Method Article

Utilizzo di MouseWalker per quantificare la disfunzione locomotoria in un modello murino di lesione del midollo spinale

DOI:

10.3791/65207

⸱

March 24th, 2023

 ,  ,  ,  ,  , 
1Instituto de Medicina Molecular João Lobo Antunes, Faculdade de Medicina da Universidade de Lisboa, 2iNOVA4Health, NOVA Medical School|Faculdade de Ciências Médicas, NMS|FCM, Universidade Nova de Lisboa, 3Instituto de Histologia e Biologia do Desenvolvimento, Faculdade de Medicina da Universidade de Lisboa

In This Article

Summary

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

Viene fornita una pipeline sperimentale per descrivere quantitativamente il modello locomotore dei topi che camminano liberamente utilizzando il toolbox MouseWalker (MW), che va dalle registrazioni video iniziali e dal tracciamento all'analisi post-quantificazione. Un modello di lesione da contusione del midollo spinale nei topi viene impiegato per dimostrare l'utilità del sistema MW.

Abstract

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

L'esecuzione di programmi motori complessi e altamente coordinati, come camminare e correre, dipende dall'attivazione ritmica dei circuiti spinali e sovraspinali. Dopo una lesione del midollo spinale toracico, la comunicazione con i circuiti a monte è compromessa. Questo, a sua volta, porta a una perdita di coordinazione, con un potenziale di recupero limitato. Quindi, per valutare meglio il grado di recupero dopo la somministrazione di farmaci o terapie, vi è la necessità di nuovi strumenti più dettagliati e accurati per quantificare l'andatura, la coordinazione degli arti e altri aspetti fini del comportamento locomotore in modelli animali di lesioni del midollo spinale. Diversi saggi sono stati sviluppati nel corso degli anni per valutare quantitativamente il comportamento di camminata libera nei roditori; Tuttavia, di solito mancano misurazioni dirette relative alle strategie di andatura, ai modelli di impronta e alla coordinazione. Per ovviare a queste carenze, viene fornita una versione aggiornata del MouseWalker, che combina una passerella di riflessione interna totale frustrata (fTIR) con un software di tracciamento e quantificazione. Questo sistema open-source è stato adattato per estrarre diversi output grafici e parametri cinematici, e una serie di strumenti di post-quantificazione può essere per analizzare i dati di output forniti. Questo manoscritto dimostra anche come questo metodo, unito a test comportamentali già stabiliti, descriva quantitativamente i deficit locomotori a seguito di lesioni del midollo spinale.

Introduction

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

L'efficace coordinazione di quattro arti non è esclusiva degli animali quadrupedi. La coordinazione degli arti anteriori-posteriori nell'uomo rimane importante per svolgere diversi compiti, come il nuoto e le alterazioni della velocità mentre si cammina1. Varie cinematiche degli arti2 e del programma motorio 1,3,4, così come i circuiti di feedback propriocettivo5, sono conservati tra l'uomo e altri mammiferi e dovrebbero essere considerati quando si analizzano le opzioni terapeutiche per i disturbi motori, come la lesione del midollo spinale (SCI)6,7,8.

Per camminare, diverse connessioni spinali dagli arti anteriori e posteriori devono essere correttamente cablate e attivate ritmicamente, il che richiede input dal cervello e feedback dal sistema somatosensoriale 2,9,10. Queste connessioni culminano nei generatori di pattern centrali (CPG), che si trovano a livello cervicale e lombare per gli arti anteriori e posteriori, rispettivamente 1,9,10. Spesso, dopo la SCI, l'interruzione della connettività neuronale e la formazione di una cicatrice gliale inibitoria12 limitano il recupero della funzione locomotoria, con esiti che variano dalla paralisi totale alla funzione ristretta di un gruppo di arti a seconda della gravità della lesione. Gli strumenti per quantificare con precisione la funzione locomotoria dopo SCI sono fondamentali per monitorare il recupero e valutare gli effetti dei trattamenti o di altri interventi clinici6.

