فك تشفير السلوك الطبيعي من التضمين العصبي الخلاق

Yaning Han; Pengfei Wei

doi:10.3791/68668

Method Article

فك تشفير السلوك الطبيعي من التضمين العصبي الخلاق

DOI:

10.3791/68668

⸱

October 3rd, 2025

Yaning Han¹^,²^,³^,⁴^,⁵ , Pengfei Wei²^,³^,⁴^,⁵^,⁶

¹Department of Pharmacology, Joint Laboratory of Guangdong-Hong Kong Universities for Vascular Homeostasis and Diseases, SUSTech Homeostatic Medicine Institute, School of Medicine, Southern University of Science and Technology, ²Shenzhen Key Laboratory of Neuropsychiatric Modulation and Collaborative Innovation Center for Brain Science, Shenzhen-Hong Kong Institute of Brain Science, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences, ³CAS Key Laboratory of Brain Connectome and Manipulation, the Brain Cognition and Brain Disease Institute, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences, ⁴Guangdong Provincial Key Laboratory of Brain Connectome and Behavior, the Brain Cognition and Brain Disease Institute, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences, ⁵Key Laboratory of Brain Cognition and Brain-inspired Intelligence Technology, the Brain Cognition and Brain Disease Institute, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences, ⁶School of Biological Science and Medical Engineering, State Key Laboratory of Digital Medicine, Southeast University

Summary

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

يعطي هذا البروتوكول إطارا متكاملا يعتمد على طرق علم الأعصاب الحسابية المتقدمة لفهم ترميز الدماغ في السياقات الطبيعية.

Abstract

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

تتفاعل مع بيئتها الطبيعية من خلال نشاط الدماغ الغني والديناميكي. يظل فهم كيفية تشفير ديناميكيات السكان العصبية للسلوك الطبيعي تحديا أساسيا في علم الأعصاب النظمي. فتحت التطورات الحديثة في تحليل السلوك القائم على التعلم العميق والتصوير الفلوري المصغر طرقا جديدة للتحقيق في كيفية تشفير الدماغ للسلوك الطبيعي. هنا ، تقدم هذه الدراسة إطارا تجريبيا وحسابيا متكاملا يجمع بين أطلس السلوك الاجتماعي (SBeA) ، والفحص المجهري المصغر ثنائي الفوتون (mTPM) ، والتضمين المتسق للتسجيلات عالية الأبعاد باستخدام المتغيرات المساعدة (CEBRA) لفك تشفير السلوكيات المعقدة من ديناميكيات الدماغ. تستخدم هذه الدراسة التفاعلات الاجتماعية الطبيعية بين الفئران التي تتحرك بحرية كنظام نموذجي ، مما يتيح التعليق التوضيحي السلوكي عالي الدقة جنبا إلى جنب مع التصوير العصبي المتزامن. يتضمن هذا الإطار تقديرا دقيقا للوضع السلوكي ، وتتبع الماوس المزدوج المتزامن ، ومحاذاة التضمين العصبي ، وفك تشفير الميزات السلوكية مباشرة من المكونات الرئيسية العصبية. توضح هذه الدراسة أن هذا النهج يحقق دقة فك تشفير تبلغ 3. ± 1.5 بكسل للوضعية ودقة 89 ± 6٪ لفك تشفير الحافز عبر ، مما يسلط الضوء على متانتها وقابليتها للتعميم. توفر هذه الطريقة أداة قوية لاستكشاف كيف يعكس نشاط الدماغ الحالات السلوكية المنظمة ، وتضع الأساس للدراسات المستقبلية لمبادئ الترميز العصبي الطبيعي.

Introduction

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

تم تصميم هذا الإطار لالتقاط وفك تشفير البيانات السلوكية والتصوير العصبي من التي تتحرك بحرية في البيئات التجريبية الطبيعية. وهو يتألف من ثلاثة مكونات رئيسية: طرق تقدير الوضع وتصنيف السلوك القائمة على التعلم العميق ، و SBeA¹ ، وتقنيات التصوير الفلوري المصغرة mTPM² ، وخوارزمية التضمين العصبي الأخلاقي القائمة على التعلم التبايني ، CEBRA³. سلطت الدراسات الحديثة الضوء على تعقيد العمليات العصبية في التي تتحرك بحرية ، والتي تفوق تلك التي لوحظت في النماذج التجريبية الثابتة^{للرأس 4}^،⁵. ومع ذلك ، فإن القيود التقنية والتباين أعاقت التطبيق الواسع النطاق لهذه الأساليب على تحقيقات أوسع للسلوك الطبيعي. يقدم هذا البروتوكول إطارا مستقرا ومتكاملا يضمن إمكانية الوصول إلى البيانات السلوكية والعصبية التي تم جمعها في سياقات طبيعية لمجموعة واسعة من مختبرات الأبحاث.

بالنظر إلى أن تتحرك بحرية في البيئات الطبيعية ، فإن هذا الإطار يشتمل على تقدير الوضع القائم على التعلم العميق لتحقيق تتبع دقيق للمواقف⁶^،⁷. طرق التتبع التقليدية القائمة على معالجة الصور غير كافية لالتقاط حركات دقيقة ، مثل ديناميكيات الأطراف والكفوف ، مقارنة بالأساليب القائمة على التعلم^{العميق 8}. تشكل السلوكيات المتنوعة والمعقدة التي تظهرها التي تتحرك بحرية تحديات لطرق تصنيف السلوك الخاضعة للإشراف⁹ ، حيث غالبا ما تفشل الفئات السلوكية المحددة مسبقا في تضمين النطاق الكامل للأنماط الظاهرية السلوكية الطبيعية¹⁰. وبالتالي ، فإن طرق التصنيف القائمة على التعلم غير الخاضعة للإشراف هي الأنسب لتحليل السلوك في البيئات الطبيعية¹. يمكنهم تحلل السلوك المستمر بشكل شامل إلى أشكال منفصلة تحت الثانية وفقا لأوجه التشابه الهيكلية الجوهرية بينها ، ثم يتم إعطاء تعريفاتهم المتسقة من خلال مجموعات تعتمد على البيانات.

يتطلب تصوير الدماغ في التي تتحرك بحرية التقاط التباين الواسع لنشاط الخلايا العصبية المفردة⁴^،⁵. التسجيلات الفيزيولوجية الكهربية في التي تتحرك بحرية محدودة في قدرتها على اكتشاف الخلايا العصبية ذات النشاط الفرعي في الغالب¹¹. بالإضافة إلى ذلك ، يعاني الفحص المجهري أحادي الفوتون من انخفاض الدقة والتباين ، مما يجعل من الصعب الحفاظ على هويات الخلايا العصبية المتسقة عبر جلسات التصوير¹². يوفر mTPM دقة وتباينا فائقين مقارنة بالفحص المجهري أحادي الفوتون ، مما يجعله أداة أكثر فاعلية للتحقيق في الترميز العصبي للسلوكيات الطبيعية²^،¹³^،¹⁴^،¹⁵.

يتطلب إنشاء رسم خرائط قوي بين السلوك والبيانات العصبية طرقا قادرة على الكشف عن بنيتها المعلوماتية المشتركة¹⁶. لا يمكن لتقنيات تقليل الأبعاد التقليدية ، مثل تحليل المكون الرئيسي (PCA) ¹⁷ ، وتضمين الجار العشوائي الموزع (t-SNE) ¹⁸ ، والتقريب والإسقاط المشعب الموحد (UMAP) ¹⁹ ، تضمين البيانات السلوكية والعصبية بشكل فعال داخل مساحة ميزة مشتركة. في المقابل ، تتيح مناهج التضمين القائمة على التعلم العميق ، مثل CEBRA ، دمج طرائق البيانات المتعددة في كل من الأطر الخاضعة للإشراف والإشراف الذاتي ، مما يؤدي إلى إنشاء تمثيلات كامنة عالية الجودة³. في حين ظهرت طرق بديلة مختلفة في السنوات الأخيرة²⁰^،²¹^،²² ، يعطي هذا الإطار المقترح الأولوية للتطبيقات العملية من خلال دمج طرق راسخة إما متاحة تجاريا أو مدعومة ببرامج تعليمية شاملة.

بالمقارنة مع الدراسات الحديثة⁴^،⁵ ، يقدم هذا الإطار ثلاثة تطورات رئيسية. أولا ، يقضي على التحيز البشري في تصنيف السلوك. اعتمدت الدراسات السابقة على وضع العلامات على السلوك اليدوي ، وهو كثيف العمالة وعرضة للتناقض ، لا سيما وأن المعلقين يعانون من التعب²³^،²⁴^،²⁵. في المقابل ، يستخدم هذا الإطار تصنيف السلوك غير الخاضع للإشراف ، والذي يحافظ على البنية الطبيعية للأنماط السلوكية عن طريق تحلل وزخارف السلوك بشكل موضوعي وتجميعها قبل تعيين التعريفات²⁶^،²⁷. ثانيا ، يتيح استخدام mTPM التقاط ديناميكيات عصبية أكثر تعقيدا على مستوى الخلايا العصبية المفردة. تعمل هذه الميزة المنهجية على توسيع قابلية تطبيق هذا الإطار لفك تشفير السلوكيات الطبيعية المعقدة من مجموعات عصبية متنوعة ، بما في ذلك أولئك المشاركين في ترميز العتبة^{الفرعية 28}. ثالثا ، يدمج هذا الإطار البيانات السلوكية والعصبية في مساحة تمثيلية موحدة ، بدلا من استخدام UMAP لتضمين كل طريقة على حدة أو استخدام آلات ناقلات الدعم لفرض رسم خرائط صارم بين النشاط العصبي والسلوك مع تجاهل ديناميكياتها الجوهرية⁴^،⁵. يضمن نهج التضمين المشترك هذا تمثيلا أكثر شمولا وذات مغزى بيولوجيا للعلاقة بين السلوك ونشاط الدماغ.

هذا الإطار مناسب تماما للمشاريع البحثية التي تتضمن تسجيل وفك تشفير البيانات السلوكية والعصبية من التي تتحرك بحرية في ظروف تجريبية طبيعية. في حين أن التنفيذ الحالي محسن لدراسات الفئران ، فإن تكييفه مع النماذج الحيوانية الأخرى قد يتطلب تطويرا إضافيا. نظرا لأن مكونات الأجهزة المستخدمة في هذا الإطار متوفرة تجاريا ، فقد تكون التكلفة الإجمالية مرتفعة نسبيا من ناحية. من ناحية أخرى ، يقلل هذا التوافر التجاري بشكل كبير من الوقت المستغرق في استكشاف المشكلات اللوجستية وإصلاحها ويضمن الحصول على نتائج مستقرة وموثوقة بطريقة فعالة.

تم تصميم هذا البروتوكول ليكون قابلا للتكرار ويمكن الوصول إليه من قبل مختبرات علم الأعصاب المجهزة لتصوير الصغيرة وتتبع السلوك. يدمج النظام الكامل جهاز mTPM متاح تجاريا مع إعداد اكتساب سلوكي متعدد الزوايا. يتم الحصول على التسجيلات العصبية النموذجية عند 4.84 هرتز بدقة 512 × 512 بكسل ، ويتم التقاط البيانات السلوكية بمعدل 30 إطارا في الثانية. يتم تحقيق مزامنة البيانات من خلال محاذاة نبض TTL أثناء المعالجة المسبقة. يمكن إجراء التدريب وفك التشفير على محطة عمل قياسية مزودة بوحدة معالجة رسومات (على سبيل المثال ، NVIDIA RTX 3090 أو ما يعادلها) ، ويتطلب خط الأنابيب الكامل ما يقرب من 100 جيجابايت من التخزين لكل تجربة. بينما تم تحسين التنفيذ الحالي للفئران التي تتحرك بحرية ، فإن التصميم المعياري لسير العمل يسمح بالتكيف مع الأنواع الأخرى عن طريق ضبط معايرة التتبع ومعلمات التصوير بناء على حجم وحركته. تدعم هذه التفاصيل العملية قدرة البروتوكول على التكيف وقابليته للتكرار عبر مجموعة من الإعدادات التجريبية.

