本文介绍了一种我们发明的自动化T型迷宫装置，以及基于该装置用于分析自由活动啮齿类动物基于延迟的决策和基于努力的决策的实验方案。
本文内容
摘要
摘要
许多神经和精神疾病患者在决策过程中表现出困难或缺陷。啮齿类动物模型有助于深入理解这些决策障碍背后的神经生物学机制。本研究采用基于成本-收益的T型迷宫任务来测量动物的决策行为，其中啮齿类动物需在高奖励臂（HRA）与低奖励臂（LRA）之间进行选择。T型迷宫决策任务包含两种实验范式：一种以时间延迟作为成本，另一种以身体努力作为成本。这两种范式均需要繁琐且劳动密集型的操作，包括实验动物管理、多个门控装置、颗粒奖励发放以及对臂选择行为的记录。在本研究中，我们设计了一种基于传统T型迷宫的全自动装置，可实现颗粒奖励的自动投放、门控系统的自动化管理以及选择行为的自动记录。该自动化系统可用于评估啮齿类动物基于延迟和基于努力的两种决策行为。通过本文所述的实验方案，我们实验室研究了多种基因修饰小鼠的决策表型。代表性数据表明，内侧缰核被损毁的小鼠对时间延迟和身体努力均表现出厌恶倾向，更倾向于选择即时且无需费力获得的奖励。该方案有助于减少由实验人员干预引起的变异性，并提高实验效率。此外，在使用本装置进行决策任务时，可方便地同步开展慢性硅探针或微电极记录、光纤成像以及对神经活动的干预操作。
引言
人类及其他动物在获取奖励时会评估所需付出的代价（包括延迟、努力和风险），进而决定采取何种行为方案。决策能力缺陷出现在多种神经精神疾病中，包括精神分裂症（SZ）、注意缺陷多动障碍（ADHD）、强迫症（OCD）、帕金森病（PD）以及成瘾1对人类和猴子的研究表明，多个关键脑区参与了决策过程2,3,4尽管灵长类动物会进行更为复杂的决策，但已有研究报道，啮齿类动物能够在奖励依赖关系频繁变化的环境中做出适应性决策以维持生存。此外，由于化学遗传学工具、光遗传学工具以及基因工程小鼠的广泛应用，小鼠模型为深入研究决策行为背后的神经环路机制和分子机制提供了理想条件。目前已有多种行为任务被用于评估啮齿类动物的决策行为，包括注意力集合转移任务、基于努力或延迟的T型迷宫任务、爱荷华赌博任务以及视觉辨别反转学习任务。5, 等等。 类似的T迷宫成本-效益实验方案最初由Pierre团队开发6 并已用于研究两种决策成本（延迟和努力）对自由活动啮齿类动物的影响7,8,9,10该任务的特殊优势在于，动物无需经过训练去按压杠杆或在容器中挖掘。相反，动物可在一侧臂端选择高回报高代价的选项（HRA），或在另一侧臂端选择低回报低代价的选项（LRA）。因此，该任务的执行难度显著降低。
在基于延迟的实验范式中，当实验动物进入其中一个目标臂时，会引入一个分叉门，使动物被限制在目标臂内。如果动物选择低奖励臂（LRA），则LRA上的目标门会立即缩回，并给予少量食物。如果动物选择高奖励臂（HRA），则HRA上的目标门在达到预设延迟时间后才缩回，并给予大量食物颗粒（图1A）。在基于努力的实验范式中，HRA被一个障碍物阻断，动物必须翻越该障碍才能获得大量食物颗粒（图1B）。总体而言，基于延迟的范式非常适合用于检测动物模型的冲动性，而基于努力的范式则有助于识别淡漠型动物2,4,11,12,13。迄今为止，研究人员通常通过手动计时延迟、插入和撤回门、操作努力障碍、统计食物颗粒数量、放置食物颗粒、安置和取回动物，以及记录每次试验中动物的选择来进行该实验。这些繁重的人工操作和时间成本给研究人员带来了严重的实验瓶颈，限制了该行为学检测方法的广泛应用。在本研究中，我们开发了一种基于T型迷宫的实验装置，可实现对啮齿类动物基于延迟或基于努力的决策行为的全自动、标准化和高通量评估。
仪器