Il test metrico standard per i modelli di contusione murina della SCI è la scala del topo Basso (BMS)13,14, un punteggio non parametrico che considera la stabilità del tronco, la posizione della coda, il passo plantare e la coordinazione degli arti anteriori-posteriori in un'arena di campo aperto. Anche se il BMS è estremamente affidabile per la maggior parte dei casi, richiede almeno due valutatori esperti per osservare tutti gli angoli del movimento animale al fine di tenere conto della variabilità naturale e ridurre i pregiudizi.

Sono stati sviluppati anche altri test per valutare quantitativamente le prestazioni motorie dopo SCI. Questi includono il test rotarod, che misura il tempo trascorso su un cilindro rotante15; la scala orizzontale, che misura il numero di ringhiere mancate e pinze positive16,17; e il beam walking test, che misura il tempo impiegato da un animale e il numero di fallimenti che fa quando attraversa una trave stretta18. Nonostante rifletta una combinazione di deficit motori, nessuno di questi test produce informazioni locomotorie dirette sulla coordinazione degli arti anteriori-posteriori.

Per analizzare in modo specifico e più approfondito il comportamento della camminata, sono stati sviluppati altri saggi per ricostruire i cicli di passi e le strategie di deambulazione. Un esempio è il test dell'impronta, in cui le zampe inchiostrate di un animale disegnano un motivo su un foglio di carta bianca19. Sebbene semplice nella sua esecuzione, estrarre parametri cinematici come la lunghezza del passo è ingombrante e impreciso. Inoltre, la mancanza di parametri dinamici, come la durata del ciclo di step o la coordinazione leg-timed, ne limita le applicazioni; In effetti, questi parametri dinamici possono essere acquisiti solo analizzando fotogramma per fotogramma video di roditori che camminano attraverso una superficie trasparente. Per gli studi SCI, i ricercatori hanno analizzato il comportamento a piedi da una vista laterale utilizzando un tapis roulant, compresa la ricostruzione del ciclo dei passi e la misurazione delle variazioni angolari di ciascuna articolazione della gamba 4,20,21. Anche se questo approccio può essere estremamente informativo6, rimane focalizzato su un insieme specifico di arti e manca di caratteristiche aggiuntive dell'andatura, come la coordinazione.

Per colmare queste lacune, Hamers e colleghi hanno sviluppato un test quantitativo basato su un sensore tattile ottico che utilizza la riflessione interna totale frustrata (fTIR)22. In questo metodo, la luce si propaga attraverso il vetro attraverso la riflessione interna, si disperde premendo la zampa e, infine, viene catturata da una telecamera ad alta velocità. Più recentemente, è stata resa disponibile una versione open source di questo metodo, chiamata MouseWalker, e questo approccio combina una passerella fTIR con un pacchetto software di tracciamento e quantificazione23. Utilizzando questo metodo, l'utente può estrarre un ampio set di parametri quantitativi, tra cui modelli di passo, spaziali e di andatura, posizionamento dell'impronta e coordinazione degli arti anteriori-posteriori, nonché output visivi, come i modelli di impronta (imitando il saggio della zampa inchiostrata6) o le fasi di posizione rispetto all'asse del corpo. È importante sottolineare che, a causa della sua natura open source, è possibile estrarre nuovi parametri aggiornando il pacchetto di script MATLAB.

Qui viene aggiornato l'assembly pubblicato in precedenza del sistema MouseWalker23 . Viene fornita una descrizione di come configurarlo, con tutti i passaggi necessari per ottenere la migliore qualità video, le condizioni di tracciamento e l'acquisizione dei parametri. Ulteriori strumenti di post-quantificazione sono inoltre condivisi per migliorare l'analisi del set di dati di output MouseWalker (MW). Infine, l'utilità di questo strumento è dimostrata ottenendo valori quantificabili per le prestazioni locomotorie generali, in particolare i cicli di step e la coordinazione arto anteriore-posteriore, in un contesto di lesione del midollo spinale (SCI).

Access restricted. Please log in or start a trial to view this content.