Protocol

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

وافقت لجنة رعاية واستخدامه في معهد شنتشن للتكنولوجيا المتقدمة ، الأكاديمية الصينية للعلوم ، على جميع إجراءات التربية والتجريبية.

1. إنشاء المنصة

ملاحظة: يتكون النظام الأساسي من مكونين أساسيين: جهاز mTPM وجهاز السلوك ثلاثي الأبعاد (الشكل 1 أ). يسهل جهاز mTPM المزامنة في الوقت الفعلي لتصوير mTPM مع البيانات السلوكية ، وبالتالي تمكين الحصول على بيانات عالية الجودة بكفاءة واستقرار ومستمر من التي تتحرك بحرية. تم تجهيز جهاز السلوك ثلاثي الأبعاد بأربع كاميرات لالتقاط المشهد الكامل لسلوك ووحدة معايرة تلقائية لإعادة بناء أوضاع ثلاثية الأبعاد. كلا الجهازين مطلوبان لدمج وحدات المزامنة في إصداراتهما.

اتصال الجهاز
1. قم بإزالة الغلاف الخارجي لجهاز السلوك ثلاثي الأبعاد. ضع الأجزاء المتبقية من جهاز السلوك ثلاثي الأبعاد، بما في ذلك أربع كاميرات ووحدة معايرة تلقائية، داخل غرفة التسجيل السلوكي لجهاز mTPM.
2. قم بتوصيل كبل الناقل التسلسلي العالمي (USB) لوحدة المزامنة لجهاز السلوك ثلاثي الأبعاد بمحطة عمل جهاز السلوك ثلاثي الأبعاد.
3. قم بتوصيل وحدة المزامنة لجهاز mTPM بوحدة التحكم في جهاز mTPM من خلال كبل واحد من الإصدار الفرعي A (SMA).
4. قم بتوصيل منفذ إخراج منطق الترانزستور (TTL) لوحدة المزامنة لجهاز السلوك ثلاثي الأبعاد بمنفذ إدخال TTL لوحدة المزامنة لجهاز mTPM من خلال كبل تحويل SMA-Bayonet Neill-Concelman (BNC).
تسجيل الطابع الزمني لإطارات mTPM
1. قم بتشغيل كل مصدر طاقة لجهاز mTPM.
2. ابدأ تشغيل برنامج تسجيل mTPM وبرنامج مزامنة mTPM.
3. قم بتعيين مسارات الحفظ لإطارات mTPM والطوابع الزمنية للمزامنة.
  ملاحظة: لا تستخدم أيا من الأحرف غير الإنجليزية والأحرف الخاصة لتسمية المسارات.
4. قم بتعيين عدد إطارات التسجيل لبرنامج تسجيل mTPM. عدد الإطارات الموصى به هو 6000، وهو ما يكفي لإنهاء خطوة تصحيح أخطاء المزامنة.
5. حدد كل قناة من برنامج مزامنة mTPM.
6. ابدأ تسجيل mTPM من خلال برنامج تسجيل mTPM. قبل بدء التسجيل ، أطفئ أيا من الأضواء داخل الغرفة لحماية mTPM من الاحتراق الزائد. سيتم تشغيل برنامج مزامنة mTPM تلقائيا عندما يبدأ المستخدم التسجيل.
7. تحقق مما إذا كان قد تم التقاط الطوابع الزمنية لإطار mTPM بواسطة برنامج مزامنة mTPM.
  ملاحظة: الطوابع الزمنية لإطارات mTPM المعروضة في برنامج مزامنة mTPM هي نبضات TTL حادة. يقوم كل إطار من التصوير بتشغيل نبضة TTL حادة ، وهي 4.84 هرتز افتراضيا. إذا لم يكن هناك نبض معروض على لوحة البرنامج ، فهناك 2 مشكلتان عاديتين. الأول هو أن برنامج تشغيل وحدة التحكم في جهاز mTPM لا يدعم التقاط الطابع الزمني. يمكن أن يؤدي تحسين إصدار برنامج التشغيل الخاص به لدعم التقاط الطابع الزمني إلى حل المشكلة الأولى. والثاني هو الاتصال السيئ لكابل SMA. تأكد من إحكام إحكام ربط موصلات SMA. قبل التحقق من الطوابع الزمنية، ارجع إلى 1.1.2، ثم حاول خطوة بخطوة.
8. انتظر حتى يتوقف التسجيل. تحقق مما إذا كان الملف .tif لإطارات mTPM وملف .tdms واحد وملف .tdms_index واحد من الطوابع الزمنية محفوظا.
تسجيل الطابع الزمني لأربع كاميرات لجهاز السلوك ثلاثي الأبعاد
1. قم بتعيين مسار حفظ مقاطع الفيديو والطوابع الزمنية للسلوك في البرنامج النصي لمزامنة الكاميرا المخصص.
  ملاحظة: رمز مزامنة الكاميرا المخصص عند https://github.com/YNCris/natural_behavior_device/blob/main/camera_code/mul_camera_save_video_event.py.
2. ابدأ تشغيل برنامج مزامنة mTPM. قم بتعيين مسارات الحفظ للطوابع الزمنية لمزامنة mTPM.
3. ابدأ تسجيل برنامج مزامنة mTPM. قم بتشغيل البرنامج النصي لمزامنة الكاميرا المخصص.
4. تحقق مما إذا كان تم التقاط الطوابع الزمنية للسلوك بواسطة برنامج مزامنة mTPM.
  ملاحظة: الطوابع الزمنية للسلوك الموضحة في برنامج مزامنة mTPM هي نبضات TTL حادة. يتم إرسال طابع زمني واحد للسلوك إلى برنامج مزامنة mTPM لكل 30 إطارا من تسجيل إطار فيديو السلوك. سيتم أيضا حفظ الطوابع الزمنية للسلوك في محطة عمل جهاز السلوك ثلاثي الأبعاد.
5. تحقق مما إذا كان يتم حفظ أربعة ملفات .avi من مقاطع فيديو السلوك وملف .txt واحد من الطوابع الزمنية للسلوك في جهاز السلوك ثلاثي الأبعاد وملف .tdms وملف .tdms_index واحد من الطوابع الزمنية للسلوك في محطة عمل mTPM.
معايرة الكاميرا لجهاز السلوك ثلاثي الأبعاد
1. اضبط زاوية التصوير لأربع كاميرات. يجب أن تغطي الكاميرات الأربع بشكل شامل قاعدة الحقل المفتوح بالكامل مع توسيع مجال رؤيتها أيضا بما لا يقل عن 20 سم فوق أقصى حدود للحقل المفتوح لضمان التقاط حالات تربية الفأر بالكامل.
2. ضع وحدة المعايرة في وسط مناطق التصوير. قم بتشغيل برنامج معايرة الكاميرا. قبل تشغيل برنامج معايرة الكاميرا ، أطفئ جميع الأضواء.
  ملاحظة: ستلتقط أربع كاميرات إطارات لوحة الفحص المتحركة التي تعرضها شاشة المعايرة. تعتمد معايرة الكاميرا على طريقة معايرة Zhang²⁹.
3. بعد تشغيل برنامج معايرة الكاميرا ، سيتم حفظ ملف .mat واحد ، والذي يحتوي على مصفوفة إسقاط الكاميرا لإعادة بناء وضع ثلاثي الأبعاد. نظرا لأن فهرسة بيانات السلوك في خطوة مزامنة النظام تعتمد على ملف .mat للمعايرة، تأكد من انتهاء خطوة معايرة الكاميرا قبل خطوة المزامنة للنظام بأكمله.
مزامنة النظام بأكمله
ملاحظة: قبل هذه الخطوة، تأكد من إمكانية تلقي الطوابع الزمنية من إطارات mTPM وجهاز السلوك ثلاثي الأبعاد بواسطة برنامج مزامنة mTPM بشكل منفصل.
1. قم بتشغيل كل مصدر طاقة لجهاز mTPM وجهاز السلوك ثلاثي الأبعاد.
2. ابدأ تشغيل برنامج تسجيل mTPM وبرنامج مزامنة mTPM والبرنامج النصي لمزامنة الكاميرا المخصص.
3. قم بتعيين مسارها ومعلماتها التي تشير إلى الخطوة 1.3.1. ابدأ تسجيل mTPM من خلال برنامج تسجيل mTPM.
4. قم بتشغيل البرنامج النصي لمزامنة الكاميرا المخصص. تأكد من أن بدء تسجيل إطارات mTPM قبل تشغيل البرنامج النصي لتسجيل السلوك بحيث يمكن لبرنامج مزامنة mTPM تلقي الطوابع الزمنية من جهاز السلوك ثلاثي الأبعاد. قم بتعيين وقت انتهاء تسجيل إطارات mTPM إلى أطول من وقت تسجيل السلوك بحيث يمكن لبرنامج مزامنة mTPM التقاط الطوابع الزمنية للسلوك دون خسارة.
  ملاحظة: التوصية بوقت تسجيل إطارات mTPM أطول من 5 دقائق من تسجيل السلوك. على سبيل المثال، إذا أراد المستخدم تسجيل سلوك مدته 15 دقيقة، فيجب تعيين عدد إطارات mTPM إلى 4.84 × (15+5) × 60 = 5808 إطارا.
5. انتظر حتى توقف التسجيل. بعد التسجيل ، يوجد ملف .tif إطار mTPM واحد ، وملفين .tdms لمزامنة mTPM ، وملفان .tdms_index ، وأربعة ملفات .avi فيديو سلوك ، وملف .txt طابع زمني واحد للسلوك.
6. قم بتشغيل رمز المزامنة المخصص لمحاذاة إطار mTPM ومقاطع فيديو السلوك. رمز المزامنة المخصص في https://github.com/YNCris/natural_behavior_device/blob/main/preprocess_code/step1_align_tpm_data.m.
  1. قبل تشغيل هذا البرنامج النصي ، قم بتنظيم الملفات يدويا على النحو التالي:
    ----\مسار الجذر # مسار حفظ جميع البيانات
    --------\behavior_all # مسار حفظ بيانات السلوك
    ------------\A-B-C-D-E-caliParas.mat # ملف معايرة الكاميرا
    ------------\A-B-C-D-E-camera-1.avi # فيديو سلوك من الكاميرا 1
    ------------\A-B-C-D-E-camera-2.avi # فيديو سلوك من الكاميرا 2
    ------------\A-B-C-D-E-camera-3.avi # فيديو سلوك من الكاميرا 3
    ------------\A-B-C-D-E-camera-4.avi # فيديو سلوك من الكاميرا 4
    ------------\A-B-C-D-E-event.txt # الطابع الزمني للسلوك من جهاز السلوك ثلاثي الأبعاد
    ----\tpm_suite2p # مسار حفظ بيانات mTPM
    --------\sep # مسار حفظ إطارات mTPM والطوابع الزمنية
    ------------\A-B-C-D-E-event # المسار لإجراء محاذاة الطابع الزمني
    ----------------\beh.tdms # ملف .tdms لقناة السلوك
    ----------------\beh.tdms_index #The قناة سلوك .tdms_index ملف
    ----------------\tpm.tdms # ملف .tdms قناة mTPM
    ----------------\tpm.tdms_index # ملف .tdms_index قناة mTPM
    ------------ \ A-B-C-D-E-tpm # مسار حفظ إطارات mTPM
    ----------------\F.tif # إطارات mTPM لكل تسجيل
    -------- \ العملية # مسار استخراج الآثار العصبية
    ------------\C # مسار كل ماوس
    ----------------\F.tif # إطارات mTPM لكل ماوس
    من A إلى G هي تعريفات لحقول الأسماء ، حيث
    أ تعني المجموعات التجريبية ، على سبيل المثال ، مجانية ،
    B تعني تسلسل مقاطع الفيديو ، على سبيل المثال ، seg1 ،
    C تعني هوية ، على سبيل المثال ، 1tpmss ،
    D تعني شركاء التفاعل ، على سبيل المثال ، 1wt ،
    E تعني التاريخ التجريبي ، على سبيل المثال ، 20220226 ، و
    F تعني جزء إطار تسجيل mTPM (5000 إطار لكل قطعة)، على سبيل المثال، اجتماعي 1.
    ملاحظة: معدل إطارات نظام التتبع السلوكي ثلاثي الأبعاد هو 30 هرتز، بينما معدل إطارات mTPM هو 4.84 هرتز. وبما أن الحد الأقصى لدقة التزامن التي يمكن تحقيقها مقيد بأدنى معدل رتل (هرتز 4,84)، فإن الدقة الزمنية للمزامنة تبلغ حوالي مللي ثانية 206. تعمل الطوابع الزمنية السلوكية كمرجع ، ويتم محاذاة كل إطار mTPM لأقرب نقطة زمنية سلوكية. يتم استيفاء الفواصل الزمنية بين إطارات mTPM المتتالية فيما يتعلق بالجدول الزمني السلوكي باستخدام نهج تدريجي.