与一家商业制造商合作（参见 材料表），我们开发了一种改良的 自动T型迷宫装置，其使用 基于软件的仪器控制图2）。特别是，我们引入了一种 "后门" 和 "后路" 与传统的T型迷宫相比（图2），以便动物能够自行返回起点并开始下一次试验。T型迷宫呈哑光灰色，当实验条件和软件设置正确时，可同时检测黑色和白色小鼠。迷宫由三个臂组成：一个起始臂和两个目标臂，每个臂长410 mm，V形侧壁高155 mm，底部宽30 mm，顶部开口宽155 mm。V形通道能有效防止小鼠跳跃逃脱。此外，V形通道也更便于应用 体内 使用电缆进行记录。起始臂末端连接一个起始箱，每个目标臂末端连接一个目标箱。每个目标箱内安装有自动食饵分配器，可递送预设数量的甜味食饵颗粒。食饵摄入由红外传感器检测，并由计算机自动记录。每个目标箱通过一条直线走廊与起始箱相连，动物在完成一次试验后可经由走廊自主返回起始箱。起始箱和目标箱的出入口设有高155 mm的滑动门。此外，每个目标臂的入口处也设有滑动门，用于防止动物在做出选择后向后移动图2A）。所有滑动门均由计算机控制，可自动开启和关闭。高灵敏度 1/2" 电荷耦合器件（CCD）单目相机安装在装置上方，用于追踪动物行为。镜头焦距为2.8–12 mm，相机位置距地面约1.9 m。由于迷宫距地面高度为0.5 m，因此相机与迷宫之间的距离约为1.4 m（图2B）。CCD相机获取的追踪数据用于实时控制T迷宫，当动物进入特定兴趣区域（ROIs）时，自动开启或关闭相应的门。用于基于努力范式的障碍物呈三维直角三角形。图 2C），恰好贴合V形墙壁，高度约为155 mm。动物必须攀爬垂直侧壁，但可沿45°斜坡下降。实验过程中，装置照明强度为100 lux。实验中使用的糖颗粒（见 材料表), 以及硅胶（参见 材料表用于保持沉淀物干燥。
方案
所有实验方案均经理化学研究所脑科学研究所动物护理与使用委员会批准。
1. 动物准备
- 根据实验目的选择实验小鼠（或大鼠）的性别、年龄、基因型和药物处理方案。
注：此处我们展示了4只2月龄雄性C57B/6小鼠的实验结果。 - 将小鼠饲养在标准条件下（12小时光照/12小时黑暗循环，光照时间为上午8:00至晚上8:00，温度为22 ± 1°C）的动物房内。
注意：如果目的是比较两种基因型之间的差异，每笼饲养4只小鼠，并确保每种基因型各2只。 - 每天用手处理小鼠2分钟，持续5天，使其适应与人类接触。给予定量饲料，使小鼠体重在整个实验期间维持在自由进食体重的80–85%左右。提供饮水 随意摄取.
- 每天实验前30分钟，将所有小鼠从饲养室转移至实验室内，使其适应实验环境。
- 每天在同一时间开始实验，以避免昼夜节律对动物行为表现的影响。
2. 动物对迷宫的适应
- 在开始小鼠抓取训练的同时，开始对迷宫进行适应性训练（每天2分钟）。此阶段保持所有门敞开。适应性训练共持续5天。
- 第1天，在整个迷宫内随机散布食物颗粒。
- 第2天和第3天，将食物颗粒散布在两个目标臂内。
- 第4天和第5天，仅在两个目标箱内放置食物颗粒。
- 每天放置食物颗粒后，将小鼠以每组四只的方式放入T型迷宫的起始箱中，允许其自由探索迷宫10分钟。
注意：以每组四只的方式进行适应性训练有助于小鼠相互学习，从而加快训练进程。
3. 动物对高反应性抗原与低反应性抗原的区分
注意：本方案包含基于延迟和基于努力的决策测试。然而，研究人员可根据实验目的选择仅进行其中一项或同时进行两项测试。控制软件（材料表）用于自动控制T型迷宫装置的以下操作步骤。若需测试基于努力的决策能力，则在强制进入臂阶段需在高努力奖赏区（HRA）和低努力奖赏区（LRA）均设置障碍物。随后，动物将同时接受辨别训练和攀爬障碍训练。处于饥饿状态的小鼠会主动攀爬障碍物，经过此阶段后，所有小鼠均可熟练完成攀爬。因此，本方案无需从较低的障碍物开始训练。
- 强制手臂进入阶段
- 打开参数注册窗口 控制软件并按如下设置参数（图3).
