Waiting
Login-Verarbeitung ...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Neuroscience
Click here for the English version

Neuroscience

En fleksibel plattform for overvåking av cerebellumavhengig sensorisk assosiativ læring

Published: January 19, 2022 doi: 10.3791/63205
Automatic Translation
1, 1, 1, 1
1Neuroscience Institute, Princeton University

Summary

Vi har utviklet en enkelt plattform for å spore dyreatferd under to klatrefiberavhengige assosiative læringsoppgaver. Den rimelige designen gjør det mulig å integrere med optogenetiske eksperimenter eller bildebehandlingseksperimenter rettet mot klatring av fiberrelatert cerebellaraktivitet.

Abstract

Klatrefiberinnganger til Purkinje-celler gir lærerike signaler som er kritiske for cerebellumavhengig assosiativ læring. Å studere disse signalene i hodefaste mus letter bruken av avbildning, elektrofysiologiske og optogenetiske metoder. Her ble det utviklet en rimelig atferdsplattform (~ $ 1000) som tillater sporing av assosiativ læring i hodefaste mus som locomote fritt på et løpehjul. Plattformen inneholder to vanlige assosiative læringsparadigmer: eyeblink condition og forsinket taktil startle condition. Atferd spores ved hjelp av et kamera og hjulbevegelsen av en detektor. Vi beskriver komponentene og oppsettet og gir en detaljert protokoll for opplæring og dataanalyse. Denne plattformen tillater inkorporering av optogenetisk stimulering og fluorescensavbildning. Designet gjør det mulig for en enkelt vertsdatamaskin å kontrollere flere plattformer for trening av flere dyr samtidig.

Introduction

Pavlovian conditioning av sub-second assosiasjon mellom stimuli for å fremkalle en betinget respons har lenge vært brukt til å sondere cerebellar-avhengig læring. For eksempel, i klassisk forsinkelse eyeblink condition (DEC), lærer dyr å gjøre en velbetimet beskyttende blink som svar på en nøytral betinget stimulus (CS, for eksempel et glimt av lys eller auditiv tone) når den parres gjentatte ganger med en ubetinget stimulus (US; f.eks. en puff av luft påført hornhinnen) som alltid fremkaller en refleksblink, og som kommer på eller nær slutten av CS. Det lærde svaret kalles en betinget respons (CR), mens refleksresponsen kalles ubetinget respons (UR). Hos kaniner forstyrrer cerebellum-spesifikke lesjoner denne læringsformen 1,2,3,4. Videre gir Purkinje cellekompleks pigger, drevet av deres klatrefiberinnganger5, et nødvendig 6,7 og tilstrekkelig 8,9 signal for oppkjøp av riktig tidsbetimede CRs.

Mer nylig har klatring fiberavhengige assosiative læringsparadigmer blitt utviklet for hodefaste mus. DEC var det første assosiative læringsparadigmet som ble tilpasset denne konfigurasjonen10,11. DEC i hodefaste mus har blitt brukt til å identifisere cerebellar regioner 11,12,13,14,15,16,17 og kretselementer 11,1 2,13,14,15,18,19 som kreves for oppgaveanskaffelse og utryddelse. Denne tilnærmingen har også blitt brukt til å demonstrere hvordan den fysiologiske representasjonen av oppgaveparametere på cellenivå utvikler seg med læring 13,15,16.

I tillegg til eyeblink ble det forsinkede taktile kondisjoneringsparadigmet (DTSC) nylig utviklet som en ny assosiativ læringsoppgave for hodefaste mus20. Konseptuelt lik DEC, innebærer DTSC presentasjonen av en nøytral CS med en USA, et trykk i ansiktet tilstrekkelig i intensitet til å engasjere en startle refleks21,22 som UR. I DTSC-paradigmet leses både UR og CR ut som baklengs bevegelse på et hjul. DTSC har nå blitt brukt til å avdekke hvordan assosiativ læring endrer cerebellar aktivitet og mønstre av genuttrykk20.

I dette arbeidet ble det utviklet en metode for fleksibel bruk av DEC eller DTSC i en enkelt plattform. Stimulus- og plattformattributtene er skjematisert i figur 1. Designet inkorporerer kapasiteten til å spore dyreatferd med et kamera, samt en roterende koder for å spore muselokomotion på et hjul. Alle aspekter av datalogging og prøvestruktur styres av parrede mikrokontrollere (Arduino) og en enkeltkorts datamaskin (SBC; Bringebær Pi). Disse enhetene kan nås via et gitt grafisk brukergrensesnitt. Her presenterer vi en arbeidsflyt for oppsett, eksperimentforberedelse og utførelse, og en tilpasset analysepipeline for datavisualisering.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Dyreprotokollene som er beskrevet her, er godkjent av Dyrepleie- og brukskomiteene ved Princeton University.