2. تسجيل البيانات العصبية

ملاحظة: تتكون عملية تسجيل بيانات علم الأعصاب من أربع خطوات رئيسية (الشكل 1 ب).

تركيب mTPM
ملاحظة: نظرا لأن تفاصيل تركيب mTPM مضمنة في البرنامج التعليمي ل mTPM، يتم تقديم الخطوات الرئيسية فقط هنا.
1. تحضير نافذة الجمجمة.
  ملاحظة: يشمل تحضير نافذة الجمجمة بشكل أساسي حقن الفيروس وزرع زجاج الغطاء وتثبيت الصفيحة المعدنية. نظرا لاختلاف مواقع التصوير في مختلف الأبحاث ، فإن تفاصيل تحضير نافذة الجمجمة مختلفة. في هذه الحالة ، يتم إعداد نافذة الجمجمة بواسطة خدمة الاستعانة بمصادر خارجية. منطقة الدماغ التصويرية في بيانات المثال هي القشرة الحسية الجسدية الأولية (S1).
2. قم بتثبيت مقيد الماوس على معالج mTPM micro. ثبت رأس الماوس على المقيد من خلال اللوحة المعدنية.
3. أوجد التألق من خلال mTPM. أطفئ جميع الأضواء قبل تشغيل تصوير mTPM. قم بإصلاح mTPM إلى الحامل قبل الخطوات التالية.
  1. أضف قطرة واحدة من جل العين Carbomer إلى الجزء العلوي من نافذة الجمجمة. حرك الماوس عبر منصة الحركة عندما تتم محاذاة نافذة الجمجمة أسفل هدف mTPM.
  2. حرك المعالج الدقيق عموديا للعثور على مستوى التصوير. حرك المعالج الدقيق في المستوى لتوسيط مستوى التصوير.
4. ثبت القاعدة العلوية على mTPM. قم بلصق القاعدة السفلية على القاعدة العلوية ونافذة الجمجمة.
  1. لضمان الاستقرار الهيكلي ، املأ الفجوة بين القاعدتين وقوس اللوحة المعدنية المتصل برأس الماوس وربطه بمادة لاصقة هيكلية أكريليك عالية الأداء. عالج المادة اللاصقة لمدة 30 دقيقة قبل تقييم ثبات الرابطة عن طريق فحص القاعدة برفق باستخدام الملقط. إذا لزم الأمر ، يتم تطبيق مادة لاصقة إضافية حتى يتم تحقيق تثبيت آمن.
    ملاحظة: من الضروري منع أي التصاق مباشر بين القاعدة و mTPM نفسه. القواعد العلوية والسفلية عبارة عن إطارات صغيرة من الألومنيوم. القاعدة العلوية مصنوعة خصيصا لتناسب بشكل مريح المحيط السفلي لمبيت mTPM. يتم استخدام القواعد السفلية ذات خيارات الارتفاع المتعددة لسد الفجوة بين القاعدة العلوية ونافذة الجمجمة. جميع القواعد السفلية لها نفس الأبعاد المستوية مثل القاعدة العلوية لضمان التوافق الميكانيكي ، وتختلف فقط في الارتفاع لتتناسب مع المسافات المتغيرة من الجمجمة إلى القاعدة العلوية.
5. أضف قطرة واحدة من جل العين Carbomer داخل حجرة القاعدة. تحقق من التألق العصبي من خلال mTPM. إذا لم يكن التألق العصبي مرئيا بوضوح ، فقم بإزالة المادة اللاصقة باستخدام مثقاب القحف ، مما يسمح بفصل القاعدة ، وبعد ذلك يتم تكرار الإجراء أعلاه حتى يتحقق وضوح التألق.
6. قم بتأمين رقائق الألومنيوم بشريط بين ألياف mTPM ونافذة الجمجمة.
  ملاحظة: تتمثل هذه الخطوة في الحفاظ على الحماية الضوئية المناسبة طوال عملية التسجيل. تم تقليل استخدام رقائق الألومنيوم والشريط اللاصق لتقليل الوزن الإجمالي.
7. قم بتشغيل ضوء الغرفة واختبر وضوح إطارات mTPM.
وضع الماوس في حقل مفتوح
ملاحظة: تتضمن هذه الخطوة وضع الماوس في الحقل المفتوح مع ضمان توازن الوزن المناسب للألياف و mTPM.
1. قم بنفخ ما لا يقل عن 10 بالونات هيليوم واربطها بشكل منفصل بخيوط قطنية. افصل اللوحة المعدنية عن مقيد الماوس.
2. أمسك الماوس من ذيله بيد واحدة. دعم ألياف mTPM باستخدام اليد الأخرى.
3. ضع الماوس برفق في الحقل المفتوح. بالونات الهيليوم باستخدام خيوط قطنية على الألياف. اضبط عدد البالونات حتى يتمكن الماوس من التحرك بحرية واستكشاف الحقل المفتوح دون قيود.
  ملاحظة: يتم تحديد العدد الأمثل للبالونات عندما يظل الفأر مؤرضا ، مع عدم رفع أطرافه الأمامية عن طريق الطفو الصاعد ، بينما لا يزال يوازن وزن mTPM بشكل كاف للسماح للحيوان بالحفاظ على وضعية الرأس الطبيعية والوقوف في وضع مستقيم تلقائيا. يجب ربط خيوط القطن على ارتفاع فوق الحقل المفتوح لضمان طول ألياف كاف للحركة غير المقيدة للماوس. تم ربط خيوط القطن عند ارتفاع الألياف الضوئية ، والتي كانت محاذاة تقريبا مع الحافة العلوية لغرفة الحقل المفتوح. في المثال المعطى ، بمجرد اكتمال هذه الخطوة ، يتم إدخال ماوس غير معالج في الحقل المفتوح لتمكين التفاعل الاجتماعي المجاني.
4. أغلق باب حاوية mTPM لتقليل الاضطرابات الخارجية.
تشغيل تسجيل mTPM.
1. ابدأ تشغيل برنامج تسجيل mTPM وبرنامج مزامنة mTPM. قم بتعيين مسارها ومعلماتها بالإشارة إلى خطوة إنشاء النظام الأساسي.
2. ابدأ تسجيل mTPM من خلال برنامج تسجيل mTPM. تحقق من وجود علامات زمنية تتوافق مع كل إطار ثنائي الفوتون داخل برنامج المزامنة.
3. قم بتقييم ما إذا كان تباين الصور ثنائية الفوتون لا يزال غير متأثر وتأكد من أن حركة الماوس لا تضر بثبات الإطارات المسجلة. إذا تم اكتشاف أي مشكلات، كرر إجراء المزامنة وعملية تركيب mTPM حتى ينتج عن التصوير ثنائي الفوتون إطارات واضحة مع علامات زمنية محاذاة بدقة.
تشغيل تسجيل السلوك
1. ابدأ البرنامج النصي لمزامنة الكاميرا المخصص.
  ملاحظة: رمز مزامنة الكاميرا المخصص عند https://github.com/YNCris/natural_behavior_device/blob/main/camera_code/mul_camera_save_video_event.py.
2. قم بتعيين المسار والمعلمات التي تشير إلى خطوة إنشاء النظام الأساسي.
3. ابدأ تسجيل السلوك من خلال البرنامج النصي المخصص لمزامنة الكاميرا. تحقق من وجود علامات الوقت المقابلة لكل 30 إطارا للسلوك داخل برنامج مزامنة mTPM.
4. تحقق مما إذا كانت تدفقات الفيديو الأربعة من الكاميرات متزامنة بشكل صحيح ، وتحقق من معلمات التقاط الفيديو لنظام التتبع السلوكي ثلاثي الأبعاد.
  ملاحظة: في الإعداد أعلاه ، تستخدم الكاميرات دقة إطار تبلغ 640 × 480 بكسل ، ومعدل إطارات يبلغ 30 إطارا في الثانية ، وإطارات RGB ، وتعريض ضوئي تلقائي. يسمح التعريض الضوئي التلقائي للكاميرا بضبط السطوع ديناميكيا بناء على ظروف الإضاءة المحيطة. نظرا لأن وقت التعريض الضوئي يؤثر بشكل مباشر على معدل الإطارات الذي يمكن تحقيقه ، خاصة في ظروف الإضاءة المنخفضة حيث تتطلب تعريضات أطول ، فقد ينخفض معدل الإطارات. لضمان الحصول على إطار مستقر عند 30 هرتز ، من المهم التحكم في إضاءة الخلفية لتقليل وقت التعرض. يتم الاحتفاظ بإعدادات كسب الكاميرا والتجميع عند قيمها الافتراضية طوال التسجيل.
5. سيتوقف التسجيل السلوكي تلقائيا بمجرد الوصول إلى المدة المحددة مسبقا. بعد الانتهاء من التسجيل السلوكي ، قم بإيقاف تشغيل تسجيل mTPM ومزامنته يدويا. باتباع هذه الخطوات ، يتم الانتهاء من تجربة واحدة للحصول على البيانات العصبية والسلوكية المتزامنة.

3. المعالجة المسبقة للبيانات العصبية

ملاحظة: إذا تم الانتهاء من جميع الخطوات السابقة بنجاح ، فيجب الحصول على ثلاث فئات من ملفات البيانات: إطارات تصوير ثنائية الفوتون (.tif) ، وأربعة تسجيلات فيديو سلوكية (.avi) جنبا إلى جنب مع ملف معايرة الكاميرا (.mat) ، وملفين للطابع الزمني للمزامنة (.tdms) للمعالجة المسبقة للبيانات اللاحقة (الشكل 1C). يجب إعادة تسمية هذه البيانات يدويا ووضعها في المجلدات التي تشير إلى الخطوة 1.5.7.

