Summary
우리는 두 가지 등반 섬유 의존적 연관 학습 작업 중에 동물의 행동을 추적하는 단일 플랫폼을 개발했습니다. 저비용 설계는 섬유 관련 소뇌 활동을 등반하기위한 광유전학 또는 이미징 실험과 통합 할 수 있습니다.
Abstract
Purkinje 세포에 대한 등반 섬유 입력은 소뇌 의존적 연관 학습에 중요한 유익한 신호를 제공합니다. 머리가 고정된 마우스에서 이러한 신호를 연구하면 이미징, 전기 생리학 및 광유전학 방법의 사용이 용이합니다. 여기에서는 저비용 행동 플랫폼 (~ $ 1000)이 개발되어 달리기 바퀴에서 자유롭게 로코모티를 만드는 머리 고정 마우스에서 연관 학습을 추적 할 수 있습니다. 이 플랫폼은 두 가지 일반적인 연관 학습 패러다임, 즉 아이블링크 컨디셔닝과 지연된 촉각 깜짝 컨디셔닝을 통합합니다. 동작은 카메라를 사용하여 추적되고 감지기에 의한 휠 이동이 추적됩니다. 우리는 구성 요소와 설정을 설명하고 교육 및 데이터 분석을위한 자세한 프로토콜을 제공합니다. 이 플랫폼은 광유전학적 자극 및 형광 영상화의 혼입을 허용한다. 이 설계를 통해 단일 호스트 컴퓨터가 여러 동물을 동시에 훈련시키기 위해 여러 플랫폼을 제어 할 수 있습니다.
Introduction
조건화 된 반응을 이끌어 내기 위해 자극 사이의 초 미만의 연관성의 파블로프 컨디셔닝은 소뇌 의존성 학습을 조사하기 위해 오랫동안 사용되어 왔습니다. 예를 들어, 고전적 지연 눈 깜박임 조절 (DEC)에서, 동물들은 중립적 인 조건부 자극 (CS; 예를 들어, 빛 또는 청각 톤의 플래시)에 반응하여 잘 정해진 보호 깜박임을 만드는 법을 배웁니다.이 자극은 무조건적인 자극 (미국; 예를 들어, 각막에 적용되는 공기의 퍼프)과 반복적으로 짝을 이룰 때 항상 반사 깜박임을 유발하며, 그리고 CS의 끝 또는 그 근처에 온다. 학습된 응답을 조건화 응답(CR)이라고 하고, 반사 응답을 무조건 응답(UR)이라고 합니다. 토끼에서 소뇌 특정 병 변은 이러한 형태의 학습 1,2,3,4을 방해합니다. 또한, 퍼킨제 세포 복합체 스파이크는 등반 섬유 입력(5)에 의해 구동되며, 적절한 타이밍의 CR을 획득하기 위해 필요한 6,7 및 충분한 8,9 신호를 제공한다.
보다 최근에, 등반 섬유 의존적 연관 학습 패러다임이 머리 고정 마우스를 위해 개발되었다. DEC는 이 구성10,11에 적응된 최초의 연관 학습 패러다임이었습니다. 머리-고정 마우스에서의 DEC는 소뇌 영역 11,12,13,14,15,16,17 및 회로 소자 11,1 2,13,14,15,18,19를 식별하는데 사용되어 왔다. 그것은 작업 획득 및 멸종에 필요합니다. 이 접근법은 또한 과제 파라미터의 세포 수준 생리학적 표현이 학습13,15,16과 함께 어떻게 진화하는지를 입증하는데 사용되었다.
눈깜짝할 사이에 지연된 깜짝 촉각 컨디셔닝(DTSC) 패러다임은 최근 머리 고정 마우스(20)에 대한 신규한 연관 학습 과제로서 개발되었다. 개념적으로 DEC와 유사하게, DTSC는 중립 CS를 미국으로 제시하는 것을 포함하며, UR로서 깜짝 놀랄만한 반사(21,22)를 참여시키기에 충분한 강도로 얼굴에 탭한다. DTSC 패러다임에서 UR과 CR은 모두 바퀴에서 후진 운동으로 판독됩니다. DTSC는 이제 연관 학습이 소뇌 활성과 유전자 발현20의 패턴을 어떻게 변화시키는지를 밝히기 위해 사용되어 왔다.
이 작업에서는 DEC 또는 DTSC를 단일 플랫폼에 유연하게 적용하기 위한 방법이 개발되었습니다. 자극 및 플랫폼 속성은 그림 1에 개략적으로 설명되어 있습니다. 이 설계에는 카메라로 동물의 행동을 추적할 수 있는 기능과 바퀴 위의 마우스 움직임을 추적하는 회전식 엔코더가 통합되어 있습니다. 데이터 로깅 및 시험 구조의 모든 측면은 쌍을 이루는 마이크로 컨트롤러 (Arduino)와 단일 보드 컴퓨터 (SBC; 라즈베리 파이). 이러한 장치는 제공된 그래픽 사용자 인터페이스를 통해 액세스할 수 있습니다. 여기에서는 설정, 실험 준비 및 실행을 위한 워크플로와 데이터 시각화를 위한 사용자 지정 분석 파이프라인을 제시합니다.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
여기에 설명 된 동물 프로토콜은 프린스턴 대학의 동물 관리 및 사용위원회의 승인을 받았습니다.
1. SBC 설정
- 카메라 직렬 인터페이스(CSI) 케이블을 라즈베리 NoIR V2 카메라 및 SBC의 카메라 포트에 연결합니다.
- SBC의 운영 체제를 호스트 컴퓨터에 다운로드합니다. 운영 체제 이미지를 마이크로 보안 디지털(microSD) 카드에 씁니다.
참고: 라즈베리 파이 SBC에 대한 이러한 절차에 대한 자세한 지침은 다른 곳에서 찾을 수 있습니다23. 이 시스템은 Stretch, Buster, Bullseye와 같은 운영 체제를 사용하여 테스트되었습니다. - 보안 셸 통신을 활성화하려면 microSD 카드의 부팅 파티션에 "ssh"라는 확장이 없는 파일을 만듭니다. 이 작업이 완료되면 호스트 시스템에서 microSD 카드를 꺼내 SBC microSD 카드 슬롯에 삽입하십시오. 전원 공급 장치를 연결하여 SBC에 전원을 공급합니다.
- 호스트에 대한 유선 연결을 허용하도록 SBC를 준비합니다.
- 적절한 케이블로 모니터를 SBC에 연결합니다. 터미널을 열고 ifconfig 명령을 입력한 다음 SBC의 이더넷 IP 주소를 기록합니다.
참고: 라즈베리 파이 모델 3B+에는 HDMI 디스플레이 포트가 있고 모델 4B에는 마이크로 HDMI 포트가 있습니다. - Raspberry Pi 구성 설정의 인터페이스 탭으로 이동하여 카메라, SSH(보안 셸 네트워크 프로토콜) 및 VNC(가상 네트워크 컴퓨팅) 옵션을 사용하도록 설정합니다.
- 적절한 케이블로 모니터를 SBC에 연결합니다. 터미널을 열고 ifconfig 명령을 입력한 다음 SBC의 이더넷 IP 주소를 기록합니다.
- 호스트 컴퓨터와 SBC 간에 유선 연결을 설정합니다.
- 이더넷 케이블을 SBC 및 호스트 컴퓨터의 이더넷 포트에 연결합니다. 이러한 케이블의 다른 쪽 끝을 이더넷 스위치에 연결합니다.
- VNC 뷰어(24 )와 같은 가상 네트워크 컴퓨팅 클라이언트를 사용하고, SBC IP 주소 및 디폴트 인증(사용자 = "pi", 암호 = "라즈베리")을 사용하여 데스크탑에 액세스한다.
- 프로토콜 단계에 포함된 필수 소프트웨어를 다운로드합니다.
주의: SBC에 대한 무단 액세스를 방지하기 위해 기본 사용자 이름과 암호를 변경하십시오.- SBC 터미널에 다음 명령을 입력하여 리그 소프트웨어를 다운로드합니다.
