פרופיל תגובות התנהגות אימהיות במהלך הדמיה של כל המוח
24 בינואר 2025
מוצג כאן צינור ניתוח וידאו המתגבר על אתגרים בניטור התנהגותי בסביבות MRI, ומאפשר זיהוי תגובות התנהגותיות ללא הדרכה לרמזים חיצוניים. ניתוח זה יאפשר הבנה מקיפה יותר של שינויים במצב פנימי מעוררים ופעילות כלל-מוחית.
האופן שבו מטפל תופס ומגיב לרמזים של תינוקות יקבע אם התינוק יקבל את הטיפול הדרוש לו כדי לשרוד. בעכברים, קולות גורים מעוררים תגובות התנהגותיות מורכבות, ולכן סביר להניח שהם מעוררים פעילות מתואמת על פני רשת של אזורי מוח. אנו רוצים לזהות את הרשת הזו בעכברים מרקע שונה של חוויות אימהיות, ו-FMRI של עכבר ער הוא כלי נהדר לכך.
ככל שנעשה שימוש נרחב יותר ב-FMRI של עכברים ערים, מתפתח מחקר מרגש החוקר את המתאמים העצביים של התנהגויות מכוונות מטרה. התנהגויות אלו מוערכות בדרך כלל באמצעות כלים כמו מפסקי אלומה לאיתור נזילות וחיישני לחץ לזיהוי תנועות. הפרוטוקול שלנו מאפשר לנו להעריך תגובות התנהגותיות ספונטניות, אפילו בסביבת MRI מאתגרת מבחינה טכנית.
המטרה שלנו היא בסופו של דבר להשתמש במדדים של התנהגות ספונטנית כדי להבין טוב יותר את הפעילות המוחית שרכשנו באמצעות FMRI. העבודה הקודמת שלנו גילתה שקליפת המוח השמיעתית של אימהות וחיות בתולות מגיבות אחרת לקריאות גורים. אצל אמהות, התגובות העצביות שלהן תלויות בזמן לבכי של גור.
אצל בתולות, הן לא. עם זאת, כאשר בתולה לומדת לבטא התנהגות אימהית, מרכזי השמיעה משתנים כדי לשקף מיומנות חדשה זו. המחקרים הקודמים שלנו התמקדו בקליפת המוח השמיעתית בעכברים מורדמים.
מחקר זה דוחף מעבר לגבולות קליפת המוח השמיעתית, ובוחן כיצד המוח וההתנהגות כולה משתנים בעכברים שמתנהגים ערים כאשר חיה לומדת להפוך לאמא. כדי להתחיל, הורד את MATLAB מאתר MathWorks. כדי להוסיף את ארגז הכלים לעיבוד תמונה לתוספות MATLAB, לחץ על נהל תוספות, קבל תוספות ולאחר מכן חפש והוסף אותן.
באופן דומה, הוסף את ארגז הכלים של ראייה ממוחשבת לתוספות MATLAB. לאחר פתיחת קובץ ה- Script הראשון של צינור הניתוח, ערוך את המקטעים הראשון, השני, השלישי, הרביעי, החמישי והשישי של קובץ ה- Script כך שיתאימו למבני נתונים היכן שצוין. הפעל את החלק הראשון.
הפעל את החלק השני של התסריט כדי למשוך את הפריים הראשון של כל סרטון. השתמש בעכבר כדי ללחוץ פעם אחת על שתי הנקודות הראשונות, ולאחר מכן לחץ פעמיים על הנקודה השלישית. לאחר בחירת הנקודות האחרונות בסרטון, הקש Enter.
הפעל את החלק השלישי ואת החלק הרביעי. הגדר את הדגל מיושר לאפס והפעל את החלק החמישי. לאחר מכן הגדר את הדגל מיושר לאחד והפעל שוב את קטע חמש.
כעת הפעל את החלק השישי והשווה את התוצאות זו לצד זו. לאחר מכן, פתח את קובץ ה- Script השני וערוך את החלק הראשון של קובץ ה- Script כך שיתאים למבני נתונים. לאחר מכן הפעל את החלק הראשון.
ערוך את מקטע 2 של קובץ ה- Script כך שיתאים למבני נתונים והפעל את מקטע 2. השתמש בתמונה המתקבלת כדי לראות היכן הזרימה האופטית משתנה בצורה הדרמטית ביותר בסרטונים המנותחים. ערוך את החלק השלישי של קובץ ה- Script כך שיתאים למבני נתונים ולצורכי הניתוח.
כדי לנתח את ה-FOV המלא של הסרטון, הגדר את הדגל בחר ROI וספק החזר ROI לאפס. לאחר מכן הפעל את החלק השלישי. כדי לנתח החזר ROI חדש, הגדר את הדגל בחר ROI לאחד וספק החזר ROI לאפס.
לאחר מכן ערוך את newCoordsName והפעל את החלק השלישי. בחר החזר ROI חדש במסגרת לדוגמה המוצגת על ידי לחיצה וגרירה. לניתוח החזר ROI שצויר בעבר, הגדר את הדגל בחר ROI לאפס וספק החזר ROI לאחד.