المعالجة المسبقة لبيانات mTPM
1. استخراج مسارات الإشارات العصبية من إطارات mTPM من خلال suite2p³⁰. احتفظ بمعلمات suite2p عند قيمها الافتراضية لضمان قابلية التكرار. اضبط معدل الإطارات فقط لمطابقة إعدادات اكتساب mTPM.
  ملاحظة: نظرا لأن الخطوات اللاحقة تتضمن معالجة الإشارات ومراقبة الجودة، فلا داعي لضبط معلمات suite2p على نطاق واسع في هذه المرحلة. يعد الحفاظ على الاتساق عبر مجموعات البيانات أمرا ذا أهمية أكبر.
2. قم بتشغيل التعليمات البرمجية المخصصة لمحاذاة الطوابع الزمنية بين إطارات mTPM ومقاطع فيديو السلوك.
  ملاحظة: يقوم هذا البرنامج النصي بمحاذاة الطوابع الزمنية للأحداث السلوكية مع أوقات اكتساب mTPM المقابلة. يقوم بإنشاء وحفظ تعيينات الفهرس لكل تسجيل ، مما يتيح التحليل المتزامن للسلوك والبيانات العصبية. هذا الرمز المخصص في https://github.com/YNCris/natural_behavior_device/blob/main/preprocess_code/step1_align_tpm_data.m.
3. قم بتشغيل الكود المخصص لتحويل تنسيق البيانات من إخراج suite2p.
  ملاحظة: يستخرج هذا البرنامج النصي بيانات mTPM ويعيد تنظيمها للحيوانات الفردية من خلال تحديد مؤشرات الإطارات ذات الصلة وتعيينها. يختار تتبع النشاط العصبي المقابل ويعيد هيكلتها في تنسيق بيانات موحد ، مما يتيح التحليل المبسط النهائي للتسجيلات المجزأة. هذا الرمز المخصص في https://github.com/YNCris/natural_behavior_device/blob/main/preprocess_code/step2_separate_tpm_data.m.
4. قم بتشغيل التعليمات البرمجية المخصصة لإعادة تشكيل الإشارات العصبية لتتماشى مع إطارات السلوك.
  ملاحظة: يقوم هذا البرنامج النصي بإعادة تشكيل مؤقت لبيانات mTPM لمحاذاة تتبعات النشاط العصبي مع الطوابع الزمنية السلوكية. يقوم بتحميل البيانات العصبية المجزأة مسبقا ومؤشرات المزامنة ، ويستخرج الآثار المعاد تصميمها وفقا لذلك ، ويحفظ الإخراج بتنسيق موحد لمزيد من معالجة الإشارات. طريقة إعادة التشكيل الزمني هي الاستيفاء التدريجي. هذا الرمز المخصص موجود في https://github.com/YNCris/natural_behavior_device/blob/main/preprocess_code/step3_resample_tpm_data.m.
5. قم بتشغيل التعليمات البرمجية المخصصة لتحسين المسارات العصبية.
  1. نظرا لأن الاستيفاء التدريجي يمكن أن يقدم القطع الأثرية الرنين والضوضاء عالية التردد ، فقم بتصميم مرشح تمرير منخفض متعادل بتردد نطاق مرور 2 هرتز وتردد نطاق توقف 2.2 هرتز للتخفيف من هذه القطع الأثرية. ترتيب المرشح هو 61.
  2. بعد ذلك ، استخدم طريقة إزالة الضوضاء في Weijian Zong لتحسين آثار الكالسيوم mTPM¹³. ويقدر خطوط الأساس المحلية باستخدام معايير التباين المئوي والموضعي ويحسب إشارات ΔF/F. ΔF / F هو مقياس بلا أبعاد يمثل التغيير النسبي في شدة التألق على خط الأساس ، ويستخدم بشكل شائع لقياس النشاط العصبي في تصوير الكالسيوم. نظرا لأن كلا من البسط (ΔF) والمقام (F) موجودان في وحدات مضان عشوائية ، فإن قيمة ΔF / F الناتجة ليس لها وحدة فيزيائية ويتم التعبير عنها كنسبة أو نسبة مئوية. يتم استبعاد الخلايا ذات الإشارات المسطحة أو المشبعة للغاية بناء على عتبات نطاق الإشارة. يتم حفظ آثار النشاط العصبي عالية الجودة الناتجة للتحليل النهائي (الشكل 2 أ ، الشكل 3 أ ، والشكل 4 أ).
    ملاحظة: الرمز المخصص متاح في https://github.com/YNCris/natural_behavior_device/blob/main/preprocess_code/step4_filter_tpm_data.m.
بيانات سلوك المعالجة المسبقة
1. استخرج الوضعيات السلوكية من تسجيلات الفيديو باستخدام متتبع الوضعيات المضادة للانجراف (ADPT)⁷.
  ملاحظة: يعالج ADPT مشكلة الانجراف المتكرر للنقاط التي لوحظت في الأساليب القائمة على الشبكة العصبية التلافيفية مثل DeepLabCut⁶ و SLEAP²². ADPT مناسب بشكل خاص للسيناريوهات التي تتضمن أجهزة التسجيل العصبي ، مثل تصوير mTPM في التي تتحرك بحرية ، لأنه يقلل بشكل فعال من انحراف النقاط الناجم عن حركة الألياف. مستودع ADPT في https://github.com/tangguoling/ADPT.
  1. بالنظر إلى أن الإعداد التجريبي يتضمن فئران ، حيث يعمل mTPM كمعرف لأحدهما ، قم بتدريب نموذجين مستقلين من ADPT أحادي الفأر لتقدير أوضاع كل فأر على حدة.
  2. لكل طراز ، قم بتعليق 16 نقطة رئيسية^{يدويا 1}^،¹⁰^،¹⁵^،³¹ - بما في ذلك الأنف والأذن اليسرى والأذن اليمنى والرقبة والأطراف الأمامية اليمنى واليسرى والأطراف الخلفية اليمنى واليسرى والأيمن والكفوف الأمامية اليمنى واليسرى والأيمن والكفوف الخلفية اليمنى والخلفية والظهر وقاعدة الذيل ومنتصف الذيل وطرف الذيل - لما يقرب من 600 إطار ، مع 150 إطارا مصنفة يدويا لكل عرض كاميرا لمقطع فيديو مدته 15 دقيقة.
  3. تدريب نماذج ADPT باستخدام المعلمات الافتراضية. تفاصيل معلمات التدريب والتنبؤ في https://github.com/tangguoling/ADPT/blob/main/code/config.yaml و https://github.com/tangguoling/ADPT/blob/main/code/config_predict.yaml.
2. إعادة بناء وضعيات 3D. بمجرد التدريب ، قم بتطبيق النموذجين بشكل مستقل للتنبؤ بوضعيات كل فأرة من كل مقطع فيديو تم التقاطه بواسطة كاميرات مختلفة. دمج البيانات الناتجة في ملف جدول واحد لمزيد من المعالجة.
3. قم بإجراء إعادة بناء ثلاثية الأبعاد للمسارات السلوكية باستخدام التثليث مع ملف معايرة الكاميرا³². بعد إعادة البناء ، احصل على مسارات حركة الفأر الموضوع (الذي يحمل mTPM ، الشكل 2 ب ، الشكل 3 ب ، الشكل 4 ب) وفأر الكائن (المتفاعل المحدد ، الشكل 2 ج ، الشكل 3 ج ، الشكل 4 ج) للتحليل اللاحق.
4. في دراسات التفاعل الاجتماعي ، تعمل المسافات بين الأفراد كمؤشرات حاسمة للديناميكيات الاجتماعية³³. احسب مسافات الجسم النسبية بين الفئران باستخدام مسافات إقليدية زوجية بين نقاط الجسم المقابلة ، مما يوفر مقاييس كمية لمزيد من تحليل السلوك الاجتماعي ( الشكل 2 د ، الشكل 3 د ، الشكل 4 د).
5. تحليل وتصنيف أشكال السلوك.
  ملاحظة: على الرغم من أن الخطوات السابقة تنتج مسارات وضعية دقيقة الحبيبات ، إلا أنها لا تخبرنا بعد بما يفعله. يشير السلوك إلى كيفية تحرك خلال فترة محددة ، ويتضمن تعيين السلوك إعطاء كل فترة من هذه الفترة تسمية ذات مغزى يمكن تفسيرها من قبل الإنسان. الطريقة العادية هي استخدام التعليقات التوضيحية البشرية.
  1. نظرا لأن التسجيلات السلوكية غالبا ما تكون طويلة جدا بحيث لا يمكن تسميتها يدويا بالكامل ، استخدم طرق التعلم الآلي.
    ملاحظة: يلتزم التعلم الخاضع للإشراف بقواعد التسمية المحددة مسبقا: يقوم المعلقون البشريون بتعيين تسميات لمقاطع السلوك المحددة، والتي يتم استخدامها بعد ذلك لتدريب التعلم الآلي أو نماذج الذكاء الاصطناعي للتنبؤ بالتسميات عبر مجموعة البيانات الكاملة. في حين أن هذا النهج يحسن كفاءة تصنيف السلوك ، إلا أنه يظل مقيدا بمجموعة محدودة من التسميات القابلة للتفسير من قبل الإنسان ، وهو قيد مهم بشكل خاص عند التعامل مع السلوكيات الطبيعية المعقدة. لالتقاط التباين الغني للسلوكيات الطبيعية ، تم تطوير طرق تصنيف السلوك غير الخاضعة للإشراف. تحدد هذه الأساليب أوجه التشابه الجوهرية بين الزخارف السلوكية عبر الزمن وتجمعها ضمن مساحات ميزات منخفضة الأبعاد ، مما يتيح تفسيرا بشريا أكثر كفاءة وغير متحيز. في جوهره ، يعتمد التصنيف الخاضع للإشراف على تسميات بشرية محددة مسبقا لتوجيه التعرف على السلوك ، في حين أن التصنيف غير الخاضع للإشراف يكشف عن الهياكل السلوكية الكامنة دون وضع علامات مسبقة ، مما يوفر مرونة أكبر في التقاط الديناميكيات الطبيعية المعقدة.
  2. في إطار السلوك الطبيعي ، حدد الزخارف السلوكية للفئران باستخدام أطلس السلوك (BeA) ¹⁰ وأطلس السلوك الاجتماعي (SBeA) ¹ ( الشكل 2E ، الشكل 3E ، الشكل 4E) ، وكلاهما طرق تجميع غير خاضعة للإشراف مصممة للتجزئة السلوكية. تقوم هذه الأساليب بتحليل ومجموعة سلوك في زخارف دون ثانية بناء على هياكلها الديناميكية والهرمية الجوهرية³⁴ ، ثم ربطها لاحقا بفئات سلوكية محددة.
6. استخراج الزخارف السلوكية للفئران الفردية باستخدام BeA.
  1. لتقليل الضوضاء، قم بتطبيق مرشح متوسط بنافذة زمنية تبلغ 500 مللي ثانية. قم بإجراء محاذاة الجسم باستخدام النقاط الرئيسية لقاعدة الظهر والذيل لتسهيل تحلل الحركات غير الحركية ، بينما يتم استخدام الطرف الأمامي الأيمن والطرف الأمامي الأيسر والطرف الخلفي الأيمن والطرف الخلفي الأيسر لتطبيع حجم الجسم.
  2. لتحلل السلوك ، استخدم 39 إحداثيا محاذاة للجسم ، بما في ذلك: الأنف (x ، y ، z) ، الأذن اليسرى (x ، y ، z) ، الأذن اليمنى (x ، y ، z) ، الرقبة (x ، y ، z) ، الطرف الأمامي الأيسر (x ، y ، z) ، الطرف الأمامي الأيمن (x ، y ، z) ، الطرف الخلفي الأيسر (x ، y ، z) ، الطرف الخلفي الأيمن (x ، y ، z) ، المخلب الأمامي الأيسر (x ، y ، Z) ، المخلب الأمامي الأيمن (X ، Y ، Z) ، المخلب الخلفي الأيسر (X ، Y ، Z) ، المخلب الخلفي الأيمن (X ، Y ، Z) ، الظهر (Z) ، وقاعدة الذيل (X ، Z).
  3. اضبط مؤشر التخفيض الزمني على 5 ، بدقة تجميع 3. استخدم التجميع الطيفي للتهيئة ، باستخدام نواة غاوسية بعرض نطاق ترددي سيجما 30. اضبط الحد الأدنى والحد الأقصى لأطوال التجزئة على 500 مللي ثانية و2000 مللي ثانية على التوالي.
  4. لتضمين شكل السلوك ، قم بتطبيق UMAP مع أقرب 30 من الجيران ومسافة لا تقل عن 0.05. قم بتجميع الزخارف من خلال التجميع الهرمي باستخدام ارتباط وارد والمسافة الزوجية الإقليدية لتحسين استقرار التصنيف. مستودع BeA في
  5. تحديد الزخارف السلوكية الاجتماعية باستخدام SBeA. قم بتعيين معلمات التهيئة ل SBeA لتكون متسقة مع تلك المستخدمة في BeA، مع التعديلات التالية: يتم تعيين متوسط حجم نافذة عامل التصفية إلى 1000 مللي ثانية، ويتم زيادة الحد الأدنى لطول التجزئة إلى 2000 مللي ثانية، ويتم تمديد الحد الأقصى لطول التجزئة إلى 5000 مللي ثانية لتحلل السلوك الاجتماعي.
  6. لتضمين الفكرة ، قم بتطبيق نواة Gaussian بعرض نطاق ترددي سيجما 2. يتراوح العدد النهائي لمجموعات السلوك الاجتماعي من 16 (الحد الأدنى) إلى 280 (الحد الأعلى). في الأمثلة المعروضة ، يتم استخدام أكبر 16 مجموعة فقط لأغراض العرض التوضيحي. مستودع SBeA في https://github.com/YNCris/SBeA_release/blob/main/README_SBeA_mapper.md.

