需要JoVE订阅才能观看此内容。 请登录或开始免费试用

方法文章

一种用于研究啮齿类动物对抗性追捕行为的实时交互系统

1.8K 次观看

⸱

DOI：

10.3791/68191

⸱

2025年5月16日

 ,  ,  ,  ,  , 
1Department of Neurobiology, School of Basic Medicine, Army Medical University, 2School of Electrical Engineering, Chongqing University, 3Department of Biomedical Engineering and Imaging Medicine, Army Medical University, 4Guangxi Key Laboratory of Special Biomedicine & Advanced Institute for Brain and Intelligence, School of Medicine, Guangxi University

本文内容

摘要

本文介绍了一种在小鼠模型中检测和量化捕食性追捕行为的实验方案。该平台为研究小鼠捕食性追捕行为的动态特征及神经机制提供了新的研究范式，并将为追捕行为的研究提供一个标准化的平台。

摘要

捕食追击行为涉及一系列重要的生理过程，例如运动、学习和决策，这些过程对动物成功捕获猎物至关重要。然而，目前在实验室中研究捕食追击行为的方法和系统较少，尤其是在小鼠这一常用的哺乳动物模型中。限制该研究的主要因素包括活体猎物（如蟋蟀）的不可控性以及实验标准难以统一。本研究的目标是开发一个交互式平台，用于检测和量化小鼠对机械诱饵的捕食追击行为。该平台利用计算机视觉实时监测小鼠与机械诱饵之间的相对位置，从而编程控制机械诱饵的运动模式，并通过交互式二维磁控滑块实现对机械诱饵运动的调控，构建一个闭环系统。该机械诱饵能够实时躲避接近的饥饿小鼠，其逃逸速度和方向可调，以模拟不同情境下的捕食追击过程。经过一段短暂的无监督训练（不到两周），小鼠即可以较高效率完成捕食任务（耗时少于15秒）。通过记录机械诱饵和小鼠的速度、轨迹等运动学参数，我们能够在不同条件下量化追击过程。总之，该方法为捕食行为的研究提供了一种新范式，可用于进一步探究捕食追击行为的动力学特征及其神经机制。

引言

捕食者对猎物的追捕不仅是生存竞争的生动体现，也是物种进化的重要驱动力，维持着自然界中的生态平衡与能量流动1,2。对捕食者而言，追捕猎物是一种复杂的活动，涉及多种生理过程，包括驱动捕食者进行捕猎的动机状态3、使其能够探测和追踪猎物的感知能力4,5,6、决定捕猎进程的决策能力7、实现实际追捕的运动功能8,9，以及随时间优化捕猎策略的学习机制10,11。因此，近年来捕食性追捕作为一种重要而复杂的行为模型受到了广泛关注。

小鼠作为实验室中广泛使用的一种哺乳动物模型，已被记录到在其自然栖息地以及实验室研究中均会捕食蟋蟀12。然而，活体猎物的多样性与不可控性限制了捕食追击行为的量化，从而影响了实验的可重复性以及不同实验室之间的结果比较13。首先，不同实验室使用的蟋蟀品系可能存在差异，导致猎物特征不同，进而影响捕食追击行为。其次，每只蟋蟀具有独特的个体特征，可能影响捕食互动的结果14。例如，每只蟋蟀的逃逸速度可能不同，从而导致追击动态的变异性。此外，某些蟋蟀的预警距离较短，可能导致追击过程缺失，因为捕食者可能没有机会启动追击行为。最后，部分蟋蟀在受到压力时可能表现出防御性或攻击性行为，这会增加实验数据解读的复杂性15。因此，难以判断捕食者行为的变化是源于猎物的防御策略，还是捕食者自身行为模式的固有特征。猎物防御与捕食者策略之间的界限模糊，为捕食追击行为的研究增添了另一层复杂性。