- 选择 "相位选项"设置 的 "试验编号" 至10，使每只动物每天进行10次试验 5个连续的天数
注意：可选择不同的试验 数量 其本人 实验。 - 设置 "持续时间" 至900秒，以确保每只小鼠每天的训练时间不超过900秒。设置 "默认起始延迟时间" 3秒，以便在动物被检测到进入起始区域后3秒开启起始门。
- 设定 "细胞沉淀数量" 对于高反应性区域（HRA）和低反应性区域（LRA），设置为始终自动向HRA分配4粒颗粒，向LRA分配1粒颗粒。
注意：在我们的实验中，我们 发现当使用10 mg糖丸时，1:4为最佳比例。如果使用 6到10个颗粒时，小鼠无法吃完所有颗粒，会出现遗漏现象。 - 设置 "延迟时间" 至0秒，以确保在此阶段高分辨率采集（HRA）和低分辨率采集（LRA）均无延迟。
- 选择 "相位选项"设置 的 "试验编号" 至10，使每只动物每天进行10次试验 5个连续的天数
- 打开 "ID 注册" 控制软件窗口。注册 每只小鼠的个体编号 根据HRA的位置，使用相应的软件 左侧或 右侧。 (图4).
注意：位置应根据基因型组别进行平衡设计。对于每种基因型组别中的50%个体，高反应性区域（HRA）始终位于左侧，低反应性区域（LRA）始终位于右侧；对于另外50%个体，HRA始终位于右侧，LRA始终位于左侧。 - 打开软件的应用程序窗口，选择 "决策制定" 从下拉菜单中 "任务" 列表。输入受试者编号并选择 "2 期" 来自 "相" 下拉列表。从天数中选择 "天" 下拉列表。按 "好的" 单击按钮进入实验界面窗口。
- 在实验界面窗口中，按下 "GetBG" 以注册迷宫的背景信息，确保无论环境背景如何，动物都能被准确追踪。按下 "会话开始" 按钮（图5).
- 将小鼠放入起始箱，通过按下按钮开始训练 "开始" 遥控器上的按钮
- 请注意起始门，一个 连接门（左侧或右侧） 3 秒后将自动打开；一旦小鼠进入交叉区域，起始门将自动关闭。
- 观察到小鼠一旦进入延迟区域（左侧或右侧），连接门将自动关闭，目标门将自动打开。
- 观察到小鼠取走食丸后，后门和起始前门将自动打开。一旦小鼠进入后区，后门将自动关闭。
- 观察到小鼠进入起始箱后，起始门将自动关闭，随即开始新一轮试验。
注意：在此训练阶段的每天10次试验中，软件将自动确保每只小鼠分别在高奖励区域（HRA）和低奖励区域（LRA）各进行5次试验。
- 每天彻底清洁迷宫。
- 打开参数注册窗口 控制软件并按如下设置参数（图3).