자식 클론 --깊이 = 1 https://github.com/gerardjb/assocLearnRig - 다음 명령을 입력하여 필요한 파이썬 라이브러리를 다운로드하십시오.
cd assocLearnRig
파이썬3 setup.py - 마이크로 컨트롤러를 직접 제어하려면 SBC에 연결하고 1.6.4-1.6.7단계에 따라 마이크로 컨트롤러 통합 개발 환경(IDE)을 다운로드합니다.
- SBC 데스크톱에서 웹 브라우저를 열고 https://arduino.cc/en/software 로 이동합니다. IDE의 최신 Linux ARM 32비트 버전을 다운로드합니다.
- SBC 바탕 화면에서 터미널 창을 열고 cd 다운로드 / 를 입력하여 다운로드 디렉토리로 이동합니다.
- IDE를 설치하려면 터미널에 다음 명령을 입력하십시오.
tar -xf arduino--linuxarm.tar.xz
sudo mv arduino-/opt
sudo /opt/arduino-/install.sh
(여기 <버전>은 다운로드 한 IDE의 버전입니다) - SBC 데스크톱에서 마이크로 컨트롤러 IDE의 인스턴스를 엽니다. 메뉴 옵션 도구 > 라이브러리 관리를 선택합니다. Paul Stoffregen에서 "인코더" 라이브러리를 설치합니다.
- SBC 터미널에 다음 명령을 입력하여 리그 소프트웨어를 다운로드합니다.
- USB 썸 드라이브로 SBC 온보드 메모리를 확장합니다.
- 썸 드라이브를 SBC의 USB 포트에 삽입합니다. 가능한 경우 USB 3.0 포트를 사용합니다.
- 터미널 ls -l /dev/disk/by-uuid/ 를 입력하여 썸 드라이브와 고유 참조(UUID)를 찾습니다. UUID를 기록합니다.
- pi 사용자가 USB 장치에 쓸 수 있도록 하려면 터미널에 다음 명령을 하나씩 입력합니다.
sudo mkdir /media/usb
sudo chown -R pi : pi / media / usb
sudo mount /dev/sda1 /media/usb -o uid=pi,gid=pi
참고: 썸 드라이브는 /etc/fstab의 fstab 파일 끝에 다음 줄을 추가하여 SBC가 다시 시작될 때 자동으로 마운트되는 장치로 추가할 수 있습니다.
UUID=1.7.2단계의/media/usb vfat auto,nofail,noatime,users,rw,uid=pi,gid=pi 0 0
2. 배선 자극 하드웨어 및 조립 단계
- 마이크로 컨트롤러를 연결하고 준비합니다.
- USB2 유형 A에서 USB2 마이크로 케이블로 SBC를 마이크로 컨트롤러(Arduino Due)의 프로그래밍 포트에 연결합니다.
주: 올바른 작동을 위해 재료 표의 제품과 같은 고품질 케이블을 사용하십시오. - 다운로드한 프로젝트 저장소에서 "dueAssocLearn.ino"를 찾습니다. 마이크로 컨트롤러 IDE로 스케치를 열고 SBC에 연결된 마이크로 컨트롤러에 업로드합니다.
- 호스트 컴퓨터에 적절한 버전의 Arduino IDE를 다운로드하여 설치하십시오.
- USB2 유형 B에서 USB2 유형 A 케이블로 호스트 컴퓨터를 마이크로 컨트롤러(Arduino Uno)에 연결합니다.
- GitHub 리포지토리(https://github.com/gerardjb/assocLearnRig)로 이동하여 "DTSC_US.ino" 스케치를 호스트 컴퓨터에 다운로드합니다.
- 호스트 컴퓨터에서 마이크로 컨트롤러 IDE를 실행하고 "DTSC_US.ino" 스케치를 연 다음 마이크로 컨트롤러에 업로드합니다.
- USB2 유형 A에서 USB2 마이크로 케이블로 SBC를 마이크로 컨트롤러(Arduino Due)의 프로그래밍 포트에 연결합니다.
- 그림 2의 프리칭 다이어그램에 표시된 대로 마이크로 컨트롤러, 브레드 보드, LED, 회전식 인코더, 드라이버가 있는 스테퍼 모터 및 드라이버가 있는 솔레노이드 밸브에 전선을 연결합니다.
- 스테퍼 모터와 솔레노이드 밸브에 전원을 공급하십시오.
- 전원 공급 장치의 한 채널을 스테퍼 모터 드라이버의 +V 및 GND 핀에 올바르게 배선합니다.
- 전원 공급 장치를 켜고 연결된 채널 전압을 25V로 설정합니다.
주: 스테퍼 모터, 드라이버 및 전원 공급 장치 간의 연결이 올바르게 구성되면 스테퍼 모터 드라이버의 녹색 표시등 LED가 켜집니다. - 전원 공급 장치의 포지티브 리드를 솔레노이드 밸브 드라이버 홀드 전압 핀에 올바르게 연결하고 다른 포지티브 리드를 스파이크 전압 핀에 연결하십시오.
- 네거티브 리드를 제어 신호와 공유되는 접지에 연결합니다.
- 전원 공급 장치를 켜고 홀드 전압에 연결된 채널을 약 2.5V로, 스파이크 전압에 연결된 채널을 약 12V로 설정합니다.
- 루어 어댑터를 사용하여 ~ 20PSI의 압력으로 조절되는 공기 공급원을 솔레노이드 밸브에 연결하십시오.
- 모든 자극 구성 요소와 카메라가 제대로 작동하는지 테스트합니다.
- SBC에서 터미널을 열고 cd ~/assocLearnRig 를 입력하여 복제된 GitHub 리포지토리로 이동합니다.
- 터미널에서 python3 assocLearnRig_app.py 을 입력하여 제어 그래픽 사용자 인터페이스를 시작하십시오.
- 스트림 버튼을 눌러 카메라 스트림 을 시작합니다.
- DEC Radio 버튼을 선택하고 마이크로 컨트롤러에 업로드한 다음 세션 시작 단추를 눌러 기본 매개 변수로 세션을 시작합니다.
참고: 이 단계가 끝나면 터미널에 데이터 로그의 인쇄물이 나타나고 카메라 스트림의 메시지가 사라지며 LED CS 및 솔레노이드 밸브 US가 각 시험 중에 적절한 시간에 켜고 꺼야 합니다. - 세션이 종료되면 DTSC 라디오 단추를 선택한 상태에서 이전 단계를 반복합니다.
참고: 위의 단계에서 만족스러운 결과를 제공하지 못하는 경우 GitHub 리포지토리의 스케치("testStepper.ino", "testRotary.ino" 및 "testSolenoid.ino")를 사용하여 개별 구성 요소를 테스트할 수 있습니다.
- 달리는 바퀴를 만드십시오.
- 폼 롤러에서 3 "휠을 자릅니다. 정확한 휠 중앙에 1/4" 구멍을 뚫어 마우스의 움직임에 의해 돌릴 때 휠이 흔들리지 않도록 합니다.
- 휠에 1/4" 샤프트를 삽입하고 휠의 양쪽에 배치된 클램핑 허브를 사용하여 제자리에 고정합니다.
- M3 볼트를 사용하여 로터리 엔코더를 4.5" 알루미늄 채널에 부착합니다. 그림과 같이 1/4" 볼트, 너트 및 와셔가 있는 직각 브래킷을 사용하여 알루미늄 브레드 보드의 알루미늄 채널을 안정화합니다.
- 샤프트 커플링 슬리브를 사용하여 휠과 로터리 엔코더를 부착합니다.
- 브레드 보드 장착 광학 포스트에 설치된 직각 엔드 클램프에 삽입된 베어링으로 휠 샤프트의 자유 측면을 안정화합니다.
참고: 손으로 회전할 때 휠이 흔들리지 않고 자유롭게 회전하도록 하십시오. - 자극 하드웨어, 헤드레스트, 적외선 어레이 및 파이카메라를 조립된 휠 주위에 배치합니다.
- 광학 포스트와 직각 포스트 클램프를 사용하여 헤드레스트를 배치하여 헤드 포스트가 휠 액슬 앞 1.5cm, 휠 표면 위 2cm가 되도록 합니다. (값은 20 g 마우스에 대한 것이다).
- DEC에 사용되는 CS LED 및 솔레노이드 밸브 배출구를 DEC에 사용된 눈에서 1cm 미만으로 배치합니다.