鉴于这些局限性，研究人员已转向使用人工猎物，以控制和标准化实验条件16,17。已有研究表明，包括小鼠在内的七种啮齿类动物对人工猎物表现出显著的捕食行为13。因此，使用可控的机器人诱饵研究捕食追逐行为具有可行性。通过设计不同类型的人工猎物，研究人员能够对实验条件进行一定程度的控制，而这是使用活体猎物所无法实现的18,19。此外，少数先前的研究已采用人工控制的机器鱼或人工猎物来研究鱼类的群集行为和捕食行为15,17,19。这些研究凸显了机器人系统在提供一致、可重复且可调控的刺激方面对实验研究的重要价值。然而，尽管已有上述进展，啮齿类动物行为研究领域，特别是小鼠的研究，仍缺乏一个专门用于检测和量化基于机器人诱饵的捕食追逐行为的平台。

基于上述原因，我们设计了一个开源的实时交互平台，用于研究小鼠的捕食追击行为。该平台中的机器人诱饵能够实时逃离小鼠，且具有高度可控性，因此我们可以设置不同的逃逸方向或速度，以模拟多种捕食场景。计算机上的 Python 程序用于生成机器人猎物的运动参数，并与 STM32 微控制器结合，驱动舵机并控制诱饵的运动。模块化的硬件系统可实时适应特定的实验室环境，软件系统则可根据实验需求调整任务难度和监测指标，以更好地服务于研究目的。该轻量化系统显著减少了计算机的处理时间，这对系统的有效性至关重要，并提升了其便携性。该平台支持以下技术特性：灵活可控的人工猎物，便于重复实验与建模；最大程度模拟自然环境中的捕猎过程；实现实时交互与低系统延迟；硬件与软件均具备可扩展性；成本低且易于使用。利用该平台，我们已成功训练小鼠在多种条件下执行捕食任务，并能够量化捕食追击过程中的轨迹、速度和相对距离等参数。该平台为建立捕食追击范式提供了一种快速方法，有助于进一步探究捕食追击行为背后的神经机制。

访问受限。请登录或开始试用以查看此内容。

方案

成年C57BL/6J小鼠（雄性，6-8周龄）由陆军军医大学实验动物中心提供。所有实验操作均遵循机构动物福利指南，并经陆军军医大学动物护理与使用委员会批准（编号：AMUWEC20210251）。小鼠饲养于温度受控环境（22-25°C），采用12小时反转光照/黑暗循环（光照时间20:00-8:00），并可自由获取食物和水。

1. 实时交互平台的硬件准备

  1. 在平台上方的横杆上安装一个网络摄像头，用于实时监测下方实验区域内小鼠和机器人诱饵的位置，并将图像传输至计算机（图1A）。
  2. 设计一个大型圆形实验区域（直径800 mm，高300 mm），底部为一块方形亚克力板，周围由亚克力管围成边界。在实验区域的内壁上均匀放置四个图标（正方形、三角形、圆形和十字形），作为视觉线索（图1B）。
    注意：亚克力管的内壁和方形亚克力板的表面需贴上不透明贴纸。
  3. 使用一个圆形钕磁铁（直径40 mm，高10 mm，蟋蟀体长约2–4 cm4,22）作为机器人诱饵，并在其上附着食物颗粒（5 × 0.2 mg）。在磁铁表面贴上蓝色贴纸，以便识别和定位。
  4. 在实验区域下方安装一个二维滑轨装置（有效行程1000 mm）。在其滑块上安装另一个钕磁铁，作为牵引磁铁，通过磁力远程拖动机器人诱饵。
  5. 通过STM32控制板和切换电路控制伺服电机来驱动牵引磁铁。采用速度-方向模式驱动伺服电机（每16,000个脉冲移动75 mm），STM32控制板输出端口的PWM波频率编码速度信息，高电平或低电平（3.3 V或0 V）编码正向或反向运动方向（图1C）。
    注意：切换电路如补充图1所示，图中仅展示了一个滑轨运动所需的速度和方向信号连接图，另一个滑轨的控制方式相同。两个滑轨控制电路中的接地线可共用。