1. Sette opp SBC

  1. Koble kameraets serielle grensesnittkabel (CSI) til Raspberry NoIR V2-kameraet og kameraporten på SBC.
  2. Last ned operativsystemet for SBC til vertsdatamaskinen. Skriv operativsystemavbildningen til et micro secure digital (microSD)-kort.
    MERK: Detaljerte instruksjoner for disse prosedyrene for en Raspberry Pi SBC finnes andre steder23. Systemet er testet ved hjelp av følgende operativsystemer: Stretch, Buster, Bullseye.
  3. Hvis du vil aktivere sikker skallkommunikasjon, oppretter du en filtype som heter "ssh" i oppstartspartisjonen på microSD-kortet. Når dette er gjort, løser du ut microSD-kortet fra vertsmaskinen og setter det inn i SBC microSD-kortsporet. Slå på SBC ved å koble til strømforsyningen.
  4. Klargjør SBC for å godta en kablet tilkobling til verten.
    1. Fest en skjerm med en passende kabel til SBC. Åpne en terminal, skriv inn kommandoen ifconfig og registrer ETHERNET IP-adressen til SBC.
      MERK: Raspberry Pi modell 3B+ har en HDMI-skjermport, mens modell 4B har en mikro-HDMI-port.
    2. Gå til kategorien Grensesnitt i konfigurasjonsinnstillingen Raspberry Pi og aktiver alternativene for Kamera, SSH (Secure Shell Network Protocol) og Virtual Network Computing (VNC).
  5. Opprett en kablet tilkobling mellom vertsdatamaskinen og SBC.
    1. Koble en Ethernet-kabel til Ethernet-porten på SBC og en vertsdatamaskin. Fest den andre enden av disse kablene til en Ethernet-svitsj.
    2. Bruk en virtuell nettverksdataklient som VNC viewer24 og få tilgang til skrivebordet ved hjelp av SBC IP-adressen og standardautentiseringen (bruker = "pi", passord = "bringebær").
  6. Last ned nødvendig programvare som er inkludert i protokolltrinnene.
    FORSIKTIG: Endre standard brukernavn og passord for å forhindre uautorisert tilgang til SBC.
    1. Skriv inn følgende kommando i SBC-terminalen for å laste ned riggprogramvaren:
      git klone --dybde=1 https://github.com/gerardjb/assocLearnRig
    2. Skriv inn følgende kommandoer for å laste ned de nødvendige pythonbibliotekene.
      cd assocLearnRig
      python3 setup.py
    3. Hvis du vil tillate direkte kontroll over mikrokontrolleren, kobler du til SBC og laster ned det integrerte utviklingsmiljøet for mikrokontroller (IDE) ved å følge trinn 1.6.4-1.6.7.
    4. Åpne nettleseren på SBC-skrivebordet og naviger til https://arduino.cc/en/software. Last ned den nyeste Linux ARM 32-biters versjonen av IDE.
    5. Åpne et terminalvindu på SBC-skrivebordet og naviger til nedlastingskatalogen ved å skrive cd Nedlastinger /
    6. Hvis du vil installere IDE, skriver du inn følgende kommandoer i terminalen:
      tjære -xf arduino--linuxarm.tar.xz
      sudo mv arduino- /opt
      sudo /opt/arduino-/install.sh
      (her er versjonen av den nedlastede IDE)
    7. Åpne en forekomst av IDE for mikrokontroller på SBC-skrivebordet. Velg menyalternativet Verktøy > Behandle biblioteker. Installer biblioteket "Encoder" fra Paul Stoffregen.
  7. Utvid SBC innebygd minne med en USB-minnestasjon.
    1. Sett inn en minnepinne til en USB-port på SBC. Bruk en USB 3.0-port hvis tilgjengelig.
    2. Skriv inn terminal ls -l /dev/disk/by-uuid/ for å finne minnepinnen og den unike referansen (UUID). Registrer UUID.
    3. Hvis du vil tillate at PI-brukeren skriver til USB-enheten, skriver du inn følgende kommandoer én etter én i terminalen:
      sudo mkdir /media/usb
      sudo chown -R pi:pi /media/usb
      sudo-montering /dev/sda1 /media/usb -o uid=pi,gid=pi
      MERK: Minnepinnen kan legges til som en enhet som monteres automatisk når SBC starter på nytt ved å legge til følgende linje på slutten av fstab-filen på /etc/fstab:
      UUID= /media/usb vfat auto,nofail,noatime,users,rw,uid=pi,gid=pi 0 0