לאחר מכן ערוך את inputCoords כדי לספק קבוצה קבועה מראש של קואורדינטות והפעל את החלק השלישי. פתח את קובץ ה- Script השלישי וערוך את המקטעים הראשון עד השלישי של קובץ ה- Script כך שיתאימו למבני נתונים ולצורכי הניתוח. בסעיף הראשון, הגדר את דגלי אפשרויות הניתוח ZSC, BLRM, BLZSC, demeanPerTrial ו- applyLPfilter לאפס או לאחד.
הגדר את LPfilter למספר המייצג את מסנן המעבר הנמוך הרצוי בהרץ. לאחר מכן הפעל את הסעיפים הראשון עד השלישי. פתח את קובץ ה- Script הרביעי וערוך את החלק הראשון של קובץ ה- Script כך שיתאים למבני נתונים ולצורכי הניתוח.
הפעל את החלק הראשון. פתח את קובץ ה- Script החמישי וערוך את החלק הראשון של קובץ ה- Script כך שיתאים למבני נתונים ולניתוח. לאחר מכן הפעל את החלק הראשון והשני.
שנה את משתני הקבוצה, myTitle ו-threshT בסעיף 3 כדי לשקף את הניתוח הקבוצתי הרצוי. הפעל את החלק השלישי עבור כל קבוצת עניין. לאחר מכן התאם את הטווח של ציר C ואת גבולות סרגל הצבעים כרצונך להמחשה.
שנה את המשתנים mag, myTitle ו-threshT בסעיף ארבע כניסות כדי לשקף את ההשוואה הקבוצתית הרצויה. הפעל את סעיף 4 עבור כל השוואה קבוצתית של עניין, ולאחר מכן התאם את הטווח של ציר Z ואת מגבלות סרגל הצבעים לפי הצורך להדמיה. וקטורי זרימה אופטיים הצביעו על אזורים של תנועת בעלי חיים, במיוחד סביב החוטם והכפות.
סטיית התקן של גודל הזרימה האופטית זיהתה אזורים עם תנודות תנועה גבוהות ונמוכות. אמהות הראו תגובות תנועה גבוהות יותר לקריאות גורים בהשוואה לבתולות, אך לא לצלילים טהורים. ניתוח מרכיבים עיקריים גילה כי לאמהות הייתה יותר תנועה באזור האף בהשוואה לבתולות במהלך שתי מצגות הגירויים.
כימות זרימה אופטית של מערך נתוני אימות חשף הבדלים משמעותיים בתגובות התנהגותיות לתגמולי מים גבוהים לעומת נמוכים. תוצאות אלה מצביעות עוד על כך שניתן להשתמש בצינור ניתוח הווידאו המוצג כדי ללכוד הבדלים משמעותיים בהתנהגות בעלי חיים בין תנאים.
סקירה כללית
מחקר זה מציג צינור ניתוח וידאו שנועד לפקח על תגובות התנהגותיות ספונטניות בעכברים בסביבות MRI. על ידי שימוש ב-FMRI של עכברים ערים, המחקר מכוון לחשוף את המתאמים העצביים של התנהגויות אימהיות בתגובה לקולות של גורים.
רכיבי מחקר מרכזיים
תחום המדע
- מדעי המוח
- ניתוח התנהגותי
- טכניקות הדמיה
רקע
- קולות של גורים בעכברים מעוררים תגובות התנהגותיות מורכבות.
- הבנת תגובות אלו יכולה לחשוף תובנות לגבי טיפול אימהי ופעילות מוחית.
- מחקרים קודמים הצביעו על הבדלים בתגובות בקליפת השמיעה בין אמהות לבין עכברות בתולות.
- מחקר זה משתרע מעבר לקליפת השמיעה כדי לבחון את הפעילות המוחית הכוללת.
מטרת המחקר
- לזהות רשתות מוחיות המופעלות על ידי קריאות גורים בעכברים עם ניסיון אימהי שונה.
- להעריך תגובות התנהגותיות ספונטניות בסביבת MRI מאתגרת.
- להעמיק את ההבנה של פעילות מוחית רחבה הקשורה להתנהגויות אימהיות.
שיטות ששימשו
- פיתוח צינור ניתוח וידאו מבוסס MATLAB.
- עריכה והפעלה של סקריפטים לניתוח נתוני וידאו מעכברים ערים.
- שימוש בניתוח זרימה אופטית כדי להעריך תגובות תנועה.
- השוואה של תגובות התנהגותיות בין אמהות לבין עכברות בתולות במהלך גירויים שמיעתיים.
תוצאות עיקריות
- אמהות הפגינו תגובות תנועה גדולות יותר לקריאות גורים בהשוואה לעכברות בתולות.
- ניתוח זרימה אופטית הצביע על הבדלים התנהגותיים משמעותיים בהתבסס על ניסיון אימהי.
- ניתוח רכיבים עיקריים חשף דפוסי תנועה שונים בין אמהות לבין עכברות בתולות.
- צינור ניתוח הווידאו לכד ביעילות התנהגויות ספונטניות ברחבי התנאים.
מסקנות
- המחקר מדגים בהצלחה שיטה לניתוח התנהגויות ספונטניות בסביבות MRI.
- הממצאים תורמים להבנת הבסיס העצבי של התנהגויות אימהיות בתגובה לרמזים מגורים.
- צינור הפיתוח יכול לשמש למחקרים נוספים בנוירולוגיה התנהגותית.
שאלות נפוצות
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.
