מאמר שיטה

PyOKR: שיטה חצי-אוטומטית לכימות יכולת מעקב אחר רפלקסים אופטוקינטיים

DOI:

10.3791/66779

⸱

12 באפריל 2024

 ,  ,  ,  , 
1Solomon H. Snyder Department of Neuroscience, The Johns Hopkins Kavli Neuroscience Discovery Institute, The Johns Hopkins University School of Medicine, 2Department of Ophthalmology, University of California, San Franciso

במאמר זה

סיכום

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

אנו מתארים כאן את PyOKR, שיטת ניתוח כמותית חצי אוטומטית המודדת ישירות תנועות עיניים הנובעות מתגובות חזותיות לתנועת תמונה דו-ממדית. ממשק משתמש ואלגוריתם ניתוח מבוסס Python מאפשר תפוקה גבוהה יותר ומדידות כמותיות מדויקות יותר של פרמטרים למעקב אחר העיניים בהשוואה לשיטות קודמות.

תקציר

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

חקר תגובות התנהגותיות לגירויים חזותיים הוא מרכיב מרכזי בהבנת תפקוד מערכת הראייה. תגובה בולטת אחת היא רפלקס אופטוקינטי (OKR), התנהגות מולדת שמורה מאוד הנחוצה לייצוב התמונה על הרשתית. ה-OKR מספק קריאה חזקה של יכולת מעקב אחר תמונות ונחקר בהרחבה כדי להבין מעגלים ותפקוד של מערכות ראייה בבעלי חיים מרקעים גנטיים שונים. ה-OKR מורכב משני שלבים: שלב מעקב איטי כאשר העין עוקבת אחר גירוי לקצה מישור הראייה, וסקאדה פאזה מהירה מפצה המאפסת את מיקום העין במסלול. שיטות קודמות של מעקב אחר כימות רווחים, למרות שהן אמינות, הן עתירות עבודה ויכולות להיות סובייקטיביות או נגזרות שרירותיות. כדי להשיג כימות מהיר יותר וניתן לשחזור של יכולת מעקב עיניים, פיתחנו תוכנית ניתוח חצי-אוטומטית חדשנית, PyOKR, המאפשרת כימות של תנועת מעקב עיניים דו-ממדית בתגובה לכל גירוי כיווני, בנוסף להיותה ניתנת להתאמה לכל סוג של ציוד וידאו-אוקולוגרפיה. שיטה זו מספקת סינון אוטומטי, בחירת שלבי מעקב איטיים, מידול של וקטורי עין אנכיים ואופקיים, כימות של רווחי תנועת עיניים ביחס למהירות הגירוי, וארגון הנתונים המתקבלים לגיליון אלקטרוני שמיש לצורך השוואות סטטיסטיות וגרפיות. צינור ניתוח כמותי ויעיל זה, הנגיש בקלות באמצעות ייבוא PyPI, מספק מדידה מהירה וישירה של תגובות OKR, ובכך מקל על חקר תגובות התנהגותיות חזותיות.

מבוא

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ייצוב תמונה מסתמך על תגובות אוקולומוטוריות מדויקות כדי לפצות על זרימה אופטית גלובלית המתרחשת במהלך תנועה עצמית. ייצוב זה מונע בעיקר על ידי שתי תגובות מוטוריות: רפלקס אופטוקינטי (OKR) ורפלקס ווסטיבולו-עיני (VOR)1,2,3. תנועה גלובלית איטית על פני הרשתית גורמת ל-OKR, אשר מעורר סיבוב עיניים רפלקסיבי בכיוון המתאים כדי לייצב את התמונה 1,2. תנועה זו, המכונה השלב האיטי, נקטעת על ידי סקאדות מפצות, הידועות בשם השלב המהיר, שבו העין מתאפסת במהירות בכיוון ההפוך כדי לאפשר פאזה איטית חדשה. כאן, אנו מגדירים סקאדות שלב מהיר אלה כתנועות מעקב עיניים (ETM). בעוד שה-VOR מסתמך על מערכת שיווי המשקל כדי לעורר תנועות עיניים כדי לפצות על תנועות ראש3, ה-OKR מופעל ברשתית על ידי ירי ON ואיתות עוקב למערכת האופטית האביזר (AOS) במוח התיכון 4,5. בשל הסתמכותו הישירה על מעגלי רשתית, ה-OKR שימש לעתים קרובות לקביעת יכולת מעקב חזותית הן במחקר והן במסגרות קליניות 6,7.

ה-OKR נחקר רבות ככלי להערכת יכולת ראייה בסיסית 2,6,8, התפתחות DSGC 9,10,11,12, תגובות אוקולומוטוריות13 והבדלים פיזיולוגיים בין רקע גנטי7. ה-OKR מוערך בחיות מקובעות ראש המוצגות עם גירוי נע14. תגובות אוקולומוטוריות נלכדות בדרך כלל באמצעות מגוון כלי וידאו, ותנועות מעקב עיניים נלכדות כצורות גל OKR בכיוונים אופקיים ואנכיים9. כדי לכמת את יכולת המעקב, תוארו שני מדדים עיקריים: רווח מעקב (מהירות העין ביחס למהירות הגירוי) ותדירות ETM (מספר סקאדות הפאזה המהירה על פני מסגרת זמן נתונה). חישוב הרווח שימש היסטורית למדידה ישירה של המהירות הזוויתית של העין כדי להעריך את יכולת המעקב; עם זאת, חישובים אלה הם עתירי עבודה וניתן לגזור אותם באופן שרירותי בהתבסס על שיטות איסוף וידאו-אוקוקולוגרפיה וכימות לאחר מכן. להערכת OKR מהירה יותר, ספירה של תדר ETM שימשה כשיטה חלופית למדידת חדות מעקב7. למרות שזה מספק הערכה מדויקת למדי של יכולת מעקב, שיטה זו מסתמכת על מדד עקיף כדי לכמת את תגובת הפאזה האיטית ומציגה מספר הטיות. אלה כוללים הטיית צופה בקביעת סקאדה, הסתמכות על תגובות סקאדיות עקביות זמנית לאורך תקופה קבועה, וחוסר יכולת להעריך את עוצמת תגובת הפאזה האיטית.