2. 实时交互平台的软件设计

  1. 使用主程序检测小鼠与机器人诱饵的相对位置，并将机器人诱饵的运动信号传输至 STM32 微控制器（图 1D）。
  2. 当计算机从网络摄像头接收到图像时，在 Python 环境中处理视频帧。
  3. 使用 OpenCV20 模块（cv2.cvtColor）将每一帧从 RGB 色彩模型转换为 HSV 色彩模型。
    注意：由于小鼠为夜行性觅食动物，且为保证识别的稳定性，实验应在光照较低且稳定的条件下进行，确保实验区域光照条件一致，并避免局部阴影。本实验的光照强度约为 95 lux。
  4. 根据小鼠与机器人诱饵在 HSV 色彩模型中的颜色范围，分别获取其掩膜图像（cv2.inRange）。
  5. 对掩膜图像应用中值滤波，使小鼠与机器人诱饵的轮廓更加清晰且稳定（cv2.medianBlur）。
  6. 使用轮廓检测函数（cv2.findContours）获取小鼠与机器人诱饵的轮廓信息，然后找到能够覆盖轮廓区域的最小矩形。将该矩形的中心坐标分别作为小鼠与机器人诱饵的位置，并保存为 TXT 文件。
  7. 根据每帧中小鼠与机器人诱饵的位置信息，计算小鼠的运动速度及其与机器人诱饵的相对距离，并将这些参数保存为 TXT 文件。
    注意：考虑到图像处理相关计算的时间开销，脚本的实际处理速度约为 41 fps，即系统可在约 24 ms 内检测到小鼠与机器人诱饵的运动。系统延迟（从发送运动指令到检测到运动）为 59.4 ± 7.3 ms（n = 8），因此小鼠运动触发猎物运动之间的延迟约为 83 ms（蟋蟀的反应时间小于 250 ms22）。
  8. 根据小鼠与机器人诱饵之间的相对距离及其在实验区域内的位置，确定机器人诱饵的逃逸策略21,22,23。
    注意：若小鼠与机器人诱饵的距离较远（>250 mm），则认为机器人诱饵处于安全区域。若小鼠与机器人诱饵的距离足够近（<80 mm，由于本方法中相对距离基于小鼠中心与机器人诱饵中心计算，因此该阈值距离根据小鼠体长约 11 cm 及诱饵直径 4 cm 进行了调整），则视为成功捕获，机器人诱饵将停止运动，允许小鼠取食其上的食物颗粒（图 2A）。在直线逃逸策略中，若诱饵位于实验区域中心区域（距边界 >75 mm），表明各逃逸方向均有足够空间，则诱饵将沿小鼠朝向自身的运动方向移动；反之，若诱饵靠近实验区域边界（距边界 ≤75 mm），表明连续移动空间不足，则诱饵将向距边界更远的一侧进行 90° 转向（空间更充足，图 2B）。在基于时间间隔的转向逃逸策略中，机器人诱饵将每 0.5 秒判断一次，并向空间更大的一侧进行 90° 转向以实现逃逸（图 2C）。
  9. 确定逃逸策略后，由 Python 脚本分别对速度与方向信号进行编码，并通过串口（ser.port = 'COM3'）以 115200 的比特率发送至 STM32。
    注意：STM32 中的程序在 C 语言环境中编译。当接收到速度信号时，通过晶振分频器将其转换为相应频率的 PWM 波并输出（STM32 晶振频率为 72000000）；接收到方向信号后，通过拉高或拉低输出端口电压（0 或 3.3 V）将数字信号进行转换。
  10. 使用串口烧录器将编译后的 C 程序烧录至 STM32。
  11. 使用复位程序将机器人诱饵移至实验区域中心。
    注意：通过检测机器人诱饵在实验区域内的位置，持续驱动其向中心位置移动（5 cm/s），当检测到距中心位置距离 <20 mm 时，认为已到达实验区域中心并停止移动。在运行主程序前需先运行复位程序。

