Une tâche de motricité fine pour étudier la cinématique articulaire dans un modèle préclinique de maladie neurodégénérative
13 juin 2025
La présente étude décrit un test de comportement moteur fin pour examiner les déficits moteurs dans des modèles de rongeurs, y compris le rat TgF344-AD, à l’aide de l’apprentissage automatique.
Nos recherches portent sur la motricité fine dans les modèles de neurodégénérescence. Plus précisément, nous visons à utiliser notre nouvelle tâche comme un nouveau biomarqueur pour les dysfonctionnements moteurs. Les algorithmes d’apprentissage automatique ont fait progresser les neurosciences systémiques pour fournir un moyen impartial et automatique d’analyser les mouvements d’animaux regroupés en comportements généralement indéchiffrables à l’œil humain.
En combinant des méthodes de suivi des parties du corps et de regroupement informatique, nous sommes capables de détecter, classer et prédire de manière fiable les transitions entre les mouvements des animaux dans notre nouvelle tâche motrice fine. Pour commencer la phase de modelage de 10 jours, allumez d’abord la lumière infrarouge, l’appareil photo et l’ordinateur. Transférez les cages contenant les rats dans la salle d’essai et laissez-les s’acclimater pendant cinq minutes.
À l’aide du bol d’entraînement, fournissez de un à cinq granulés le long de l’extension, l’extension étant placée entièrement à l’intérieur de l’appareil le premier jour. Organisez des séances d’entraînement de 10 minutes avec chaque animal. Les jours suivants, placez les granulés au bout du bol, le plus près du rongeur, puis éloignez-les progressivement pour encourager le comportement d’atteindre.
Une fois que les rongeurs ont pris des granulés sur le bord de l’extension, même si ce n’est qu’avec la bouche, introduisez la présentation des granulés à la pince à épiler pour favoriser le comportement d’extension. Récompensez le rongeur dès qu’il touche la pince à épiler. Ensuite, tenez la pince un peu plus pour inciter le rongeur à aller plus loin.
Pour la phase de test de neuf jours, placez les rats dans la pièce pour qu’ils s’habituent pendant une heure. Appliquez de la cire dentaire sur la plateforme pour la fixer en place, puis positionnez la première cuvette en veillant à ce que l’avant soit bien aligné et centré avec l’ouverture de l’appareil. Nommez le fichier vidéo et la vue en rotation avec le numéro d’identification du rat, la date d’enregistrement et l’heure de l’enregistrement.
Transférez le rat dans l’appareil. Fermez le couvercle et placez un carton blanc sur le dessus pour dévier la lumière. Vérifiez l’angle de la caméra pour vous assurer que la scène appropriée est capturée et ajustez le bol s’il n’est pas centré.
Verser le nombre de pastilles indiqué dans le bol et appuyer sur Démarrer l’enregistrement. Restez dans la pièce pour surveiller le rat, prenez des notes comportementales et réapprovisionnez les granulés si besoin. Pour le bol simple, assurez-vous que les granulés sont visibles et accessibles au-dessus du bord du bol.
Pour le bol Less, vérifiez que les granulés ne sont pas empilés et restent dispersés de façon faible. Pour le bol Plinko, vérifiez que les granulés sont bien répartis entre les obstacles. Ramenez le rat dans sa cage et fournissez la nourriture prévue.
Essuyez la chambre avec un désinfectant entre les animaux. À la fin de la journée, vaporisez toute la chambre d’éthanol pour la désinfection. Lors des tests de base, les rats ont montré une portée totale accrue à mesure que la conception du bol devenait plus complexe.
Sous traitement par harmaline, les étendues totales ont diminué sur tous les types de bols par rapport à la base initiale, indiquant une fonction motrice altérée. Au cours de la ligne de départ, le nombre total de cibles a augmenté avec la difficulté du bol, montrant une persistance comportementale malgré la complexité des tâches. Les échecs se sont accrus avec le bol Plinko.
L’harmaline perturbait la performance typique de la portée. Avant le traitement par harmaline, les échecs augmentaient avec la difficulté de la tâche sous la ligne de base, mais restaient constants sous Harmaline. L’harmaline a considérablement réduit le taux d’apprentissage de la tâche et le taux d’atteinte sur tous les types de bols.
L’analyse des portions à l’aide de l’apprentissage automatique a révélé des postures uniques et des stratégies de tâche entre les conditions de base et les conditions de l’harmonine, ainsi que dans chaque type de bol. Des syllabes distinctes et atteignantes étaient utilisées par les rats dans chaque type de bol et lors de différentes conditions de bol. Les rats transgéniques TgF344-AD avaient des zones de répartition totale réduites par rapport aux rats sauvages appariés.
Les rats de type sauvage ont montré une portée totale accrue avec une complexité de bol. Bien que le type de performance soit variable au sein de chaque groupe, les rats TgF344-AD ont connu une performance de réussite significativement réduite. À mesure que les bols devenaient plus difficiles, le nombre d’échecs augmentait dans les deux génotypes.
Le comportement peut générer beaucoup de bruit. En particulier, avec notre tâche où les plombs peuvent être déchus de la plateforme. Nous résolvons ce problème avec keypoint-MoSeq.
Notre protocole améliore les paradigmes de comportement de recherche précédents qui ne permettent pas de mouvements auto-perturbants.
Consultez la transcription complète et accédez à des milliers de vidéos scientifiques
Aperçu
Cette étude présente un test de comportement moteur fin conçu pour évaluer les déficits moteurs chez les modèles rongeurs, en particulier le rat TgF344-AD, en utilisant des techniques d'apprentissage automatique.