- DTSC US에 사용되는 스테퍼 모터 장착
- 동물이있을 곳에서 ~ 10cm 떨어진 광학 포스트에 파이 카메라를 장착하십시오.
참고: 파이카메라 마운트의 설계는 GitHub 리포지토리의 "RaspPiCamMount1_1.stl"에 있는 파일에서 3D 프린터에서 수행할 수 있습니다. - 적외선 어레이를 약간 위에 놓고 파이 카메라와 같은 쪽의 얼굴 위치를 직접 향하게하십시오.
- 클램핑 허브를 사용하여 1/4" 샤프트에 장착된 아크릴 조각의 가장자리에 폼을 테이핑하여 DTSC에 대한 촉각 자극을 만듭니다. 촉각 자극을 스테퍼 모터 샤프트에 부착하십시오.
참고: 아크릴 조각의 디자인은 GitHub 리포지토리의 "TactileStimDesign.pdf"의 패턴에 따라 레이저 절단이 가능합니다.
3. 행동 실험 준비 및 실행
- 마우스 헤드플레이트 이식.
- 2 % 이소 플루란을 사용하여 마우스를 마취시키고 입체 전술 프레임에서 머리를 고정하십시오.
- 눈에 안과 연고를 바르십시오.
- 비눗물과 멸균 메스를 사용하여 두피를 면도하십시오. 절개 부위의 피부 바로 아래에 리도카인을 주사하고 포비돈으로 수술 부위를 청소하십시오.
- 눈의 뒤쪽 가장자리에서 두개골의 뒤쪽 가장자리까지 두피의 중간 선을 따라 메스로 절개를하고 두개골을 너무 세게 누르지 않도록주의하십시오.
- 절개를 벌리고 멸균 지혈제로 양쪽을 고정시켜 열어 놓습니다. 에탄올로 담근 면봉을 사용하여 골막을 부드럽게 제거하고 노출 된 두개골의 표면이 건조되도록하십시오.
- 머리판 레벨을 두개골에 놓고 헤드플레이트 앞쪽을 눈에 대고 위치시킵니다. 시아 노 아크릴레이트 접착제를 사용하여 헤드 플레이트를 두개골에 부착하고 접착제가 완전히 건조되도록하십시오.
- 혼합 접시에 치과 시멘트 분말 (1 스쿱), 용제 (2 방울) 및 촉매 (1 방울)를 섞어서 노출 된 뼈의 모든 부위에 바르십시오. 표면이 헤드플레이트의 상단 가장자리와 수평이 될 때까지 레이어를 추가하여 헤드플레이트가 두개골에 단단히 부착되었는지 확인합니다.
- 필요한 경우 헤드 플레이트 뒤와 앞에서 닫힌 피부를 봉합하십시오.
- 기관 지침에 따라 카프로펜과 같은 수술 후 진통제를 주사하면서 동물이 적어도 5 일 동안 회복 할 수 있도록하십시오.
- 행동 세션 준비.
- 실험 전 5일 동안 30분 동안 헤드레스트에 장착하여 실험 동물이 플랫폼에 익숙해지도록 허용하십시오.
참고 : 습관화 세션이 끝날 때까지 동물들은 바퀴에서 편안하게 달릴 수 있어야합니다. - (DEC에만 해당) 세션에 앞서 솔레노이드 밸브 배출구가 >1cm 떨어진 곳에 위치한 대상 눈의 중앙에 있는지 확인하십시오.
- (DEC에만 해당) 푸시 버튼을 사용하여 에어 퍼프를 수동으로 작동시킵니다. 마우스가 구부러진 자세를 취하거나 동측성 앞발로 영향을받는 안구 주위를 움켜 잡는 것과 같은 스트레스의 명백한 징후를 보이지 않고 즉시 깜박임을 일으키는지 확인하십시오.
- (DTSC에만 해당) 세션에 앞서 촉각 자극이 ~ 1.5cm 떨어진 동물의 코에 집중되어 있는지 확인하십시오.
참고: DTSC 동작 세션이 실행되고 있지 않으면 스테퍼 모터가 자동으로 비활성화되어 수동 위치 조정이 가능합니다. - (DTSC에만 해당) SBC 터미널에서 python3 assocLearnRig_app.py를 입력하여 GUI를 시작하십시오.
- (DTSC에만 해당) GUI에서 세션 시작 단추를 눌러 기본 매개 변수를 사용하여 세 번의 평가판으로 테스트 세션을 실행합니다.
- (DTSC에만 해당) 터미널에 인쇄되는 로깅된 데이터가 각 시험에서 미국 이후 로터리 엔코더에 기록된 20단계 이상이지만 100단계 미만의 편향을 표시하는지 확인합니다.
주의: 동물에 대한 해를 피하고 스트레스를 줄이려면 동물에서 더 멀리 떨어진 곳에서 자극을 시작하고 필요한 조건이 충족 될 때까지 더 가깝게 이동하십시오.
- 실험 전 5일 동안 30분 동안 헤드레스트에 장착하여 실험 동물이 플랫폼에 익숙해지도록 허용하십시오.
- 데이터 로깅을 사용하여 동작 세션 실행.
- 마우스를 헤드레스트에 장착합니다.
- SBC의 터미널에 python3 assocLearnRig_app.py 를 입력하여 GUI를 시작하십시오.
- 행동 시도 중에 카메라 녹화를 허용하려면 스트림 버튼을 누르십시오.
참고: 세션은 카메라 없이 실행할 수 있습니다. 이 경우 로터리 엔코더 및 자극 프리젠테이션 타임스탬프의 데이터만 기록됩니다. - 동물 ID 필드에 동물의 식별 정보를 입력하고 설정 버튼을 누릅니다.
- 원하는 행동 패러다임에 따라 세션 유형 제목 아래의 라디오 버튼에서 DEC 또는 DTSC를 선택합니다.
- 원하는 실험 매개 변수를 동물 ID 필드 아래의 필드에 입력하고 Arduino 에 업로드 버튼을 누릅니다.
참고: 실험 매개 변수에 대한 자세한 내용은 GitHub 리포지토리 추가 정보 섹션에서 확인할 수 있습니다. - 세션 시작 버튼을 눌러 세션을 시작하십시오.
- 세션이 초기화되면 SBC 썸 드라이브 탑재 지점의 "/media/usb"에 생성된 새 디렉터리에 데이터가 로깅되기 시작합니다.
4. 데이터 내보내기 및 분석
- 기록된 모든 세션을 호스트 컴퓨터로 내보내려면 명령 프롬프트를 열고 pscp -r pi@Pi_IP_address:/media/usb* host_computer_destination 명령을 입력한 다음 SBC 암호로 인증합니다.
참고: 위의 명령은 Windows 컴퓨터용입니다. Mac 및 Linux 컴퓨터에서는 터미널을 사용하고 "pscp"를 "scp"로 바꿉니다. - 호스트 컴퓨터에 Anaconda25 또는 다른 파이썬 패키지 관리자 (PPM)를 설치하십시오.
- GitHub 리포지토리로 이동하여 "analyzeSession.py", "summarizeSessions.py", "session2mp4s.py" 및 "requirementsHost.txt"를 다운로드합니다.
- PPM 프롬프트를 열고 conda install --file directory_containing_requirementsHostrequirements Host.txt 를 입력하여 Python 패키지 설치에 필요한 파이썬 라이브러리가 있는지 확인하십시오.
- 프롬프트에서 cd directory_containing_analyzeData를 입력하여 "analyzeData.py" 및 "session2mp4s.py"가 포함된 디렉토리로 이동합니다. 파이썬 analyzeSession.py 를 입력하여 분석 프로그램을 실행하십시오.
참고: 파이썬 2 버전을 파이썬으로 사용하는 경우 오류 메시지가 생성됩니다. 버전을 확인하려면 프롬프트에 python -V 를 입력하십시오. - 메시지가 표시되면 데이터가 들어 있는 디렉터리를 선택합니다. 여러 하위 디렉토리가있는 디렉토리가 순차적으로 분석됩니다.
- DEC 세션의 경우 분석된 각 세션 디렉터리에 대해 평가판 평균 이미지에서 마우스의 눈이 포함된 관심 영역(ROI)을 선택합니다.