על מנת להתמודד עם חששות אלה עם גישות הערכת OKR הנוכחיות ולאפשר כימות מעמיק בתפוקה גבוהה של פרמטרים של OKR, פיתחנו שיטת ניתוח חדשה לכימות צורות גל OKR. הגישה שלנו משתמשת בפלטפורמת תוכנה נגישה מבוססת Python בשם "PyOKR". באמצעות תוכנה זו, מידול וכימות של תגובות פאזה איטית OKR ניתן ללמוד לעומק רב יותר עם פרמטרים מוגברת. התוכנה מספקת הערכות כמותיות נגישות וניתנות לשחזור של תגובות למספר עצום של גירויים חזותיים וגם מעקב חזותי דו מימדי בתגובה לתנועה אופקית ואנכית.

פרוטוקול

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

כל הניסויים בבעלי חיים שבוצעו בבית הספר לרפואה של אוניברסיטת ג'ונס הופקינס (JHUSOM) אושרו על ידי הוועדה המוסדית לטיפול ושימוש בבעלי חיים (IACUC) ב- JHUSOM. כל הניסויים שבוצעו באוניברסיטת קליפורניה בסן פרנסיסקו (UCSF) בוצעו בהתאם לפרוטוקולים שאושרו על ידי התוכנית המוסדית לטיפול ושימוש בבעלי חיים של UCSF.

1. איסוף נתונים התנהגותיים

  1. הקלט תנועות עיניים OKR באמצעות שיטת וידאו-אוקוקולוגרפיה לפי בחירתך כדי להפיק נתוני גל (כלומר, סדרת זמן של זווית המבט של העין בקואורדינטות כדוריות).
    הערה: נתונים מייצגים שנאספו ב- JHUSOM התקבלו באמצעות ניתוח השתלת עמוד ראש ווידאו-אוקולוגרפיה,כפי שתואר קודם 9,13 (איור 1). נתונים מייצגים שנאספו מ-UCSF התקבלו באמצעות ניתוח השתלת עמוד ראש ושיטת וידאו-אוקולוגרפיה, כפי שתואר קודם לכן10 (איור 7).
    1. שימו לב לפרמטרים של גירוי והקלטה: קצב פריימים של הקלטה, מהירות וכיוון של גירוי, ואורכי זמן בין תקופות גירוי ואחריהן. עבור גירויים סינוסואידליים, שימו לב גם למשרעת ולתדירות של גל הגירוי.
  2. ייצוא נתוני גל שנאספו כ- . קובץ CSV המכיל נתוני גל אופקיים ואנכיים (אזימוט וגובה).
    1. ארגון נתוני גל כטאבים מופרדים . קובץ CSV עם שתי עמודות המכילות נתונים אופקיים (epxWave) ונתונים אנכיים (epyWave).

2. התקנת תוכנת ניתוח

  1. הורד והתקן את Python.
    1. לפיקוח על גרפים, התקן את ספיידר דרך אנקונדה.
    2. כדי לוודא שהגרפים פועלים כראוי בספיידר, עבור אל כלים > העדפות > Ipython Console > גרפיקה > גרפיקה עורפית. הגדר בתוך השורה למצב אוטומטי.
  2. צור סביבת אנקונדה חדשה עם Python.
  3. התקן PyOKR באמצעות PyPi עם pip התקן PyOKR כדי להתקין את הגרסה החדשה ביותר יחד עם תלות חבילה (קובץ קידוד משלים 1 וקובץ קידוד משלים 2)
  4. אם נעשה שימוש במחשב Windows, הפעל מ- PyOKR ייבוא OKR_win כ- o ולאחר מכן o.run().
  5. אם נעשה שימוש במחשב Mac, הפעל מ- PyOKR ייבוא OKR_osx כ- o ולאחר מכן o.run().