Protocol

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

Tutte le procedure di trattamento, chirurgiche e post-operatorie sono state approvate dal Comitato Interno Molecolare dell'Instituto de Medicina (ORBEA) e dal Comitato Portoghese di Etica degli Animali (DGAV) in conformità con le linee guida della Comunità Europea (Direttiva 2010/63/UE) e la legge portoghese sulla cura degli animali (DL 113/2013) con licenza 0421/000/000/2022. Per il presente studio sono stati utilizzati topi femmina C57Bl/6J di 9 settimane. Sono stati fatti tutti gli sforzi per ridurre al minimo il numero di animali e per ridurre la sofferenza degli animali utilizzati nello studio. Lo script MATLAB e la versione standalone del software MW sono open-source e sono disponibili su GitHub
repository (https://github.com/NeurogeneLocomotion/MouseWalker). Mentre il software MW è stato sviluppato in MATLAB R2012b, è stato adattato per funzionare in MATLAB R2022b. La Figura 1 illustra il flusso di lavoro di analisi del MW.

1. Configurazione dell'apparato MouseWalker (MW)

  1. Assemblare l'apparato MW come descritto in precedenza23, o adattarlo alle esigenze specifiche del progetto sperimentale (vedere la tabella dei materiali e la figura supplementare 1 per maggiori dettagli sulla configurazione).
    NOTA: L'arena pedonale può essere allargata per ospitare animali più grandi, come i ratti.
  2. Verifica che il plexiglass dove camminano gli animali sia pulito e privo di graffi. Utilizzare un panno liscio e ridurre al minimo l'uso di solventi organici come ammoniaca o etanolo in alte concentrazioni, che possono danneggiare il plexiglass (si consiglia il 3% di perossido di idrogeno, il 7% di etanolo o qualsiasi disinfettante compatibile e appropriato per il plexiglass). Se necessario, sostituire il plexiglass.
  3. Impostare la fotocamera ad alta velocità con un obiettivo veloce e un'ampia apertura (ad esempio, valori F-stop più piccoli) per catturare una grande quantità di luce, in quanto ciò aiuta a registrare i segnali fTIR (vedere Tabella dei materiali).
    NOTA: l'obiettivo non deve generare distorsioni ottiche, in particolare ai bordi dell'immagine. Le distorsioni ottiche possono essere testate registrando un modello noto (ad esempio, strisce o quadrati) e quindi misurando la dimensione dei blocchi su ImageJ / FIJI24 (utilizzare lo strumento linea e quindi fare clic su Analizza > misura). Ad esempio, un quadrato di 1 cm dovrebbe avere le stesse dimensioni in pixel sia al centro dell'immagine che sui bordi. Le variazioni dovrebbero essere inferiori al 5%.
  4. Illuminare la striscia luminosa LED multicolore dalla scatola luminosa di sfondo.
  5. Illuminare la striscia luminosa bianca a LED dalla scatola luminosa della passerella.
    NOTA: Un LED colorato può anche essere utilizzato25 per facilitare la distinzione dell'impronta / corpo / sfondo.
  6. Con le luci della stanza spente, verificare l'intensità luminosa della scatola luminosa di sfondo e della passerella. Regolare l'intensità, se necessario, utilizzando un potenziometro o una plastica semi-opaca. Questi devono essere ottimizzati in modo che l'intensità dei pixel aumenti nel seguente ordine: corpo dell'animale < sfondo < impronte.
    1. Per controllare l'intensità dei pixel del corpo / sfondo / impronte dell'animale, apri la sequenza di immagini su ImageJ / FIJI24 e fai clic su Analizza > misura. Il segnale di impronta non deve essere troppo saturo, in quanto ciò impedirà la definizione dei confini dell'impronta (cioè dita dei piedi e cuscinetti dei piedi) (Figura supplementare 2).
  7. Regolare il contrasto dell'immagine della passerella sul software di registrazione video. Il contrasto può essere regolato in due modi: attenuando o aumentando l'illuminazione sulla striscia LED o regolando l'apertura dell'obiettivo della fotocamera.
  8. Posizionare correttamente la lente alla stessa altezza e al centro dello specchio riflettente a 45° e perpendicolare (90°) alla passerella. Ciò genererà un'immagine costantemente proporzionale lungo la passerella sinistra-destra.
    NOTA: evitare di modificare la posizione della videocamera (distanza, altezza e orientamento) tra le sessioni di registrazione multiple. Se necessario, contrassegnare il pavimento in cui posizionare il treppiede. Ciò manterrà le caratteristiche dell'immagine.
  9. Focalizzare la lente sulla superficie del plexiglass. Questo può essere testato utilizzando un oggetto non dannoso che tocca la superficie del plexiglass.
    NOTA: con valori di obiettivo F-stop più bassi, la profondità di campo si ridurrà, rendendo così più difficile la messa a fuoco.
  10. Assicurati che tutte le impostazioni rimangano inalterate durante il test, poiché potrebbero modificare l'intensità dei pixel dei video registrati.