참고: 최종 분석 데이터 파일 및 요약 그래프는 분석된 각 세션 디렉토리의 하위 디렉토리로 채워집니다. - python summarizeSessions.py 을 입력하여 여러 세션에서 요약 데이터를 생성합니다.
- 프롬프트 python session2mp4s.py 을 입력하여 이미징 데이터 파일을 볼 수있는 .mp4 파일로 변환하십시오.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
DEC 실험 및 분석을 위한 워크플로우
적절한 실험 파라미터 선택은 성공적인 지연 아이블링크 컨디셔닝(DEC) 훈련에 중요하다. 여기에 제시된 데이터의 경우, GUI를 사용하여 350ms의 CS 지속 시간 및 50ms의 미국 지속 시간을 선택했습니다. 이러한 짝짓기는 300ms의 인터-자극 간격을 초래한다: 낮은 진폭 CR 생산(10 )을 방지하기에 충분히 길고, 열악한 학습 또는 추적 컨디셔닝의 체제로 들어가는 것을 피하기에 충분히 짧은, 추가적인 뇌 영역(11)을 관여시키는 과정이다. 시험 사이의 시간은 ITI 낮음과 높은 필드를 사용하여 5-15 초 범위에서 무작위로 균일하게 선택되도록 설정되었습니다. 시험 간 간격의 무작위화는 동물 피험자가 작업 수행을 위해 CS 및 미국 이외의 타이밍 신호를 사용하는 것을 불가능하게 만듭니다.
CS 또는 미국을 생략하는 임상시험을 포함하면 훈련된 동물에서도 CR 및 UR 운동학을 평가할 수 있습니다. 사용자는 CS와 US가 쌍을 이루거나 분리되어 제시되는 임상시험의 비율을 정의할 수 있다. 여기에 제시된 데이터에서 우리는 10 % CS 전용 시험에서 모든 세션을 실행했으며 나머지는 쌍을 이루는 시험과 미국 전용 시험이 없었습니다. 짝을 이루지 않은 시도의 과도한 수를 포함하면 교육에 부정적인 영향을 줄 수 있습니다. 예를 들어, 짝을 이루지 않은 임상시험의 50% 이상을 갖는 세션은 훈련된 동물(19,26)에서 CR의 멸종을 유도하기 위해 일반적으로 사용된다.
카메라 준비 및 조명 조건도 고품질 데이터를 획득하는 데 중요합니다. 획득의 프레임 속도는 Picamera 획득 소프트웨어에서 조정할 수 있습니다. 여기에 제시된 데이터에서 DEC 실험을 위해 120Hz의 프레임 속도를 설정했습니다. Picamera 모듈 자체는 최대 ~ 200Hz의 프레임 속도를 허용하지만 속도가 낮을수록 프레임 손실을 방지하고 눈꺼풀 추적에 적절한 시간 해상도를 제공합니다. 적외선은 눈이 열렸을 때 각막에서 과도한 반사를 일으키지 않고 안구 주위 모피를 고르게 비추기 위해 배치되어야합니다. 도 3A는 수용가능한 조명을 갖는 기록 세션으로부터의 샘플 이미지를 도시한다. 파이카메라 획득 소프트웨어(picameraStream.py)는 카메라가 초기화될 때 조명 조건에 따라 카메라의 화이트 밸런스와 게인을 설정 및 유지하여 세션 전반에 걸쳐 일관된 설정을 제공하도록 설계되었습니다.
동작 세션이 초기화되면 카메라 및 기타 플랫폼 하드웨어 구성 요소의 데이터가 자동으로 기록됩니다. 데이터 로그는 GUI의 동물 ID 필드에 입력된 날짜 및 값으로 명명된 디렉토리에 작성됩니다. 각 시험의 카메라 프레임과 타임스탬프는 동물 ID, 실험 날짜 및 시험 번호를 사용하여 명명된 개별 파일에 저장됩니다. 휠 속도, 평가판 시작, 평가판 중지, CS 및 미국 타이밍을 포함한 각 세션의 플랫폼 이벤트는 단일 .txt 파일로 저장됩니다.
호스트 머신으로 전송된 데이터는 프로토콜의 섹션 4에 설명된 대로 분석될 수 있다. 대상 디렉토리에서 analyzeData.py 를 실행하면 카메라 파일 분석을 기반으로 배열의 모든 시도에 대한 눈꺼풀 위치 대 시간에 대한 .npy 컨테이너가 생성됩니다. 이 컨테이너 파일은 분석되는 디렉터리에 만들어집니다. 일단 주어진 동물에 대한 모든 세션이 분석되면, 모든 세션은 summarizeSessions.py 를 사용하여 정렬되고 연결될 수 있다. DEC의 8개 세션에 대해 훈련된 동물로부터의 결과를 도 3B에 나타내었다. 또한 .mp4 유틸리티를 사용하여 개별 평가판을 볼 수 있는 session2mp4s.py 파일로 렌더링할 수 있습니다. 이 유틸리티는 동영상의 왼쪽 위 모서리에 사각형을 인쇄하여 CS와 US가 적용되는 시점을 나타냅니다. 이러한 방식으로 준비된 샘플 DEC 시험은 보충 비디오 1로 나란히 제시됩니다. 왼쪽 패널은 동물이 LED CS에 대한 반응으로 눈을 성공적으로 감는 시험을 보여줍니다. 오른쪽 패널에서 동물은 미국이 시작될 때까지 깜박이지 않습니다.
섹션 3의 프로토콜에 따라 DEC에서 훈련되고 앞의 고려 사항과 함께 기록 된 동물은 여러 훈련 일 동안 점차적으로 획득 된 잘 정한 CR에 대한 명확한 증거를 보여줘야합니다. 훈련되지 않은 동물에서 CR이 없는 행동 흔적의 예와 훈련된 동물의 강력한 CR을 포함하는 흔적이 도 3B에 제시되어 있다. 이 흔적이 보여 주듯이, 순진한 동물은 CS에 대한 반응이 아니라 미국에 대한 강력한 반응을 보여줘야합니다. CR은 며칠 동안 수행되는 행동 세션을 통해 크기와 빈도 모두에서 점진적으로 증가해야합니다 (그림 3B-D). 반대로 차선책의 조명 조건은 획득한 데이터의 품질을 심각하게 제한합니다. 눈과 주변 모피 사이의 대비가 낮을 때(그림 3E), 이미지의 약간의 변화는 단일 세션에 걸쳐 기록된 UR의 모양을 크게 변경하고 눈꺼풀 위치를 감지하기 위한 신호 대 잡음비를 감소시킬 수 있습니다(그림 3F-G).
높은 충실도의 눈꺼풀 녹화를 보장하려면 최적의 광원 배치가 중요합니다. 조명 LED는 녹화된 눈에서 직접 훈련되어야 합니다. 배치로 인해 각막 표면에 과도한 눈부심이 생기면 디퓨저를 LED 어레이 위에 배치하여 이 효과를 줄일 수 있습니다.
DTSC 실험 및 분석을 위한 워크플로우
실험 파라미터 선택에 대한 많은 고려사항은 지연 촉각 깜짝 컨디셔닝(DTSC)과 DEC 사이에서 유사하다. 여기서 우리는 다른 것을 지적 할 것입니다. 예제 데이터에서, DTSC CS 지속 시간은 50ms의 US 지속 시간으로 250ms로 설정되었다. 이러한 더 짧은 인터-자극 간격은 DTSC 학습(20)에 최적으로 설명된 더 짧은 지속기간과 밀접하게 일치하도록 선택되었다. GUI를 통해 설정된 다른 플랫폼 매개 변수는 DEC에 사용된 매개 변수와 동일합니다.
촉각 자극의 적절한 배치는 DTSC에서 학습하는 데 중요합니다. 우리는 촉각 자극을 장착하여 중립 위치에있을 때 거품 끝이 동물의 코보다 약간 위에 집중되도록합니다. 일단 장착되면 세션이 실행되지 않을 때 자극을 손으로 돌릴 수 있습니다. 세션 중에 스테퍼 모터는 미국이 트리거 될 때까지 정확한 위치에 자극을 유지합니다. 포지셔닝이 올바른지 확인하기 위해, 우리는 약 세 번의 시험으로 구성된 준비 세션을 운영합니다. 로터리 인코더에 기록된 이벤트는 터미널 화면에 인쇄되며, 이 인쇄물을 사용하여 동물 UR의 진폭을 실시간으로 모니터링할 수 있습니다. 최대 진폭은 시험마다 다르지만 짧은 세션에서 인코더에서 평균 최대 ~ 40 카운트를 가진 동물은 DTSC 작업에서 잘 수행되어야합니다. 로터리 엔코더 제어 설정에 따라 이 값은 24cm/s에 해당하며, 음수 값은 동물이 바퀴에서 뒤로 움직이고 있음을 나타냅니다.