2. Ledningsremulerende maskinvare og monteringstrinn

  1. Koble til og klargjør mikrokontrollere.
    1. Koble SBC til programmeringsporten til mikrokontrolleren (Arduino Due) med en USB2 type A til USB2 mikrokabel.
      MERK: Bruk en kabel av høy kvalitet, for eksempel produktet i materialtabellen, for å sikre riktig drift.
    2. Finn "dueAssocLearn.ino" i det nedlastede prosjektrepositoriet. Åpne skissen med mikrokontrolleren IDE og last den opp til mikrokontrolleren som er koblet til SBC.
    3. Last ned og installer riktig versjon av Arduino IDE på vertsdatamaskinen.
    4. Koble vertsdatamaskinen til mikrokontrolleren (Arduino Uno) med en USB2 type B til USB2 type A-kabel.
    5. Gå til GitHub-repositoriet (https://github.com/gerardjb/assocLearnRig) og last ned "DTSC_US.ino" -skissen til vertsdatamaskinen.
    6. Kjør mikrokontroller-IDE på vertsdatamaskinen, og åpne "DTSC_US.ino"-skissen, og last den deretter opp til mikrokontrolleren.
  2. Fest ledninger til mikrokontrollere, brødplater, lysdioder, roterende koder, steppermotor med fører og magnetventil med driver som angitt i Fritzing-diagrammet i figur 2.
  3. Strøm steppermotoren og magnetventilen.
    1. Koble en kanal av en strømforsyning riktig til +V- og GND-pinnene til steppermotordriveren.
    2. Slå på strømforsyningen og sett den tilkoblede kanalspenningen til 25 V.
      MERK: Hvis forbindelsene mellom steppermotoren, driveren og strømforsyningen er riktig konfigurert, slås en grønn indikator-LED på steppermotordriveren på.
    3. Koble den positive ledningen til en strømforsyning riktig til magnetventildriveren holder spenningspinnen og den andre positive ledningen til spikespenningspinnen.
    4. Fest de negative ledningene til en bakke som deles med kontrollsignalet.
    5. Slå på strømforsyningen og sett kanalen som er koblet til hold spenningen til ca. 2,5 V og kanalen som er koblet til spikerspenning til ca. 12 V.
  4. Koble en luftkilde regulert til et trykk på ~20 PSI til magnetventilen ved hjelp av lueradapteren.
  5. Test at alle stimuluskomponenter og kamera fungerer som de skal.
    1. Åpne en terminal på SBC og skriv inn cd ~/assocLearnRig for å navigere til det klonede GitHub-repositoriet.
    2. I terminalen skriver du inn python3 assocLearnRig_app.py for å starte det grafiske brukergrensesnittet for kontrollen.
    3. Start kamerastrømmen ved å trykke på Stream-knappen .
    4. Velg DEC Radio-knappen , last opp til mikrokontrolleren, og start en økt med standardparametere ved å trykke på Start økt-knappen .
      MERK: Etter dette trinnet skal en utskrift av dataloggen vises i terminalen, meldingen på kamerastrømmen skal forsvinne, og LED CS og magnetventilen US skal slås av og på på passende tidspunkt under hver prøveperiode.
    5. Når økten er avsluttet, gjentar du de forrige trinnene med alternativknappen DTSC valgt.
      MERK: Skisser i GitHub-repositoriet ("testStepper.ino", "testRotary.ino" og "testSolenoid.ino") kan brukes til å teste individuelle komponenter hvis trinnene ovenfor ikke gir tilfredsstillende resultater.
  6. Lag løpehjulet.
    1. Klipp et 3" hjul fra en skumrulle. Bor et 1/4" hull i det nøyaktige hjulsenteret slik at hjulet ikke slingrer når det dreies av musens bevegelse.
    2. Sett en 1/4" aksel inn i hjulet og fest den på plass ved hjelp av klemmenav plassert på hver side av hjulet.
  7. Fest den roterende koderen til en 4,5" aluminiumskanal ved hjelp av en M3-bolt. Stabiliser aluminiumskanalen på aluminiumsbrødplaten ved hjelp av en rettvinklet brakett med en 1/4" bolt, mutter og vaskemaskin som vist.
  8. Fest hjulet og den roterende koderen ved hjelp av en akselkoblingshylse.
  9. Stabiliser den frie siden av hjulakselen med et lager satt inn i en rettvinklem som er installert på en brødplatemontert optisk stift.
    MERK: Pass på at hjulet snurrer fritt uten å slingre når det roteres for hånd.
  10. Plasser stimulusmaskinvaren, hodebeherskelsen, infrarødt lysmatrise og picamera rundt det monterte hjulet.
    1. Plasser hodestøttene ved hjelp av optiske stolper og rette vinkelstolpeklemmer slik at hodestolpene er 1,5 cm foran hjulakselen og 2 cm over hjuloverflaten. (Verdier er for en 20 g mus).
    2. Plasser CS LED- og magnetventiluttaket som brukes for DEC US mindre enn 1 cm fra øyet som brukes til DEC.
    3. Monter steppermotoren som brukes for DTSC US
    4. Monter picamera på en optisk stift ~ 10 cm fra hvor dyret skal være.
      MERK: Designet for picamera-braketten kan gjøres på en 3D-skriver fra filen i "RaspPiCamMount1_1.stl" i GitHub-repositoriet.
    5. Plasser det infrarøde lysmatrisen litt over og rett overfor ansiktets posisjon på samme side som picamera.
    6. Lag en taktil stimulans for DTSC ved å teipe skum til kanten av et stykke akryl montert på en 1/4" aksel ved hjelp av et klemmenav. Fest den taktile stimulansen til steppermotorakselen.
      MERK: Designet for akrylstykket kan laserskjæres etter mønsteret i "TactileStimDesign.pdf" i GitHub-repositoriet.

3. Forberede og kjøre atferdseksperimenter

  1. Implantering av musehodeplate.
    1. Bedøv en mus ved hjelp av 2% isofluran og hodefiks i en stereotaktisk ramme.
    2. Påfør en oftalmisk salve på øynene.
    3. Barber hodebunnen med såpevann og en steril skalpell. Injiser lidokain direkte under huden på snittstedet og rengjør operasjonsstedet med povidon.
    4. Lag et snitt med en skalpell langs midtlinjen av hodebunnen fra baksiden av øynene til bakkanten av skallen, vær forsiktig så du ikke trykker for hardt på skallen.
    5. Spred snittet åpent og klem begge sider med sterile hemostater for å holde det åpent. Fjern forsiktig periosteumet ved hjelp av en bomullspinne dyppet med etanol og la overflaten av den eksponerte skallen tørke.
    6. Plasser hodeplatenivået på skallen, og sørg for å plassere fronten på hodeplaten bakre mot øynene. Bruk cyanoacrylatlim for å feste hodeplaten til skallen og la limet tørke helt.
    7. Bland tannsementpulveret (1 scoop), løsningsmiddel (2 dråper) og katalysator (1 dråpe) i en blandefat og påfør på alle områder av eksponert bein. Legg til lag til overflaten er i flukt med den øverste kanten av hodeplaten, og sørg for at hodeplaten er godt festet til skallen.
    8. Suturer huden lukket bak og foran hodeplaten om nødvendig.
    9. Injiser postoperativ analgesi som karprofen i henhold til institusjonelle retningslinjer, samtidig som dyret kan gjenopprette i minst 5 dager.
  2. Forbereder for atferdsøkter.
    1. La testdyrene habituate til plattformen ved å montere dem i hodet selvbeherskelse i 30-minutters økter i 5 dager før eksperimenter.
      MERK: Ved slutten av habituation-øktene skal dyrene kjøre komfortabelt på hjulet.
    2. (Bare DES) Før økter må du kontrollere at magnetventiluttaket er sentrert på måløyet plassert >1 cm unna.
    3. (Bare DES) Bruk en luftpust manuelt ved hjelp av trykknappen. Forsikre deg om at musen raskt produserer et blunk uten å vise overt tegn på stress som å vedta en hunched holdning eller gripe den berørte periocular regionen med den ipsilaterale forepaw.
    4. (Bare DTSC) Før økter må du sørge for at den taktile stimulansen er sentrert på dyrets nese plassert ~ 1,5 cm unna.
      MERK: Når en DTSC-atferdsøkt ikke kjører, aktiveres steppermotoren automatisk for manuell omplassering.
    5. (Bare DTSC) I SBC-terminalen skriver du inn python3 assocLearnRig_app.py for å starte GUI.
    6. (Bare DTSC) Kjør en testøkt med tre prøveversjoner med standardparameterne ved å trykke startøktknappen i brukergrensesnittet.
    7. (Bare DTSC) Kontroller at de loggede dataene som skrives ut på terminalen, viser en avbøyning på mer enn 20, men mindre enn 100 trinn logget på den roterende koderen etter USA i hver prøveversjon.
      FORSIKTIG: For å unngå skade og redusere stress for dyret, start stimulansen lenger fra dyret og flytt den nærmere til de nødvendige forholdene er oppfylt.
  3. Kjører virkemåteøkter med datalogging.
    1. Monter en mus på hodebeherskelsen.
    2. I terminalen til SBC skriver du inn python3 assocLearnRig_app.py for å starte GUI.
    3. For å tillate kameraopptak under atferdsforsøkene, trykk på Stream-knappen .
      MERK: Økter kan kjøres uten kamera. I dette tilfellet logges bare data fra den roterende koderen og stimuluspresentasjonstidsstemplene.
    4. Skriv inn identifiserende informasjon for dyret i Animal ID-feltet og trykk på Set-knappen .
    5. Velg enten DEC eller DTSC fra alternativknappen under Økttype-overskriften , avhengig av hvilket virkende paradigme som ønskes.
    6. Skriv inn de ønskede eksperimentparametrene til feltene under Animal ID-feltet og trykk på Last opp til Arduino-knappen .
      MERK: Detaljer om eksperimentparametrene finner du i Viktig-delen av GitHub-repositoriet.
    7. Trykk på Start økt-knappen for å starte økten.
    8. Når en økt initialiseres, begynner data å logge på en ny katalog som er opprettet i "/media/usb" i monteringspunktet for SBC-minnepinnen.