- 自由臂进入阶段
- 以与强制录入阶段（步骤 3.1.1 和 3.1.2）相同的方式注册参数和受试者编号。选择 "相位选项". 设置 "试验编号" 至20，使每只动物每天进行20次试验，连续7天。
- 在申请窗口中，选择 "3 期" 来自 "相" 下拉列表。其他参数设置参照步骤 3.1.3。
- 在实验界面窗口中，设置以下参数的值 "成功率" 设为80%，以便训练自动持续进行，直至小鼠在80%的试验中选择高风险区域（HRA），或小鼠完成每日20次试验（以参数设置中登记的情况为准）。其余操作按步骤3.1.4进行。
- 让小鼠自由选择其中一个臂，高奖励臂（HRA）或低奖励臂（LRA）。
- 注意，起始门和两个交叉门将在3秒后自动打开；一旦小鼠进入交叉区域，起始门将自动关闭。
- 观察到小鼠一旦选择并进入其中一个臂（左侧或右侧）的延迟区域，连接通道的门将自动关闭，目标门将自动打开。
- 观察到小鼠取走食丸后，后门和预启动门将自动打开。一旦小鼠进入后区，后门将自动关闭。
- 观察到小鼠进入起始箱后，起始前门将自动关闭，新试验随即开始。
4. 基于延迟的决策测试
- 以与自由选择阶段（步骤 3.2.1）相同的方式登记参数和受试者编号。将"延迟时间"分别在第1天、第2天和第3天设置为 5、10、15 秒，使得第1天 HRA 的延迟为 5 秒，第2天 HRA 的延迟为 10 秒，第3天 HRA 的延迟为 15 秒。
- 在应用程序窗口中，从"阶段"下拉列表中选择"第4阶段"。其他参数的设置方式与步骤 3.2.2 相同。
- 在实验界面窗口中，按照步骤 3.2.3 执行所有操作。
- 允许小鼠自由选择一个臂，即 HRA 或 LRA。
- 注意，起始门和两个分叉门将在 3 秒后自动打开；一旦小鼠进入分叉区域，起始门将自动关闭。
- 观察到一旦小鼠选择一个臂并进入延迟区域（左侧或右侧），分叉门将自动关闭。
注意：如果小鼠选择 LRA，目标门将立即自动打开；但如果小鼠选择 HRA，则目标门将在第1天延迟 5 秒、第2天延迟 10 秒、第3天延迟 15 秒后自动打开。 - 观察到一旦小鼠取走食丸，后门和预起始门将自动打开。一旦小鼠进入后区，后门将自动关闭。
- 观察到一旦小鼠进入起始箱，预起始门将自动关闭，并开始新一轮试验。
注意：在此，我们对每种延迟条件训练小鼠 5–7 天。然而，根据我们测试多种转基因或突变小鼠品系的经验，1 天（20 次试验）已足以观察到不同基因型小鼠之间的差异，延长训练时间并无意义（见图6示例）。因此，目前我们对每种延迟时间仅使用 1 天训练，效果良好。研究人员可根据自身研究目的适当延长训练天数，不会产生问题。
- 可选：进行 HRA 位置反转测试。为检验小鼠的选择是否源于方向偏好，可交换 HRA 与 LRA 的左右位置（可通过软件自动实现），并允许小鼠如步骤 4.4 中自由选择一个臂。
- 可选：进行延迟对照测试。为检验所观察到的任何缺陷是源于空间记忆或奖赏敏感性的改变，而非决策能力的变化，可在 LRA 和 HRA 均引入 15 秒延迟，并允许小鼠如步骤 4.4 中自由选择一个臂。
5. 基于努力的决策测试
- 如示意图所示（图1），将障碍物引入高努力臂（HRA）。
- 设置所有参数并按照步骤3.2——自由臂进入阶段——对动物进行连续3天的测试。
- 允许小鼠自由选择一个臂，即高努力臂（HRA）或低努力臂（LRA）。
注意：在此实验中，我们对小鼠训练了14天。然而，根据我们在测试多种转基因或突变小鼠品系中的经验，连续3天的训练已足以观察到不同基因型小鼠之间的差异，延长训练时间并无必要（见图6示例）。因此，目前我们仅采用3天训练用于基于努力的测试，效果良好。若研究人员根据自身研究目的希望延长训练天数，亦无问题。 - 可选：进行高努力臂（HRA）位置反转测试。为检验小鼠的选择是否源于方向偏好，可交换高努力臂（HRA）与低努力臂（LRA）的左右位置（可通过软件自动实现），然后允许小鼠如步骤5.3所述自由选择一个臂。