3. ניתוח נתוני גל

  1. אתחול ניתוח ויבוא קבצים
    1. הפעל את o.run() בקובץ script של .py כדי לפתוח את ממשק המשתמש.
    2. תחת קובץ, השתמש בפונקציה פתח או בפקודה Ctrl+O [פקודת iOS] כדי לפתוח דפדפן שיאפשר למשתמש לבחור את קובץ הגל הרצוי.
    3. תחת קובץ, השתמש בלחצן יצא תיקיה או בפקודה Ctrl+E כדי לפתוח דפדפן תיקיות שיאפשר בחירה של תיקיית פלט שאליה ייוצאו ניתוחים סופיים.
    4. הזן את שם קובץ הניתוח הסופי תחת קובץ הפלט בתבנית מומלצת, כגון AnimalGenotype_AnimalNumber_Analysis.
    5. הגדר את התוכנית עבור בעל חיים בודד באמצעות הפקודה הגדר נושא תחת קובץ או הפקודה Ctrl+S כדי לאתחל את ערכת הנתונים עבור חיה בודדת.
  2. הגדרת פרמטרים של קובץ גל
    1. כדי להתחיל להגדיר פרמטרים של גירוי, הגדר כיווניות תחת בחר כיוון גירוי על-ידי בחירה באחד מארבעת הכיוונים הקרדינליים. עבור גירויים סינוסואידליים, בחר אחד המכיל (אופקי) או (אנכי) בהתאם, כאשר הכיוון הקרדינלי מגדיר את הכיוון ההתחלתי של הגל הסינוסואידלי.
    2. הגדר את סוג הגירוי תחת בחר סוג גירוי כחד-כיווני, מתנודד או אלכסוני.
    3. לאחר הגדרת הכיווניות, ייבא ערכת נתונים של מיקום גירוי משלך (ייבוא נתונים של וקטור גירוי משלו) או צור באופן אוטומטי וקטור המבוסס על פרמטרים (צור וקטור גירוי מפרמטרים). אם אתה מייבא וקטור גירוי, המשך עם 3.2.3.1 ולאחר מכן דלג לשלב 3.3. אם אתה יוצר וקטור גירוי, המשך בשלבים הבאים.
      1. אם אתה מייבא נתונים וקטוריים משלך, ייבא את ערכי המרחק של הגירוי (כלומר, סידרת זמן המתארת כמה רחוק נע הגירוי בין כל מסגרת רכישה סמוכה) באותה תבנית המתוארת בשלב 3.2.1. בנוסף, נתח את ערכת הנתונים כולה כתקופה אחת במקום לפצל אותה לתקופות בודדות, מכיוון שלא נוספה פונקציונליות להגדרת משנה של ערך גירוי מיובא החל מ- PyOKR v1.1.2.
    4. תחת פרמטרים של גירוי, הגדר את הפרמטרים של הגירוי המשמש לאיסוף נתונים.
      1. הגדר את משך הזמן ללא גירוי בתחילתו (ראשו) וסופו (זנב) של ניסוי נתון עם ראש וזנב.
      2. הגדר את משך הזמן שבו מוצג גירוי, את משך הזמן ללא גירוי אחרי, ואת מספר התקופות הכולל בתוך ניסוי נתון עם אורך התקופה, אורך הגירוי שלאחר הגירוי ומספר התקופות, בהתאמה.
      3. עבור גירויים חד-כיווניים ואלכסוניים, הגדר מהירות גירוי במעלות לשנייה עם מהירות אופקית ומהירות אנכית.
      4. הגדר את קצב הלכידה של מצלמת האוסף באמצעות קצב פריימים לצילום.
      5. עבור גירויים סינוסואידליים, צור את הגל הסינוסואידלי למידול גירויים תנודתיים עם תדירות ומשרעת.
    5. לאחר פרמטריזציה, בצע את המודל המתאים ממידע הגירוי שהוזן לעיל עם צור וקטור גירוי מפרמטרים.
    6. בחר תקופה נתונה עבור הגירוי שהוזן באמצעות Select epoch כדי לסרוק את קובץ הגל הכולל.
  3. בחירה מפוקחת של שלבי מעקב
    1. כדי לזהות אזורים של מעקב איטי, בחר באופן אוטומטי סקאדות פאזה מהירות עם התאמה ראשונית על-ידי לחיצה על נתונים לא מסוננים או נתונים מסוננים, אשר יתייגו סקאדות פוטנציאליות בהתבסס על שינויי מהירות מרביים.
    2. תחת נתונים לא מסוננים, ודא שסקאדות נבחרו במדויק עם נקודה כחולה. אם הבחירה האוטומטית אינה מדויקת, הסר נקודות באופן ידני באמצעות לחצן העכבר השמאלי (LMB) או הוסף נקודות באמצעות לחצן העכבר הימני (RMB). כאשר סקאדות פאזה מהירה נבחרות כראוי, שמור את הנקודות באמצעות לחצן העכבר האמצעי (MMB) וסגור את הגרף.
    3. אם אתם מעוניינים בסינון אוטומטי, קבעו סף Z-Score ולחצו על 'נתונים מסוננים ' כדי לסנן סקאדות באופן אוטומטי. במידת הצורך, השתמש באותו פיקוח ידני כמתואר בשלב 3.3.2 כדי להסיר רעש.
    4. לאחר בחירת סקאדה נכונה, לחצו על ' התאמת נקודה ' לבחירת האזור להסרה. שנה את הנקודות העליונות והתחתונות באמצעות ערכת בקרה דומה לזו שתוארה קודם לכן בשלב 3.3.2. ערוך נקודות עליונות (ירוקות) עם LMB או יואן וערוך נקודות תחתונות (אדומות) עם Shift+LMB או Shift+יואן. כאשר הנקודות ממוקמות כראוי, השתמש ב- MMB כדי לשמור את הנקודות.
      הערה: אם אתה משתמש ב-Mac, התאמת הנקודה התחתונה והעליונה נמצאות בשני לחצנים נפרדים ופועלות לפי אותה ערכת בקרה כמתואר בשלב 3.3.2.
  4. ניתוח שלבי מעקב איטיים
    1. הגדר את סדר המודל הפולינומי באמצעות הגדרת סדר פולינומי כדי להגדיר את מודל הפולינום שיותקן לפאזות איטיות בודדות.
      הערה: עבור גירויים חד-כיווניים או אלכסוניים, ערך ברירת המחדל הוא 1 מכיוון שלינאריות נחוצה לחישוב רווח מעקב. עבור גירויים סינוסואידליים, יש צורך בסדר גבוה יותר כדי למדל את עקומת הגל, עם ברירת מחדל של 15.
    2. כדי לנתח את המעקב, בחרו 'ניתוח סופי' כדי ליצור את מודלי הפאזה האיטית (איור 2) עבור השלבים האיטיים שנבחרו (ראו איור 2A-D) ולחשב את המרחקים, המהירויות ורווחי המעקב הממוצעים לאורך התקופה (איור 2E).
    3. להצגת הגרף הדו-ממדי (דו-ממדי) או התלת-ממדי (תלת-ממדי) של האזורים שנבחרו, בחרו 'הצג גרף דו-ממדי ' או 'הצג גרף תלת-ממדי ', בהתאמה.
    4. בחר הוסף תקופה כדי לשמור את הערכים שנאספו שנוצרו בשלב 3.4.2. כדי להציג את כל הערכים המוספים עבור בעל חיים נתון וכן ממוצעים עבור ניסויים שנאספו, בחר הצג ערכת נתונים נוכחית.
    5. לאחר הוספת תקופה, עבור בין שאר הקובץ באמצעות בחר תקופה, בצע את השלבים 3.3.1 עד 3.4.4.
    6. לאחר ניתוח מלא של קובץ גל, חזור על תהליך זה עבור כל הקבצים האחרים עבור חיה נתונה על ידי פתיחת קבצים חדשים, הגדרת פרמטרים מתאימים וניתוחם בהתאם. על-ידי חזרה על שלבים 3.2.1-3.4.5 עבור כל קובץ, צור ערכת נתונים סופית המכילה את כל נתוני הגל עבור חיה נתונה.
  5. ייצוא סופי של נתונים
    1. לאחר השלמת ניתוח הנתונים עבור חיה נתונה, עם ניתוח כל הכיוונים או הגירויים, יצא את מערך הנתונים באמצעות ייצוא נתונים.
      הערה: ערכת הנתונים הגולמית תיוצא בהתבסס על שם קובץ הפלט ותשמר לאורך הנתיב שהוגדר על-ידי תיקיית הפלט כקובץ CSV המכיל נתוני תקופה בודדים עם הממוצע הכולל עבור כל פרמטר גירוי.
    2. לאחר ייצוא בעל חיים בודד, אתחל מחדש את ערכת הנתונים באמצעות Ctrl+S ולאחר מכן חזור על כל השלבים הקודמים כדי לנתח חיה חדשה.
    3. במידת הצורך, ארגן מחדש את כל נתוני הפלט שנאספו עבור בעלי חיים מרובים לצורך ניתוח קל יותר באמצעות הפקודה מיין נתונים בכרטיסיה ניתוח .
      הערה: פונקציה זו תבצע הידור ומיון של כל הערכים הממוצעים עבור כל קובצי בעלי החיים שנותחו המאוחסנים בתיקיית הפלט כדי לאפשר יצירה קלה יותר של גרפים והשוואות סטטיסטיות. המיון מסתמך על שמות הקבצים החל מגירסה v1.1.2. השתמש בסכימת מתן השמות המומלצת כמתואר בשלב 3.1.4 עבור כל קובץ (לדוגמה, WT_123_Analysis).