4. Eksportere og analysere data

  1. Hvis du vil eksportere alle innspilte økter til vertsdatamaskinen, åpner du en ledetekst og skriver inn kommandoen pscp -r pi@Pi_IP_address:/media/usb* host_computer_destination, og deretter godkjenner du med SBC-passordet.
    MERK: Kommandoen ovenfor er for en Windows-maskin. På Mac- og Linux-maskiner bruker du terminal og erstatter "pscp" med "scp".
  2. Installer Anaconda25 eller en annen python pakkebehandling (PPM) på vertsdatamaskinen.
  3. Gå til GitHub-repositoriet og last ned "analyzeSession.py", "summarizeSessions.py", "session2mp4s.py" og "requirementsHost.txt".
  4. Åpne en PPM-ledetekst og skriv inn conda install --file directory_containing_requirementsHostrequirements Host.txt for å sikre at Python-pakkeinstallasjonen har de nødvendige pythonbibliotekene.
  5. I ledeteksten skriver du inn cd directory_containing_analyzeData for å navigere til katalogen som inneholder "analyzeData.py" og "session2mp4s.py". Kjør analyseprogrammet ved å skrive inn python analyzeSession.py
    MERK: Det genereres en feilmelding hvis du bruker en Python 2-versjon som python. Hvis du vil kontrollere versjonen, skriver du inn python -V i ledeteksten.
  6. Velg mappen som inneholder dataene når du blir bedt om det. Mapper med flere undermapper vil bli analysert sekvensielt.
  7. For DEC-økter, for hver øktkatalog som analyseres, velger du et område av interesse (ROI) som inneholder musens øye fra et prøvegjennomsnittsbilde.
    MERK: Endelige analysedatafiler og sammendragsdiagrammer fylles ut til en undermappe av hver analyserte øktkatalog.
  8. Skriv inn python summarizeSessions.py for å generere sammendragsdata på tvers av flere økter.
  9. Skriv inn den raske pythonen session2mp4s.py konvertere bildefiler til synlige .mp4 filer.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Arbeidsflyt for DEC-eksperimenter og analyse
Riktig eksperimentelt parametervalg er viktig for vellykket forsinkelse eyeblink condition (DEC) trening. For dataene som presenteres her, ble GUI brukt til å velge en CS-varighet på 350 ms og en amerikansk varighet på 50 ms. Denne sammenkoblingen resulterer i et inter-stimulus intervall på 300 ms: lang nok til å forhindre lav-amplitude CR-produksjon10 og kort nok til å unngå å komme inn i regimet for dårlig læring eller sporkondisjonering, en prosess som engasjerer flere hjerneregioner11. Tiden mellom studiene ble satt ved hjelp av ITI lav og høy felt for å bli tilfeldig valgt jevnt fra en rekkevidde på 5-15 s. Randomiseringen av intervallene mellom forsøkene gjør det umulig for dyrepersoner å bruke andre timingsignaler enn CS og USA selv for oppgaveytelse.

Inkludert studier som utelater enten CS eller USA tillater vurdering av CR og UR kinematikk selv hos trente dyr. Brukeren kan definere andelen forsøk der CS og USA er paret eller presentert isolert. I dataene som presenteres her, kjørte vi alle økter på 10% CS-bare prøveversjoner med parvise forsøk som utgjør resten og ingen amerikanske forsøk. Vær oppmerksom på at å inkludere for mange ubetalte studier kan ha negativ innvirkning på treningen. For eksempel brukes økter med mer enn 50% av forsøkene som er unpaired, ofte til å drive utryddelsen av CR-er hos trente dyr19,26.

