Integración de la evaluación del comportamiento animal y la red neuronal convolucional para estudiar la interacción sabor-olor entre el wasabi y el alcohol

Queremos ver si oler las bebidas alcohólicas podría aliviar el ardor del wasabi. Así que desarrollamos un método que involucraba el estudio del comportamiento animal y el aprendizaje profundo para explorar esta interacción entre el gusto y el olfato. Mediante el uso de nuestro diseño de jaula especializado para la adquisición de datos de comportamiento y un sólido modelo de aprendizaje profundo, descubrimos que el 29% de las imágenes que mostraban el tratamiento conjunto de wasabi y alcohol se clasificaron como wasabi-negativo, líquido-positivo, lo que sugiere que el alcohol puede contrarrestar los efectos del wasabi.

Nuestro estudio plantea la pregunta de ¿por qué el alcohol puede suprimir las molestias causadas por el wasabi? La comprensión del mecanismo fisiológico subyacente que impulsa esta interacción será un enfoque de investigación futura. Para empezar, construye dos paredes laterales opacas apilando ladrillos a una altura de 54 milímetros.

Incruste las placas acrílicas en la jaula a base de acrilonitrilo butadieno estireno. Prepare una cámara de chows construida con cinco placas acrílicas transparentes de 90 milímetros por 50 milímetros con un grosor de dos milímetros. A continuación, prepare una placa acrílica transparente como plato de introducción a la comida y colóquela en la cámara de comida.

Después de realizar experimentos de comportamiento con un modelo de ratón de nueve a 10 semanas de edad, desmonte todas las placas de acrílico y acrilonitrilo butadieno estireno. Enjuague las placas con agua ultrapura al menos tres veces. Y luego sécalos con toallas de papel.

A continuación, rocíelos con etanol al 75%, seguido de una limpieza con papel para lentes. Finalmente, déjelos secar al aire durante al menos 15 minutos. Ahora, pesa a los ratones y registra sus pesos corporales antes de cada repetición del experimento conductual.

Para preparar una mezcla de wasabi y mantequilla de maní, pesa un gramo de wasabi comercial y 4,5 gramos de mantequilla de maní. Mézclalos en una bolsa de plástico con cremallera. Pese y proporcione dos pastas de 0,5 gramos de mantequilla de maní o una mezcla de wasabi y mantequilla de maní en el plato de introducción de comida.

Coloque el plato de introducción de chow preparado en la cámara de chows. Luego, llene la ranura debajo con 30 mililitros de líquido, ya sea agua pura o licor, para facilitar la inhalación simultánea. Comience a grabar usando las cámaras de dos teléfonos inteligentes colocados en los soportes para teléfonos en cada terminal.

Coloque con cuidado a dos compañeros de camada de ratones entrenados en la plataforma de estudio de comportamiento animal diseñada desde la parte superior y asegure rápidamente la jaula con la placa superior. Para comenzar, registre el comportamiento de los ratones durante la experiencia de la nocicepción inducida por wasabi mientras inhalan licor en una jaula específicamente diseñada. Usando el Jupyter Notebook proporcionado denominado Step1_ExtractingAndSavingVideoFrameImages.

ipynb, exporte una serie de imágenes de fotogramas de vídeo de los clips de vídeo recopilados para generar un conjunto de datos para el entrenamiento del modelo. Seleccione solo las imágenes con al menos un mouse que consuma el pegado proporcionado. Para realizar el aumento de datos, implemente el script proporcionado en Jupyter Notebook denominado Step2_DataAugmentation.

ipynb para voltear horizontalmente las imágenes generadas. Reserve los datos de imagen de cada segunda réplica para la validación del modelo CNN independiente externo. Utilice las imágenes de cada primera y tercera réplica para el entrenamiento y las pruebas del modelo interno.

Para preprocesar los datos de imagen utilizados en el modelado de CNN, ejecute el script en Jupyter Notebook denominado Step3_CNNmodeling_TrainTest. ipynb, incluido el cambio de tamaño de la imagen, la conversión del color negro y la normalización de la señal de la imagen. Divida los materiales de capacitación en conjuntos de datos internos de capacitación y prueba de forma aleatoria de ocho a dos.

A continuación, inicialice la arquitectura de CNN. Diseñe el número de salidas de CNN en función del número de escenarios que se van a examinar. Adopte la combinación óptima de hiperparámetros para construir la arquitectura CNN.

A continuación, abra el Step4_CNNmodel_ExternalValOriginal de Jupyter Notebooks proporcionado. ipynb y Step5_CNNmodel_ExternalValFlipped.ipynb. Validar el modelo obtenido utilizando las imágenes independientes de la segunda réplica del experimento de comportamiento animal.

Implemente el modelo obtenido y validado para clasificar las imágenes de fotogramas de vídeo generadas a partir del grupo experimental mediante Jupyter Notebook Step6_CNNmodel_Application.ipynb. La puntuación MGS aumentó significativamente en los ratones que recibieron una mezcla de wasabi y mantequilla de maní en comparación con los que solo recibieron mantequilla de maní. La puntuación MGS no mostró diferencias significativas entre el grupo control y los ratones expuestos al vapor de alcohol.

La puntuación MGS de los ratones que recibieron wasabi y mantequilla de maní disminuyó significativamente cuando se expusieron al vapor de alcohol en comparación con los que no estuvieron expuestos.