2. Acquisizione video

  1. Assicurarsi che i topi abbiano familiarità con la stanza e l'apparato prima del test. Risparmiare almeno 1 giorno per l'assuefazione (giorno 0). Per evitare un allenamento eccessivo, eseguire il test MW in un giorno diverso dagli altri test comportamentali (preferibilmente il giorno dopo).
  2. Nel software di registrazione video, assicurarsi che almeno 50 cm della passerella siano visibili.
  3. Regolare le impostazioni di registrazione per troncare la regione della passerella. Ciò ridurrà le dimensioni del video e ottimizzerà l'acquisizione video.
  4. Scatta una foto o un breve video di un righello normale prima di ogni sessione. Il numero di pixel per centimetro verrà successivamente utilizzato nella "finestra delle impostazioni" per calibrare i video.
  5. Inizia l'acquisizione video e posiziona l'animale sul bordo della passerella afferrando la base della coda per evitare lesioni. Assicurati che gli animali si muovano fino al bordo estremo della piattaforma. Esegui le registrazioni video con almeno 100 fotogrammi / s per garantire transizioni di andatura fluide.
    1. Se necessario, motivare gli animali a muoversi toccando delicatamente la parete della passerella o schioccando / battendo le dita. Tuttavia, evitare spintoni fisici, in quanto ciò potrebbe influire sui risultati.
    2. Salva i video direttamente come sequenze di immagini in formato TIFF (con compressione LZW), JPEG o PNG. Nel caso in cui la fotocamera registri come file MOV grezzo, convertire i video in sequenze di immagini aprendo il file in ImageJ / FIJI24 e facendo clic su File > Salva come sequenza >di immagini (o utilizzando un altro software, come LosslessCut25).
      NOTA: la maggior parte degli animali inizia a camminare subito dopo essere stata messa nella passerella; Pertanto, si consiglia di avviare l'acquisizione video prima di posizionare l'animale.

3. Preparazione dei video per il software di tracciamento MW

  1. Filma abbastanza tirature complete di ogni singolo mouse. Il numero di animali da filmare per condizione e il numero di cicli completi devono essere decisi in base a ciascun disegno sperimentale. Una corsa completa è quando il mouse percorre l'intero 50 cm della passerella senza fermate prolungate (in questo esperimento, sono state selezionate tre corse complete).
    NOTA: a seconda del software di acquisizione delle immagini, potrebbe essere necessario ritagliare i video in base al ROI più piccolo. Ciò aumenterà la velocità di tracciamento e generazione dell'output.
  2. In ImageJ/FIJI24, selezionare i fotogrammi in cui il mouse è sullo schermo facendo clic su Image > Stack > Tools > Crea un substack. Il tracciamento sul MW richiede che la testa e la coda siano visibili in tutti i telai. È possibile, tuttavia, creare diversi substack da una singola registrazione video, che in seguito rappresenterà ogni esecuzione.
  3. Salva ogni substack separatamente in cartelle diverse facendo clic su File > Salva come sequenza >immagine. Il software MW crea automaticamente una sottocartella in ogni directory ogni volta che si inizia ad analizzare un'esecuzione.