תוצאות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

כדי לאמת את שיטת הניתוח שתוארה לעיל, כימתנו את רווח המעקב אחר OKR על עקבות גלים שנאספו מעכברי בר ומוטנט נוקאאוט מותנה עם ליקוי מעקב ידוע. בנוסף, כדי לבחון את הישימות הרחבה יותר של שיטת הניתוח שלנו, ניתחנו עקבות שנגזרו מקבוצה נפרדת של עכברי בר שנרכשו בשיטת איסוף וידאו-אוקוקולוגרפיה שונה. הסינון האוטומטי של סקאדות מאפשר עיבוד וניתוח של נתוני OKR (איור 3). באמצעות הקלטות מגירויים חד-כיווניים וסינוסואידים (איור 1D), חישבנו רווחי מעקב OKR בארבעת הכיוונים הקרדינליים (איור 2F) עבור חיות בר (n = 13) לגירויים חד-כיווניים, וגם מעקב אחר רווחים בתגובה לגירויים סינוסואידים אופקיים ואנכיים (איור 4). הפער ביכולת המעקב ביחס לכיוון הגירוי הן עבור גירויים חד-כיווניים והן עבור גירויים סינוסואידים נצפה באופן עקבי בכל עכברי הבר, עם תגובות אופקיות חזקות באותה מידה המדגימות רווחי מעקב גבוהים משמעותית מאשר תגובות אנכיות, כפי שתואר2. יתר על כן, רווחי מעקב אסימטריים בין תגובות כלפי מעלה ומטה נצפים גם בעכברי בר המשתמשים בשתי שיטות איסוף וידאו-אוקולוגרפיה, כפי שדווח בעבר 2,10. סדרי הגודל היחסיים והעקביות של רווחי המעקב בהשוואה לאפיון שפורסם של תגובות OKR מצביעים על כך שרווחי מעקב המחושבים באמצעות התוכנה משקפים במדויק את יכולת המעקב. בנוסף לחישובי רווח חד-כיווניים, ניתן למדל תנועת עיניים אופקית ואנכית בו זמנית (איור 5), מה שמאפשר שחזור תלת-ממדי של תנועת העין בתגובה לגירוי נתון. זה מספק יכולת כימות נוספת השימושית למחקרים עתידיים שיחקרו תגובותאופקיות ואנכיות צולבות 9.

כדי לאמת את התועלת של התוכנה לזיהוי שינויים התנהגותיים משמעותיים על פני תנאי ניסוי שונים, ניתחנו מחדש את הנתונים שפורסמו9 כדי לאשר כי ליקויים במעקב אנכי שהוערכו במחקר זה על ידי ספירה ידנית של סקאדות פאזה מהירה משתקפים במעקב אחר רווחים באמצעות המתודולוגיה המוצגת כאן. עבודות קודמות מראות כי אי-הפעלה גנטית ברשתית של גורם השעתוק גורם שעתוק T-box Transcription Factor 5 (Tbx5) באמצעות נוקאאוט מותנה באמצעות Protocadherin 9-Cre (Pcdh9-Cre) גורמת לאובדן ספציפי של תאי גנגליון סלקטיביים בכיוון (up-oDSGCs) מכווננים כלפי מעלה, וכי Tbx5 Flox/Flox (Tbx5f/f); מוטציות Pcdh9-Cre מציגות אובדן ספציפי של מעקב OKR אנכי9. ניתוח כמותי בשיטה המתוארת כאן מראה כי Tbx5f/f; חיות PCDH9-Cre שומרות על רווחי מעקב אופקיים נורמליים (איור 6A), דומים לאלה שתוארו קודם לכן ומתקבלים באמצעות ספירה ידנית של סקאדות פאזה מהירה (ETM) (איור 2F); אולם העכברים האלה מראים אובדן משמעותי של מעקב אנכי, עם רווחים כמעט אפסיים בתגובה לגירויים כלפי מעלה וכלפי מטה (איור 6B,C). נוסף על כך, ניתוח של תגובות סינוסואידליות מאשר שחיות CKO מסוג Tbx5 מציגות רווחי מעקב אופקיים גדולים יותר, בעוד שהן מראות ירידה משמעותית במעקב אנכי (איור 6D-F). ניתוח מחדש של פנוטיפ זה שתואר קודם לכן באמצעות PyOKR מדגים את הדיוק והרגישות של מתודולוגיה חדשה זו, המאפשרת השוואה כמותית של תגובות OKR בעכברים מזנים גנטיים שונים.

לבסוף, ניתחנו עקבות OKR אנכיים מסוג פראי שנאספו ב- UCSF כדי לאמת את כלי השירות של יישום התוכנה עם שיטות וידאו-אוקוקולוגרפיה שונות ופרמטרי גירוי. נתונים מ-UCSF נאספו באמצעות מערכת הקרנה המיספרית שבה מוצגים לעכבר גרגרים נעים באמצעות השתקפות של מקרן באורך גל של 405 ננומטר על חצי כדור המקיף את החיה בעלת הראש הקבוע10 (איור 7A). גרגרים אנכיים חד-כיווניים הוצגו לעכברים במהירות של 10 מעלות לשנייה, ותגובות ה-OKR תועדו במרווחים של 60 שניות (איור 7B,C). עקבות אנכיים נותחו כמותית באמצעות PyOKR, ותגובות כלפי מעלה הושוו לתגובות כלפי מטה (איור 7D). התגובות כלפי מעלה היו חזקות משמעותית מאשר כלפי מטה, כצפוי10; עם זאת, רווחי המעקב הופחתו מעט בהשוואה לעקבות שתועדו ב-JHUSOM (איור 2F). נוסף על כך, כימות התגובות הסינוסואידליות נותח באמצעות PyOKR (איור 7E), וא-סימטריה משמעותית בתגובות האנכיות לגירויים הנעים בסינוסואידים משתקפת ברווחים מחושבים (איור 7F). ניתן לייחס הבדלים בין ערכי הרווח שנאספו ב- JHUSOM וב- UCSF להבדלים בין פרמטרים של גירוי, כולל מהירויות גירוי, סוגים ואורכי גל שונים; עם זאת, העקביות הכוללת שאנו רואים בניתוח הנתונים המתקבלים באמצעות כל שיטת איסוף מראה כי ניתן להתאים בקלות את PyOKR שלנו מעבר למערכת איסוף הנתונים JHUSOM OKR שלנו וליישם על הקלטות OKR אחרות, ללא תלות בשיטות וידאו-אוקולוגרפיה. תוצאות אלה מראות כי פלטפורמת התוכנה המתוארת כאן מדויקת וניתן ליישם אותה באופן כללי לחקר תגובות אוקולומוטוריות, ומאפשרת השוואות כמותיות מדויקות בין בעלי חיים השייכים לקבוצות שונות כדי לקדם את המחקר של מעגלי ייצוב תמונה חזותיים.

