هو أنه قام بتصفية النقاط التي تقترب فيها المسافة الإقليدية من الصفر ، مما يدل على إغلاق العين. على الرغم من تصفية هؤلاء المساهمين المهمين في الحول ، إلا أننا ما زلنا قادرين على اكتشاف استجابة الحول التي يسببها CGRP بشكل أقوى من الطرق السابقة (ص = 0.007). تصبح إزالة هذا المكون من الحول محدودة بشكل خاص عند محاولة المقارنة بنقاط اهتمام إضافية ، مثل نشاط الدماغ. نعتقد أن العثور على أهمية أثناء إزالة هذه النقاط يظهر متانة هذه الطريقة ، لكننا نعترف بأن إزالة مكونات الحول هذه ليست مثالية. يجب أن تتضمن الدراسات المستقبلية التي تستخدم هذه الطريقة عددا أكبر من الإطارات المتطرفة لتدريب النماذج بشكل أفضل على التعرف على الحول عند اقترابه من الصفر. بشكل عام ، قد يؤدي تطوير طريقة لتتبع الحول الآلي بشكل موثوق إلى تمكين الدراسات التي تهدف إلى ربط السمات المهمة للسلوك الذي يحدث بشكل طبيعي بحالة الدماغ ، مما يسمح بإجراء تحقيق قوي في ملامح نشاط الدماغ كما هو الحال في سياق الصداع النصفي.

Disclosures

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

ليس لدينا تضارب في المصالح للإفصاح عنه. الآراء الواردة في هذه الورقة لا تمثل وزارة شؤون المحاربين القدامى أو حكومة الولايات المتحدة.

Acknowledgements

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

شكرا لراجياشري سين على المحادثات الثاقبة. بفضل جائزة McKnight Foundation Neurobiology of Disease (RH) ، و NIH 1DP2MH126377-01 (RH) ، و Roy J. Carver Charitable Trust (RH) ، و NINDS T32NS007124 (MJ) ، و Ramon D. Buckley Graduate Student (MJ) ، و VA-ORD (RR & D) merit 1 I01 RX003523-0 (LS).

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
مجموعة أدوات CUDA 11.8
cuDNN SDK 8.6.0
أجهزة كمبيوتر Intel تعمل بنظام التشغيل Windows 11 ، الجيل الثالث عشر   ؛
LabFaceX 2D Eyelid Tracker الوحدة الإضافية لماوس التجوال المجاني:FaceX LLCNAأي كاميرا يمكنها تسجيل عين كافية ، ولكن هذه هي أجهزة تتبع العين لدينا.
برنامج تشغيل NVIDIA GPU الذي هو الإصدار 450.80.02 أو أعلى
NVIDIA RTX A5500 ، 24 جيجابايت DDR6NVIDIA[490-BHXV]أي وحدة معالجة رسومات تفي بالحد الأدنى من المتطلبات المحددة لإصدار DLC الخاص بك ، حاليا 8 جيجابايت ، كافية. استخدمنا NVIDIA GeForce RTX 3080 Ti GPU
Python 3.9-3.11
TensorFlow الإصدار 2.10

