Profiling von mütterlichen Verhaltensreaktionen während der Ganzhirnbildgebung
24. Januar 2025
Hier wird eine Videoanalyse-Pipeline vorgestellt, die Herausforderungen bei der Verhaltensüberwachung in MRT-Umgebungen überwindet und die Erkennung von unangeleiteten Verhaltensreaktionen auf externe Signale ermöglicht. Diese Analyse wird ein umfassenderes Verständnis der evozierten internen Zustandsänderungen und der hirnweiten Aktivität ermöglichen.
Die Art und Weise, wie eine Bezugsperson Säuglingshinweise wahrnimmt und darauf reagiert, bestimmt, ob der Säugling die Pflege erhält, die er zum Überleben benötigt. Bei Mäusen rufen die Lautäußerungen der Jungtiere komplexe Verhaltensreaktionen hervor und rufen daher wahrscheinlich koordinierte Aktivität in einem Netzwerk von Gehirnregionen hervor. Wir wollen dieses Netzwerk bei Mäusen mit unterschiedlichem mütterlichem Erfahrungshintergrund identifizieren, und die FMRI der wachen Maus ist ein großartiges Werkzeug dafür.
Mit der zunehmenden Verbreitung von FMRI bei wachen Mäusen entstehen spannende Forschungsergebnisse, die die neuronalen Korrelate zielgerichteter Verhaltensweisen untersuchen. Diese Verhaltensweisen werden in der Regel mit Werkzeugen wie Strahlbrechern zur Erkennung von Lecks und Drucksensoren zur Erkennung von Bewegungen bewertet. Unser Protokoll ermöglicht es uns, spontane Verhaltensreaktionen zu beurteilen, selbst in der technisch anspruchsvollen MRT-Umgebung.
Unser Ziel ist es, Messungen des spontanen Verhaltens zu nutzen, um die gehirnweite Aktivität, die wir mit FMRI erworben haben, besser zu verstehen. Unsere früheren Arbeiten haben gezeigt, dass die auditorische Rinde von Müttern und jungfräulichen Tieren unterschiedlich auf Jungtierrufe reagiert. Bei Müttern sind ihre neuronalen Reaktionen an den Schrei eines Welpen gebunden.
Bei Jungfrauen sind sie es nicht. Wenn eine Jungfrau jedoch lernt, mütterliches Verhalten auszudrücken, verändern sich die Hörzentren, um diese neue Fähigkeit widerzuspiegeln. Unsere früheren Studien konzentrierten sich auf den auditorischen Kortex bei anästhesierten Mäusen.
Diese Studie geht über die Grenzen des auditorischen Kortex hinaus und untersucht, wie sich das gesamte Gehirn und das Verhalten von Mäusen im Wachzustand verändert, während ein Tier lernt, Mutter zu werden. Laden Sie zunächst MATLAB von der MathWorks-Website herunter. Um die Bildverarbeitungs-Toolbox zu MATLAB-Add-ons hinzuzufügen, klicken Sie auf Add-ons verwalten, Add-ons abrufen und suchen Sie dann nach ihnen und fügen Sie sie hinzu.
Fügen Sie auf ähnliche Weise die Computer Vision Toolbox zu den MATLAB-Add-ons hinzu. Bearbeiten Sie nach dem Öffnen des ersten Skripts der Analysepipeline die Abschnitte eins, zwei, drei, vier, fünf und sechs des Skripts, um die Datenstrukturen an die angegebenen Stellen anzupassen. Führen Sie Abschnitt eins aus.
Führen Sie den zweiten Abschnitt des Skripts aus, um den ersten Frame jedes Videos aufzurufen. Klicken Sie mit der Maus einmal auf die ersten beiden Punkte und doppelklicken Sie dann auf den dritten Punkt. Nachdem Sie die letzten Punkte des Videos ausgewählt haben, drücken Sie die Eingabetaste.
Führen Sie Abschnitt drei und Abschnitt vier aus. Legen Sie das Flag auf Null ausgerichtet, und führen Sie Abschnitt fünf aus. Setzen Sie dann das Flag auf eins, und führen Sie Abschnitt fünf erneut aus.
Führen Sie nun Abschnitt sechs aus und vergleichen Sie die Ergebnisse nebeneinander. Öffnen Sie als Nächstes das zweite Skript und bearbeiten Sie den ersten Abschnitt des Skripts, um die Datenstrukturen anzupassen. Führen Sie dann Abschnitt eins aus.
Bearbeiten Sie den zweiten Abschnitt des Skripts, um die Datenstrukturen anzupassen, und führen Sie den zweiten Abschnitt aus. Verwenden Sie das resultierende Bild, um zu sehen, wo der optische Fluss in den analysierten Videos am stärksten schwankt. Bearbeiten Sie den dritten Abschnitt des Skripts, um die Datenstrukturen und Analyseanforderungen anzupassen.