4. رسم خرائط البيانات العصبية

إعداد مجموعات بيانات التعيين. بعد الاستعدادات المذكورة أعلاه ، تتوفر سبع مجموعات بيانات لرسم الخرائط العصبية ، بما في ذلك الأنشطة العصبية ، ووضعيات الموضوع ، ووضعيات الأشياء ، ومسافات الجسم ، وزخارف سلوك الموضوع ، وزخارف سلوك الكائن ، وزخارف السلوك الاجتماعي. قم بتنظيم هذه الملفات يدويا على النحو التالي:
مسار البيانات # مسار حفظ جميع البيانات
---- \ A-B-C-D-E-neu.mat # الأنشطة العصبية
---- \ A-B-C-D-E-pose-tpm.mat # وضعيات الموضوع
----\A-B-C-D-E-pose-free.mat # وضعيات الكائن
---- \ A-B-C-D-E-rel_dist.mat # مسافات الجسم
---- \ A-B-C-D-E-mov-tpm.mat # زخارف سلوك الموضوع
----\A-B-C-D-E-mov-free.mat # زخارف سلوك الكائن
---- \ A-B-C-D-E-sbea.mat # زخارف السلوك الاجتماعي
تعريفات الحقول A و B و C و D و E هي نفسها 1.5.7. البيانات التجريبية للاستنساخ في https://doi.org/10.6084/m9.figshare.29606795.v1.
قم بإنشاء تضمينات التعيين باستخدام CEBRA.
ملاحظة: بالنظر إلى أن CEBRA يدمج كلا من الأساليب المدفوعة بالفرضيات والاكتشاف لبناء عمليات التضمين ، فهو مناسب تماما للكشف عن التمثيلات العصبية المرتبطة بالمتغيرات المساعدة المختلفة (الشكل 5 أ).
1. لضمان مقارنة منهجية للتضمينات عبر طرائق مختلفة ، قم بتوحيد معلمات نماذج CEBRA. تستخدم بنية النموذج 10 إزاحات ، بحجم دفعة 1024 ، ومعدل تعلم 0.0001 ، ومعلمة درجة حرارة 1.
2. اضبط بعد الإخراج على 3، وقم بإجراء التدريب لمدة أقصاها 15,000 تكرار. استخدم مسافة جيب التمام كمقياس التشابه ، بينما يتم تعريف المتغير الشرطي على أنه دلتا الوقت مع إزاحة زمنية 10. استخدم بيانات النشاط العصبي كمدخلات ، والمتغيرات المساعدة كملصقات لإنشاء تضمينات مشتركة.
للتضمين الذاتي للأنشطة العصبية ، قم بتطبيق نفس معلمات CEBRA ، ولكن استخدم فقط بيانات النشاط العصبي كمدخلات.

Results

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

تقدم دراسة السلوك الطبيعي تعقيدا أكبر مقارنة بالتجارب القائمة على التجربة. أولا ، في الظروف الطبيعية ، يفتقر كل من النشاط العصبي والسلوك إلى خط أساس ثابت. هذه الأنشطة متكررة ، مما يعني أنها تتأثر بالحالات السابقة ، وبالتالي ، فإن محاذاة بداية سلوكيات محددة لمقارنة النشاط العصبي تفشل في فصل تأثيرات الحالات العصبية السابقة. ثانيا ، يحدث الترميز العصبي في السلوك الطبيعي بشكل أساسي على مستوى السكان⁴^،⁵. التباين الذي لوحظ في الخلايا العصبية المفردة كبير بما يكفي لاعتباره ضوضاء. للتحقق من صحة ذلك ، أجرى هذا الجزء تحليلا للارتباط بين النشاط العصبي والأوضاع السلوكية الطبيعية (الشكل 2F ، الشكل 3F ، الشكل 4F). كشفت مصفوفات معامل الارتباط الناتجة عن عدم وجود مراسلات خاصة بالخلايا العصبية مع آثار الوضع. على وجه التحديد ، تقع معاملات الارتباط بين الإشارات العصبية ووضعيات الموضوع أو وضعيات الكائن أو المسافات بين الأجسام في نطاق -0.3 إلى +0.3 ، والتي تعتبر عادة ارتباطات ضعيفة¹⁵ (الشكل 2G ، الشكل 3G ، الشكل 4G). تشير هذه النتائج إلى أنه في ظل الظروف الطبيعية ، لا يتم ترميز المعلومات المتعلقة بالوضع بطريقة خاصة بالخلايا العصبية.

بالنظر إلى هذه العوامل ، يقدم هذا الإطار نهجا موضوعيا لالتقاط ورسم خرائط للبيانات العصبية على مستوى السكان العصبيين. يضمن تصوير mTPM الحفاظ على تقلب الخلايا العصبية الفردية إلى أقصى حد ممكن. بالإضافة إلى ذلك ، فإن استخدام تقدير الوضع القائم على التعلم العميق بواسطة ADPT وطرق تحلل السلوك غير الخاضعة للإشراف ، مثل BeA و SBeA ، يولد متغيرات مساعدة غنية ، مما يمكن CEBRA من تفسير التباين داخل المجموعات العصبية بشكل فعال.

توضح هذه الأمثلة أن تضمينات CEBRA المشتركة موجودة عبر جميع المتغيرات المساعدة ، بما في ذلك وضعيات الموضوع ، ووضعيات الكائن ، ومسافات الجسم ، وزخارف سلوك الموضوع ، وزخارف سلوك الكائن ، وزخارف السلوك الاجتماعي (الشكل 5 أ). من أجل التحقق من اتساق الزخارف السلوكية والتضمينات العصبية عبر الجلسات أو الموضوعات ، يتم استخدام تحليل Procrustes³⁵ عبر ثلاثة أزواج من الفئران (الشكل 5 ب). بالنظر إلى أن تضمينات CEBRA يتم توزيعها على كرة وحدة ، فقد تم تمكين معلمة الدوران فقط في تحليل Procrustes. نظرا لأن عمليات تضمين CEBRA ذات السلوك الطبيعي تفتقر إلى خط أساس واضح ، فقد أجرى هذا الجزء أولا أخذ عينات محاذاة موجهة بالملصق على التضمينات للمحاذاة ، مما يضمن نقاط ربط متسقة قبل تطبيق تحليل Procrustes. بصريا ، تظهر عمليات تضمين CEBRA هذه درجة من الاتساق الجوهري ، حيث تظهر مسافة الجسم والزخارف الاجتماعية أعلى محاذاة. يناسب القياس الكمي ل RMSE قبل وبعد محاذاة Procrustes (الشكل 5 ج). بعد ذلك ، تتم مقارنة دقة فك تشفير التضمين للأوضاع (الشكل 5 د) والزخارف (الشكل 5 ه). في حين أن تمثيلاتهم تختلف ، إلا أن كل منها قابل للفك بدقة عالية. على الرغم من أن فك تشفير RMSE لمسافة الجسم أعلى بكثير مما يطرحه الموضوع والكائن ، إلا أنه لا يزيد عن دقة تتبع ADPT⁷.

لاستكشاف أصول هذه التضمينات المدفوعة بالفرضيات ، تم إنشاء تضمين منظم ذاتيا للنشاط العصبي من خلال CEBRA (الشكل 5 أ ، العمود الأيمن). شكل التضمين العصبي أكثر تعقيدا من تضمينات المفاصل الأخرى ، حيث يتضمن أنماطا من تضمينات المفاصل المختلفة. بالإضافة إلى ذلك ، تمت مقارنة أوجه التشابه بين التضمينات العصبية وتضمينات المفاصل باستخدام تحويل Procrustes ، ثم تمت مقارنة أوجه التشابه بين جيب التمام (الشكل 5F). يتم اشتقاق تشابه جيب التمام في الدقيقة بين التضمينات المحاذاة عبر النقاط الزمنية المقابلة.

تم اختيار التضمين المشترك لوضع موضوع S1 كخط أساس لمقارنات التشابه بناء على الدور الراسخ ل S1 في ترميز المدخلات الحسية الجسدية ذاتية التنظيم³⁶. يعمل هذا التضمين كنقطة مرجعية ذات مغزى بيولوجي لتقييم كيفية تمثيل المتغيرات الأخرى - مثل الزخارف المتعلقة بالكائنات - داخل نفس الفضاء العصبي. تمكننا هذه المقارنات من تقييم القوة النسبية للترميز للأبعاد السلوكية المختلفة فيما يتعلق بخط الأساس الحسي الجسدي المرتبط بالذات.

عند مقارنة تشابه جيب تمام التضمينات العصبية مع موضوع S1 يطرح تضمين المشترك كخط أساس ، وجدت هذه الدراسة أن التضمينات المشتركة لأشكال الكائن أقل بكثير. يشير هذا إلى أنه خلال فترة 15 دقيقة من التفاعل الاجتماعي الحر في هذا المثال ، تقوم الأنشطة العصبية S1 للفأر الموضوع بتشفير سلوكه والتفاعلات الاجتماعية المستمرة. في حين أن هذا التحليل يعمل كحالة توضيحية ، يمكن تطبيق نفس الإطار المنهجي بسهولة على المزيد من التحقيقات الدقيقة ، على سبيل المثال ، من خلال مقارنة هياكل التضمين عبر عصور زمنية مميزة للكشف عن التحولات الديناميكية في التشفير العصبي.