Kameraforberedelse og lysforhold er også avgjørende for å skaffe data av høy kvalitet. Rammefrekvensen for oppkjøpet kan justeres i Picamera-oppkjøpsprogramvaren. I dataene som presenteres her, setter vi en bildefrekvens på 120 Hz for DEC-eksperimenter. Picamera-modulen i seg selv tillater bildefrekvenser på opptil ~ 200 Hz, men vi finner at lavere priser forhindrer bildetap og gir tilstrekkelig tidsoppløsning for øyelokksporing. Det infrarøde lyset må plasseres for å belyse den periokulære pelsen jevnt uten å skape overdreven refleksjon fra hornhinnen når øyet er åpent. Figur 3A viser et eksempelbilde fra en innspillingsøkt med akseptabel belysning. Picamera-anskaffelsesprogramvaren (picameraStream.py) er utformet for å gi konsekvente innstillinger på tvers av en økt ved å stille inn og holde kameraets hvitbalanse og forsterkning basert på belysningsforhold når kameraet initialiseres.

Når en virkemåteøkt er initialisert, logges data fra kameraet og andre maskinvarekomponenter for plattformen automatisk. Datalogger opprettes i en mappe med navnet på datoen og verdiinndataene til dyre-ID-feltet i GUI. Kamerarammer og tidsstempler for hver prøveversjon lagres i enkeltfiler som navngis ved hjelp av dyre-ID, eksperimentdato og prøvenummer. Plattformhendelser for hver økt, inkludert hjulhastighet, prøvestart, prøvestopp og CS og amerikansk tidsberegning, lagres som én enkelt .txt-fil.

Data som overføres til vertsmaskinen kan deretter analyseres som beskrevet i paragraf 4 i protokollen. Hvis du kjører analyzeData.py på en målkatalog, opprettes det en NPY-beholder for øyelokkposisjon kontra tid for alle forsøk i en matrise basert på analyse av kamerafilene. Denne beholderfilen opprettes i mappen som analyseres. Når alle øktene er analysert for et gitt dyr, kan alle økter justeres og settes sammen ved hjelp av summarizeSessions.py. Resultater fra et dyr opplært i 8 økter med DEC er vist i figur 3B. I tillegg kan individuelle prøveversjoner gjengis som synlige .mp4 filer ved hjelp av session2mp4s.py-verktøyet. Dette verktøyet avtrykker en firkant øverst til venstre i filmen for å angi når CS og USA brukes. Prøve dec forsøk utarbeidet på denne måten presenteres side om side som Supplerende Video 1. Det venstre panelet viser en studie der dyret vellykket lukker øyet som svar på LED CS. I høyre panel blinker dyret ikke før USA starter.

Dyr opplært på DEC etter protokollene i avsnitt 3 og registrert med de foregående hensynene, bør vise klare bevis på velbetimede CR-er oppnådd gradvis over flere treningsdager. Eksempler på atferdsspor uten CR i et utrent dyr og spor som inneholder robuste CR-er fra et trent dyr, presenteres i figur 3B. Som disse sporene viser, bør naive dyr ikke vise noe svar på CS, men en robust respons til USA. Kundeservicerepresentantene bør øke gradvis både i størrelse og frekvens gjennom atferdsøkter utført på tvers av dager (figur 3B-D). I motsetning til dette begrenser suboptimale lysforhold kvaliteten på data som er samlet inn. Når kontrasten mellom øyet og den omkringliggende pelsen er lav (figur 3E), kan små endringer i bildet endre den registrerte formen på UR-en betydelig over en enkelt økt og redusere signal-til-støy-forholdet for å oppdage øyelokkposisjon (figur 3F-G).

For å sikre opptak av øyelokk med høy gjengivelse er optimal lyskildeplassering kritisk. Lysdioden skal trenes direkte på det registrerte øyet. Hvis plassering resulterer i overdreven gjenskinn på hornhinnen overflaten, kan en diffusor plasseres over LED-matrisen for å redusere denne effekten.

Arbeidsflyt for DTSC-eksperimenter og -analyse
Mange av hensynene for eksperimentelt parametervalg er like mellom forsinkelse taktil startle condition (DTSC) og DEC. Her vil vi påpeke de som er forskjellige. I eksempeldataene ble DTSC CS-varigheten satt til 250 ms med en amerikansk varighet på 50 ms. Dette kortere intervallet mellom stimulanser ble valgt for å tilpasse seg den kortere varigheten som beskrives som optimal for DTSC-læring20. Andre plattformparametere som ble angitt gjennom GUI, var identiske med parameterne som ble brukt for DEC.

Riktig plassering av taktil stimulans er avgjørende for læring i DTSC. Vi monterer taktil stimulans slik at skumenden er sentrert litt over dyrets nese i en avstand på ca. 1,5 cm når den er i nøytral stilling. Når stimulansen er montert, kan den dreie for hånd når en økt ikke kjører. Under økter holder steppermotoren stimulansen på et presist sted til et USA utløses. For å sikre at posisjoneringen er riktig, kjører vi en forberedende økt på rundt tre forsøk. Hendelser som er logget på den roterende koderen, skrives ut på terminalskjermen, og denne utskriften kan brukes til å overvåke amplituden til dyrets UR-er i sanntid. Mens maksimal amplitude vil variere fra prøve til prøve, bør dyr med et gjennomsnittlig maksimum på ~ 40 tellinger på koderen over den korte økten fungere bra i DTSC-oppgaven. Basert på innstillingene for roterende koderkontroll tilsvarer denne verdien 24 cm/s, med en negativ verdi som indikerer at dyret beveger seg bakover på hjulet.