3. 习惯化（图2D）

  1. 快速 将小鼠禁食12小时，使其体重降至正常体重的90-95%，期间自由饮水。
  2. 首先，运行复位程序将机器人诱饵移至 arena 中心，然后用挡板将饥饿的小鼠隔离在 arena 边缘。
  3. 设置文件保存路径和机器人诱饵的移动速度（5 cm/s），然后单击 运行并在弹出的视频窗口中观察小鼠和机器人诱饵是否被稳定识别。
  4. 移除挡板并启动计时器，观察小鼠的捕食行为持续20分钟，记录小鼠首次从机械诱饵中取食食物颗粒的时间。若小鼠未能完成该行为，停止诱饵运动并将诱饵放置于小鼠附近以供进食。
  5. 将小鼠放回笼中，给予24小时恢复期，期间自由获取食物和水。随后重复适应过程。若同一组动物连续两次试验中首次取食时间无显著差异，则认为适应过程已完成。该过程通常需要3至5次试验。
  6. 每次适应后，用75%酒精和水彻底清洁实验区域。

4. 捕食任务（图2D）

  1. 在适应性训练结束后立即开始捕食任务。
  2. 将小鼠禁食 12 小时，使其体重降至正常体重的 90–95%，期间自由饮水。
  3. 首先运行复位程序，将机械诱饵移至 arena 中心，然后用挡板将饥饿的小鼠隔离在 arena 边缘。
  4. 在主程序中设置文件保存路径和机械诱饵的移动速度（0–60 cm/s，可根据实验需求设定不同速度）。然后点击 运行，并在弹出的视频窗口中观察小鼠和机械诱饵是否被稳定检测。
  5. 移除挡板并启动计时器，观察小鼠的捕食行为持续 60 秒。
    1. 如果小鼠在 60 秒内成功捕获机械诱饵，则关闭主程序，并允许小鼠吃掉所有食物颗粒后再放回笼中。
    2. 如果小鼠在 60 秒内未捕获机械诱饵，则直接将其放回笼中，不给予任何奖励或惩罚。
  6. 4 小时后进行第二轮捕食任务，重复步骤 4.3–4.5。
  7. 让小鼠自由进食和饮水，恢复 24 小时。然后重复捕食任务。如果超过 80% 的小鼠在连续两次试验中均在 15 秒内完成捕食，则认为这些小鼠为熟练的捕食者。
  8. 每次捕食任务结束后，使用 75% 酒精和水对 arena 进行彻底清洁。

访问受限。请登录或开始试用以查看此内容。

结果

为了逃避捕食者，猎物通常会采用灵活多变的逃生策略，例如改变逃跑速度或以不可预测的方向逃离21,22,23。在本研究中，机器人诱饵的运动模式在速度和方向上均可灵活控制，从而能够分别改变机器人诱饵的逃跑方向和速度，以模拟不同条件下的捕食任务。

首先，我们测试了该平台控制系统的可靠性，逃逸速度可在 0-60 cm/s 范围内调节（蟋蟀的逃逸速度估计在 0-60 cm/s 范围内22）。实际速度由网络摄像头监测，设定速度与实际速度之间的差异小于 2%（表 1）。随后，我们为机器人诱饵设计了多种具有不同逃逸策略的捕食任务：

（i）在具有不同逃逸速度的机器人诱饵捕食任务中，机器人诱饵采用标准化的直线逃逸策略（补充视频 1），其中一组机器人诱...