Composantes clés de l'étude
Domaine scientifique
- Neurosciences
- Analyse du comportement
- Apprentissage automatique
Contexte
- Porter l'accent sur les compétences motrices fines dans les modèles de neurodégénérescence.
- Développement d'un nouveau biomarqueur du dysfonctionnement moteur.
- Progrès de l'apprentissage automatique pour l'analyse des mouvements animaux.
- Importance de l'analyse objective dans les études comportementales.
Objectif de l'étude
- Créer un test fiable pour évaluer les déficits moteurs.
- Utiliser l'apprentissage automatique pour la classification des comportements.
- Approfondir la compréhension des dysfonctionnements moteurs chez les modèles rongeurs.
Méthodes utilisées
- Combinaison de méthodes de suivi des parties du corps et de regroupement par ordinateur.
- Détection et classification des mouvements animaux.
- Mise en œuvre d'une phase de modelage de 10 jours pour l'acclimatation.
- Utilisation de lumière infrarouge et de caméra pour l'observation.
Résultats principaux
- Détection fiable des transitions entre les mouvements animaux.
- Classification réussie de tâches motrices fines chez les rongeurs.
- Potentiel démontré de l'apprentissage automatique en analyse comportementale.
- Mise en place d'une nouvelle approche pour l'étude des troubles moteurs.
Conclusions
- Le test de comportement moteur fin est efficace pour évaluer les déficits moteurs.
- Le machine learning constitue un outil puissant pour l'analyse comportementale.
- Cette approche pourrait permettre une meilleure compréhension des affections neurodégénératives.
Questions fréquemment posées
Pertinence professionnelle pour l'industrie
L'évaluation quantitative des troubles moteurs fins dans les modèles précliniques de neurodégénérescence comble une lacune critique dans la validation précoce des cibles thérapeutiques et l'atténuation des risques mécanistiques pour la maladie d'Alzheimer et les troubles apparentés. L'intégration d'une analyse cinétique fondée sur l'apprentissage automatique permet une mesure objective et reproductible des phénotypes moteurs, renforçant la fiabilité prédictive des recherches translationnelles. Cette approche améliore la prise de décision stratégique en fournissant des critères d'évaluation sensibles et évolutifs pour les études sur la progression de la maladie et les interventions thérapeutiques.
Applications stratégiques en recherche et développement en biopharmaceutique
Début de la découverte et validation de la cible
- Permet une analyse objective des phénotypes moteurs liés à la pathologie neurodégénérative.
- Prend en charge la validation fonctionnelle des cibles en quantifiant les déficits comportementaux pertinents pour la maladie.
- Facilite la réduction des risques mécanistiques grâce à la détection automatisée de troubles moteurs subtils.
- Fournit des critères d'évaluation reproductibles pour le tri des projets en phase précoce.
Développement de tests et criblage
- Établit des tests comportementaux validés pour le criblage de composés en aval sur des modèles rongeurs.
- Fournit des résultats standardisés et quantitatifs permettant la comparabilité entre études.
- Permet une évaluation reproductible des effets des interventions sur la fonction motrice.
- Facilite le déploiement évolutif des tests à l’aide d’outils open source d’apprentissage automatique.
Recherche translationnelle et préclinique
- Aligne les critères précliniques avec des biomarqueurs moteurs et cognitifs pertinents pour l'humain.
- Permet un suivi longitudinal de la progression de la maladie et de la réponse thérapeutique.
- Soutient les décisions d'avancement ajustées au risque, fondées sur des indices comportementaux sensibles.
- Facilite la continuité du stade de découverte à la validation préclinique dans les filières de neurodégénérescence.
Intégration du pipeline et du flux de travail
Cette tâche motrice cinématique s'intègre dans la continuité découverte-préclinique, offrant un pont entre les études mécanistiques et le développement de biomarqueurs translationnels dans la recherche sur les maladies neurodégénératives.
- Biologie de la découverte : Soutient la vérification des hypothèses et la clarification des voies biologiques en quantifiant les déficits moteurs dans les modèles de maladie.
- Écrantage : Fournit des paramètres comportementaux prêts à l'analyse et reproductibles pour l'évaluation de composés.
- Analytique : Propose des métriques quantitatives dérivées de l'apprentissage automatique permettant des comparaisons statistiques solides entre différentes conditions.
- Recherche translationnelle : Aligne les évaluations motrices précliniques sur les biomarqueurs humains émergents pour une détection précoce des maladies.
- Réutilisation en milieu professionnel : Offre une plateforme évolutive et open source adaptable à divers modèles de maladies neurodégénératives et sites de recherche.
Impact opérationnel et organisationnel
- Valeur scientifique : Accroît la confiance prédictive et réduit l'ambiguïté mécanistique dans la recherche sur la neurodégénérescence.
- Valeur opérationnelle : Normalise le phénotypage comportemental et améliore la reproductibilité entre les études.
- Valeur stratégique : Éclaire les décisions d'orientation (go/no-go) et optimise l'allocation des ressources dans les phases précoces des pipelines.
- Impact sur le portefeuille : Permet une priorisation ajustée au risque des candidats thérapeutiques ciblant les troubles moteurs.
Considérations relatives à la mise en œuvre
- Nécessite une expertise en neurosciences comportementales et en analyses par apprentissage automatique.
- Requiert une infrastructure d'acquisition vidéo et des ressources informatiques pour le traitement des données.
- Exige une standardisation interéquipes des protocoles d'évaluation et d'analyse.
- Adaptable à divers modèles rongeurs de neurodégénérescence moyennant une optimisation du protocole.
- Les limites potentielles incluent la variabilité comportementale et la sensibilité aux facteurs environnementaux, atténuées par l'analyse automatisée.