- 可选：进行努力控制测试。为检验所观察到的任何缺陷是否源于空间记忆或奖赏敏感性改变，而非决策能力变化，可在低努力臂（LRA）和高努力臂（HRA）均设置障碍物，并允许小鼠如步骤5.3所述自由选择一个臂。
6. 数据分析
- 从控制软件直接获取数据和结果。
- 请注意，软件将自动记录实验日期、开始和结束时间、持续时间、试验次数、高反应区（HRA）的位置、HRA 和低反应区（LRA）中的颗粒数量、位置坐标（X, Y）以及运动轨迹 等等， 每只小鼠的 "数据" 文件夹
- 检查软件是否已自动分析 以下物品并记录 它们在 "结果" 每个动物编号文件夹下包含：持续时间、试验次数、高奖励区域选择次数、低奖励区域选择次数、高奖励区域选择百分比、低奖励区域选择百分比、总移动距离和总停留时间。
- 对所有实验数据进行混合方差分析（裂区方差分析），以天数/会话为组内因素，以组间因素（基因型组或不同实验条件的组）为组间因素。
- 如果日/会话与组别因素之间无交互作用，则分析组别因素的主效应。应用 事后 如果天数/会话与组别因素之间存在显著交互作用，则进行成对比较。
结果
内侧缰核损毁小鼠（mHb:DTA小鼠）执行基于延迟与努力的决策任务示例14 与其野生型同窝对照小鼠（CT小鼠）的比较如图所示 图6断奶后，两只mHb:DTA小鼠和两只CT小鼠共同饲养于同一笼中。
在基于延迟的决策测试中（图6A），无论是在辨别训练阶段（HRA的延迟时间为0）还是在基于延迟的决策测试阶段（HRA的延迟时间分别为5秒、10秒和15秒），基因型与实验阶段之间均未出现显著的交互作用。当延迟时间为5秒时，基因型的主效应不显著。然而，当延迟时间延长至10秒和15秒时，mHb:DTA小鼠对HRA的访问百分比显著低于对照组（CT）小鼠。这些结果表明，mHb的损毁降低了小鼠等待更大奖励的偏好，在等待时间达到10秒或更长时，表现出更倾向于立即选择较小奖励的倾向。数据提示，mHb可能是调控冲动性以及时间成本/收益评估的重要脑区，使动物更难以忍受延迟以获得较大奖励。
在基于努力的决策测试中（图6B），无论高奖励区域（HRA）位于左侧或右侧（单障碍阶段和反转阶段），当在HRA中设置障碍时，mHb:DTA小鼠进入HRA的比例均显著降低。这表明mHb:DTA小鼠的行为表型并非由空间偏好或记忆缺陷所致。在努力控制测试中，两个目标臂均设置了障碍（双障碍阶段），此时低奖励区域（LRA）和高奖励区域（HRA）均需付出较高等级的努力，因此选择低奖励或高奖励的动物所面临的努力成本相同。mHb:DTA小鼠对HRA的访问频率高于LRA，并在最后一次测试（第5次测试）中达到了与对照组相似的HRA访问次数。该结果提示，mHb:DTA小鼠的奖赏敏感性及空间记忆功能保持完整。上述数据阐明，内侧缰核（mHb）可能在努力成本与收益评估中发挥重要作用，使动物能够为获取更大奖励而付出更多努力。
图1：用于决策测试的传统T型迷宫装置示意图。（A）基于延迟的决策测试装置。将动物置于起始臂，使其在两个目标臂（HRA和LRA）之间进行选择。当动物选择HRA时，必须等待一段时间（以秒为单位的延迟时间）才能获得较大的奖励。研究人员需在每次试验中手动处理动物、食丸和门。（B）基于努力程度的决策测试装置。将动物置于起始臂，使其在两个目标臂（HRA和LRA）之间进行选择。当动物选择HRA时，必须翻越一个三角形障碍物才能获得较大的奖励。研究人员需在每次试验中手动处理动物、食丸、门和障碍物。请点击此处查看该图的放大版本。
图2：用于决策测试的自动T型迷宫装置。（A）自动装置的俯视图。（B）自动装置的侧视图。（C）用于基于努力的决策测试的三维直角三角形障碍物，从左至右分别为侧视图、对边侧视图和斜边侧视图。原始技术照片经商业制造商许可后编辑使用。GBL：目标箱（左侧），GBR：目标箱（右侧），GDL：目标门（左侧），GDR：目标门（右侧），DAL：延迟区（左侧），DAR：延迟区（右侧），JDL：交叉口门（左侧），JDR：交叉口门（右侧），BDL：后门（左侧），BDR：后门（右侧），CCD：电荷耦合器件相机）。请点击此处查看该图的放大版本。
图3：参数注册窗口。 请点击此处查看此图的放大版本。
图4：受试者ID注册窗口。请点击此处查看该图的放大版本。