figure-results-1
איור 1: איסוף נתוני תגובת OKR. (A) מנגנון זירה וירטואלית OKR לגירוי התנהגותי, כמתואר לעיל 9,13. ארבעה צגים מקיפים בעל חיים קבוע ראש (1), ומציגים גירוי לוח דמקה הנע ברציפות (2). התוף הווירטואלי יכול להציג תנועה חד-כיוונית בכל ארבעת הכיוונים הקרדינליים וכן גירויים סינוסואידים תנודתיים. עינו השמאלית של העכבר מוארת על ידי אור אינפרא אדום (IR) ומוקלטת במצלמה (3) כדי להקליט תגובות של מערכת הראייה המשתקפות במעקב אחר העיניים. (B) ניתוח מעקב עיניים מתרחש על-ידי לכידת האישון והשתקפות קרנית הנוצרת על-ידי אור אינפרה-אדום. איסוף הנתונים וחישוב תנועות העיניים בתגובה לתוף הווירטואלי בוצעו כמתואר לעיל 9,13. (C) סכמה של וקטורי עין הנעים אנכית (גל Y) ואופקית (גל X). (D) עקבות דגימה של תגובת המעקב של העין לתנועה חד-כיוונית למעלה ואחורה, וגם לתנועה סינוסואידלית אנכית ואופקית. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

figure-results-2
איור 2: ניתוח מעקב אחר תגובות חזותיות חד-כיווניות. (A-D) זיהוי ובחירה של שלבי מעקב איטיים לניתוח רווחים. עקבות חד-כיווניות לדוגמה מוצגות עם תגובות חזותיות לתנועה קדימה (A), אחורה (B), כלפי מעלה (C) וכלפי מטה (D) ביחס לעין העכבר. שלבים איטיים מזוהים על-ידי הוספת נקודות אדומות וירוקות המתוארות בשלב 3 להסרת סקאדות, והשלבים האיטיים שנבחרו מסומנים בצהוב. רגרסיות פולינומיות מונחות על העקבות כקווים. (E) כימות עקבות הדגימה (A-D) כפי שהן מאורגנות בקריאת PyOKR. עבור כל מעקב, מהירויות XY כוללות ורווחים בהתאמה מחושבים, ללא קשר לכיווניות. בתגובות חד-כיווניות, מהירויות כוללות אלה ישקפו בדרך כלל את המהירות הבודדת בכיוון מסוים; עם זאת, עבור תגובות סינוסואידליות, ערך זה ישקף את המהירות הכוללת הממוצעת של העין. רכיבי מהירות אופקית ואנכית מחולקים כדי להציג מהירות בכל כיוון בהתאמה. הרווח מחושב לאחר מכן על בסיס מהירויות הגירוי המוצגות. (F) חישוב רווחי מעקב של חיות בר (n = 13) בארבעת הכיוונים הקרדינליים בהשוואה לכימות ETM הקשור אליהם. הנתונים מוצגים כממוצע ± SD. הנתונים מנותחים באמצעות ANOVA חד-כיווני עם השוואות מרובות. *p<0.05, **p<0.01,***p<0.005, ****p<0.0001. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

figure-results-3
איור 3: סינון אוטומטי של סקאדות מאפשר עיבוד וניתוח של נתוני OKR. (A-D) סינון אוטומטי של עקבות מאיור 2A-D מסיר סקאדות ומודלים רק תנועה איטית בפאזה על-ידי הסרת שינויי מהירות מהירים ותפירת פאזות איטיות יחד. השיפוע הסופי מייצג את תנועת העין הכוללת על פני התקופה הנתונה. (E) כימות רווחים מנתוני מדגם מסוננים, כפי שהם מאורגנים בקריאת PyOKR. (F) השוואת ערכי הרווח בין עקבות עיניים מדגם לא מסונן לעומת מדגם מסונן אינה משקפת הבדלים משמעותיים. הנתונים מוצגים כממוצע ± SD. הנתונים נותחו באמצעות מבחן Mann-Whitney U בין תוצאות לא מסוננות לתוצאות מסוננות. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

figure-results-4
איור 4: גזירת רווחי מעקב בתגובה לגירויים חזותיים תנודתיים. (A,B) ניתן למדל תגובות תנועות עיניים אנכיות (A) ואופקיות (B) לגירויים הנעים באופן סינוסואידים ביחס לפרמטרים מוגדרים של גירוי תנודתי. האזורים שנבחרו מסומנים בצהוב עם קירוב פולינומי מונח על גבי העקבה. מודל של הגירוי מוצג כגל סינוסואידי כתום מאחורי העקבות כדי לאפשר התייחסות מהו הגירוי בכל נקודה. (C) חישובי רווח של תגובות סינוסואידליות מסוג בר (n = 7) משקפים תגובות אסימטריות בין יכולת מעקב אופקית ואנכית. הנתונים מוצגים כממוצע ± SD. הנתונים מנותחים באמצעות ANOVA חד-כיווני עם השוואות מרובות. **p<0.01,***p<0.005. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