Organiseringen og navngivningen av filer produsert i løpet av DTSC-økter er de samme som de som produseres i DEC. Running analyzeSession.py vil opprette en .npy container for hjulhastighet kontra tid for alle forsøk i en matrise fra analyse av dataene som er logget i .csv-filen. Når alle øktene er analysert for et gitt dyr, kan alle økter justeres og settes sammen ved hjelp av summarizeSession.py. Resultater fra et dyr opplært til 5 økter med DEC er presentert i figur 4A. Når det gjelder DEC, kan kameraets opptak fra DTSC konverteres til synlige .mp4 filer. Prøveforsøk av DTSC vises side ved side i tilleggsvideo 2. Det venstre panelet viser en prøve der dyret lykkes med å støtte hjulet som svar på LED CS. I høyre panel klarer dyret ikke å bevege hjulet til den taktile stimulansen USA påføres.

Tidsforløpet og amplituden i forhold til UR-en til respons hos dyr opplært på DTSC-paradigmet viser kvalitative likheter med de som er opplært på DEC. Naive dyr bør ikke vise respons på CS, og lære å flytte hjulet bakover som svar på CS bare etter gjentatt eksponering for parvis CS og USA. Frekvensen og amplituden til kundeservicerepresentantene øker etter hvert som treningen fortsetter (figur 4A,B). Når det gjelder DTSC, har vi funnet ut at UR amplitude tidlig i treningen er en god prediktor for suksessen med læring. I en kohort av dyr trent med en USA som produserte lav amplitude URs (<20 cm / s), lærte ingen dyr å konsekvent produsere CRs etter 4 dager med trening (figur 4C, D).

Forskjeller mellom DES- og DTSC-opplæring
DEC og DTSC varierer på viktige måter. For det første skjer DTSC-læring på denne plattformen raskere, med de fleste dyr som oppnår en høy grad av oppgaveferdighet innen den tredje dagen av trening og asymptotisk ytelse etter dag fem. DEC læring er tregere for de fleste dyr med minst 3 dager. For det andre inkorporerer DTSC-systemet automatisk deteksjon av vellykkede CRs, som tjener som et tilbakemeldingssignal til apparatet for å redusere amplituden til den taktile stimulansen. Denne treningsprosedyren etterligner eyeblink condition, der forbedret CR-ytelse gir delvis beskyttelse mot en aversiv hornhinnen luftpust. Derimot er hodefaste dyr i DTSC-paradigmet ikke i stand til å beskytte seg mot taktil stimulans ved deres motoriske respons alene. Ved å basere amerikansk amplitude på tilstedeværelsen av en CR, har dyr muligheten til å skjerme seg fra den aversive stimulansen.

Figure 1
Figur 1: Plattformattributter og design. (A) Plattformelementer for registrering av dyreatferd under hodefaste forhold. Musen ble tilpasset fra et Biorender-bilde. (B) Timing og stimuli for DEC- og DTSC-kondisjonering. Et brukerdefinert intervall mellom stimulanser (ISI) bestemmer hvor lenge CS-epoken bare varer. CS og amerikanske epoker er utformet for å avslutte samtidig. (C) Bilde som viser plassering av viktige plattformelementer. 1) Stepper motor for kontroll av DTSC US. 2) Løpehjul for dyret. 3) Roterende koder for sporing av hjulbevegelse. 4) Skum tapet over en akrylarm som fungerer som DTSC taktil stimulans. 5) LED CS. 6) Magnetventil og utløp som gir DEC US. 7) Picamera for registrering av dyreatferd. 8) Infrarød LED for scenebelysning. Klikk her for å se en større versjon av denne figuren.

Figure 2
Figur 2: Ledninger til plattformmaskinvareelementer. (A) Fritzing ledningsdiagram over plattformmaskinvare når den er ferdig montert. Ledninger er farget av moduler med oransje = Kameramodul; gul = DEC US-modul; blå = LED CS-modul; lilla = DTSC US-modul; grønn = Roterende kodermodul. Picamera er utelukket, men festes til kameraets serielle grensesnitt som ligger på overflaten av Raspberry Pi. Batterier indikerer likestrøms strømforsyninger ved den angitte spenningen. (B-F) Tilsvarende ledningsordning for isolerte moduler. Ledninger har blitt farget på nytt, slik at rødt og svart alltid indikerer henholdsvis positiv tilførselsskinne og jording, mens andre ledninger er farget for å tillate enkel følging av kretsen. Klikk her for å se en større versjon av denne figuren.

Figure 3
Figur 3: Representative resultater av DEC-opplæring. (A) Eksempel på kameraramme fra en økt med akseptable belysningsforhold. Legg merke til den høye kontrasten mellom øyet og periocular pels. (B) Ytelse av et enkelt dyr under økter utført på tvers av dager i DEC-paradigmet. Horisontale linjer indikerer ytelse på hver prøve, med varme farger som indikerer mer øyelokklukking. Den røde, svarte loddrette linjen lengst til venstre angir utbruddet av CS, mens den stiplede linjen angir USAs initiering. Den andre heltrukne linjen indikerer opphør av CS og USA. Vær oppmerksom på at antallet forsøk med vellykkede svar under CS øker på tvers av treningsøkter. (C) Dyreytelse fra (B) med individuelle spor avledet fra studiegjennomsnittet for økten hver dag. Kulørmetningen angir øktnummer med høyere metning for senere økter. (D) Ytelse for alle dyr i DEC-gruppen (n = 7). De tynne linjene indikerer prosentandelen av forsøk med en påviselig CR fra hver økt for hvert dyr. De tykke linjene indikerer at økten betyr på tvers av alle dyr. (E) Eksempel på kameraramme fra en økt med sub-optimale belysningsforhold. (F) Kvantifisering av enkeltforsøk registrert med dårlig belysning. UR-en kan påvises, men med lavere kontrast og høyere variasjon enn under optimale lysforhold. (G) Økt gjennomsnittlige spor fra forsøk presentert i (F). Klikk her for å se en større versjon av denne figuren.