DTSC 세션 과정에서 생성된 파일의 구성 및 이름 지정은 DEC에서 생성된 파일과 동일합니다. 실행 analyzeSession.py 를 실행하면 .csv 파일에 기록된 데이터의 분석에서 배열의 모든 시도에 대한 휠 속도 대 시간에 대한 .npy 컨테이너가 생성됩니다. 일단 주어진 동물에 대한 모든 세션이 분석되면, 모든 세션은 summarizeSession.py 를 사용하여 정렬되고 연결될 수 있다. DEC의 5개 세션에 대해 훈련된 동물로부터의 결과는 도 4A에 제시된다. DEC의 경우 DTSC에서 카메라 캡처를 볼 수있는 .mp4 파일로 변환 할 수 있습니다. 샘플 DTSC 시험은 보충 비디오 2에 나란히 표시됩니다. 왼쪽 패널은 동물이 LED CS에 대한 응답으로 휠을 성공적으로 뒤로 물러나는 시험을 보여줍니다. 오른쪽 패널에서, 동물은 촉각 자극 US 가 적용될 때까지 바퀴를 움직이지 못한다.
DTSC 패러다임에 대해 훈련 된 동물의 반응의 UR에 상대적인 시간 코스 및 진폭은 DEC에서 훈련 된 동물과 질적 유사성을 보여줍니다. Naïve 동물은 CS에 대한 반응을 보이지 않아야하며 쌍을 이루는 CS와 미국에 반복적으로 노출 된 후에 만 CS에 대한 응답으로 휠을 뒤로 움직이는 법을 배워야합니다. CR의 주파수와 진폭은 훈련이 진행됨에 따라 증가합니다(그림 4A,B). DTSC의 경우, 우리는 훈련 초기에 UR 진폭이 학습 성공의 좋은 예측 인자라는 것을 발견했습니다. 낮은 진폭 UR (<20cm / s)을 생산하는 미국과 훈련 된 동물 집단에서 4 일간의 훈련 후에 CR을 일관되게 생산하는 법을 배운 동물은 없었습니다 (그림 4C, D).
DEC와 DTSC 교육의 차이점
DEC와 DTSC는 중요한 면에서 다릅니다. 첫째,이 플랫폼에서의 DTSC 학습은 더 빠르게 발생하며, 대부분의 동물은 다섯 번째 날까지 훈련과 점근 적 수행의 셋째 날까지 높은 수준의 작업 숙련도를 달성합니다. DEC 학습은 대부분의 동물에게 적어도 3 일까지 느립니다. 둘째, DTSC 시스템은 촉각 자극의 진폭을 줄이기 위해 장치에 피드백 신호 역할을하는 성공적인 CR의 자동 검출을 통합합니다. 이 훈련 절차는 향상된 CR 성능이 혐오스러운 각막 공기 퍼프로부터 부분적인 보호를 제공하는 눈썹 조절을 모방합니다. 대조적으로, DTSC 패러다임에서 머리가 고정된 동물은 운동 반응만으로는 촉각 자극으로부터 자신을 보호할 수 없다. CR의 존재에 대한 미국의 진폭을 기반으로함으로써, 동물은 혐오스러운 자극으로부터 자신을 보호 할 수있는 기회를 갖게됩니다.
그림 1: 플랫폼 속성 및 디자인 . (A) 머리가 고정된 조건에서 동물 행동을 기록하기 위한 플랫폼 요소. 마우스를 바이오렌더 이미지로부터 적응시켰다. (B) DEC 및 DTSC 컨디셔닝을 위한 타이밍 및 자극. 사용자 정의 상호 자극 간격(ISI)은 CS 전용 신기원이 얼마나 오래 지속되는지를 결정합니다. CS와 미국 시대는 공동 종료하도록 설계되었습니다. (C) 주요 플랫폼 요소의 배치를 보여주는 그림. 1) DTSC 미국의 통제를 위한 댄서 모터. 2) 동물을위한 달리기 바퀴. 3) 바퀴 움직임을 추적하기위한 로터리 엔코더. 4) DTSC 촉각 자극 역할을하는 아크릴 팔 위에 테이핑 된 폼. 5) LED CS. 6) DEC US를 제공하는 솔레노이드 밸브 및 출구. 7) 동물 행동을 기록하기위한 파이 카메라. 8) 단계 조명을 위한 적외선 LED. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 2: 플랫폼 하드웨어 요소의 배선. (A) 완전히 조립 될 때 플랫폼 하드웨어의 프리칭 배선도. 전선은 주황색 = 카메라 모듈이있는 모듈로 채색됩니다. 노란색 = DEC US 모듈; 파란색 = LED CS 모듈; 보라색 = DTSC 미국 모듈; 녹색 = 로터리 엔코더 모듈. 파이카메라는 제외되지만 라즈베리 파이 표면에 위치한 카메라 직렬 인터페이스에 부착됩니다. 배터리는 지정된 전압에서 직류 전원 공급 장치를 나타냅니다. (B-F) 절연 모듈을 위한 동등한 배선 체계. 전선이 다시 채색되어 빨간색과 검은 색이 항상 포지티브 공급 레일과 접지를 나타내는 반면 다른 와이어는 회로를 쉽게 따라갈 수 있도록 채색되었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 3: DEC 훈련의 대표적인 결과 . (A) 허용 가능한 조명 조건을 가진 세션의 카메라 프레임 예. 눈과 안구 주위 모피 사이의 높은 대비에 주목하십시오. (B) DEC 패러다임에서 며칠에 걸쳐 수행되는 세션 동안 단일 동물의 성능. 수평선은 각 시험의 성능을 나타내며 따뜻한 색상은 눈꺼풀 폐쇄를 나타냅니다. 가장 왼쪽 빨간색 검정색 세로선은 CS의 시작을 나타내고 점선은 미국의 시작을 나타냅니다. 두 번째 실선은 CS와 미국의 중단을 나타냅니다. CS 동안 성공적인 응답을 받은 평가판 수는 교육 세션에서 증가합니다. (C) (B)로부터의 동물 성과는 매일 세션에 대한 시험 평균으로부터 도출된 개별 추적을 갖는다. 색조 채도는 이후 세션에 대해 더 높은 채도를 갖는 세션 번호를 나타냅니다. (d) DEC 그룹 내의 모든 동물에 대한 성능 (n=7). 얇은 선은 각 동물에 대한 각 세션에서 검출 가능한 CR을 사용한 임상시험의 비율을 나타냅니다. 굵은 선은 모든 동물에 걸친 세션 평균을 나타냅니다. (e) 차선책의 조명 조건을 갖는 세션으로부터의 예시적인 카메라 프레임. (F) 조명이 좋지 않은 상태에서 기록된 단일 시험의 정량화. UR은 감지 가능하지만 최적의 조명 조건에서보다 콘트라스트가 낮고 변동성이 높습니다. (G) (F)에 제시된 임상시험으로부터의 세션 평균 추적. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 4: DTSC 훈련의 대표적인 결과. (A) DTSC 패러다임에서 수일에 걸쳐 수행된 세션 동안 단일 동물의 성능. 수평선은 각 시험에서 성능을 나타내며 따뜻한 색상은 후진 휠 이동을 나타냅니다. 가장 왼쪽 검은 색 세로선은 CS의 시작을 나타내고 점선은 미국의 시작을 나타냅니다. 두 번째 실선은 CS와 미국의 중단을 나타냅니다. (B) (A)로부터의 동물 성과는 매일 세션에 대한 시험 평균으로부터 도출된 개별 추적을 갖는다. 색조 채도는 이후 세션에 대해 더 높은 채도를 갖는 세션 번호를 나타냅니다. (c) DTSC 그룹의 모든 동물에 대한 성능 (n=6). 얇은 선은 각 동물에 대한 각 세션에서 검출 가능한 CR을 사용한 임상시험의 비율을 나타냅니다. 굵은 선은 모든 동물에 걸친 세션 평균을 나타냅니다. (D) 미국 강도가 낮은 진폭 UR을 유도한 코호트로부터의 (A)에서와 같은 단일 시험. (e) 약한 미국을 겪은 동물에 대해 (B)에서와 같이 제시된 세션 평균 흔적. (F) 약한 미국을 가진 DTSC에 있는 모든 동물에 대한 성능 (n = 6). 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
보충 비디오 1 : 샘플 DEC 히트 및 미스 평가판. DEC 평가판은 비디오 1에서 비교됩니다. 각 비디오는 피사체가 대상 CR을 동기화하고 비교를 위해 나란히 재생하는 시도(왼쪽)를 만들거나 실패(오른쪽)하는 시험을 보여 줍니다. LED CS는 파란색 사각형이 각 비디오의 왼쪽 위 모서리에 나타날 때 켜집니다. 미국 제어 신호는 흰색 사각형이 파란색 사각형을 대체할 때 활성화됩니다. CS 및 US 제어 신호는 사각형이 사라지면 공동 종료됩니다. 이 비디오를 다운로드하려면 여기를 클릭하십시오.