figure-results-5
איור 5: ניתן למדל מעקב כיווני במרכיביו האופקיים והאנכיים. (A) רכיב אנכי של גל מעקב עיניים בתגובה לגירוי כלפי מעלה. (B) מרכיב אופקי של גל מעקב עיניים בתגובה לגירוי כלפי מעלה. (C) מסלול העין הכולל הן בכיוון אנכי והן בכיוון אופקי. (D) מודל תלת-ממדי של וקטור התנועה של העין לאורך זמן בתגובה לתנועה כלפי מטה. נתוני מעקב גולמיים מוצגים באדום ומודל הרגרסיה של המסלול מוצג בכחול. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

figure-results-6
איור 6: ניתוח ה-OKR ב-Tbx5f/f; עכברי Pcdh9-Cre מראים ליקויים משמעותיים ברווחי מעקב אנכיים חד-כיווניים. (א) Tbx5f/f; בעלי חיים מסוג Pcdh9-Cre לא מראים שינוי משמעותי ברווח המעקב האופקי. (ב,ג) Tbx5f/f; בעלי חיים מסוג Pcdh9-Cre מראים ירידה משמעותית ברווח בתגובות האנכיות שלהם: כלפי מעלה (B) וכלפי מטה (C). (ד,ה) תגובות סינוסואידליות של Tbx5f/f; בעלי חיים מסוג Pcdh9-Cre בתגובה לגירויים תנודתיים אופקיים (D) ואנכיים (E). (ו) כימות של Tbx5f/f; תגובות תנודתיות של Pcdh9-Cre מראות עליות משמעותיות ברווחי מעקב אופקיים, אך מראות ירידה בתגובות אנכיות. הנתונים מוצגים כממוצע ± SD. הנתונים נותחו באמצעות מבחני Mann-Whitney U. *P<0.05, **P<0.01, ****P<0.0001. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

figure-results-7
איור 7: יישום PyOKR לנתונים המתקבלים משיטות וידאו-אוקוקולוגרפיה חלופיות. (A) מכשיר לגירוי תוף וירטואלי OKR, כמתואר10. מקרן DLP באורך גל של 405 ננומטר משתקף דרך מראה קמורה על חצי כדור כדי ליצור תוף וירטואלי המקיף את שדה הראייה של החיה. תנועות העיניים נמדדות באמצעות מצלמת NIR הממוקמת מחוץ לחצי הכדור. מוטות חד-כיווניים וסינוסואידים מוצגים לבעל חיים קבוע ראש בכיוונים אנכיים. (ב,ג) שלבי מעקב כלפי מעלה (B) ומטה (C) מזוהים ונבחרים לניתוח כמותי. שלבים איטיים מודגשים בצהוב. (D) מעקב אחר רווחים המחושבים ממעקב אנכי אחר חיות בר (n=5) בשיטות המתוארות כאן. נצפתה יכולת מעקב אסימטרית, עם ירידה משמעותית במעקב כלפי מטה. (E) תגובה תנודתית לגירויים סינוסואידים המעוצבת לכימות רווחי מעקב בחיות בר (n=8). שלבים איטיים מודגשים בצהוב. (F) כימות של רווחים סינוסואידים מגלה ירידה ברווחי מעקב כלפי מטה בהשוואה לרווחים כלפי מעלה. הנתונים מוצגים כממוצע ± SD. הנתונים נותחו באמצעות מבחני Mann-Whitney U. *פ<0.05. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

קובץ קידוד משלים 1: PyOKR Windows אנא לחץ כאן להורדת קובץ זה.

קובץ קידוד משלים 2: PyOKR Mac אנא לחץ כאן להורדת קובץ זה.

דיון

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

PyOKR מספק מספר יתרונות לחקר תגובות חזותיות המשתקפות בתנועות עיניים. אלה כוללים דיוק, נגישות ואפשרויות איסוף נתונים, בנוסף ליכולת לשלב פרמטרים ומהירויות גירוי משתנות.

הערכת רווח מעקב עיניים ישיר מספקת אפיון מדויק של תנועת עיניים שהוא מדד כמותי ישיר יותר מאשר ספירה ידנית מסורתית של סקאדות פאזה מהירה (ETM). למרות שהיא שימושית, ספירת סקאדה מספקת הערכה עקיפה של תנועת המעקב בפועל. פלטפורמת התוכנה PyOKR מספקת כימות ישיר של מהירויות מעקב, תוך התחשבות בפרמטרים נוספים כולל אמפליטודות סקאדה ואורך השלבים האיטיים. בנוסף, ספירת סקאדה מהירה מסתמכת על הערכה של תדירות הסקאדה על פני פרק זמן מוגדר, מה שדורש שלכל עקבות יהיה רעש מועט או ללא רעש, כולל סקאדות אקראיות כתוצאה מלחץ של בעלי חיים. גורמים אלה גורמים לכך שעקבות רבים שנאספו אינם שמישים, ולכן מוסיפים זמן משמעותי לאיסוף נתונים על מנת להעריך במדויק מעקב עיניים. עם זאת, התוכנה המתוארת כאן מטפלת בבעיה זו על ידי כימות ישיר של שלבים איטיים בודדים בתוך עקבה נתונה וחישוב רווחים בנקודות מיידיות לאורך המעקב. הוא משיג זאת על ידי השוואת מהירות תנועת העין למהירות הגירוי בנקודה נתונה. מכיוון שתדר סקאדי כבר אינו הפרמטר המגדיר לניתוח, ניתן להסיר רעש בקלות על ידי פיקוח המשתמש, ובכך להפחית את השפעת הרעש על איכות הניתוח. זה מאפשר איסוף נתונים שמיש יותר, כוח סטטיסטי גבוה יותר בעת ניתוח נתונים אלה, הגדלת הדיוק והשחזור בעת כימות מעקב עיניים ואפיון פרמטרים של OKR עבור עכברים בודדים וקבוצות שונות של עכברים. סינון אוטומטי של סקאדות המבוסס על שינויים מהירים במהירות העין שנמצאו בשיטת Z-score שימש גם לאפיון מעקב אחר רווח10. כדי לשלב שיטת סינון זו בתוך התוכנה, כללנו סוג זה של סינון מהירות, אך עם כלים נוספים כגון פרמטרי סף ופיקוח סקאדי ידני כדי להפחית שגיאות פוטנציאליות הנוצרות על ידי גישה זו. אם עוקבים גולמיים משמשים לניתוח במקום להשתמש בסינון אוטומטי, שינויים מהירים בתנועת העיניים הנגרמים על ידי סקאדות, מצמוצים או מצוקת עכבר מזוהים באמצעות שינויי מהירות מקסימליים באמצעות הערכת צפיפות ליבה גאוסיאנית של מהירות עקבות. זה מאפשר בחירה אוטומטית של אזורי סגמנטציה, ובסופו של דבר, הסרה על בסיס פיקוח ידני של המשתמש. פיקוח ידני מספק סובלנות גבוהה יותר של עקבות רועשים, ומאפשר למשתמשים לתקן במהירות סימונים חיוביים כוזבים או שליליים כוזבים לשינויים מהירים בעיניים. בנוסף, מכיוון ש-PyOKR משתמש בקירוב פולינומי כדי למדל תנועת עין כללית בכיוון נתון, רעש בנקודות בודדות מוחלק, מה שמאפשר להעריך מהירויות מסלול עם סיבולת מסוימת לרעש בעקבה. רק במקרה של איכות נתונים ירודה ביותר לאורך כל המעקב או כיול לא תקין במהלך איסוף הנתונים, התוכנה לא תוכל לייצר ניתוח נתונים מדויק. ביחד, על ידי שילוב פיקוח משתמש, סינון וכלי חישוב רווח מיידיים, יישום תוכנת PyOKR המתואר כאן מייצר רווחי מעקב בדיוק גבוה ובמדדים ישירים יותר מאשר שיטות קודמות.