Figure 4
Figur 4: Representative resultater av DTSC-opplæring. (A) Ytelse av et enkelt dyr under økter utført på tvers av dager i DTSC-paradigmet. Horisontale linjer indikerer ytelse på hver prøve, med varme farger som indikerer bakoverhjulbevegelse. Den svarte loddrette linjen lengst til venstre angir utbruddet av CS, mens den stiplede linjen angir USAs initiering. Den andre heltrukne linjen indikerer opphør av CS og USA. (B) Dyreytelse fra (A) med individuelle spor avledet fra studiegjennomsnittet for økten hver dag. Kulørmetningen angir øktnummer med høyere metning for senere økter. (C) Ytelse for alle dyr i DTSC-gruppen (n = 6). De tynne linjene indikerer prosentandelen av forsøk med en påviselig CR fra hver økt for hvert dyr. De tykke linjene indikerer at økten betyr på tvers av alle dyr. (D) Enkeltforsøk som i (A) fra en kohort der den amerikanske intensiteten fremkalte lav amplitude URs. (E) Sesjonens gjennomsnittlige spor presentert som i (B) for dyrene som er utsatt for det svake USA. (F) Ytelse for alle dyr i DTSC med svak US (n = 6). Klikk her for å se en større versjon av denne figuren.

Ekstra video 1: Prøve DEC hit og miss trials. DEC-studier sammenlignes i video 1. Hver video viser prøveversjoner der motivet gjør (venstre) eller ikke klarer å gjøre (høyre) mål-CR synkronisert og spilt side om side for sammenligning. LED CS tennes når den blå firkanten vises øverst til venstre i hver video. Det amerikanske kontrollsignalet er aktivt når en hvit firkant erstatter den blå firkanten. CS og amerikanske kontrollsignaler avsluttes samtidig når torget forsvinner. Klikk her for å laste ned denne videoen.

Ekstra video 2: Prøve DTSC-treff og gå glipp av prøveversjoner. Video 2 viser sammenligning av DTSC-prøveversjon. Hver video viser prøveversjoner der motivet gjør (venstre) eller ikke klarer å gjøre (høyre) mål-CR synkronisert og spilt side om side for sammenligning. LED CS tennes når den blå firkanten vises øverst til venstre i hver video. Det amerikanske kontrollsignalet er aktivt når en hvit firkant erstatter den blå firkanten. CS og amerikanske kontrollsignaler avsluttes samtidig når torget forsvinner. Klikk her for å laste ned denne videoen.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Plattformen med tilhørende protokoller skissert her kan brukes til pålitelig å spore dyreatferd i to sensoriske assosiative læringsoppgaver. Hver oppgave avhenger av intakt kommunikasjon gjennom klatrefiberbanen. I designet som er beskrevet her, inkorporerer vi elementer for å lette læring og opptak / perturbasjon av cerebellar respons. Disse inkluderer et hjul for å tillate gratis bevegelse11,18 samt hodefiksering. Hjulet gjør det mulig for musepersoner å locomote fritt, noe som har blitt observert å være kritisk for DEC oppkjøp18. Hodefiksering hos mus gjør det mulig for forskere å dra nytte av genetiske, elektrofysiologiske, avbildnings- og optogenetiske tilnærminger som er vanskeligere å bruke i andre modellarter eller under fritt bevegelige forhold12. Vi har brukt designet vårt for hver av disse applikasjonene. Programvaren kjører på mikrokontrollere kan enkelt tilpasses for å kontrollere timing signaler for multiphoton oppkjøp eller synkronisering med optogenetisk stimulering, begge med sub-millisekunder presisjon. Det må tas hensyn til å minimere dyreoppfatningen av optogenetisk og avbildningsutstyr når disse kombineres med atferdseksperimenter. Mange flerfotonsystemer avgir for eksempel en hørbar lyd fra sine galvaniske skannere eller skodder når bildeoppkjøpene starter. Hvis oppkjøpene utløses av prøvestart, kan slike lyder tjene som et utilsiktet signal til dyrepersoner om at en stimulus er kommende.

Kontroll av atferdsapparatet er bygget rundt en SBC, som brukes til å generere et grafisk brukergrensesnitt for å administrere eksperimentet, kameraet og dataeksporten. SBC sender også kommandoer til to mikrokontrollere som håndterer tidspunktet for forsøk og direkte kontrollerer maskinvarekomponenter som stimuluspresentasjon og den roterende koderen. Protokollene som er beskrevet her ble testet ved hjelp av enten en Raspberry Pi 3B + eller 4B festet til en Arduino på grunn av kontrolleksperimenttid og en Arduino Uno for å kontrollere presentasjonen av DTSC US. Andre implementeringer av maskinvareutforming er mulige, men er ikke testet med den medfølgende programvaren.

For å lette bruk av flere rigger parallelt, anbefaler vi at du bruker SBC i "hodeløs" modus. I denne konfigurasjonen brukes en vertsdatamaskin til å samhandle med SBC. En Ethernet-svitsj tillater samtidig Internett-tilkobling til både en vertsdatamaskin og SBC. Svitsjen muliggjør også direkte kommunikasjon mellom verten og SBC med rask dataoverføring. Som et resultat tillater bryteren enkel dataoverføring og vedlikehold av SBC-pakker.

For å kjøre flere rigger parallelt, bør hver rigg plasseres i sitt eget spesialiserte kabinett. Disse kapslingene må inneholde lydisolering hvis de plasseres i nærheten av hverandre. Å undertrykke lyd mellom tilstøtende rigger kan bidra til å unngå utilsiktede auditive signaler fra stimuli produsert i nærliggende innkapslinger.