Um das vollständige Video-FOV zu analysieren, setzen Sie das Flag select ROI and provide ROI auf zero. Führen Sie dann Abschnitt drei aus. Um einen neuen ROI zu analysieren, setzen Sie das Flag select ROI auf eins und provide ROI auf null.
Bearbeiten Sie dann newCoordsName, und führen Sie Abschnitt drei aus. Wählen Sie im angezeigten Beispielrahmen durch Klicken und Ziehen einen neuen ROI aus. Um den zuvor gezeichneten ROI zu analysieren, setzen Sie das Flag Select ROI auf Null und geben Sie ROI auf eins an.
Bearbeiten Sie dann inputCoords, um einen vorgegebenen Satz von Koordinaten bereitzustellen, und führen Sie Abschnitt drei aus. Öffnen Sie Skript drei, und bearbeiten Sie die Abschnitte eins bis drei des Skripts, um sie an die Datenstrukturen und Analyseanforderungen anzupassen. Legen Sie im ersten Abschnitt die Flags für die Analyseoptionen ZSC, BLRM, BLZSC, demeanPerTrial und applyLPfilter auf null oder eins fest.
Stellen Sie LPfilter auf eine Zahl ein, die den gewünschten Tiefpassfilter in Hertz darstellt. Führen Sie dann die Abschnitte eins bis drei aus. Öffnen Sie Skript vier, und bearbeiten Sie den ersten Abschnitt des Skripts, um es an die Datenstrukturen und Analyseanforderungen anzupassen.
Führen Sie Abschnitt eins aus. Öffnen Sie Skript fünf, und bearbeiten Sie den ersten Abschnitt des Skripts, um Datenstrukturen und Analysen anzupassen. Führen Sie dann Abschnitt eins und Abschnitt zwei aus.
Ändern Sie die Variablen group, myTitle und threshT in den Eingaben von Abschnitt drei, um die gewünschte Gruppenanalyse widerzuspiegeln. Führen Sie den dritten Abschnitt für jede Interessengruppe aus. Passen Sie dann den Bereich der C-Achse und die Farbbalkengrenzen für die Visualisierung wie gewünscht an.
Ändern Sie die Variablen mag, myTitle und threshT in den Eingaben von Abschnitt vier, um den gewünschten Gruppenvergleich widerzuspiegeln. Führen Sie den vierten Abschnitt für jeden interessierenden Gruppenvergleich aus, und passen Sie dann den Bereich der Z-Achse und die Farbbalkengrenzen für die Visualisierung wie gewünscht an. Optische Flussvektoren zeigten Regionen an, in denen sich Tiere bewegten, insbesondere um die Schnauze und die Pfoten.
Die Standardabweichung der Größe des optischen Flusses identifizierte Bereiche mit hohen und niedrigen Bewegungsfluktuationen. Mütter zeigten im Vergleich zu Jungfrauen höhere Bewegungsreaktionen auf Welpenrufe, aber nicht auf reine Töne. Die Hauptkomponentenanalyse zeigte, dass Mütter im Vergleich zu Jungfrauen während beider Stimulipräsentationen mehr Bewegung im Nasenbereich hatten.
Die Quantifizierung des optischen Flusses eines Validierungsdatensatzes ergab signifikante Unterschiede in den Verhaltensreaktionen auf Belohnungen mit hohem und niedrigem Wasser. Diese Ergebnisse deuten darauf hin, dass die vorgestellte Videoanalyse-Pipeline verwendet werden kann, um signifikante Unterschiede im Verhalten von Tieren unter verschiedenen Bedingungen zu erfassen.
Überblick
Diese Studie präsentiert eine Videoanalyse-Pipeline, die entwickelt wurde, um spontane Verhaltensreaktionen bei Mäusen in MRT-Umgebungen zu überwachen. Durch die Verwendung von wachem Maus-fMRT zielt die Forschung darauf ab, die neuronalen Korrelate mütterlichen Verhaltens als Reaktion auf Welpen-Vokalisationen aufzudecken.
Wichtige Studienkomponenten
Wissenschaftsbereich
- Neurowissenschaften
- Verhaltensanalyse
- Bildgebungstechniken
Hintergrund
- Welpen-Vokalisationen bei Mäusen lösen komplexe Verhaltensreaktionen aus.
- Das Verständnis dieser Reaktionen kann Einblicke in mütterliche Fürsorge und Gehirnaktivität geben.
- Frühere Studien zeigten Unterschiede in den Reaktionen des Hörkortex zwischen Müttern und Jungfrauen.