ל- PyOKR יש גם תכונות רבות המאפשרות להתאים אישית ניתוחי OKR כדי לענות על צרכי המשתמש. הקלט של פרמטרי גירוי, כמו גם וקטורי גירוי גולמיים, מאפשר למשתמש להגדיר במדויק כל גירוי רצוי. אלה עשויים לכלול גירויים חד-כיווניים, סינוסואידים או אלכסוניים, שכולם התוכנה יכולה להשתמש בהם כדי ליצור רווחי מעקב מדויקים עבור התגובות החזותיות הקשורות. עם פרמטריזציה של גירוי של מתודולוגיה זו, רווחים מיידיים המחושבים בכל מסגרת ניתן ליצור באופן אמין עם דיוק גבוה ללא קשר לגירוי שהוקלט. למרות שנתוני גירויים אלכסוניים לא נותחו כאן, ניתן לחשב רווחים מדויקים באמצעות וקטורי מהירות XY מפורקים כדי לשחזר זווית אלכסונית, מה שמאפשר חישובי רווח מדויקים של גירויים אלכסוניים. באמצעות פרמטריזציה נגישה של הגדרות גירויים, הכלי שלנו ישים באופן נרחב למעקב אחר גלים בתגובה לכל גירוי חזותי. בנוסף, התוכנה מאפשרת תפוקה גבוהה יותר וכימות הניתן לשחזור בהשוואה לשיטות קודמות. מיון עקבות OKR גוזל זמן ודורש עבודה; עם זאת, ממשק המשתמש היעיל של PyOKR מסוגל לסנן בקלות עקבות רבים בקצב גבוה יותר ממה שהיה אפשרי בעבר. זה לא רק מאפשר כימות עקבות מהיר יותר, אלא גם חושף פרמטרים נוספים של OKR, כולל כימות ישיר של מהירויות העין, מרכיבים וקטוריים כיווניים של תנועת העין, ורווחים מיידיים ביחס לגירוי הן ברכיבים האופקיים והן ברכיבים האנכיים של וקטור התנועה. יתר על כן, בהינתן הזיהוי האוטומטי של סקאדות וחישוב מהירויות המעקב שהשיטה שלנו מספקת, הטיית הנסיינים הפוטנציאליים בניתוח נתונים מופחתת מאוד בהשוואה לשיטות כימות אחרות, כגון ספירת ETM ידנית או סינון עקבות אוטומטי, שיכולים ליצור תוצאות שליליות שגויות. יתר על כן, כמויות גדולות של נתונים התנהגותיים ניתן ליצור ולהדר באופן אוטומטי עבור ניתוח פשוט במורד הזרם. באמצעות פונקציות ייצוא ומיון הנתונים הזמינות ב- PyOKR, מעקב אחר נתונים על פני בעלי חיים ותנאים מרובים יכול להיות מעובד באופן אוטומטי כדי לאפשר אחסון נתונים מאורגן כמו גם ניתוח סטטיסטי מהיר. לצורך ביצוע ניסויים המשתמשים בתנאים מרובים במהלך אותה סבב הקלטה, כגון מניפולציה של מעגלים חשמליים או תגובות חזותיות, אנו ממליצים לאסוף נתונים בקובצי גלים בדידים או בתקופות תת-קרקעיות המאפשרות אחסון של מערכי נתונים נפרדים בהתבסס על משתני העניין הבלתי תלויים הנגזרים מסשן הקלטה יחיד זה. דוגמה לכך היא אם בוחנים הבדלים בתגובות לתדרי גלים סינוסואידים שונים בתוך פרדיגמה ניסויית, אנו ממליצים לשמור פרמטרים שונים בקבצי גלים שונים לצורך אנליזה נפרדת, כגון WT_1_Freq0.1Analysis, WT_1_Freq0.2Analysis, ו-WT_1_Freq0.3Analysis. בגרסה הנוכחית, לאחר ניתוח התקופות, אין פונקציונליות לבחירת ערכי תקופה בודדים בתוך ערכת הנתונים, אם כי ניתן להוסיף זאת בעתיד במידת הצורך.

לבסוף, השיטה שלנו ניתנת להתאמה למספר שיטות איסוף וידאו-אוקוקולוגרפיה ומספקת פלטפורמת ניתוח חזקה שניתן להתאים בקלות לצרכים הספציפיים של המעבדה. באמצעות ניתוח של נתוני OKR מוטנטיים פראיים וקיימים, וגם נתוני OKR מסוג פראי שנאספו באמצעות שיטות וגירויים שונים, אנו מראים כאן שכלי הניתוח שלנו מסוגל א) לכמת מעקב OKR מכל גירוי כיווני בדיוק ובתפוקה גבוהים; ב) זיהוי הבדלים התנהגותיים במערכת הראייה הנובעים מהפרעה גנטית; ו-ג) הערכת נתוני מעקב חזותיים משיטות וידאו-אוקולוגרפיה שונות. הנגישות ויכולת ההסתגלות הכללית של פלטפורמת הניתוח שלנו מאפשרות מחקר נוסף של תגובות OKR וישפרו מחקרים התנהגותיים המאפיינים הרכבה ודינמיקה של מעגלים עצביים בהקשר של תגובות אוקולומוטוריות.