Bruk av en enkelt plattform for DEC og DTSC gjør det mulig for etterforskere å navigere fleksibelt i hvert paradigmes styrker og svakheter. DEC har innsikt avledet fra flere tiår med forskning på hvilke hjerneregioner og spesifikke cerebellar kretselementer som er involvert i oppgavelæring og utførelse 1,4,11,13,14,15,19. Men hos mus ligger regionen av cerebellar cortex oftest forbundet med eyeblinkconditioning 11,12 dypt inne i den primære cerebellar sprekken (men se 15,17,27 som demonstrerer en DEC-assosiert region av overfladisk lobule VI). Et dypt locus for læring kompliserer tilgangen for optiske eksperimenter, spesielt multifotonavbildning av celleaktivitet og optogenetiske perturbasjonsforsøk. I kontrast er cerebellar substratene til DTSC plassert delvis i det overfladiske aspektet av lobler IV / V20. DTSC presenterer derfor optisk tilgang som kan sammenlignes med dorsal neocortex, et populært nettsted for system nevrovitenskapsundersøkelser.

I vårt design spores dyreadferd ved hjelp av en roterende koder festet til hjulet og et kamera. Vi valgte disse metodene for lave kostnader og enkel implementering. I noen tilfeller kan andre sporingsmetoder gi mer romlig og tidsmessig nøyaktighet. For eksempel har øyelokkposisjon i DEC ofte blitt sporet ved hjelp av Hall effektsensorer28,29 eller elektromyogramopptak av den periorbitale regionen i musculus orbicularis oculi30,31. På samme måte gir sporing av bevegelse ved å oppdage hjulbevegelse et mindre detaljert bilde av dyreatferd enn bildebaserte posesporingsalgoritmer som SLEAP32 og DeepLabCut33. Kamerabaserte opptak tillater tillegg av slike tilnærminger.

Her har vi presentert en plattform for sporing av dyreatferd under to klatrefiberavhengige assosiative læringsparadigmer. Plattformen vår er ment å øke tilgjengeligheten av disse metodene både når det gjelder kostnader og enkel implementering.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne har ingen interessekonflikter å avsløre.

Acknowledgments

Dette arbeidet støttes av tilskudd fra National Institutes of Mental Health NRSA F32 MH120887-03 (til G.J.B.) og R01 NS045193 og R01 MH115750 (til S.S-H.W.). Vi takker Dr. Bas Koekkoek og Henk-Jan Boele for nyttige diskusjoner for å optimalisere DEC-oppsettet og Drs. Yue Wang og Xiaoying Chen for nyttige diskusjoner for optimalisering av DTSC-oppsettet.

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

DOWNLOAD MATERIALS LIST

References

  1. 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).
  2. 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).
  3. 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).
  4. 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).
  5. Llinás, R., Sugimori, M. Electrophysiological properties of in vitro Purkinje cell dendrites in mammalian cerebellar slices. The Journal of Physiology. 305, 197-213 (1980).
  6. 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).
  7. 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).
  8. 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).
  9. 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).
  10. 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).
  11. 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).
  12. 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).
  13. 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).
  14. Gao, Z., et al. Excitatory cerebellar nucleocortical circuit provides internal amplification during associative conditioning. Neuron. 89 (3), 645-657 (2016).
  15. Giovannucci, A., et al. Cerebellar granule cells acquire a widespread predictive feedback signal during motor learning. Nature Neuroscience. 20 (5), 727-734 (2017).
  16. Ten Brinke, M. M., et al. Dynamic modulation of activity in cerebellar nuclei neurons during pavlovian eyeblink conditioning in mice. eLife. 6, 28132 (2017).
  17. 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).
  18. 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).
  19. 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).
  20. Yamada, T., et al. Sensory experience remodels genome architecture in neural circuit to drive motor learning. Nature. 569 (7758), 708-713 (2019).
  21. Horlington, M. Startle response circadian rhythm in rats: lack of correlation with motor activity. Physiology & Behavior. 5 (1), 49-53 (1970).
  22. 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).
  23. Raspberry Pi Operating system images. , Available from: https://www.raspberrypi.com/software/operationg-systems/ (2021).
  24. VNC Server. VNC® Connect. , Available from: https://www.realvnc.com/en/connect/download/vnc/ (2021).
  25. Anaconda: The world's most popular data science platform. , Available from: https://xddebuganaconda.xdlab.co/ (2021).
  26. De Zeeuw, C. I., Ten Brinke, M. M. Motor learning and the cerebellum. Cold Spring Harbor Perspectives in Biology. 7 (9), 021683 (2015).
  27. Badura, A., et al. Normal cognitive and social development require posterior cerebellar activity. eLife. 7, 36401 (2018).
  28. 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).
  29. Kloth, A. D., et al. Cerebellar associative sensory learning defects in five mouse autism models. eLife. 4, 06085 (2015).
  30. 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).
  31. Lin, C., Disterhoft, J., Weiss, C. Whisker-signaled eyeblink classical conditioning in head-fixed Mice. Journal of Visualized Experiments: JoVE. (109), e53310 (2016).
  32. Pereira, T. D., et al. Fast animal pose estimation using deep neural networks. Nature Methods. 16 (1), 117-125 (2019).
  33. Mathis, A., et al. DeepLabCut: markerless pose estimation of user-defined body parts with deep learning. Nature Neuroscience. 21 (9), 1281-1289 (2018).

Tags

Nevrovitenskap Utgave 179 cerebellum assosiativ motorisk læring forsinke eyeblink condition forsinke taktil stimulanskondisjonering
En fleksibel plattform for overvåking av cerebellumavhengig sensorisk assosiativ læring
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Broussard, G. J., Kislin, M., Jung,… More

Broussard, G. J., Kislin, M., Jung, C., Wang, S. S. H. A Flexible Platform for Monitoring Cerebellum-Dependent Sensory Associative Learning. J. Vis. Exp. (179), e63205, doi:10.3791/63205 (2022).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter