Profilage des réponses comportementales maternelles lors de l’imagerie du cerveau entier
24 janvier 2025
Voici un pipeline d’analyse vidéo qui permet de surmonter les défis de la surveillance comportementale dans les environnements IRM, permettant de détecter des réponses comportementales non instruites à des signaux externes. Cette analyse facilitera une compréhension plus complète des changements d’état interne évoqués et de l’activité à l’échelle du cerveau.
La façon dont un soignant perçoit les signaux du nourrisson et y réagit déterminera si le nourrisson reçoit les soins dont il a besoin pour survivre. Chez la souris, les vocalisations des petits évoquent des réponses comportementales complexes et évoquent donc probablement une activité coordonnée à travers un réseau de régions cérébrales. Nous voulons identifier ce réseau chez des souris de différents antécédents d’expérience maternelle, et l’IRMf de souris éveillée est un excellent outil pour cela.
À mesure que l’IRMf de souris éveillée devient plus largement utilisée, des recherches passionnantes émergent qui étudient les corrélats neuronaux des comportements dirigés vers un objectif. Ces comportements sont généralement évalués à l’aide d’outils tels que des brise-poutres pour détecter les fuites et des capteurs de pression pour détecter les mouvements. Notre protocole nous permet d’évaluer les réponses comportementales spontanées, même dans l’environnement techniquement difficile de l’IRM.
Notre objectif est d’utiliser des mesures du comportement spontané pour mieux comprendre l’activité cérébrale que nous avons acquise avec l’IRMF. Nos travaux antérieurs ont révélé que les cortex auditifs des animaux maternels et vierges réagissent différemment aux appels des petits. Chez les mamans, leurs réponses neuronales sont verrouillées dans le temps au cri d’un chiot.
Chez les vierges, ce n’est pas le cas. Cependant, au fur et à mesure qu’une vierge apprend à exprimer le comportement maternel, les centres auditifs changent pour refléter cette nouvelle compétence. Nos études antérieures se sont concentrées sur le cortex auditif chez des souris anesthésiées.
Cette étude va au-delà des limites du cortex auditif, en examinant comment l’ensemble du cerveau et du comportement change chez les souris éveillées qui se comportent alors qu’un animal apprend à devenir une mère. Pour commencer, téléchargez MATLAB depuis le site Web MathWorks. Pour ajouter la boîte à outils de traitement d’images aux add-ons MATLAB, cliquez sur gérer les add-ons, obtenir les add-ons, puis les rechercher et les ajouter.
De même, ajoutez la boîte à outils Vision par ordinateur aux add-ons MATLAB. Après avoir ouvert le premier script du pipeline d’analyse, modifiez les sections un, deux, trois, quatre, cinq et six du script pour les adapter aux structures de données indiquées. Exécutez la première section.
Exécutez la deuxième section du script pour afficher la première image de chaque vidéo. Utilisez la souris pour cliquer une fois sur les deux premiers points, puis double-cliquez sur le troisième point. Après avoir sélectionné les derniers points de la vidéo, appuyez sur Entrée.
Exécutez la section trois et la section quatre. Réglez l’indicateur aligné sur zéro et exécutez la section cinq. Ensuite, réglez le drapeau aligné sur un et exécutez à nouveau la section cinq.
Exécutez maintenant la section six et comparez les résultats côte à côte. Ensuite, ouvrez le script deux et modifiez la première section du script pour l’adapter aux structures de données. Ensuite, exécutez la première section.
Modifiez la deuxième section du script pour l’adapter aux structures de données et exécutez la deuxième section. Utilisez l’image résultante pour voir où le flux optique fluctue le plus considérablement dans les vidéos analysées. Modifiez la troisième section du script pour l’adapter aux structures de données et aux besoins d’analyse.
Pour analyser le FOF complet de la vidéo, définissez l’indicateur, sélectionnez ROI et indiquez le ROI à zéro. Ensuite, exécutez la troisième section. Pour analyser un nouveau retour sur investissement, définissez l’indicateur sélectionner ROI sur un et indiquez le retour sur zéro.
Ensuite, éditez newCoordsName et exécutez la section trois. Sélectionnez un nouveau retour sur investissement dans l’exemple de cadre affiché en cliquant et en faisant glisser. Pour analyser le retour sur investissement précédemment dessiné, réglez l’indicateur sélectionner ROI à zéro et indiquez le retour sur un.
Ensuite, modifiez inputCoords pour fournir un ensemble prédéterminé de coordonnées et exécutez la troisième section. Ouvrez le script trois et modifiez les sections un à trois du script pour l’adapter aux structures de données et aux besoins d’analyse. Dans la première section, définissez les indicateurs d’options d’analyse ZSC, BLRM, BLZSC, demeanPerTrial et applyLPfilter sur zéro ou un.
Définissez LPfilter sur un nombre représentant le filtre passe-bas souhaité en hertz. Ensuite, exécutez les sections un à trois. Ouvrez le script quatre et modifiez la première section du script pour l’adapter aux structures de données et aux besoins d’analyse.
Exécutez la première section. Ouvrez le script cinq et modifiez la première section du script pour l’adapter aux structures de données et à l’analyse. Ensuite, exécutez la première et la deuxième section.
Modifiez les variables group, myTitle et threshT dans les entrées de la section trois pour refléter l’analyse de groupe souhaitée. Exécutez la troisième section pour chaque groupe d’intérêt. Ajustez ensuite la plage de l’axe C et les limites de la barre de couleur comme vous le souhaitez pour la visualisation.
Modifiez les variables mag, myTitle et threshT dans les entrées de la section quatre pour refléter la comparaison de groupe souhaitée. Exécutez la section quatre pour chaque comparaison de groupe d’intérêt, puis ajustez la plage de l’axe Z et les limites de la barre de couleur comme vous le souhaitez pour la visualisation. Les vecteurs de flux optiques indiquaient les régions de mouvement des animaux, en particulier autour du museau et des pattes.
L’écart-type de l’amplitude du flux optique a permis d’identifier les zones présentant des fluctuations de mouvement élevées et faibles. Les mères ont montré des réponses de mouvement plus élevées aux appels de chiots par rapport aux vierges, mais pas aux tons purs. L’analyse en composantes principales a révélé que les mères avaient plus de mouvement dans la région du nez que les vierges lors des deux présentations de stimuli.
La quantification du flux optique d’un ensemble de données de validation a révélé des différences significatives dans les réponses comportementales aux récompenses à haute teneur en eau par rapport aux récompenses à faible niveau d’eau. Ces résultats suggèrent en outre que le pipeline d’analyse vidéo présenté peut être utilisé pour capturer des différences significatives dans le comportement des animaux dans toutes les conditions.
Aperçu
Cette étude présente un pipeline d'analyse vidéo conçu pour surveiller les réponses comportementales spontanées chez les souris dans des environnements IRM. En utilisant l'IRM fonctionnelle chez la souris éveillée, la recherche vise à découvrir les corrélats neuronaux des comportements maternels en réponse aux vocalisations des petits.
Composantes clés de l'étude
Domaine de la science
- Neuroscience
- Analyse comportementale
- Techniques d'imagerie
Contexte
- Les vocalisations des petits chez les souris provoquent des réponses comportementales complexes.
- Comprendre ces réponses peut révéler des informations sur les soins maternels et l'activité cérébrale.
- Des études antérieures ont indiqué des différences dans les réponses du cortex auditif entre les mères et les vierges.
- Cette recherche s'étend au-delà du cortex auditif pour examiner l'activité cérébrale globale.
Objectif de l'étude
- Identifier les réseaux cérébraux activés par les appels des petits chez les souris ayant différentes expériences maternelles.
- Évaluer les réponses comportementales spontanées dans un environnement IRM difficile.
- Améliorer la compréhension de l'activité cérébrale liée aux comportements maternels.
Méthodes utilisées
- Développement d'un pipeline d'analyse vidéo basé sur MATLAB.
- Édition et exécution de scripts pour analyser les données vidéo de souris éveillées.
- Utilisation de l'analyse de flux optique pour évaluer les réponses de mouvement.
- Comparaison des réponses comportementales entre mères et vierges lors de stimuli auditifs.
Résultats principaux
- Les mères ont montré des réponses de mouvement plus importantes aux appels des petits par rapport aux vierges.
- L'analyse de flux optique a indiqué des différences comportementales significatives basées sur l'expérience maternelle.
- L'analyse en composantes principales a révélé des schémas de mouvement distincts chez les mères par rapport aux vierges.
- Le pipeline d'analyse vidéo a efficacement capturé les comportements spontanés dans toutes les conditions.
Conclusions
- L'étude démontre avec succès une méthode pour analyser les comportements spontanés dans des environnements IRM.
- Les résultats contribuent à la compréhension de la base neuronale des comportements maternels en réponse aux signaux des petits.
- Le pipeline développé peut être appliqué à d'autres recherches en neurosciences comportementales.
Questions fréquemment posées
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.