figure-results-1
الشكل 1: إجراء جمع البيانات العصبية الاخلاقية. (أ) تكامل الأجهزة. (ب) تشغيل تسجيل البيانات. (ج) استخراج الإشارات العصبية ، وتقدير الوضع ثنائي الأبعاد ، وإعادة بناء مسار الجسم ثلاثي الأبعاد بعد التسجيل. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-2
الشكل 2: البيانات المعالجة مسبقا للفأر 1 لمزيد من التحليل. (أ) الأنشطة العصبية. (ب) وضعيات الموضوع. (ج) وضعيات الكائن. (د) مسافة الجسم. (ه) الزخارف السلوكية. من أعلى إلى أسفل هي زخارف الموضوع والشيء والسلوك الاجتماعي. (و) مصفوفات معامل الارتباط بين النشاط العصبي والوضعيات. اليسار: معاملات الارتباط بين النشاط العصبي ووضعيات الموضوع. المركز: معاملات الارتباط بين النشاط العصبي ووضعيات الكائن. على اليمين: معاملات الارتباط بين النشاط العصبي ومسافة الجسم. معاملات الارتباط بين كل أثر خلية عصبية وكل بعد وضعية. (ز) توزيعات معاملات الارتباط ل F. يتم فرز مؤشرات الخلايا العصبية وفقا لمعاملات الارتباط بين النشاط العصبي ووضعيات الموضوع. الاختصارات: N & S = النشاط العصبي ووضعيات الموضوع ، N & O = النشاط العصبي ووضعيات الكائن ، N & B = النشاط العصبي ومسافات الجسم ، CC = معاملات الارتباط. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-3
الشكل 3: البيانات المعالجة مسبقا للماوس 2 لمزيد من التحليل. (أ) الأنشطة العصبية. (ب) وضعيات الموضوع. (ج) وضعيات الكائن. (د) مسافة الجسم. (ه) الزخارف السلوكية. من أعلى إلى أسفل هي زخارف الموضوع والشيء والسلوك الاجتماعي. (و) مصفوفات معامل الارتباط بين النشاط العصبي والوضعيات. اليسار: معاملات الارتباط بين النشاط العصبي ووضعيات الموضوع. المركز: معاملات الارتباط بين النشاط العصبي ووضعيات الكائن. على اليمين: معاملات الارتباط بين النشاط العصبي ومسافة الجسم. معاملات الارتباط بين كل أثر خلية عصبية وكل بعد وضعية. (ز) توزيعات معاملات الارتباط ل F. يتم فرز مؤشرات الخلايا العصبية وفقا لمعاملات الارتباط بين النشاط العصبي ووضعيات الموضوع. الاختصارات: N & S = النشاط العصبي ووضعيات الموضوع ، N & O = النشاط العصبي ووضعيات الكائن ، N & B = النشاط العصبي ومسافات الجسم ، CC = معاملات الارتباط. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-4
الشكل 4: البيانات المعالجة مسبقا للفأر 3 لمزيد من التحليل. (أ) الأنشطة العصبية. (ب) وضعيات الموضوع. (ج) وضعيات الكائن. (د) مسافة الجسم. (ه) الزخارف السلوكية. من أعلى إلى أسفل هي زخارف الموضوع والشيء والسلوك الاجتماعي. (و) مصفوفات معامل الارتباط بين النشاط العصبي والوضعيات. اليسار: معاملات الارتباط بين النشاط العصبي ووضعيات الموضوع. المركز: معاملات الارتباط بين النشاط العصبي ووضعيات الكائن. على اليمين: معاملات الارتباط بين النشاط العصبي ومسافة الجسم. معاملات الارتباط بين كل أثر خلية عصبية وكل بعد وضعية. (ز) توزيعات معاملات الارتباط ل F. يتم فرز مؤشرات الخلايا العصبية وفقا لمعاملات الارتباط بين النشاط العصبي ووضعيات الموضوع. الاختصارات: N & S = النشاط العصبي ووضعيات الموضوع ، N & O = النشاط العصبي ووضعيات الكائن ، N & B = النشاط العصبي ومسافات الجسم ، CC = معاملات الارتباط. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-5
الشكل 5: تحليل تضمين CEBRA للبيانات العصبية الإخلاقية. (أ) تضمينات CEBRA. من اليسار إلى اليمين هو التضمين المشترك للنشاط العصبي S1 ووضعيات الموضوع ، والتضمين المشترك للنشاط العصبي S1 ووضعيات الكائن ، والتضمين المشترك للنشاط العصبي S1 ومسافات الجسم بين حيوانين ، والتضمين المشترك للنشاط العصبي S1 وزخارف سلوك الموضوع ، والتضمين المشترك للنشاط العصبي S1 وزخارف سلوك الكائن ، التضمين المشترك للنشاط العصبي S1 وزخارف السلوك الاجتماعي ، والتضمين العصبي ل S1. (ب) يقوم تحليل Procrustes بمحاذاة التضمينات أعلاه. تمثل الدوائر الرمادية زوج الماوس 1 ، وتعمل كتضمين مرجعي. تمثل علامات الجمع الخضراء زوج الماوس 2 ، وتمثل الصلبان البرتقالية زوج الماوس 3 ، وكلاهما محاذاة لزوج الماوس 1. (ج) جذر متوسط الخطأ التربيعي (RMSE) قبل (يسار) وبعد (يمين) محاذاة Procrustes (اختبار t المقترن، ن = 3، متوسط ± SEM). (د) RMSE لإعادة بناء الوضع من تضمينات CEBRA (ANOVA أحادي الاتجاه متبوعا باختبار المقارنات المتعددة ل Tukey ، ن = 3 ، متوسط ± SEM). (ه) دقة إعادة بناء الحافز من عمليات تضمين CEBRA (ANOVA أحادي الاتجاه متبوعا باختبار المقارنات المتعددة ل Tukey ، ن = 3 ، متوسط ± SEM). (F) أوجه التشابه بين جيب التمام بين عمليات التضمين المشتركة والتضمين العصبي ل S1 (ANOVA أحادي الاتجاه متبوعا باختبار المقارنات المتعددة لدونيت ، ن = 45 ، متوسط ± SEM). * P < 0.05 ، ** P < 0.01 ، *** P < 0.001. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

لا.	مشكلة ملحوظة	السبب المحتمل	الحلول الممكنة
1	لا توجد طوابع زمنية للسلوك	(1) كابلات SMA أو BNC المعيبة	(1) استبدال كبلات SMA و BNC
		(2) برنامج تشغيل USB إلى TTL مفقود	(2) قم بتثبيت برنامج تشغيل Prolific PL2303 USB
		(3) تحديد منفذ COM غير صحيح	(3) تحقق من رقم منفذ COM في إدارة الأجهزة وتحديثه في كل من برنامج mTPM والبرنامج النصي لكاميرا السلوك.
2	لا يوجد مضان مرئي أثناء تركيب mTPM	(1) عدم وجود تعبير فيروسي	(1) استخدم ماوس مختلفا
		(2) مجال رؤية غير صحيح	(2) إعادة ضبط مجال الرؤية
		(3) طاقة ليزر غير كافية	(3) زيادة طاقة الليزر تدريجيا
		(4) جل الكربومير المجفف	(4) أعد تطبيق جل الكربومير الطازج
3	يظهر تصوير mTPM شاشة بيضاء بالكامل	(1) تسرب الضوء	(1) أعد لف رقائق الألومنيوم للتدريع المناسب
		(2) طاقة ليزر غير كافية	(2) زيادة طاقة الليزر تدريجيا
		(3) ألياف منفصلة عن رأس mTPM	(3) أعد إدخال الألياف في mTPM وشد برغي التثبيت
4	الإطارات التي تم إسقاطها في الفيديو السلوكي	(1) الإضاءة المحيطة المنخفضة	(1) زيادة إضاءة الخلفية
		(2) منفذ USB غير صحيح	(2) استخدم منافذ USB 3.0 على الأقل
		(3) أداء الكمبيوتر غير الكافي	(3) استخدم جهازا مزودا بمعالج Intel i7-9700K أو أعلى وذاكرة وصول عشوائي ثنائية القناة وتخزين SSD.
5	لا توجد حركة في الفئران المثبتة على mTPM	(1) الاستخدام المتكرر لنفس الماوس	(1) تجنب إعادة استخدام الفئران في غضون 3 أيام
		(2) الاستخدام المفرط لرقائق الألومنيوم	(2) استخدم الحد الأدنى من الرقائق اللازمة للحماية الخفيفة
		(3) عدد أو حجم غير كاف من بالونات الهيليوم	(3) اضبط عدد البالونات وتضخمها لدعم ألياف mTPM مع السماح بالموقف الطبيعي وحركة الفئران.
6	تقدير غير دقيق لوضع 2D	(1) عدد غير كاف من الإطارات المصنفة يدويا	(1) قم بتعليق ما لا يقل عن 200 إطار بشكل تدريجي
6	تقدير غير دقيق لوضع 2D	(2) نموذج ADPT غير المدرب	(2) زيادة حقب التدريب في ملف config.yaml الخاص ب ADPT
7	إعادة بناء وضع 3D غير طبيعي	(1) معايرة الكاميرا غير الصحيحة	(1) تحسين المعايرة والتباين وزاوية الميل
		(2) إدخال وضع 2D غير دقيق	(2) زيادة عدد إطارات لوحة التدقيق التي تم التقاطها
			(3) حل مشكلات الوضع ثنائي الأبعاد أولا (انظر المشكلة 6)
8	عدم المحاذاة بين البيانات العصبية والسلوكية	(1) تسلسل غير صحيح لتهيئة البرامج	(1) ابدأ دائما تسجيل mTPM قبل كاميرا السلوك
		(2) إطارات السلوك التي تم إسقاطها	(2) معالجة مشكلات إسقاط الإطار (انظر المشكلة 4)
			(3) تأكد من توفر مساحة كافية على القرص
9	تجاوز الذاكرة أثناء معالجة BeA / SBeA	(1) مدة التسجيل المفرطة	(1) قسم التسجيلات إلى مقاطع أقصر (5-60 دقيقة)، ثم قم بتشغيل BeA/SBeA
		(2) ذاكرة الوصول العشوائي للنظام المحدود	(2) زيادة عامل التخفيض الزمني (على سبيل المثال ، من 5 إلى 10) في BeA
			(3) قم بترقية ذاكرة الوصول العشوائي إلى 64 جيجابايت على الأقل
10	فشل CEBRA في العمل على وحدة معالجة الرسومات	(1) عدم تطابق بين برنامج تشغيل CUDA ووحدة معالجة الرسومات	(1) لا تتبع البرنامج التعليمي مباشرة لتثبيت CUDA 11.3
		(2) إصدار PyTorch غير متوافق	(2) تحقق من طراز وحدة معالجة الرسومات وإصدار برنامج التشغيل (nvidia-smi)
			(3) قم بتثبيت إصدارات CUDA و PyTorch الصحيحة وفقا لذلك ثم قم بتثبيت CEBRA عبر النقطة

الجدول 1: قائمة استكشاف الأخطاء وإصلاحها. فيما يلي قائمة ب 10 مشاكل غير تافهة تمت مواجهتها سابقا والحلول الممكنة.

Discussion

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

تم بناء إطار التسجيل وفك التشفير العصبي هذا على الأجهزة المتاحة تجاريا ، مما يضمن إمكانية معالجة معظم مشكلات استكشاف الأخطاء وإصلاحها من قبل الشركات المعنية. ومع ذلك ، توفر هذه الدراسة قائمة بالمشكلات التي تتم مواجهتها بشكل متكرر لتسهيل الرجوع وتبسيط استكشاف الأخطاء وإصلاحها (الجدول 1). تجعل إمكانية الوصول هذه إطار العمل أكثر سهولة في الاستخدام للوافدين الجدد. بالإضافة إلى ذلك ، فإن إطار العمل مرن للغاية ، حيث تعتمد المزامنة بين التسجيلات العصبية والسلوكية على إشارات TTL القياسية. نتيجة لذلك ، من السهل دمج أجهزة التسجيل الفسيولوجية الأخرى في إطار العمل إذا لزم الأمر. إجراءات التحليل اللاحقة هي أيضا عامة بما يكفي لدعم أنظمة التسجيل العصبية والسلوكية المخصصة بالكامل.

التكلفة المرتبطة بهذا الإطار ، الذي يعتمد على الأجهزة التجارية ، مرتفعة نسبيا (~ 500,000 دولار أمريكي) ، مما يفرض عبئا ماليا إضافيا على المختبر. في حين أن الأدوات الحديثة مفتوحة المصدر مثل MINI2P¹³ و Anipose³⁷ يمكن أن تساعد في تقليل تكاليف المواد ، تشير هذه التجربة إلى أن النفقات الإجمالية ستظل متشابهة عند حساب تكاليف الموارد البشرية التي ينطوي عليها تصحيح الأخطاء. هناك قيد آخر لهذا الإطار يكمن في قابلية تفسير عمليات تضمين CEBRA. كطريقة تعتمد على الشبكات العصبية الاصطناعية ، من الصعب تفسيرها بطبيعتها. في حين أن هذا المثال يوفر نهجا بسيطا لشرح عمليات التضمين ، إلا أنه سيلزم تطوير المزيد من الأساليب على أساس كل حالة على حدة لمشاريع مختلفة. أحد الحلول المحتملة لمزيد من التفسير لتضمينات CEBRA هو تطبيق الأنظمة الديناميكية³⁸. بالإضافة إلى ذلك ، يمكن تقسيم السلوك الطبيعي إلى مراحل مميزة ، مثل التفاعلات عندما يكون الفئران إما بعيدين أو قريبين. قد تتطلب الأسئلة العلمية المختلفة تطوير مهام سير عمل مخصصة لتحليل البيانات.

بينما يتم نشر نظام الكاميرا mTPM + 3D الحالي في ساحة مفتوحة المجال ، فإن تطبيقه لا يقتصر على هذا السياق السلوكي المحدد. تنشأ القيود الرئيسية من الربط المادي لنظام التصوير ، مما يحد من مدى تنقل ، ومجال رؤية الكاميرا ثلاثية الأبعاد ، مما يحد من الحجم القابل للتتبع. يمكن معالجة هذه العوامل في التكرارات المستقبلية من خلال دمج وحدات التصوير اللاسلكي³⁹ أو مصفوفات الكاميرا⁴⁰ لتمكين نماذج سلوكية أكثر تعقيدا وطبيعية. والجدير بالذكر أن كلا من نظام mTPM وإعداد الكاميرا ثلاثية الأبعاد قادران على الحصول المستمر على البيانات على مدار 24 ساعة^10,41 ، مما يجعل خط الأنابيب بأكمله مناسبا تماما لدراسات التسجيل السلوكي والعصبي على نطاق طويل.