图 5：实验界面窗口。请点击此处查看该图的放大版本。
图6：mHb:DTA小鼠中基于延迟和基于努力的决策行为 (A基于延迟的决策测试在 mHb:DTA 小鼠中的表现（小鼠年龄为 12–14 个月，n = 8/基因型）。当延迟时间为 0 和 5 秒时，不同基因型小鼠的高风险选择（HRA）比例相似；但当延迟时间为 10 秒和 15 秒时，mHb:DTA 小鼠的 HRA 选择比例显著降低。在延迟时间为 5 秒时，基因型与测试天数的交互作用：F(1,14) = 0.594 p = 0.236；基因型效应：F(1,14) = 0.61， p = 0.45；当延迟时间为10秒时：基因型×天数交互作用：F(1,14) = 37.5， p = 0.346；基因型效应：F(1,14) = 32.4， p <0.0001；当延迟时间为15秒时：F(1,14) = 38.7， p = 0.243；基因型效应：F(1,14) = 31.6，且 p ≤0.0001. (B在mHb:DTA小鼠中进行的基于努力的决策测试（小鼠年龄为12–14个月，每种基因型n = 9）。在1×障碍阶段，基因型与实验阶段之间存在显著交互作用（基因型×天数交互作用：F(1,16) = 2.11，p = 0.015），且 事后检验 成对比较显示，mHb:DTA小鼠在所有阶段的HRA%均显著下降。在逆转阶段，基因型与阶段之间无显著交互作用（基因型×天数交互作用：F(1,16) = 1.61， p = 0.08)。mHb:DTA 小鼠对高风险区域的访问显著少于对照组小鼠（基因型主效应：F(1,16) = 8.18， p = 0.01）。在2×障碍阶段，基因型与实验阶段之间存在显著交互作用，且在第3阶段和第4阶段存在显著差异（2×障碍阶段：基因型×天数交互作用：F(1,16) = 3.9， p = 0.0067）。mHb:DTA 小鼠在第5次（最后一次）实验中达到的HRA访问次数与对照组（CT）小鼠相当。数据以均值 ± 标准误表示。** p <0.01; *** p <0.001. 请点击此处以查看此图的放大版本。
图7：决策测试流程图（基于延迟或基于努力）。
讨论
决策是一种在进化过程中高度保守的认知过程15。人类和动物能够评估不同行为选择所需付出的代价与潜在回报之间的关系，进而做出抉择。许多神经系统疾病和精神障碍患者在不同形式的决策能力上表现出缺陷16。因此，研究决策过程背后的神经生物学和病理生理学机制具有重要意义。近年来，基于时间延迟和基于努力的决策正受到越来越多的研究关注。此外，啮齿类动物，尤其是大鼠，已被广泛用于研究这两种决策形式17。
许多研究通过使用T型迷宫装置进行行为学任务，结合高奖励选择（HRA）和低奖励选择（LRA），取得了有趣的发现2,6,7,8,9,10,18,19,20,21,22。在此任务中，HRA将较大的奖励与一定的时间延迟或体力消耗相关联；而在LRA中，动物可以立即获得较小的奖励，无需等待时间或付出体力。传统方法依赖于实验人员的手动干预。在每次试验中，实验人员需要计数食丸，并将其放置在HRA和LRA的食物托盘中，安装HRA和LRA两端的目标门，然后将动物放置在起始臂末端。当动物进入任一选择臂后，需插入分叉门以限制其活动至目标臂。根据实验方案，实验人员需要计时，并在设定的延迟时间后打开目标门。待动物进入目标区域并获取食丸后，实验人员需将其送回笼中，并记录动物的选择臂及行为表现。随后，实验人员需为下一次试验重新准备T型迷宫的门和食丸。整个训练与测试过程极为耗时且劳动强度大。此外，不同实验室之间缺乏标准化也是一个值得关注的问题。