访问受限。请登录或开始试用以查看此内容。

讨论

在本方案中，为了实现低系统延迟的实时控制，我们采用 OpenCV——一种轻量且高效的计算机视觉库，结合颜色模型来识别小鼠和机器人诱饵的位置。这要求实验场地内的光照相对稳定，并尽可能避免产生阴影，以防止对黑色小鼠的检测造成干扰。为了获得相对稳定的轮廓检测效果，在实验开始前，我们会在场地内的多个位置预先采集小鼠与机器人诱饵的颜色范围。此外，可根据研究需要调整小鼠和机器人诱饵的颜色范围，以适用于其他品系的小鼠（如 BALB/c 小鼠为白色），或用于研究食物染色对捕食行为的影响。

另一个值得提及的问题是，为了实现更低的延迟，我们仅显示结果窗口，且未提供保存功能，用户需使用其他屏幕录制软件将实验视频保存为离线版本。我们建议使用 DeepLabCut 的离线处理版本进行关键点识别24。我们曾尝试集成 DeepLabCut 的实时处理版本，但在多目标多关键点检测中仍存在较大的延迟25。如果出现更优的解决方案，我们将很乐意分享我们在多目标、多关键点检测技术方面的经验。

访问受限。请登录或开始试用以查看此内容。

披露

作者无任何利益冲突需要披露。

致谢

本研究由国家自然科学基金资助，项目编号为32171001和32371050，资助对象为YZ。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
丙烯酸圆筒SENTAIPMMA直径 800 mm
高度 300 mm
厚度 8 mm
防振台VEOO定制长度 1500 mm
宽度 1500 mm
高度 750 mm
相机JIERUIWEITONGHF868SS像素尺寸 3 µm ´ 3 µm
480P：120 fps
相机支撑架RUITU定制最大宽度 3300 mm
最大高度 2600 mm
电路板WXRKDZ定制长度 60 mm
宽度 40 mm
孔距 2.54 mm
计算机DELLPrecision 5820 TowerInter(R) Xeon(R) W-2155 CPU
NVIDIA GeForce RTX 2080Ti
杜邦线TELESKY定制30 cm
食物颗粒Bio-serveF0759520 mg
平台支撑架HENGDONGOB3030长度 1600 mm
高度 900 mm
宽度 800 mm
稳压电源ZHAOXINPS-3005D输出电压：0–30 V
输出电流：0–3 A
圆形磁块YPEYPE-230213-5直径 40 mm
厚度 10 mm
伺服电机驱动器FEREMEFCS860P0.1 kw–5.5 kw
SVPWM
220 VAC+10%
~–15%
RS-485
滑轨JUXIANGJX45长度 1000 mm
宽度 1000 mm
方形丙烯酸板SENTAIPMMA长度 800 mm
宽度 800 mm
厚度 10 mm
方形磁块RUITONGN35长度 100 mm
宽度 50 mm
厚度 20 mm
Stm32ZHENGDIANYUANZIF103STM32F103ZET6
72 MHz 时钟
晶体管SemtechC1185362N2222A, NPN