4. Tracciamento

  1. Apri MATLAB, aggiungi la cartella contenente lo script MW alla directory di lavoro ed esegui "MouseWalker.m" sulla riga di comando principale.
    NOTA: L'utilizzo del software MW in MATLAB consente di visualizzare i messaggi di errore di tracciamento sulla console principale di MATLAB e di selezionare i dati di output desiderati (aprendo il file di script principale "MouseEvaluate.m" e modificando gli output su 1 o 0: il file excel, i grafici dei passi, le tracce di posizione e i modelli di andatura).
  2. Carica la cartella video come "Directory di input". Si può anche scegliere la cartella di output; tuttavia, questo non è un requisito in quanto il software MW crea automaticamente una nuova cartella chiamata "Risultati" all'interno della "Directory di input".
  3. Utilizzando le frecce "<<", "<", ">>" e ">" controlla se i fotogrammi video sono tutti caricati correttamente all'interno del software MW.
  4. Vai alla finestra "Impostazioni" dove si trovano tutti i parametri di calibrazione e soglia. Queste impostazioni possono variare a seconda dell'intensità dei pixel dello sfondo e delle impronte, nonché delle dimensioni minime del corpo e delle impronte, tra gli altri fattori (vedere l'esempio nella Figura supplementare 2). Prova l'effetto della modifica di alcuni parametri facendo clic sul pulsante Anteprima .
    1. Usa i diversi stili di trama, tra cui "corpo + piedi + coda", "solo corpo", "solo piedi" e "solo coda", per aiutare a discriminare le parti del corpo dopo aver regolato i parametri di soglia.
    2. Sfrutta gli strumenti sul pannello di destra per misurare la luminosità o le dimensioni (usando rispettivamente i pulsanti "luminosità" e "righello"). Tutte le impostazioni possono essere salvate come "predefinite" purché la distanza della fotocamera rimanga la stessa.
  5. Dopo aver regolato i parametri di soglia, verificare che il video sia pronto per il tracciamento automatico. Vai al primo fotogramma e fai clic su Auto per avviare il monitoraggio. Questo passaggio può essere seguito in tempo reale e richiede alcuni minuti, a seconda delle dimensioni del video e delle prestazioni del computer.
    1. Se il rilevamento automatico etichetta erroneamente le caratteristiche del corpo, annulla il rilevamento automatico, inserisci nuove impostazioni e riavvia il processo.
  6. Una volta completato il monitoraggio, controlla se è necessaria una correzione manuale. Per correggere, utilizzare il pannello centrale per selezionare o deselezionare e indicare la posizione delle impronte della zampa anteriore destra (RF), posteriore destra (RH), anteriore sinistra (LF) e posteriore sinistra (LH), testa, naso, corpo (diviso in due segmenti) e posizioni della coda (divisa in quattro segmenti). Salvare le modifiche premendo il pulsante Salva .
    NOTA: tutti i pulsanti e la maggior parte dei comandi hanno una scorciatoia da tasto (controllare il manuale associato per i dettagli23). Per facilitare lo scorrimento video e l'esecuzione di scorciatoie da tastiera, è possibile utilizzare un controller hardware con pulsanti programmabili e una rotella navetta come il Contour ShuttlePro V2.
  7. Fare clic su Valuta per generare i file di output dal video tracciato. A seconda dell'output desiderato selezionato (vedere il passaggio 4.1), questo passaggio può richiedere alcuni minuti.
  8. Verificare che tutti i grafici dei dati di output siano salvati nella cartella "Risultati". Verificare l'accuratezza del tracking esaminando alcune delle uscite grafiche, come le "Stance traces", dove è possibile verificare se tutte le posizioni delle zampe sono coerenti.
    1. Se viene identificato un errore, correggere manualmente il rilevamento (se possibile; altrimenti, eliminare la cartella "Risultati" ed eseguire nuovamente il rilevamento automatico con nuove impostazioni) e fare nuovamente clic sul comando Valuta .
  9. Verificare che tutte le misure quantitative generate dal software MW siano salvate su un foglio di calcolo Excel e riassunte su "1. Info_Sheet". Verificare che le opzioni di Excel per le delimitazioni delle formule corrispondano allo script. Il separatore decimale deve essere "," e i separatori delle migliaia devono essere ";".
  10. Utilizzare lo script "MouseMultiEvaluate.m" per riunire le misurazioni di tutte le esecuzioni in un nuovo file per l'analisi.
    1. Per iniziare, genera un file .txt contenente i percorsi delle cartelle per tutti i video (ad esempio "Videofile.txt"). Assicurati che ogni riga corrisponda a un singolo video.
    2. Quindi, scrivi "MouseMultiEvaluate('Videofiles.txt')" nella riga di comando. Un file excel denominato "ResultSummary.xls" verrà generato nella directory di lavoro (vedere un esempio nel repository GitHub).
      NOTA: La Figura 2 rappresenta le uscite grafiche ottenute dal software MW dai video di un animale registrato.