在本文中，我们介绍了 一种实验方案 基于一种改良的 带视频追踪系统的自动化T型迷宫装置图7）以解决传统方案存在的问题。通过引入一种 "后门" 和 "后走廊" 与传统的T型迷宫相比，我们获得了具有迷宫的 "等腰三角形的一半" 形状。这种方法的优点在于 设置的优势在于：（1）行为训练与测试的完全自动化，从而消除了实验者主观性的影响。 并最大限度减少人力和时间投入。实验室配备了四套装置，使得一名实验人员可同时对四只小鼠进行训练或测试，而这是传统实验方案无法实现的。（2）系统具有软件灵活性，控制软件允许实验人员自由设定多个参数，包括食物丸数量、延迟时间、门的开关、试验次数、持续时间以及痕迹模式，因此该系统能够满足多种不同的实验需求。（3）系统具备广泛的兼容性，T型迷宫上的所有滑动门在打开时均可收纳于迷宫底座下方，因此该装置可轻松整合多种生理学系统，包括光遗传学/光学操控系统， 体内 电生理记录和微透析。此外，为了排除小鼠因位置偏好而选择高奖励区域（HRA）的可能性，我们建议对基于延迟和基于努力的实验均设置对照测试。通过使两个目标臂的成本相等，动物可在相同成本下体验两种不同的奖励结果。此时选择仅基于奖励差异作出，从而无需在决策前整合成本与收益。该对照还可检验动物选择行为的任何变化是否源于其无法权衡成本或奖励、记忆缺陷，而非其决策评估方式本身的改变。
在我们的实验室中，已使用该装置分析了约10种小鼠品系。代表性数据展示了一个示例：在基于延迟和基于努力的决策任务中，mHb:DTA小鼠表现出显著的表型特征，即在这些小鼠中，奖励价值因时间和努力而被显著折扣。该结果揭示了内侧缰核（mHb）在冲动控制中的重要作用。此外，我们在小鼠自由活动状态下，于决策过程中应用了硅探针记录技术（未发表数据）。所有实验均为此自动化装置的性能提供了验证基准。因此，基于T型迷宫并结合自动化设备的标准化实验方案，适用于检测基因、药物及神经环路对啮齿类动物延迟折扣和努力折扣的影响。综上所述，该装置具备多项优势，可作为延迟和努力相关决策行为检测的理想系统。
披露
作者无任何利益冲突需要披露。
致谢
我们感谢牛津大学实验心理学系Matthew F S Rushworth博士和玉川大学脑科学研究中Masamichi Sakagami博士在项目启动以及实验方案细节方面提供的宝贵建议。感谢Lily Yu博士对稿件提出的批判性意见和编辑帮助。本项目得到了以下资助：理化学研究所激励研究项目（100226201701100443）授予Q.Z.，日本自然科学研究机构新科学倡议中心脑科学项目（BS291003）授予Q.Z.，理化学研究所衰老项目（10026-201701100263-340120）授予Q.Z.，以及日本学术振兴会科研费青年研究（B）项目（17841749）授予Q.Z.。
作者贡献：Q.Z. 构思并启动了该项目，Q.Z.、Y.K. 和 H.G. 进行了实验和数据分析，H.G. 协调了实验室与 O'HARA & Co., Ltd. 之间的合作工作，Q.Z. 和 Y.K. 撰写了手稿，S.I. 对项目进行了监督。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| 用于决策测试的自动化T型迷宫 | O’HARA & Co.,ltd | 无目录编号，定制 | 审稿人要求提供的地址：4-28-16 Ekoda, Nakano-ku, Tokyo 165-0022 电话：81-3-3389-2451 传真：81-3-3389-2453 |
| 硅胶 | Nacalai Tesque | 1709155 | |
| AIN-76A 啮齿类动物片剂 10mg | Test Diet | 1811213(5TUL) | 为日本 SLC 生产 |
| Time TM1 软件 | O’HARA & Co.,ltd | 无目录编号 | |
| SPSS Statistics V21.0 | IBM |
参考文献
- Frank, M. J., Scheres, A., Sherman, S. J. Understanding decision-making deficits in neurological conditions: insights from models of natural action selection. Philosophical Transactions of the Royal Society B: Biological Sciences. 362 (1485), 1641-1654 (2007).