- Diese Forschung geht über den Hörkortex hinaus, um die gesamte Gehirnaktivität zu untersuchen.
Zweck der Studie
- Um Hirnnetzwerke zu identifizieren, die durch Welpenrufe bei Mäusen mit unterschiedlichen mütterlichen Erfahrungen aktiviert werden.
- Um spontane Verhaltensreaktionen in einer herausfordernden MRT-Umgebung zu beurteilen.
- Um das Verständnis der hirnweiten Aktivität im Zusammenhang mit mütterlichen Verhaltensweisen zu verbessern.
Verwendete Methoden
- Entwicklung einer MATLAB-basierten Videoanalyse-Pipeline.
- Bearbeiten und Ausführen von Skripten zur Analyse von Videodaten von wachen Mäusen.
- Nutzung der optischen Flussanalyse zur Bewertung von Bewegungsreaktionen.
- Vergleich der Verhaltensreaktionen zwischen Müttern und Jungfrauen während akustischer Reize.
Hauptergebnisse
- Mütter zeigten größere Bewegungsreaktionen auf Welpenrufe im Vergleich zu Jungfrauen.
- Die optische Flussanalyse zeigte signifikante Verhaltensunterschiede basierend auf mütterlichen Erfahrungen.
- Die Hauptkomponentenanalyse offenbarte unterschiedliche Bewegungsmuster bei Müttern im Vergleich zu Jungfrauen.
- Die Videoanalyse-Pipeline erfasste effektiv spontane Verhaltensweisen über verschiedene Bedingungen hinweg.
Schlussfolgerungen
- Die Studie demonstriert erfolgreich eine Methode zur Analyse spontaner Verhaltensweisen in MRT-Einstellungen.
- Die Ergebnisse tragen zum Verständnis der neuronalen Grundlagen mütterlichen Verhaltens als Reaktion auf Baby-Signale bei.
- Die entwickelte Pipeline kann für weitere Forschungen in der Verhaltensneurowissenschaft angewendet werden.
Häufig gestellte Fragen
Executive Industry Relevance
Integrating behavioral profiling with whole-brain imaging in awake mice enables biopharma teams to link neural circuit activity to complex, ethologically relevant behaviors under constrained experimental conditions. This approach enhances predictive confidence in target validation by correlating quantitative behavioral outputs with brain-wide functional responses. The pipeline supports translational continuity from early discovery through preclinical model development, especially for neurobehavioral and CNS-targeted portfolios.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of neural circuits underlying specific behavioral phenotypes in response to defined stimuli.
- Supports biological de-risking by linking functional brain activity to observable behavioral outputs.
- Facilitates predictive confidence in target selection by quantifying stimulus-evoked responses across animal cohorts.
Screening & Assay Development
- Prepares validated behavioral readouts for integration with neural imaging workflows.
- Standardizes behavioral quantification using optical flow and dimensionality reduction for reproducibility.
- Enables robust comparison of compound or genetic interventions on both neural and behavioral endpoints.
Translational & Preclinical Research
- Aligns behavioral outputs with disease-relevant neural activity for translational biomarker development.
- Supports continuity from discovery through preclinical validation by enabling behavioral monitoring in constrained environments.
- Provides mechanistic de-risking for CNS and neuropsychiatric target portfolios.
Pipeline & Workflow Integration
This behavioral video analysis pipeline bridges early discovery and preclinical research by enabling synchronized acquisition of behavioral and neural data in challenging environments such as MRI. It is positioned for use in target validation, lead identification, and translational model development.
- Discovery Biology: Quantifies behavioral responses to defined stimuli, supporting hypothesis testing and pathway clarification.
- Screening: Delivers reproducible, quantitative behavioral metrics for downstream compound or genetic screening.
- Analytics: Provides statistical outputs and dimensionality reduction for robust cross-condition comparisons.
- Translational Research: Facilitates alignment of behavioral and neural endpoints for preclinical model validation.
- Enterprise Reuse: Offers a modular, adaptable pipeline for behavioral monitoring across diverse neural recording platforms.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in CNS target validation.
- Operational Value: Standardizes behavioral quantification for reproducibility and scalability across studies.
- Strategic Value: Improves go/no-go decisions by integrating behavioral and neural data streams.
- Portfolio Impact: Enables risk-adjusted prioritization of neurobehavioral targets and models.
Implementation Considerations
- Requires expertise in behavioral neuroscience, imaging, and computational analysis.
- Depends on access to MRI-compatible video acquisition and MATLAB-based analytical infrastructure.
- Necessitates cross-team standardization of behavioral scoring and data integration protocols.
- Adaptable to various neural recording modalities beyond fMRI, as supported by the pipeline design.
- Limited by the need for non-ferromagnetic equipment and restricted field of view in MRI environments.