参考文献

  1. Gregr, E. J., et al. Cascading social-ecological costs and benefits triggered by a recovering keystone predator. Science. 368 (6496), 1243-1247 (2020).
  2. Brown, J. S., Vincent, T. L. Organization of predator-prey communities as an evolutionary game. Evolution. 46 (5), 1269-1283 (1992).
  3. Zhao, Z. -D., et al. Zona incerta gabaergic neurons integrate prey-related sensory signals and induce an appetitive drive to promote hunting. Nat Neurosci. 22 (6), 921-932 (2019).
  4. Hoy, J. L., Yavorska, I., Wehr, M., Niell, C. M. Vision drives accurate approach behavior during prey capture in laboratory mice. Curr Biol. 26 (22), 3046-3052 (2016).
  5. Holmgren, C. D., et al. Visual pursuit behavior in mice maintains the pursued prey on the retinal region with least optic flow. eLife. 10, e70838(2021).
  6. Johnson, K. P., et al. Cell-type-specific binocular vision guides predation in mice. Neuron. 109 (9), 1527-1539.e4 (2021).
  7. Nahin, P. J. Chases and Escapes: The Mathematics of Pursuit and Evasion. , Princeton University Press. (2007).
  8. Mcghee, K. E., Pintor, L. M., Bell, A. M. Reciprocal behavioral plasticity and behavioral types during predator-prey interactions. Am Nat. 182 (6), 704-717 (2013).
  9. Belyaev, R. I., et al. scavenging: Functional analysis of vertebral mobility and backbone properties in carnivorans. J Anat. 244 (2), 205-231 (2024).
  10. Weihs, D., Webb, P. W. Optimal avoidance and evasion tactics in predator-prey interactions. J Theor Biol. 106 (2), 189-206 (1984).
  11. Peterson, A. N., Soto, A. P., Mchenry, M. J. Pursuit and evasion strategies in the predator-prey interactions of fishes. Integr Comp Biol. 61 (2), 668-680 (2021).
  12. Galvin, L., Mirza Agha, B., Saleh, M., Mohajerani, M. H., Whishaw, I. Q. Learning to cricket hunt by the laboratory mouse (mus musculus): Skilled movements of the hands and mouth in cricket capture and consumption. Behav Brain Res. 412, 113404(2021).
  13. Timberlake, W., Washburne, D. L. Feeding ecology and laboratory predatory behavior toward live and artificial moving prey in seven rodent species. Anim Learn Behav. 17 (1), 2-11 (1989).
  14. Sunami, N., et al. Automated escape system: Identifying prey's kinematic and behavioral features critical for predator evasion. J Exp Biol. 227 (10), jeb246772(2024).
  15. Szopa-Comley, A. W., Ioannou, C. C. Responsive robotic prey reveal how predators adapt to predictability in escape tactics. Proc Natl Acad Sci U S A. 119 (23), e2117858119(2022).
  16. Krause, J., Winfield, A. F. T., Deneubourg, J. -L. Interactive robots in experimental biology. Trends Ecol Evol. 26 (7), 369-375 (2011).
  17. Swain, D. T., Couzin, I. D., Leonard, N. E. Real-time feedback-controlled robotic fish for behavioral experiments with fish schools. Proceedings of the IEEE. 100 (1), 150-163 (2012).
  18. Eyal, R., Shein-Idelson, M. Preytouch: An automated system for prey capture experiments using a touch screen. bioRxiv. , (2024).
  19. Ioannou, C. C., Rocque, F., Herbert-Read, J. E., Duffield, C., Firth, J. A. Predators attacking virtual prey reveal the costs and benefits of leadership. Proc Natl Acad Sci U S A. 116 (18), 8925-8930 (2019).
  20. Farhan, A., et al. An OpenCV-based approach for automated cardiac rhythm measurement in zebrafish from video datasets. Biomolecules. 11 (10), 1476(2021).
  21. Hein, A. M., et al. An algorithmic approach to natural behavior. Curr Biol. 30 (11), R663-R675 (2020).
  22. Kiuchi, K., Shidara, H., Iwatani, Y., Ogawa, H. Motor state changes escape behavior of crickets. iScience. 26 (8), 107345(2023).
  23. Wilson-Aggarwal, J. K., Troscianko, J. T., Stevens, M., Spottiswoode, C. N. Escape distance in ground-nesting birds differs with individual level of camouflage. Am Nat. 188 (2), 231-239 (2016).
  24. Mathis, A., et al. Deeplabcut: Markerless pose estimation of user-defined body parts with deep learning. Nat Neurosci. 21 (9), 1281-1289 (2018).
  25. Kane, G. A., Lopes, G., Saunders, J. L., Mathis, A., Mathis, M. W. Real-time, low-latency closed-loop feedback using markerless posture tracking. eLife. 9, e61909(2020).

访问受限。请登录或开始试用以查看此内容。

重印与许可

标签

捕食追击啮齿类行为实时追踪机器人诱饵计算机视觉追击学习闭环系统光遗传学电生理学脑成像
一种用于研究啮齿类动物对抗性追捕行为的实时交互系统
联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。