- Prevost, C., Pessiglione, M., Metereau, E., Clery-Melin, M. L., Dreher, J. C. Separate valuation subsystems for delay and effort decision costs. J Neurosci. 30 (42), 14080-14090 (2010).
- Kennerley, S. W., Walton, M. E. Decision Making and Reward in Frontal Cortex: Complementary Evidence From Neurophysiological and Neuropsychological Studies. Behavioral Neuroscience. 125 (3), 297-317 (2011).
- Kurniawan, I. T., Guitart-Masip, M., Dolan, R. J. Dopamine and Effort-Based Decision Making. Frontiers in Neuroscience. 5, 81(2011).
- Izquierdo, A., Belcher, A. M. Rodent models of adaptive decision making. Methods Mol Biol. 829, 85-101 (2012).
- Thiebot, M. H., Le Bihan, C., Soubrie, P., Simon, P. Benzodiazepines reduce the tolerance to reward delay in rats. Psychopharmacology. 86 (1-2), 147-152 (1985).
- Green, M. F., Horan, W. P., Barch, D. M., Gold, J. M. Effort-Based Decision Making: A Novel Approach for Assessing Motivation in Schizophrenia. Schizophr Bull. 41 (5), 1035-1044 (2015).
- Fatahi, Z., Sadeghi, B., Haghparast, A. Involvement of cannabinoid system in the nucleus accumbens on delay-based decision making in the rat. Behav Brain Res. 337, 107-113 (2018).
- Iodice, P., et al. Fatigue modulates dopamine availability and promotes flexible choice reversals during decision making. Sci Rep. 7 (1), 017-00561 (2017).
- Rudebeck, P. H., Walton, M. E., Smyth, A. N., Bannerman, D. M., Rushworth, M. F. Separate neural pathways process different decision costs. Nat Neurosci. 9 (9), 1161-1168 (2006).
- Bonnelle, V., et al. Characterization of reward and effort mechanisms in apathy. J Physiol Paris. 109 (1-3), 16-26 (2015).
- Hartmann, M. N., et al. Apathy but not diminished expression in schizophrenia is associated with discounting of monetary rewards by physical effort. Schizophr Bull. 41 (2), 503-512 (2015).
- Lockwood, P. L., et al. Prosocial apathy for helping others when effort is required. Nat Hum Behav. 1 (7), 017-0131 (2017).
- Kobayashi, Y., et al. Genetic dissection of medial habenula-interpeduncular nucleus pathway function in mice. Frontiers in behavioral neuroscience. 7 (17), (2013).
- Hanks, T. D., Summerfield, C. Perceptual Decision Making in Rodents, Monkeys, and Humans. Neuron. 93 (1), 15-31 (2017).
- Lee, D. Decision Making: from Neuroscience to Psychiatry. Neuron. 78 (2), 233-248 (2013).
- Carandini, M., Churchland, A. K. Probing perceptual decisions in rodents. Nature Neuroscience. 16 (7), 824-831 (2013).
- Denk, F., et al. Differential involvement of serotonin and dopamine systems in cost-benefit decisions about delay or effort. Psychopharmacology. 179 (3), 587-596 (2005).
- Walton, M. E., Bannerman, D. M., Rushworth, M. F. S. The Role of Rat Medial Frontal Cortex in Effort-Based Decision Making. The Journal of Neuroscience. 22 (24), 10996-11003 (2002).
- Bardgett, M. E., Depenbrock, M., Downs, N., Points, M., Green, L. Dopamine Modulates Effort-Based Decision-Making in Rats. Behavioral Neuroscience. 123 (2), 242-251 (2009).
- Floresco, S. B., Tse, M. T., Ghods-Sharifi, S. Dopaminergic and glutamatergic regulation of effort- and delay-based decision making. Neuropsychopharmacology. 33 (8), 1966-1979 (2008).
- Assadi, S. M., Yucel, M., Pantelis, C. Dopamine modulates neural networks involved in effort-based decision-making. Neuroscience & Biobehavioral Reviews. 33 (3), 383-393 (2009).
重印与许可