כדי לקבל מדידות מדויקות וניתוחי נתונים שימושיים לאחר מכן, נדרשים מספר שלבים לאיסוף נתונים. אנו ממליצים לאסוף נתוני OKR על פני מספר מפגשים כדי לאפשר לבעל החיים להתאקלם למנגנון הבדיקה ההתנהגותית ולהפחית את ההשפעה של לחץ על בעלי חיים על תגובות התנהגותיות; עם זאת, רישום מוגזם עלול להוביל להגברה של תגובת OKR13, ולכן מומלץ לנקוט משנה זהירות בתכנון משטרי בדיקה. במהלך איסוף נתוני OKR, כיול נכון של ציוד הווידיאו-אוקוקולוגרפיה הוא קריטי לכימות מדויק מכיוון שאיכות הנתונים המנותחים היא פונקציה ישירה של המעקב המעובד. חשוב לציין, השימוש ב-Spyder IDE הכרחי לפיקוח גרפי באמצעות Matplotlib. בהתחשב בנגישות ובעיצוב המסגרת של הפלטפורמה שלנו, כל הכלים הדרושים זמינים לאחרים כדי להרחיב את יכולות התוכנה ולהתאים פלטפורמה זו לפרדיגמות ניסוייות התנהגותיות מובחנות.

לסיכום, אנו מתארים כאן כלי חדש, נגיש ורב-תכליתי לניתוח תגובות התנהגותיות של OKR בצורה מעמיקה יותר ובעוצמה כמותית רבה יותר מזו הקיימת כיום במתודולוגיות קיימות. PyOKR יכול לשמש בקלות על ידי משתמשי Python מתחילים ומכיל צינור ניתוח מבוסס וממשק לניתוח מהיר ומדויק של גלי OKR עם קפדנות מוגברת ויכולת שחזור. יכולת ההסתגלות של תוכנה זו מספקת מסגרת גמישה שמשתמשים יכולים להתאים בקלות לצרכים הספציפיים שלהם ולהליכי איסוף הנתונים שלהם. אנו צופים כי שיטה כמותית זו תקדם את המחקר של תגובות אוקולומוטוריות ותקדם את הבנתנו את ההתפתחות והתפקוד של המעגלים העצביים המניעים התנהגויות של מערכת הראייה.

גילויים

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

למחברים אין ניגודי עניינים.

תודות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

עבודה זו נתמכה על ידי R01 EY032095 (ALK), מלגת קדם-דוקטורט VSTP 5T32 EY7143-27 (JK), F31 EY-033225 (SCH), R01 EY035028 (FAD ו- ALK) ו- R01 EY-029772 (FAD).

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
C57BL/6J  עכבריםJackson Labs664
Igor ProWaveMetricsRRID: SCR_000325
MATLABMathWorksRRID: SCR_001622
תא הקלטה רפלקס אופטוקינטי - JHUSOMCustom-builtN/Aכמתואר ב-Al-Khindi et al.(2022)9 ו-Kodama et al. (2016)13 
תא הקלטה רפלקס אופטוקינטי - UCSFCustom-builtN/Aכמתואר ב-Harris and Dunn, 201510
PythonPython Software FoundationRRID: SCR_008394
Tbx5 flox/+ miceמתנה מ-B. BruneauN/Aכמתואר ב-Al-Khindi et al.(2022)9 
Tg(Pcdh9-cre)NP276Gsat/mmucdMMRRCMMRRC מלאי # 036084-UCD; RRID: MMRRC_036084-UCD

מקורות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Stahl, J. S. Using eye movements to assess brain function in mice. Vision Res. 44 (28), 3401-3410 (2004).
  2. Kretschmer, F., Tariq, M., Chatila, W., Wu, B., Badea, T. C. Comparison of optomotor and optokinetic reflexes in mice. J Neurophysiol. 118, 300-316 (2017).
  3. Bronstein, A. M., Patel, M., Arshad, Q. A brief review of the clinical anatomy of the vestibular-ocular connections - How much do we know. Eye. 29 (2), 163-170 (2015).
  4. Simpson, J. I. The accessory optic system. Ann Rev Neurosci. 7, 13-41 (1984).
  5. Hamilton, N. R., Scasny, A. J., Kolodkin, A. L. Development of the vertebrate retinal direction-selective circuit. Dev Biol. 477, 273-283 (2021).
  6. Dobson, V., Teller, D. Y. Visual acuity in human infants: a review and comparison of behavioral and electrophysiological studies. Vision Res. 18 (11), 1469-1483 (1978).
  7. Cahill, H., Nathans, J. The optokinetic reflex as a tool for quantitative analyses of nervous system function in mice: Application to genetic and drug-induced variation. PLoS One. 3 (4), e2055(2008).
  8. Cameron, D. J., et al. The optokinetic response as a quantitative measure of visual acuity in zebrafish. J Vis Exp. (80), e50832(2013).
  9. Al-Khindi, T., et al. The transcription factor Tbx5 regulates direction-selective retinal ganglion cell development and image stabilization. Curr Biol. 32 (19), 4286-4298 (2022).
  10. Harris, S. C., Dunn, F. A. Asymmetric retinal direction tuning predicts optokinetic eye movements across stimulus conditions. eLife. 12, 81780(2015).
  11. Sun, L. O., et al. Functional assembly of accessory optic system circuitry critical for compensatory eye movements. Neuron. 86 (4), 971-984 (2015).
  12. Yonehara, K., et al. Congenital Nystagmus gene FRMD7 is necessary for establishing a neuronal circuit asymmetry for direction selectivity. Neuron. 89 (1), 177-193 (2016).
  13. Kodama, T., Du Lac, S. Adaptive acceleration of visually evoked smooth eye movements in mice. J Neurosci. 36 (25), 6836-6849 (2016).
  14. Stahl, J. S., Van Alphen, A. M., De Zeeuw, C. I. A comparison of video and magnetic search coil recordings of mouse eye movements. J Neurosci Methods. 99 (1-2), 101-110 (2000).

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

Visual Motion ProcessingEye TrackingPyOKR AnalysisBehavioral QuantificationVisual Stimulus ResponseTracking Gain MeasurementDirection Selective CircuitsSaccade DetectionVideo Oculography

מאמרים קשורים