تتبنى هذه الدراسة نهجا يعتمد بالكامل على البيانات للتحقيق في الترميز العصبي للسلوك التلقائي ، وبالتالي تمتنع عمدا عن تعيين تسميات دلالية محددة مسبقا للزخارف السلوكية العنقودية. هذا القرار متجذر في الهدف إلى الحفاظ على قابلية تعميم إطار رسم خرائط السلوك العصبي ، مما يسمح له بالعمل بشكل مستقل عن الفئات السلوكية التي يفرضها المجربون. قد يشير القراء المهتمون بقابلية التفسير البيولوجي والتصنيف الخاضع للإشراف للزخارف السلوكية إلى الأعمال السابقة¹^،¹⁰ ، بالإضافة إلى دراسة حديثة⁴² ، والتي قارنت بشكل منهجي تجميع الأشكال غير الخاضعة للإشراف مع السلوكيات المصنفة يدويا باستخدام نفس إطار عمل أطلس السلوك الأساسي. توفر هذه الدراسات أيضا تصورات شاملة ، بما في ذلك تسلسلات الوضعيات ثلاثية الأبعاد ، والمسارات ، والتضمينات على مستوى الحافز ، المتاحة من خلال المستودعات العامة. تقدم هذه الموارد معا رؤى تكميلية في البنية الدلالية للسلوك مع دعم نهج فك التشفير العصبي المرن والقابل للتعميم المعتمد هنا.

تم تصميم خط أنابيب معالجة البيانات هذا مع وضع الوحدات النمطية والمرونة في الاعتبار ، مما يسمح بالتكيف مع الإعدادات التجريبية المتنوعة وتفضيلات المستخدم. يتم تنفيذ كل مكون رئيسي لخط الأنابيب ، بدءا من تقدير الوضع ثلاثي الأبعاد ، وتجميع الأشكال السلوكية غير الخاضعة للإشراف ، والمعالجة المسبقة للإشارة العصبية ، إلى التضمين العصبي العصبي المشترك ، كوحدة مستقلة ذات واجهات إدخال وإخراج محددة بوضوح. تمكن هذه البنية المستخدمين من استبدال الأدوات أو الخوارزميات البديلة في كل مرحلة (على سبيل المثال ، أطر تقدير الوضع المختلفة⁶^،²² ، أو خوارزميات تجميع السلوك⁴³^،⁴⁴ ، أو أجهزة فك التشفير العصبية⁴⁵^،⁴⁶) دون تعطيل سير العمل العام. في حين أن هذه المكونات مصممة لتكون قابلة للتشغيل البيني ، إلا أن هذه الدراسة لم تختبر بشكل شامل جميع المجموعات الممكنة من الطرق البديلة ، وقد يحتاج المستعملون إلى إجراء ضبط إضافي لضمان التوافق في تطبيقاتهم المحددة. تسهل هذه النمطية كلا من قابلية التكاثر والقابلية للتوسع ، وتسمح بتصميم الإطار وفقا للأنواع أو طرائق التسجيل أو النماذج السلوكية التي تتجاوز تلك الموضحة هنا. لدعم الاستخدام المجتمعي الأوسع ، تقدم هذه الدراسة نظرة عامة تخطيطية وجدول ملخص (الشكل 1 ، جدول المواد).

تعتمد إعدادات المعلمات المستخدمة ل SBeA و CEBRA في خط الأنابيب هذا على مجموعة من القيم الافتراضية والضبط التجريبي الخاص بهذا السياق التجريبي ، والفئران التي تتحرك بحرية في ظل تفاعل اجتماعي طبيعي. تم التحقق من صحة هذه المعلمات لإعادة إنتاج جميع النتائج المقدمة في هذه الدراسة دون الحاجة إلى مزيد من التعديل. بينما قد يرغب المستخدمون في ضبط معلمات معينة لاستيعاب إعدادات التسجيل المختلفة أو المهام السلوكية ، فإن هذه التعديلات ليست ضرورية لتكرار خط الأنابيب هذا. بالنسبة للمستخدمين الذين يعملون في سياقات أخرى ، يوصى بالرجوع إلى الوثائق والأدبيات الأصلية ل SBeA و CEBRA ، حيث يتم توفير نطاقات المعلمات والإرشادات الخاصة بالمهمة. يعمل هذا التنفيذ كتكوين مرجعي قوي يمكن تطبيقه مباشرة أو تكييفه حسب الحاجة.

يكمن التقدم الأساسي لهذا الإطار في تطبيقه على التي تتحرك بحرية. يمكن تكييف الدراسات السابقة التي أجريت على المثبتة على الرأس مع ظروف الحركة بحرية في هذا الإطار. على سبيل المثال ، يمكن تعديل مهام مثل مهمة Go / No-Go⁴⁷ و Two-Alternative Forced^{Choice 48} ودمجها في هذا الإطار بناء على نماذج السلوك الطبيعي. يزيل هذا النهج القطع الأثرية الناتجة عن تقييد الرأس ، مما يتيح دراسة العلاقة بين المهمة والحالات السلوكية الطبيعية. يوفر هذا الإطار للحيوانات استقلالية أكبر في صنع القرار. كما أنه يدعم دراسات الحبل الشوكي في السياقات الطبيعية ، حيث يجمع بين طريقة تسجيل الحبل الشوكي mTPM⁴⁹. بالإضافة إلى ذلك ، فإنه يسهل دراسة سلوك المجموعة الحرة ، وهي ظاهرة غير ممكنة في الإعدادات الثابتة للرأس. يتيح سير عمل تحليل البيانات تفسير نشاط السكان العصبي عبر متغيرات متعددة ، باستخدام عمليات التضمين لكشف تعقيد وظيفة الدماغ وراء المجموعات العصبية.

Disclosures

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

يعلن المؤلفون أنه ليس لديهم تضارب في المصالح.

Acknowledgements

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

تم دعم هذا العمل من قبل برنامج البحوث ذات الأولوية الاستراتيجية التابع للأكاديمية الصينية للعلوم (المنحة رقم. XDB1010101 إلى PW) ، والمشاريع STI2030 الكبرى (المنحة رقم 2021ZD0203900 إلى PW) ، والمؤسسة الوطنية للعلوم الطبيعية في الصين (المنحة رقم 32222036 إلى PW) ، والمؤسسة الوطنية للعلوم الطبيعية في الصين (المنحة رقم T2394530 إلى PW) ، وبرنامج Shenzhen للعلوم والتكنولوجيا (رقم المنحة. KJZD20230923115114028 إلى P.W.). يود المؤلفون أيضا أن يشكروا مرصد نانجينغ للدماغ (NBO) ومعهد PKU ونانجينغ المشترك للطب الانتقالي (نانجينغ 211800 ، الصين) على دعمهم ومساعدتهم في استخدام المجهر ثنائي الفوتون.

Materials

List of materials used in this article
Name	Company	Catalog Number	Comments
نظام تسجيل السلوك ثلاثي الأبعاد	بايون العلمي	BA-3D-الماوس	وحدة مزامنة متكاملة
بالون	علي اكسبرس	الموقع: https://tinyurl.com/3uex669s	أي بالون خفيف بما يكفي للطيران عندما يكون مملوءا بالهيليوم. البالونات عبارة عن بالونات كروية من رقائق معدنية ، قطرها حوالي 45 سم ، وتتميز بصمامات ذاتية الإغلاق. يقدم عنوان URL مثالا على البالونات.
جل العين Carbomer	فيديسيتش	جل العين المريح القائم على Carbomer 980	10 جرام
خيوط قطنية	علي اكسبرس	الموقع: https://tinyurl.com/ywu7u754	سميكة وخفيفة ، قطرها 1-2 مم. يوفر عنوان URL مثالا على خيوط القطن.
مثقاب القحف	RWD	78001	مثقاب 0.8 و1.4 و2.1 مم
وحدة كاميرا مخصصة قابلة للتكوين	انتل	ريالسينس D435	/
لاصق هيكلي أكريليك عالي الأداء	هويتيان	1320	490 مل
ماوس للتصوير	تجاوز منظار الجسم	الموقع: https://en.tv-scope.com/	تم إيواء الفأر الذكر ذو الخلفية C57BL / 6J (10 أسابيع) في 1 فأر لكل قفص تحت 12 ح دورة الضوء والظلام في 22 – 25 &thinsp ؛ ° C مع 40٪ &ndash ؛ 70٪ رطوبة وسمح له بالوصول إلى الماء والغذاء حسب الاقتضاء. تم حقن فيروسات AAV9-CaMKII-GCaMP6s في القشرة الحسية الجسدية الأولية (AP ، & 0.60 مم ؛ مل ، وناقص ؛ 2.40 مم ؛ DV ، 2.00 مم). في دراستنا ، تم تحضير الفئران بواسطة TRANSCEND VIVOSCOPE كجزء من خدمة إعداد الاحترافية. تشمل هذه الخدمة حقن الفيروسات ، وزرع نافذة الجمجمة ، وتركيب اللوح الأساسي المصمم خصيصا لنظام الفحص المجهري المصغر ثنائي الفوتون.
ماوس للتفاعل	بايون لاك	الموقع: https://lac.bayonesci.com/	تم إيواء الفئران الذكور ذات الخلفية C57BL / 6J (10 أسابيع) في 5 فئران لكل قفص تحت 12 ح دورة الضوء والظلام في 22 – 25 &thinsp ؛ ° ج مع 40 &ndash ؛ 70٪ رطوبة وسمح لها بالوصول إلى الماء والغذاء لحظ. تمت الموافقة على جميع إجراءات التربية والتجريبية من قبل لجنة رعاية واستخدامه في معهد شنتشن للتكنولوجيا المتقدمة ، الأكاديمية الصينية للعلوم.
نظام التسجيل العصبي mTPM	تجاوز منظار الجسم	سوبرنوفا -600	SUPERNOVA-600 هو نظام تصوير مصغر ثنائي الفوتون متكامل تماما للقوارض التي تتحرك بحرية، بما في ذلك جميع المكونات البصرية وأدوات التسجيل الأساسية ولكن باستثناء أجهزة التحفيز الخارجية. يجب أن تحتوي على وحدة التزامن المتكاملة.