보충 비디오 2 : 샘플 DTSC가 재판을 치고 놓칩니다. 비디오 2는 DTSC 평가판 비교를 보여줍니다. 각 비디오는 피사체가 대상 CR을 동기화하고 비교를 위해 나란히 재생하는 시도(왼쪽)를 만들거나 실패(오른쪽)하는 시험을 보여 줍니다. LED CS는 파란색 사각형이 각 비디오의 왼쪽 위 모서리에 나타날 때 켜집니다. 미국 제어 신호는 흰색 사각형이 파란색 사각형을 대체할 때 활성화됩니다. CS 및 US 제어 신호는 사각형이 사라지면 공동 종료됩니다. 이 비디오를 다운로드하려면 여기를 클릭하십시오.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
여기에 설명 된 관련 프로토콜이있는 플랫폼은 두 가지 감각 연관 학습 작업에서 동물의 행동을 안정적으로 추적하는 데 사용할 수 있습니다. 각 작업은 등반 섬유 경로를 통한 온전한 의사 소통에 달려 있습니다. 여기에 설명 된 디자인에서 우리는 소뇌 반응의 학습 및 기록 / 교란을 용이하게하는 요소를 통합합니다. 여기에는 자유로운 운동11,18뿐만 아니라 머리 고정을 허용하는 바퀴가 포함됩니다. 휠은 마우스 피험자가 자유롭게 로코모티를 할 수 있게 하며, 이는 DEC 획득(18)에 중요한 것으로 관찰되었다. 마우스에서의 두부 고정은 연구자들이 다른 모델 종에서 또는 자유롭게 움직이는 조건 하에서 사용하기가 더 어려운 유전적, 전기생리학적, 영상화, 광유전학적 접근법을 이용할 수 있게 한다(12). 우리는 이러한 각 응용 프로그램에 대한 우리의 디자인을 사용했습니다. 마이크로 컨트롤러에서 실행되는 소프트웨어는 다중 광자 획득 또는 광유전학 자극과의 동기화를 위한 타이밍 신호를 제어하도록 쉽게 조정할 수 있으며, 둘 다 밀리초 이하의 정밀도로 가능합니다. 광유전학 및 영상 장비에 대한 동물의 인식을 최소화하기 위해 이러한 것들이 행동 실험과 결합될 때 주의를 기울여야 한다. 예를 들어, 많은 다중 광자 시스템은 이미징 획득이 시작될 때 갈바노메트릭 스캐너 또는 셔터에서 가청 사운드를 방출합니다. 시험 시작에 의해 획득이 촉발된다면, 그러한 소리는 자극이 다가오는 동물 피험자에게 의도하지 않은 신호로 작용할 수 있습니다.
행동 장치의 제어는 실험, 카메라 및 데이터 내보내기를 관리하기 위한 그래픽 사용자 인터페이스를 생성하는 데 사용되는 SBC를 중심으로 구축됩니다. SBC는 또한 시험 타이밍을 처리하고 자극 프리젠 테이션 및 로터리 엔코더와 같은 하드웨어 구성 요소를 직접 제어하는 두 개의 마이크로 컨트롤러에 명령을 보냅니다. 여기에 자세히 설명 된 프로토콜은 제어 실험 타이밍으로 인해 아두 이노에 부착 된 라즈베리 파이 3B + 또는 4B와 DTSC US의 프리젠 테이션을 제어하기 위해 아두 이노 우노를 사용하여 테스트되었습니다. 다른 하드웨어 설계 구현도 가능하지만 제공된 소프트웨어로 테스트되지 않았습니다.
여러 리그를 병렬로 사용하려면 SBC를 "헤드리스" 모드로 작동하는 것이 좋습니다. 이 구성에서는 호스트 컴퓨터가 SBC와 상호 작용하는 데 사용됩니다. 이더넷 스위치를 사용하면 호스트 컴퓨터와 SBC에 동시에 인터넷 연결을 할 수 있습니다. 이 스위치는 또한 빠른 데이터 전송으로 호스트와 SBC 간의 직접 통신을 허용합니다. 결과적으로 스위치를 사용하면 데이터 전송 및 SBC 패키지 유지 보수가 용이합니다.
여러 리그를 병렬로 실행하려면 각 리그를 자체 특수 인클로저에 배치해야 합니다. 이러한 인클로저에는 서로 가까이 배치된 경우 방음 기능이 포함되어야 합니다. 인접한 리그 사이의 소리를 억제하면 이웃 인클로저에서 발생하는 자극으로부터 의도하지 않은 청각 신호를 피할 수 있습니다.
DEC 및 DTSC를 위한 단일 플랫폼을 사용하면 조사관이 각 패러다임의 강점과 약점을 유연하게 탐색할 수 있습니다. DEC는 어떤 뇌 영역과 특정 소뇌 회로 요소가 작업 학습 및 실행에 관련되어 있는지에 대한 수십 년간의 연구에서 파생 된 통찰력을 즐깁니다 1,4,11,13,14,15,19. 그러나, 마우스에서, 눈깜짝이 막히는 컨디셔닝(11,12)과 가장 자주 연관된 소뇌 피질의 영역은 원발성 소뇌 균열 내 깊숙이 위치한다(비록 표면 소엽 VI의 DEC 연관 영역을 입증하는15,17,27 참조). 학습을위한 깊은 유전자좌는 광학 실험, 특히 세포 활동 및 광유전 적 섭동 실험의 다중 광자 이미징에 대한 접근을 복잡하게 만듭니다. 대조적으로, DTSC의 소뇌 기질은 부분적으로 소엽 IV / V20의 피상적 인 측면에 위치합니다. 따라서 DTSC는 시스템 신경 과학 조사를위한 인기있는 사이트 인 등쪽 신피질과 비교할 수있는 광학 액세스를 제공합니다.
우리의 디자인에서 동물의 행동은 바퀴와 카메라에 부착 된 회전식 인코더를 사용하여 추적됩니다. 우리는 저렴한 비용과 구현의 용이성을 위해 이러한 방법을 선택했습니다. 일부 예들에서, 다른 추적 방법들은 더 많은 공간 및 시간적 정확도를 제공할 수 있다. 예를 들어, DEC에서의 눈꺼풀 위치는 일반적으로 홀 효과 센서(28,29) 또는 근육 구균 안구(oculi)의 주변 궤도 영역의 근전도 기록(30,31)을 사용하여 추적되었다. 마찬가지로, 휠 모션을 감지하여 움직임을 추적하는 것은 SLEAP32 및 DeepLabCut33과 같은 이미지 기반 포즈 추적 알고리즘보다 동물 행동에 대한 덜 상세한 그림을 제공합니다. 카메라 기반 녹화를 통해 이러한 접근 방식을 추가 할 수 있습니다.
여기에서, 우리는 두 개의 등반 섬유 의존적 연관 학습 패러다임 동안 동물 행동을 추적하기위한 플랫폼을 제시했습니다. 우리의 플랫폼은 비용 및 구현 용이성 측면에서 이러한 방법의 접근성을 높이기위한 것입니다.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
저자는 공개 할 이해 상충이 없습니다.
