Perfil de las respuestas del comportamiento materno durante la toma de imágenes de todo el cerebro
24 de enero de 2025
Aquí se presenta un canal de análisis de video que supera los desafíos en el monitoreo del comportamiento dentro de los entornos de resonancia magnética, lo que permite la detección de respuestas conductuales no instruidas a señales externas. Este análisis facilitará una comprensión más completa de los cambios de estado internos evocados y la actividad de todo el cerebro.
La forma en que un cuidador percibe y responde a las señales del bebé determinará si el bebé recibe la atención que necesita para sobrevivir. En los ratones, las vocalizaciones de los cachorros evocan respuestas conductuales complejas y, por lo tanto, es probable que evoquen una actividad coordinada a través de una red de regiones cerebrales. Queremos identificar esta red en ratones de diferentes orígenes de experiencia materna, y la RMF de ratones despiertos es una gran herramienta para eso.
A medida que el uso de la RMF en ratones despiertos se generaliza, están surgiendo investigaciones interesantes que investigan los correlatos neuronales de los comportamientos dirigidos a objetivos. Estos comportamientos generalmente se evalúan utilizando herramientas como interruptores de haz para detectar fugas y sensores de presión para detectar movimientos. Nuestro protocolo nos permite evaluar las respuestas conductuales espontáneas, incluso en el entorno de resonancia magnética técnicamente desafiante.
Nuestro objetivo es utilizar eventualmente medidas del comportamiento espontáneo para comprender mejor la actividad de todo el cerebro que adquirimos con FMRI. Nuestro trabajo previo reveló que las cortezas auditivas de los animales mamás y vírgenes responden de manera diferente a las llamadas de los cachorros. En las madres, sus respuestas neuronales están bloqueadas en el tiempo con el llanto de un cachorro.
En las vírgenes, no lo son. Sin embargo, a medida que una virgen aprende a expresar el comportamiento maternal, los centros auditivos cambian para reflejar esta nueva habilidad. Nuestros estudios anteriores se centraron en la corteza auditiva en ratones anestesiados.
Este estudio va más allá de los límites de la corteza auditiva, examinando cómo todo el cerebro y el comportamiento cambia en ratones despiertos que se comportan a medida que un animal aprende a convertirse en madre. Para empezar, descargue MATLAB desde el sitio web de MathWorks. Para agregar la caja de herramientas de procesamiento de imágenes a los complementos de MATLAB, haga clic en administrar complementos, obtener complementos y, a continuación, búsquelos y agréguelos.
Del mismo modo, añada Computer Vision Toolbox a los complementos de MATLAB. Después de abrir el script uno de la canalización de análisis, edite las secciones uno, dos, tres, cuatro, cinco y seis del script para que se ajusten a las estructuras de datos donde se indique. Ejecute la sección uno.
Ejecute la sección dos del script para mostrar el primer fotograma de cada vídeo. Utilice el ratón para hacer clic una vez en los dos primeros puntos y, a continuación, haga doble clic en el tercer punto. Después de seleccionar los últimos puntos del video, presione enter.
Ejecute la sección tres y la sección cuatro. Establezca la bandera alineada a cero y ejecute la sección cinco. A continuación, establezca la bandera alineada en uno y vuelva a ejecutar la sección cinco.
Ahora ejecute la sección seis y compare los resultados uno al lado del otro. A continuación, abra el script dos y edite la sección uno del script para que se ajuste a las estructuras de datos. A continuación, ejecute la sección uno.
Edite la sección dos del script para que se ajuste a las estructuras de datos y ejecute la sección dos. Utilice la imagen resultante para ver dónde fluctúa el flujo óptico de forma más drástica en los vídeos analizados. Edite la sección tres del script para adaptarla a las estructuras de datos y a las necesidades de análisis.
Para analizar el campo de visión de vídeo completo, establezca la marca seleccionar ROI y proporcione el ROI a cero. A continuación, ejecute la sección tres. Para analizar un nuevo ROI, establezca la marca select ROI en uno y proporcione el ROI a cero.
A continuación, edite newCoordsName y ejecute la sección tres. Seleccione un nuevo ROI en el marco de ejemplo mostrado haciendo clic y arrastrando. Para analizar el ROI extraído anteriormente, establezca la marca select ROI en cero y proporcione el ROI a uno.