References

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

Multi-animal 3d social pose estimation, identification and behaviour embedding with a few-shot learning framework. Nat Machine Intellig. 6 (1), 48-61 (2024).">Han, Y., et al. Multi-animal 3d social pose estimation, identification and behaviour embedding with a few-shot learning framework. Nat Machine Intellig. 6 (1), 48-61 (2024).
Miniature two-photon microscopy for enlarged field-of-view, multi-plane and long-term brain imaging. Nat Methods. 18 (1), 46-49 (2021).">Zong, W., et al. Miniature two-photon microscopy for enlarged field-of-view, multi-plane and long-term brain imaging. Nat Methods. 18 (1), 46-49 (2021).
Learnable latent embeddings for joint behavioural and neural analysis. Nature. 617 (7960), 360-368 (2023).">Schneider, S., Lee, J. H., Mathis, M. W. Learnable latent embeddings for joint behavioural and neural analysis. Nature. 617 (7960), 360-368 (2023).
Neuroethology of natural actions in freely moving monkeys. Science. 387 (6730), 214-220 (2025).">Lanzarini, F., et al. Neuroethology of natural actions in freely moving monkeys. Science. 387 (6730), 214-220 (2025).
Neural signatures of natural behaviour in socializing macaques. Nature. 628 (8007), 381-390 (2024).">Testard, C., et al. Neural signatures of natural behaviour in socializing macaques. Nature. 628 (8007), 381-390 (2024).
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).
Anti-drift pose tracker (adpt), a transformer-based network for robust animal pose estimation cross-species. Elife. 13, RP95709(2025).">Tang, G., et al. Anti-drift pose tracker (adpt), a transformer-based network for robust animal pose estimation cross-species. Elife. 13, RP95709(2025).
A review of 28 free animal-tracking software applications: Current features and limitations. Lab Anim (NY). 50 (9), 246-254 (2021).">Panadeiro, V., Rodriguez, A., Henry, J., Wlodkowic, D., Andersson, M. A review of 28 free animal-tracking software applications: Current features and limitations. Lab Anim (NY). 50 (9), 246-254 (2021).
Automated home-cage behavioural phenotyping of mice. Nat Commun. 1, 68(2010).">Jhuang, H., et al. Automated home-cage behavioural phenotyping of mice. Nat Commun. 1, 68(2010).
A hierarchical 3d-motion learning framework for animal spontaneous behavior mapping. Nat Commun. 12 (1), 2784(2021).">Huang, K., et al. A hierarchical 3d-motion learning framework for animal spontaneous behavior mapping. Nat Commun. 12 (1), 2784(2021).
Chronically implanted neuropixels probes enable high-yield recordings in freely moving mice. Elife. 8, e47188(2019).">Juavinett, A. L., Bekheet, G., Churchland, A. K. Chronically implanted neuropixels probes enable high-yield recordings in freely moving mice. Elife. 8, e47188(2019).
Miniature fluorescence microscopy for imaging brain activity in freely-behaving animals. Neurosci Bull. 36 (10), 1182-1190 (2020).">Chen, S., et al. Miniature fluorescence microscopy for imaging brain activity in freely-behaving animals. Neurosci Bull. 36 (10), 1182-1190 (2020).
Large-scale two-photon calcium imaging in freely moving mice. Cell. 185 (7), 1240-1256.e30 (2022).">Zong, W., et al. Large-scale two-photon calcium imaging in freely moving mice. Cell. 185 (7), 1240-1256.e30 (2022).
Fast high-resolution miniature two-photon microscopy for brain imaging in freely behaving mice. Nat Methods. 14 (7), 713-719 (2017).">Zong, W., et al. Fast high-resolution miniature two-photon microscopy for brain imaging in freely behaving mice. Nat Methods. 14 (7), 713-719 (2017).
Mousevenue3d: A markerless three-dimension behavioral tracking system for matching two-photon brain imaging in free-moving mice. Neurosci Bull. 38 (3), 303-317 (2022).">Han, Y., et al. Mousevenue3d: A markerless three-dimension behavioral tracking system for matching two-photon brain imaging in free-moving mice. Neurosci Bull. 38 (3), 303-317 (2022).
Interpreting neural computations by examining intrinsic and embedding dimensionality of neural activity. Curr Opin Neurobiol. 70, 113-120 (2021).">Jazayeri, M., Ostojic, S. Interpreting neural computations by examining intrinsic and embedding dimensionality of neural activity. Curr Opin Neurobiol. 70, 113-120 (2021).
Neural population dynamics during reaching. Nature. 487 (7405), 51-56 (2012).">Churchland, M. M., et al. Neural population dynamics during reaching. Nature. 487 (7405), 51-56 (2012).
Visualizing data using t-sne. J Machine Learning Res. 9, 2579-2605 (2008).">Van Der Maaten, L., Hinton, G. Visualizing data using t-sne. J Machine Learning Res. 9, 2579-2605 (2008).
Umap: Uniform manifold approximation and projection for dimension reduction. arXiv. , (2018).">Mcinnes, L., Healy, J., Melville, J. Umap: Uniform manifold approximation and projection for dimension reduction. arXiv. , (2018).
Mapping the landscape of social behavior. Cell. 188 (8), 2249-2266.e23 (2025).">Klibaite, U., et al. Mapping the landscape of social behavior. Cell. 188 (8), 2249-2266.e23 (2025).
Zhou, D., Wei, X. 34th Conference on Neural Information Processing Systems (NeurIPS), , (2020).
Sleap: A deep learning system for multi-animal pose tracking. Nat Methods. 19 (4), 486-495 (2022).">Pereira, T. D., et al. Sleap: A deep learning system for multi-animal pose tracking. Nat Methods. 19 (4), 486-495 (2022).
Big behavior: Challenges and opportunities in a new era of deep behavior profiling. Neuropsychopharmacology. 46 (1), 33-44 (2021).">Von Ziegler, L., Sturman, O., Bohacek, J. Big behavior: Challenges and opportunities in a new era of deep behavior profiling. Neuropsychopharmacology. 46 (1), 33-44 (2021).
Quantifying behavior to understand the brain. Nat Neurosci. 23 (12), 1537-1549 (2020).">Pereira, T. D., Shaevitz, J. W., Murthy, M. Quantifying behavior to understand the brain. Nat Neurosci. 23 (12), 1537-1549 (2020).
The mouse action recognition system (mars) software pipeline for automated analysis of social behaviors in mice. Elife. 10, e63720(2021).">Segalin, C., et al. The mouse action recognition system (mars) software pipeline for automated analysis of social behaviors in mice. Elife. 10, e63720(2021).
Supervised and unsupervised learning technology in the study of rodent behavior. Front Behav Neurosci. 11, 141(2017).">Gris, K. V., Coutu, J. P., Gris, D. Supervised and unsupervised learning technology in the study of rodent behavior. Front Behav Neurosci. 11, 141(2017).
Objective and comprehensive re-evaluation of anxiety-like behaviors in mice using the behavior atlas. Biochem Biophys Res Commun. 559, 1-7 (2021).">Liu, N., et al. Objective and comprehensive re-evaluation of anxiety-like behaviors in mice using the behavior atlas. Biochem Biophys Res Commun. 559, 1-7 (2021).
Simultaneous two-photon imaging of action potentials and subthreshold inputs in vivo. Nat Commun. 12 (1), 7229(2021).">Bando, Y., Wenzel, M., Yuste, R. Simultaneous two-photon imaging of action potentials and subthreshold inputs in vivo. Nat Commun. 12 (1), 7229(2021).
A flexible new technique for camera calibration. IEEE Transactions on pattern analysis and machine intelligence. 22 (11), 1330-1334 (2002).">Zhang, Z. A flexible new technique for camera calibration. IEEE Transactions on pattern analysis and machine intelligence. 22 (11), 1330-1334 (2002).
Suite2p: Beyond 10,000 neurons with standard two-photon microscopy. bioRxiv. , (2017).">Pachitariu, M., et al. Suite2p: Beyond 10,000 neurons with standard two-photon microscopy. bioRxiv. , (2017).
Han, Y., Huang, K., Chen, K., Wang, L., Wei, P. IEEE 11th Annual International Conference on CYBER Technology in Automation, Control, and Intelligent Systems (CYBER), , 306-310 (2021).
3d reconstruction toolbox for behavior tracked with multiple cameras. J Open Source Soft. 5 (45), 1849(2020).">Sheshadri, S., Dann, B., Hueser, T., Scherberger, H. 3d reconstruction toolbox for behavior tracked with multiple cameras. J Open Source Soft. 5 (45), 1849(2020).
S-ketamine exposure in early postnatal period induces social deficit mediated by excessive microglial synaptic pruning. Mol Psychiatry. 30 (8), 3615-3631 (2025).">Zhong, H., et al. S-ketamine exposure in early postnatal period induces social deficit mediated by excessive microglial synaptic pruning. Mol Psychiatry. 30 (8), 3615-3631 (2025).
Computational neuroethology: A call to action. Neuron. 104 (1), 11-24 (2019).">Datta, S. R., Anderson, D. J., Branson, K., Perona, P., Leifer, A. Computational neuroethology: A call to action. Neuron. 104 (1), 11-24 (2019).
A generalized solution of the orthogonal procrustes problem. Psychometrika. 31 (1), 1-10 (1966).">Schönemann, P. H. A generalized solution of the orthogonal procrustes problem. Psychometrika. 31 (1), 1-10 (1966).
Map plasticity in somatosensory cortex. Science. 310 (5749), 810-815 (2005).">Feldman, D. E., Brecht, M. Map plasticity in somatosensory cortex. Science. 310 (5749), 810-815 (2005).
Anipose: A toolkit for robust markerless 3d pose estimation. Cell Rep. 36 (13), 109730(2021).">Karashchuk, P., et al. Anipose: A toolkit for robust markerless 3d pose estimation. Cell Rep. 36 (13), 109730(2021).
Self-supervised contrastive learning performs non-linear system identification. arXiv. , (2024).">Laiz, R. G., Schmidt, T., Schneider, S. Self-supervised contrastive learning performs non-linear system identification. arXiv. , (2024).
An open source, wireless capable miniature microscope system. J Neural Eng. 14 (4), 045001(2017).">Liberti, W. A., Perkins, L. N., Leman, D. P., Gardner, T. J. An open source, wireless capable miniature microscope system. J Neural Eng. 14 (4), 045001(2017).
Perspectives in machine learning for wildlife conservation. Nat Commun. 13 (1), 792(2022).">Tuia, D., et al. Perspectives in machine learning for wildlife conservation. Nat Commun. 13 (1), 792(2022).
24-hour simultaneous MPFC's miniature 2-photon imaging, EEG-EMG, and video recording during natural behaviors. Sci Data. 12 (1), 1226(2025).">Han, J., et al. 24-hour simultaneous MPFC's miniature 2-photon imaging, EEG-EMG, and video recording during natural behaviors. Sci Data. 12 (1), 1226(2025).
Hierarchical behavioral analysis framework as a platform for standardized quantitative identification of behaviors. Cell Rep. 44 (2), 115239(2025).">Ye, J., et al. Hierarchical behavioral analysis framework as a platform for standardized quantitative identification of behaviors. Cell Rep. 44 (2), 115239(2025).
Keypoint-moseq: Parsing behavior by linking point tracking to pose dynamics. Nat Methods. 21 (7), 1329-1339 (2024).">Weinreb, C., et al. Keypoint-moseq: Parsing behavior by linking point tracking to pose dynamics. Nat Methods. 21 (7), 1329-1339 (2024).
self-supervised features extraction of animal behaviors. Elife. 11, e76218(2022).">Jia, Y., et al. self-supervised features extraction of animal behaviors. Elife. 11, e76218(2022).
Marble: Interpretable representations of neural population dynamics using geometric deep learning. Nat Methods. 22 (3), 612-620 (2025).">Gosztolai, A., Peach, R. L., Arnaudon, A., Barahona, M., Vandergheynst, P. Marble: Interpretable representations of neural population dynamics using geometric deep learning. Nat Methods. 22 (3), 612-620 (2025).
Rastermap: A discovery method for neural population recordings. Nat Neurosci. 28 (1), 201-212 (2025).">Stringer, C., et al. Rastermap: A discovery method for neural population recordings. Nat Neurosci. 28 (1), 201-212 (2025).
Custom-built operant conditioning setup for calcium imaging and cognitive testing in freely moving mice. eNeuro. 9 (1), (2022).">Vassilev, P., et al. Custom-built operant conditioning setup for calcium imaging and cognitive testing in freely moving mice. eNeuro. 9 (1), (2022).
Basal ganglia output (entopeduncular nucleus) coding of contextual kinematics and reward in the freely moving mouse. Elife. 13, RP98159(2025).">Verma Rodriguez, A. K., Ramírez-Jarquin, J. O., Rossi-Pool, R., Tecuapetla, F. Basal ganglia output (entopeduncular nucleus) coding of contextual kinematics and reward in the freely moving mouse. Elife. 13, RP98159(2025).
Long-term two-photon imaging of spinal cord in freely behaving mice. bioRxiv. , (2022).">Ju, F., et al. Long-term two-photon imaging of spinal cord in freely behaving mice. bioRxiv. , (2022).

Reprints and Permissions

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

Request Permission

فك تشفير السلوك الطبيعي من التضمين العصبي الخلاق

In This Article

Summary

Abstract

Introduction

Protocol

Results

Discussion

Disclosures

Acknowledgements

Materials

References

Reprints and Permissions

Tags

Related Articles