Acknowledgments
이 작업은 국립 정신 건강 연구소 NRSA F32 MH120887-03 (G.J.B.) 및 R01 NS045193 및 R01 MH115750 (S.S-H.W.)의 보조금으로 지원됩니다. DEC 설정 최적화를 위한 유용한 토론을 해주신 Bas Koekkoek 박사와 Henk-Jan Boele 박사님과 DTSC 설정 최적화를 위한 유용한 토론을 위해 Yue Wang과 Xiaoying Chen 박사님께 감사드립니다.
Materials
| Name | Company | Catalog Number | Comments |
| "B" Quick Base For C&B METABOND - 10 mL bottle | Parkell | S398 | Dental cement solvent |
| "C" Universal TBB Catalyst - 0.7 mL | Parkell | S371 | Catalyst |
| #8 Washers | Thorlabs | W8S038 | Washers |
| 0.250" (1/4") x 8.00" Stainless Steel Precision Shafting | Servocity | 634172 | 1/4" shaft |
| 0.250” (0.770") Clamping Hub | Servocity | 545588 | Clamping hub |
| 1/4" to 6 mm Set Screw Shaft Coupler- 5 pack | Actobotics | 625106 | Shaft-coupling sleeve |
| 1/4"-20 Cap Screws, 3/4" Long | Thorlabs | SH25S075 | 1/4" bolt |
| 100 pcs 5 mm 395–400 nm UV Ultraviolet LED Light Emitting Diode Clear Round Lens 29 mm Long Lead (DC 3V) LEDs Lights +100 pcs Resistors | EDGELEC | ED_YT05_U_100Pcs | CS LEDs |
| 2 m Micro HDMI to DVI-D Cable - M/M - 2 m Micro HDMI to DVI Cable - 19 pin HDMI (D) Male to DVI-D Male - 1920 x 1200 Video | Star-tech | HDDDVIMM2M | Raspberry Pi4B to monitor cable |
| 256 GB Ultra Fit USB 3.1 Flash Drive | SanDisk | SDCZ430-256G-G46 | USB thumb drive |
| 3.3 V–5 V 4 Channels Logic Level Converter Bi-Directional Shifter Module | Amazon | B00ZC6B8VM | Logic level shifter |
| 32 GB 95 MB/s (U1) microSDHC EVO Select Memory Card | Samsung | MB-ME32GA/AM | microSD card |
| 4.50" Aluminum Channel | Servocity | 585444 | 4.5" aluminum channel |
| 48-LED CCTV Ir Infrared Night Vision Illuminator | Towallmark | SODIAL | Infrared light array |
| 4PCS Breadboards Kit Include 2PCS 830 Point 2PCS 400 Point Solderless Breadboards for Proto Shield Distribution Connecting Blocks | REXQualis | B07DL13RZH | Breadboard |
| 5 Port Gigabit Unmanaged Ethernet Network Switch | TP-Link | TL-SG105 | Ethernet switch |
| 5 V 2.5 A Raspberry Pi 3 B+ Power Supply/Adapter | Canakit | DCAR-RSP-2A5 | Power supply for Raspberry Pi 3B+ |
| 5-0 ETHILON BLACK 1 x 18" C-3 | Ethicon | 668G | Sutures |
| 6 mm Shaft Encoder 2000 PPR Pushpull Line Driver Universal Output Line Driver Output 5-26 V dc Supply | Calt | B01EWER68I | Rotary encoder |
| Ø1/2" Optical Post, SS, 8-32 Setscrew, 1/4"-20 Tap, L = 1", 5 Pack | Thorlabs | TR1-P5 | Optical posts |
| Ø1/2" Optical Post, SS, 8-32 Setscrew, 1/4"-20 Tap, L = 2", 5 Pack | Thorlabs | TR2-P5 | Optical posts |
| Ø1/2" Optical Post, SS, 8-32 Setscrew, 1/4"-20 Tap, L = 4", 5 Pack | Thorlabs | TR4-P5 | Optical posts |
| Ø1/2" Optical Post, SS, 8-32 Setscrew, 1/4"-20 Tap, L = 6", 5 Pack | Thorlabs | TR6-P5 | Optical posts |
| Ø1/2" Post Holder, Spring-Loaded Hex-Locking Thumbscrew, L = 2" | Thorlabs | PH2 | Optical post holder |
| Adapter-062-M X LUER LOCK-F | The Lee Co. | TMRA3201950Z | Solenoid valve luer adapter |
| Aeromat Foam Roller Size: 36" Length | Aeromat | B002H3CMUE | Foam roller |
| Aluminum Breadboard 10" x 12" x 1/2", 1/4"-20 Taps | Thorlabs | MB1012 | Aluminum breadboard |
| Amazon Basics HDMI to DVI Adapter Cable, Black, 6 Feet, 1-Pack | Amazon | HL-007347 | Raspberry Pi3B+ to monitor cable |
| Arduino Uno R3 | Arduino | A000066 | Arduino Uno (microcontroller board) |
| Arduino Due | Arduino | A000062 | Arduino Due (microcontroller board) |
| Bench Power Supply, Single, Adjustable, 3 Output, 0 V, 24 V, 0 A, 2 A | Tenma | 72-8335A | Power supply |
| Clear Scratch- and UV-Resistant Cast Acrylic Sheet, 12" x 24" x 1/8" | McMaster Carr | 8560K257 | Acrylic sheet |
| CNC Stepper Motor Driver 1.0–4.2 A 20–50 V DC 1/128 Micro-Step Resolutions for Nema 17 and 23 Stepper Motor | Stepper Online | B06Y5VPSFN | Stepper motor driver |
| Compact Compressed Air Regulator, Inline Relieving, Brass Housing, 1/4 NPT | McMaster Carr | 6763K13 | Air source regulator |
| Cotton Swab | Puritan | 806-WC | Cotton swab |
| Dell 1908FP 19" Flat Panel Monitor - 1908FPC | Dell | 1908FPC | Computer monitor |
| Flex Cable for Raspberry Pi Camera | Adafruit | 2144 | camera serial interface cable |
| High Torque Nema 17 Bipolar Stepper Motor 92 oz·in/65 N·cm 2.1 A Extruder Motor | Stepper Online | 17HS24-2104S | Stepper motor |
| Isoflurane | Henry Schein | 66794001725 | Isoflurane |
| Krazy Maximum Bond Permanent Glue, 0.18 oz. | Krazy Glue | KG483 | Cyanoacrylate glue |
| Lidocaine HCl | VetOne | 510212 | Lidocaine |
| Low-Strength Steel Hex Nut, Grade 2, Zinc-Plated, 1/4"-20 Thread Size | McMaster Carr | 90473A029 | Nuts |
| M3 x 50 mm Partially Threaded Hex Key Socket Cap Head Screws 10 pcs | Uxcell | A16040100ux1380 | M3 bolt |
| NEMA 17 Stepper Motor Mount | ACTOBOTICS | 555152 | Stepper motor mount |
| Official Raspberry Pi Power Supply 5.1 V 3 A with USB C - 1.5 m long | Adafruit | 4298 | Power supply for Raspberry Pi 4B |
| Optixcare Dog & Cat Eye Lube Lubricating Gel, 0.70-oz tube | Optixcare | 142422 | Opthalimic ointment |
| Precision Stainless Steel Ball Bearing, Shielded, Trade No. R188-2Z, 13000 rpm Maximum Speed | McMaster-Carr | 3759T57 | Bearing |
| Premium Female/Female Jumper Wires - 40 x 6" | Adafruit | 266 | Wires |
| Premium Female/Male 'Extension' Jumper Wires - 40 x 6" (150 mm) | Adafruit | 826 | Wires |
| Premium Male/Male Jumper Wires - 40 x 6" | Adafruit | 758 | Wires |
| Radiopaque L-Powder for C&B METABOND - 5 g | Parkell | S396 | Dental cement powder |
| Raspberry Pi (3B+ or 4B) | Adafruit | 3775 or 4295 | Raspberry Pi |
| Raspberry Pi NoIR Camera Module V2 - 8MP 1080P30 | Raspberry Pi Foundation | RPI3-NOIR-V2 | Raspberry NoIR V2 camera |
| Right-Angle Bracket, 1/4" (M6) Counterbored Slot, 8-32 Taps | Thorlabs | AB90E | Right-angle bracket |
| Right-Angle Clamp for Ø1/2" Posts, 3/16" Hex | Thorlabs | RA90 | Right-angle optical post clamp |
| Right-Angle End Clamp for Ø1/2" Posts, 1/4"-20 Stud and 3/16" Hex | Thorlabs | RA180 | Right-angle end clamp |
| RJ45 Cat-6 Ethernet Patch Internet Cable | Amazon | CAT6-7FT-5P-BLUE | Ethernet cable |
| Rotating Clamp for Ø1/2" Posts, 360° Continuously Adjustable, 3/16" Hex | Thorlabs | SWC | Rotating optical post clamps |
| Spike & Hold Driver-0.1 TO 5 MS | The Lee Co. | IECX0501350A | Solenoid valve driver |
| Swivel Base Adapter | Thorlabs | UPHA | Post holder adapter |
| USB 2.0 A-Male to Micro B Cable, 6 feet | Amazon | 7T9MV4 | USB2 type A to USB2 micro cable |
| USB 2.0 Printer Cable - A-Male to B-Male, 6 Feet (1.8 m) | Amazon | B072L34SZS | USB2 type B to USB2 type A cable |
| VHS-M/SP-12 V | The Lee Co. | INKX0514900A | Solenoid valve |
| Zinc-Plated Steel 1/4" washer, OD 1.000" | McMaster Carr | 91090A108 | Washers |
References
- McCormick, D. A., Lavond, D. G., Clark, G. A., Kettner, R. E., Rising, C. E., Thompson, R. F. The engram found? Role of the cerebellum in classical conditioning of nictitating membrane and eyelid responses. Bulletin of the Psychonomic Society. 18 (3), 103-105 (1981).