A continuación, edite inputCoords para proporcionar un conjunto predeterminado de coordenadas y ejecute la sección tres. Abra el guión tres y edite las secciones uno a tres del script para adaptarlo a las estructuras de datos y a las necesidades de análisis. En la sección uno, establezca las marcas de opciones de análisis ZSC, BLRM, BLZSC, demeanPerTrial y applyLPfilter en cero o uno.
Establezca LPfilter en un número que represente el filtro de paso bajo deseado en hercios. A continuación, ejecute las secciones uno a tres. Abra el guión cuatro y edite la sección uno del script para adaptarlo a las estructuras de datos y a las necesidades de análisis.
Ejecute la sección uno. Abra el script cinco y edite la sección uno del script para que se ajuste a las estructuras de datos y al análisis. A continuación, ejecute la sección uno y la sección dos.
Cambie las variables group, myTitle y threshT en las entradas de la sección tres para reflejar el análisis de grupo deseado. Ejecute la sección tres para cada grupo de interés. A continuación, ajuste el rango del eje C y los límites de la barra de color como desee para la visualización.
Cambie las variables mag, myTitle y threshT en las entradas de la sección cuatro para reflejar la comparación de grupo deseada. Ejecute la sección cuatro para cada comparación de grupo de interés, luego ajuste el rango del eje Z y los límites de la barra de color como desee para la visualización. Los vectores ópticos de flujo indicaron regiones de movimiento animal, especialmente alrededor del hocico y las patas.
La desviación estándar de la magnitud del flujo óptico identificó áreas con fluctuaciones de movimiento altas y bajas. Las madres mostraron respuestas de movimiento más altas a las llamadas de los cachorros en comparación con las vírgenes, pero no a los tonos puros. El análisis de los componentes principales reveló que las madres tenían más movimiento en el área de la nariz en comparación con las vírgenes durante la presentación de ambos estímulos.
La cuantificación óptica del flujo de un conjunto de datos de validación reveló diferencias significativas en las respuestas de comportamiento a las recompensas de agua alta frente a las bajas. Estos resultados sugieren además que la línea de análisis de video presentada se puede utilizar para capturar diferencias significativas en el comportamiento de los animales en todas las condiciones.
Descripción general
Este estudio presenta una canalización de análisis de video diseñada para monitorear respuestas conductuales espontáneas en ratones dentro de entornos de resonancia magnética. Al utilizar FMRI de ratones despiertos, la investigación tiene como objetivo descubrir las correlaciones neurales de los comportamientos maternos en respuesta a vocalizaciones de cachorros.
Componentes clave del estudio
Área de la ciencia
- Neurociencia
- Análisis del comportamiento
- Técnicas de imagenología
Antecedentes
- Las vocalizaciones de los cachorros en ratones provocan respuestas conductuales complejas.
- Comprender estas respuestas puede revelar ideas sobre el cuidado maternal y la actividad cerebral.
- Estudios anteriores indicaron diferencias en las respuestas de la corteza auditiva entre madres y vírgenes.
- Esta investigación se extiende más allá de la corteza auditiva para examinar la actividad cerebral general.
Propósito del estudio
- Identificar redes cerebrales activadas por llamadas de cachorros en ratones con diversas experiencias maternas.
- Evaluar las respuestas conductuales espontáneas en un entorno desafiante de resonancia magnética.
- Mejorar la comprensión de la actividad cerebral relacionada con los comportamientos maternos.
Métodos utilizados
- Desarrollo de una canalización de análisis de video basada en MATLAB.
- Edición y ejecución de scripts para analizar datos de video de ratones despiertos.
- Utilización del análisis de flujo óptico para evaluar las respuestas de movimiento.
- Comparación de las respuestas conductuales entre madres y vírgenes durante estímulos auditivos.
Resultados principales
- Las madres mostraron mayores respuestas de movimiento a las llamadas de los cachorros en comparación con las vírgenes.
- El análisis de flujo óptico indicó diferencias conductuales significativas basadas en la experiencia maternal.
- El análisis de componentes principales reveló patrones de movimiento distintos en madres versus vírgenes.
- La canalización de análisis de video capturó eficazmente los comportamientos espontáneos en todas las condiciones.
Conclusiones
- El estudio demuestra exitosamente un método para analizar los comportamientos espontáneos en entornos de resonancia magnética.
- Los hallazgos contribuyen a comprender la base neural de los comportamientos maternos en respuesta a señales infantiles.
- La canalización desarrollada se puede aplicar a futuras investigaciones en neurociencia del comportamiento.
Preguntas frecuentes
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.
