2025年6月13日
本研究描述了一种利用机器学习检测啮齿类动物模型(包括TgF344-AD大鼠)运动功能障碍的精细运动行为测试方法。
我们的研究聚焦于神经退行性疾病模型中的精细运动技能。具体而言,我们旨在将新设计的任务作为一种新型生物标志物,用于评估运动功能障碍。机器学习算法推动了系统神经科学的发展,能够以无偏倚且自动化的方式将动物的集群运动解析为行为,而这些行为通常无法通过人眼识别。
通过结合身体部位追踪和计算机聚类方法,我们能够可靠地检测、分类并预测动物在新型精细运动任务中动作之间的转换。开始为期10天的训练阶段时,首先打开红外灯、相机和计算机。将装有大鼠的笼子转移到测试房间,并让它们适应环境五分钟。
使用训练碗,在第一天将1至5粒颗粒置于延伸段上,且延伸段完全置于装置内部。对每只动物进行10分钟的训练。在随后的几天中,将颗粒放置在靠近啮齿类动物一侧的碗端,并逐渐将其向远处移动,以促进抓取行为。
一旦啮齿类动物用嘴从延伸端边缘取走颗粒,即使只是用嘴接触,即开始使用镊子递送颗粒,以促进其伸手行为。当啮齿类动物触碰到镊子时,立即给予奖励。随后,将镊子稍向外移动,促使动物进一步伸手。
在为期九天的测试阶段,将大鼠放入房间内适应环境一小时。使用牙科蜡将平台固定在适当位置,然后放置第一个碗,确保其前端与仪器开口齐平且居中。使用大鼠的编号、录制日期和录制时间命名视频文件和旋转视图。
将大鼠放入装置中。关闭盖子,并在顶部放置一张白色卡纸以遮挡光线。仔细检查摄像机角度,确保捕捉到合适的画面,如果培养皿未居中,则进行调整。
将指定数量的颗粒倒入碗中,然后按“开始录制”。留在房间内以监测大鼠行为,记录行为学数据,并根据需要补充颗粒。对于普通碗,确保颗粒可见且可从碗边缘触及。
对于 Less 碗,需确认颗粒未堆叠,且保持松散分布。对于 Plinko 碗,需检查颗粒在障碍物之间分布是否充分。将大鼠放回其饲养笼,并提供规定量的食物。
在每只动物之间用消毒剂擦拭实验箱。每天实验结束后,用乙醇喷洒整个实验箱以进行消毒。在基线测试期间,随着碗的设计变得更为复杂,大鼠的总抓取次数增加。
在哈马林处理下,与基线相比,所有碗型的总抓取次数均减少,表明运动功能受损。在基线阶段,随着碗的难度增加,总抓取次数也随之增加,显示出尽管任务复杂,仍存在行为上的坚持性。使用Plinko碗时,失败次数增加。
哈马林破坏了正常的抓取表现。在给予哈马林之前,随着任务难度增加,基线条件下的失败次数随之上升,但在哈马林作用下失败次数保持稳定。哈马林显著降低了任务的学习速率以及在所有类型碗状目标下的抓取频率。
利用机器学习分析抓取动作,揭示了基线条件与哈马林处理条件下以及不同碗型之间独特的姿态和任务策略。大鼠在每种碗型内及不同碗型条件下使用了不同的抓取音节。与同源野生型大鼠相比,TgF344-AD 转基因大鼠的总抓取次数减少。
野生型大鼠在碗状装置复杂性增加时,总抓取次数也随之增加。尽管每组内的表现类型存在差异,但TgF344-AD大鼠的成功表现显著降低。随着碗状装置难度增加,两种基因型的大鼠失败次数均有所上升。
行为会产生大量干扰。特别是,在我们的任务中,颗粒物可能会从平台上被碰落。我们使用关键点-MoSeq来解决这一问题。
本方案改进了以往不允许运动具有自扰动特征的研究行为范式。
查看完整文字稿并访问数千部科学视频
本研究介绍了一种精细运动行为测试方法,旨在利用机器学习技术评估啮齿类动物模型(特别是TgF344-AD大鼠)的运动功能缺陷。
在临床前神经退行性疾病模型中对精细运动功能障碍进行定量评估,可弥补阿尔茨海默病及相关疾病在早期靶点验证和机制性风险排除方面的关键空白。结合基于机器学习的运动学分析,能够实现对运动表型的客观、可重复测量,从而提升转化研究中的预测可信度。该方法通过提供对疾病进展和治疗干预研究具有高敏感性和可扩展性的终点指标,增强了项目决策能力。
该运动学运动任务融入了从基础发现到临床前研究的连续过程,为神经退行性疾病研究中从机制性研究到转化生物标志物开发提供了桥梁。