- McCormick, D. A., Clark, G. A., Lavond, D. G., Thompson, R. F. Initial localization of the memory trace for a basic form of learning. Proceedings of the National Academy of Sciences of the United States of America. 79 (8), 2731-2735 (1982).
- McCormick, D. A., Thompson, R. F. Cerebellum: essential involvement in the classically conditioned eyelid response. Science. 223 (4633), New York, N.Y. 296-299 (1984).
- Krupa, D. J., Thompson, J. K., Thompson, R. F. Localization of a memory trace in the mammalian brain. Science. 260 (5110), New York, N.Y. 989-991 (1993).
- Llinás, R., Sugimori, M. Electrophysiological properties of in vitro Purkinje cell dendrites in mammalian cerebellar slices. The Journal of Physiology. 305, 197-213 (1980).
- Mintz, M., Lavond, D. G., Zhang, A. A., Yun, Y., Thompson, R. F. Unilateral inferior olive NMDA lesion leads to unilateral deficit in acquisition and retention of eyelid classical conditioning. Behavioral and Neural Biology. 61 (3), 218-224 (1994).
- Welsh, J. P., Harvey, J. A. Cerebellar lesions and the nictitating membrane reflex: performance deficits of the conditioned and unconditioned response. The Journal of Neuroscience: The Official Journal of the Society for Neuroscience. 9 (1), 299-311 (1989).
- Mauk, M. D., Steinmetz, J. E., Thompson, R. F. Classical conditioning using stimulation of the inferior olive as the unconditioned stimulus. Proceedings of the National Academy of Sciences of the United States of America. 83 (14), 5349-5353 (1986).
- Steinmetz, J. E., Lavond, D. G., Thompson, R. F. Classical conditioning in rabbits using pontine nucleus stimulation as a conditioned stimulus and inferior olive stimulation as an unconditioned stimulus. Synapse. 3 (3), New York, N.Y. 225-233 (1989).
- Chettih, S. N., McDougle, S. D., Ruffolo, L. I., Medina, J. F. Adaptive timing of motor output in the mouse: The role of movement oscillations in eyelid conditioning. Frontiers in Integrative Neuroscience. 5, 72 (2011).
- Heiney, S. A., Wohl, M. P., Chettih, S. N., Ruffolo, L. I., Medina, J. F. Cerebellar-dependent expression of motor learning during eyeblink conditioning in head-fixed mice. The Journal of Neuroscience. 34 (45), 14845-14853 (2014).
- Heiney, S. A., Kim, J., Augustine, G. J., Medina, J. F. Precise control of movement kinematics by optogenetic inhibition of purkinje cell activity. Journal of Neuroscience. 34 (6), 2321-2330 (2014).
- Ten Brinke, M. M., et al. Evolving models of pavlovian conditioning: Cerebellar cortical dynamics in awake behaving mice. Cell Reports. 13 (9), 1977-1988 (2015).
- Gao, Z., et al. Excitatory cerebellar nucleocortical circuit provides internal amplification during associative conditioning. Neuron. 89 (3), 645-657 (2016).
- Giovannucci, A., et al. Cerebellar granule cells acquire a widespread predictive feedback signal during motor learning. Nature Neuroscience. 20 (5), 727-734 (2017).
- Ten Brinke, M. M., et al. Dynamic modulation of activity in cerebellar nuclei neurons during pavlovian eyeblink conditioning in mice. eLife. 6, 28132 (2017).
- Wang, X., Yu, S., Ren, Z., De Zeeuw, C. I., Gao, Z. A FN-MdV pathway and its role in cerebellar multimodular control of sensorimotor behavior. Nature Communications. 11 (1), 6050 (2020).
- Albergaria, C., Silva, N. T., Pritchett, D. L., Carey, M. R. Locomotor activity modulates associative learning in mouse cerebellum. Nature Neuroscience. 21 (5), 725-735 (2018).
- Kim, O. A., Ohmae, S., Medina, J. F. A cerebello-olivary signal for negative prediction error is sufficient to cause extinction of associative motor learning. Nature Neuroscience. 23 (12), 1550-1554 (2020).
- Yamada, T., et al. Sensory experience remodels genome architecture in neural circuit to drive motor learning. Nature. 569 (7758), 708-713 (2019).
- Horlington, M. Startle response circadian rhythm in rats: lack of correlation with motor activity. Physiology & Behavior. 5 (1), 49-53 (1970).
- Yeomans, J. S., Li, L., Scott, B. W., Frankland, P. W. Tactile, acoustic and vestibular systems sum to elicit the startle reflex. Neuroscience and Biobehavioral Reviews. 26 (1), 1-11 (2002).
- Raspberry Pi Operating system images. , Available from: https://www.raspberrypi.com/software/operationg-systems/ (2021).
- VNC Server. VNC® Connect. , Available from: https://www.realvnc.com/en/connect/download/vnc/ (2021).
- Anaconda: The world's most popular data science platform. , Available from: https://xddebuganaconda.xdlab.co/ (2021).
- De Zeeuw, C. I., Ten Brinke, M. M.
- Badura, A., et al. Normal cognitive and social development require posterior cerebellar activity. eLife. 7, 36401 (2018).
- Koekkoek, S. K. E., Den Ouden, W. L., Perry, G., Highstein, S. M., De Zeeuw, C. I. Monitoring kinetic and frequency-domain properties of eyelid responses in mice with magnetic distance measurement technique. Journal of Neurophysiology. 88 (4), 2124-2133 (2002).
- Kloth, A. D., et al. Cerebellar associative sensory learning defects in five mouse autism models. eLife. 4, 06085 (2015).
- Boele, H. -J., Koekkoek, S. K. E., De Zeeuw, C. I. Cerebellar and extracerebellar involvement in mouse eyeblink conditioning: the ACDC model. Frontiers in Cellular Neuroscience. 3, (2010).
- Lin, C., Disterhoft, J., Weiss, C. Whisker-signaled eyeblink classical conditioning in head-fixed Mice. Journal of Visualized Experiments: JoVE. (109), e53310 (2016).
- Pereira, T. D., et al. Fast animal pose estimation using deep neural networks. Nature Methods. 16 (1), 117-125 (2019).
- Mathis, A., et al. DeepLabCut: markerless pose estimation of user-defined body parts with deep learning. Nature Neuroscience. 21 (9), 1281-1289 (2018).
