August 1st, 2018
本文给出了 visuomotor 变换中顶-额神经元的对象选择性分析的详细协议。
这种方法可以帮助回答视觉和运动系统神经科学中的关键问题。例如,神经元如何对对象和 和 对象部分进行编码?神经表征如何从视觉变为运动?
这种方法的主要优点是,在触及和抓取过程中,可以用现实世界的物体来研究神经元,并在显示器上展示物体和物体部分的图像。演示此程序的是博士后 Maria Romero 和我实验室的博士生 Irene Caprara。从位于物体抓取装置前面的测试椅上的测试对象开始。
调整受试者眼前的红外摄像头,以获得足够的瞳孔和角膜反射图像。要使用旋转木马设置运行视觉引导的抓取任务,首先让猕猴将手放在记录的半球对侧,在完全黑暗的情况下处于静止位置,以启动序列。在 2, 000 至 3, 000 毫秒的可变试验间隔后,在物体底部应用红色激光作为固定点。
如果动物在电子定义的注视窗口内保持注视 500 毫秒,则用光源从上方照亮物体。然后,在 300 到 1, 500 毫秒的可变延迟后,将激光作为视觉开始提示进行编程。指示猕猴将手从静止位置抬起,并以 300 到 900 毫秒的随机可变间隔伸手、抓住和握住物体。
每当猕猴正确执行整个序列时,就用一滴果汁奖励它。至于轮播设置,让猕猴将手放在记录的半球对面的休息位置,在完全黑暗中启动序列。2, 000 到 3, 000 毫秒后,点亮物体上的 LED。
同样,如果动物将视线保持在电子定义的注视窗内,则用白色光源照亮物体。延迟后,关闭 LED 作为视觉 go 提示。猴子再次将手从静止位置抬起,伸手、抓住并握住物体。
在每个正确的序列后奖励猴子一滴果汁。使用其他对象继续训练。在任务期间,软件应测量 go 信号和手部运动开始之间的反应时间。
以及从运动开始到物体抬起之间的抓取时间。对于 2D 任务,请使用标准 LCD 监视器。将所有视觉刺激投影到黑色背景上。
对于 3D 测试,在猴子的眼睛前找到两个铁电液晶百叶窗。对于 3D 测试,在猴子的眼睛前找到两个铁电液晶百叶窗。通过在配备快速衰减 P46 荧光粉的阴极射线管监视器上交替使用左眼和右眼图像来立体呈现刺激,同时以 60 赫兹的频率作快门,并与监视器的垂直回溯同步。
通过在屏幕中央呈现一个小方块作为注视点来开始试验。如果眼睛位置保持在电子定义的一度见方窗口内至少 500 毫秒,则在屏幕上显示视觉刺激的总时间为 500 毫秒。当猴子保持稳定的注视直到刺激抵消时,用一滴果汁奖励它。
要研究形状选择性,请在被动固定任务期间使用 2D 图像运行多个测试,从搜索测试开始。使用大量图像测试细胞的视觉选择性,包括在 VGG 中抓取的物体的图片。对于此任务和所有后续视觉任务,将引起最强反应的图像(称为首选图像)与神经元响应较弱的第二个图像(称为非首选图像)进行比较。
接下来,运行轮廓测试。从真实物体的原始表面图像中,获得相同刺激形状的逐渐简化版本。每个条件至少收集 10 个 Trial。
确定神经元是首选原始表面、轮廓还是原始形状的轮廓。然后进行感受野试验。在显示器上显示不同位置的物体图像,覆盖中央视野。
这里总共使用了 35 个 3 度位置。最后,使用位于感受野中心的轮廓碎片进行复位测试,以确定最小有效形状特征。将最小有效形状特征确定为引起至少完整轮廓响应 70% 响应的最小形状片段。
该图显示了从 F5p 区域记录的示例神经元的响应,该神经元用球体和板进行测试,以两种不同的尺寸显示。这个特殊的神经元不仅对大球体最佳刺激做出反应,而且对大板也有反应。相比之下,对较小物体的响应较弱。
下图显示了在前顶内区域记录的示例神经元的结果,并在视觉引导抓取任务和被动固定期间进行了测试。这个神经元在抓握过程中有反应。神经元还对物体 2D 图像的视觉呈现做出反应,包括抓取任务中使用的物体的图片。
首选的不是要抓取的物体,而是动物以前没有抓取经验的另一张 2D 图片。此处显示了在减少测试中获得的响应示例。此示例 neuron 对测试中最小的片段做出响应。
一旦掌握,如果执行得当,这项技术可以在不到 90 分钟的时间内完成。观看此视频后,您应该对如何使用物体和物体图像测试背侧视觉流中的神经元有一个很好的了解,以确定驱动响应的关键特征。
View the full transcript and gain access to thousands of scientific videos
本文提出了一种详细的协议,用于分析参与视觉运动转换的顶叶-额叶神经元的物体选择性。该研究采用专门的设置,以允许在使用真实世界的物体和图像进行伸手和抓握任务时观察神经元反应。解决的关键问题包括神经元如何编码物体以及它们的表示如何从视觉任务变为运动任务。
Understanding how neurons encode object features and transform visual input into motor output informs target validation in neurotherapeutic development. This method supports mechanistic de-risking by linking neural selectivity to visuomotor behavior, enhancing predictive confidence in target engagement. It provides a disease-relevant system for probing sensorimotor integration in preclinical models.
The method fits within early discovery workflows by providing neural selectivity data that informs target validation and lead identification in neuroscience drug discovery.