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Global, regional, and national incidence, prevalence, and years lived with disability for 354 diseases and injuries for 195 countries and territories, 1990-2017: A systematic analysis for the global burden of disease study 2017. Lancet. 392 (10159), 1789-1858 (2018).">Disease, G. B. D., Injury, I., Prevalence, C. Global, regional, and national incidence, prevalence, and years lived with disability for 354 diseases and injuries for 195 countries and territories, 1990-2017: A systematic analysis for the global burden of disease study 2017. Lancet. 392 (10159), 1789-1858 (2018).
  2. Cgrp as a neuropeptide in migraine: Lessons from mice. Br J Clin Pharmacol. 80 (3), 403-414 (2015).">Russo, A. F. Cgrp as a neuropeptide in migraine: Lessons from mice. Br J Clin Pharmacol. 80 (3), 403-414 (2015).
  3. Cgrp in animal models of migraine. Handb Exp Pharmacol. 255, 85-107 (2019).">Wattiez, A. S., Wang, M., Russo, A. F. Cgrp in animal models of migraine. Handb Exp Pharmacol. 255, 85-107 (2019).
  4. Calcitonin gene-related peptide triggers migraine-like attacks in patients with migraine with aura. Cephalalgia. 30 (10), 1179-1186 (2010).">Hansen, J. M., Hauge, A. W., Olesen, J., Ashina, M. Calcitonin gene-related peptide triggers migraine-like attacks in patients with migraine with aura. Cephalalgia. 30 (10), 1179-1186 (2010).
  5. Induction of migraine-like photophobic behavior in mice by both peripheral and central cgrp mechanisms. J Neurosci. 37 (1), 204-216 (2017).">Mason, B. N., et al. Induction of migraine-like photophobic behavior in mice by both peripheral and central cgrp mechanisms. J Neurosci. 37 (1), 204-216 (2017).
  6. Peripherally administered cgrp induces spontaneous pain in mice: Implications for migraine. Pain. 159 (11), 2306-2317 (2018).">Rea, B. J., et al. Peripherally administered cgrp induces spontaneous pain in mice: Implications for migraine. Pain. 159 (11), 2306-2317 (2018).
  7. Prevention of stress- or nitric oxide donor-induced medication overuse headache by a calcitonin gene-related peptide antibody in rodents. Cephalalgia. 37 (6), 560-570 (2017).">Kopruszinski, C. M., et al. Prevention of stress- or nitric oxide donor-induced medication overuse headache by a calcitonin gene-related peptide antibody in rodents. Cephalalgia. 37 (6), 560-570 (2017).
  8. No-induced migraine attack: Strong increase in plasma calcitonin gene-related peptide (cgrp) concentration and negative correlation with platelet serotonin release. Pain. 106 (3), 461-470 (2003).">Juhasz, G., et al. No-induced migraine attack: Strong increase in plasma calcitonin gene-related peptide (cgrp) concentration and negative correlation with platelet serotonin release. Pain. 106 (3), 461-470 (2003).
  9. Advances in cgrp monoclonal antibodies as migraine therapy: A narrative review. Saudi J Med Med Sci. 11 (1), 11-18 (2023).">Aditya, S., Rattan, A. Advances in cgrp monoclonal antibodies as migraine therapy: A narrative review. Saudi J Med Med Sci. 11 (1), 11-18 (2023).
  10. A controlled trial of erenumab for episodic migraine. N Engl J Med. 377 (22), 2123-2132 (2017).">Goadsby, P. J., et al. A controlled trial of erenumab for episodic migraine. N Engl J Med. 377 (22), 2123-2132 (2017).
  11. The development and use of facial grimace scales for pain measurement in animals. Neurosci Biobehav Rev. 116, 480-493 (2020).">Mogil, J. S., Pang, D. S. J., Silva Dutra, G. G., Chambers, C. T. The development and use of facial grimace scales for pain measurement in animals. Neurosci Biobehav Rev. 116, 480-493 (2020).
  12. Methods used and application of the mouse grimace scale in biomedical research 10 years on: A scoping review. Animals (Basel). 11 (3), 673(2021).">Whittaker, A. L., Liu, Y., Barker, T. H. Methods used and application of the mouse grimace scale in biomedical research 10 years on: A scoping review. Animals (Basel). 11 (3), 673(2021).
  13. Coding of facial expressions of pain in the laboratory mouse. Nat Methods. 7 (6), 447-449 (2010).">Langford, D. J., et al. Coding of facial expressions of pain in the laboratory mouse. Nat Methods. 7 (6), 447-449 (2010).
  14. Automated detection of squint as a sensitive assay of sex-dependent calcitonin gene-related peptide and amylin-induced pain in mice. Pain. 163 (8), 1511-1519 (2022).">Rea, B. J., et al. Automated detection of squint as a sensitive assay of sex-dependent calcitonin gene-related peptide and amylin-induced pain in mice. Pain. 163 (8), 1511-1519 (2022).
  15. A deep neural network to assess spontaneous pain from mouse facial expressions. Mol Pain. 14, 1744806918763658(2018).">Tuttle, A. H., et al. A deep neural network to assess spontaneous pain from mouse facial expressions. Mol Pain. 14, 1744806918763658(2018).
  16. Deeplabcut: Markerless pose estimation of user-defined body parts with deep learning. Nat Neurosci. 21 (9), 1281-1289 (2018).">Mathis, A., et al. Deeplabcut: Markerless pose estimation of user-defined body parts with deep learning. Nat Neurosci. 21 (9), 1281-1289 (2018).
  17. Different forms of traumatic brain injuries cause different tactile hypersensitivity profiles. Pain. 162 (4), 1163-1175 (2021).">Wattiez, A. S., et al. Different forms of traumatic brain injuries cause different tactile hypersensitivity profiles. Pain. 162 (4), 1163-1175 (2021).

Reprints and Permissions

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

Request Permission

Tags

Automated Squint MethodDeepLabCut AnalysisEye Squint QuantificationMigraine Mouse ModelSpontaneous Pain TrackingNeurophysiology RecordingBrain Network ActivityEuclidean Distance MeasurementPain Behavior AnalysisRodent Migraine Studies

Related Articles