5. Flusso di lavoro di analisi cinematica dei dati

  1. Modificare il foglio Excel generato nel passaggio 4.10, che contiene i dati per l'elaborazione utilizzando gli script Python forniti, in base ai seguenti prerequisiti.
    1. Nell'intestazione della prima colonna specificare la condizione sperimentale. Assegnare un nome a ogni riga dopo il nome del gruppo/condizione (gli individui degli stessi gruppi devono avere lo stesso nome). Il primo gruppo deve essere il controllo o la linea di base (questo è obbligatorio solo per il plotting della mappa di calore, passaggio 5.6).
    2. Nella seconda colonna, specificare l'ID animale. Questo è obbligatorio, anche se queste informazioni non verranno utilizzate per la generazione della trama.
    3. Dalla terza colonna in poi, scegliere i parametri del motore che verranno utilizzati per l'analisi. Assicurarsi che la prima riga sia il nome del parametro (questi nomi appariranno in seguito nei grafici).
  2. Apri Anaconda Navigator ed esegui Spyder per aprire gli script Python forniti.
    NOTA: Tutti gli script sono stati sviluppati con Python 3.9.13, sono stati eseguiti con Spyder 5.2.2 in Anaconda Navigator 2.1.4 e sono disponibili nella tabella dei materiali e nel repository GitHub (dove sono inclusi materiali aggiuntivi, come un esempio video, un file di esempio excel e un documento FAQ). È possibile eseguire gli script al di fuori di Anaconda Navigator; Tuttavia, questa interfaccia utente grafica è più user-friendly.
  3. Utilizzare il "Rawdata_PlotGenerator.py" per generare i grafici di dati non elaborati. Ciò consentirà la visualizzazione di ogni parametro in funzione della velocità.
    1. Apri "Rawdata_PlotGenerator.py" in Spyder ed esegui il codice facendo clic sul pulsante Riproduci .
    2. Selezionare il file Excel da analizzare e il nome del foglio nella finestra automatica. Se il nome del foglio non è stato modificato, scrivere "Foglio1".
    3. I grafici dei dati grezzi appariranno nella console di stampa (pannello in alto a destra). Per salvare i grafici, fare clic sul pulsante Salva immagine o Salva tutte le immagini nella console di stampa.
  4. Utilizzare lo script "Residuals_DataAnalysis" per calcolare i residui per l'analisi dei dati. Questo script genererà un file CSV con i calcoli dei residui per tutti i parametri del motore.
    NOTA: Molti dei parametri di andatura misurati estratti dal MW variano con la velocità (ad esempio, velocità di oscillazione, lunghezza del passo, durata della posizione, rettilineità della posizione e indici di andatura). Pertanto, si consiglia di eseguire un modello di regressione ottimale di ogni singolo parametro rispetto alla velocità per l'esperimento di base e quindi di determinare i valori residui per ciascun gruppo sperimentale in relazione a questo modello di regressione. I dati sono quindi espressi come differenza dalla linea normalizzata residua26.
    1. Apri "Residuals_DataAnalysis.py" in Spyder ed esegui il codice facendo clic sul pulsante Riproduci .
    2. Selezionare il file Excel da analizzare e il nome del foglio nella finestra automatica. Se il nome del foglio non è stato modificato, scrivere "Foglio1".
    3. Salvare il file CSV nella stessa cartella dei dati. È obbligatorio che il controllo (o baseline) sia il primo gruppo nel file Excel.
  5. Utilizzare lo script "PCA_PlotGenerator.py" per eseguire un'analisi dei componenti principali (PCA).
    NOTA: Questo metodo di riduzione della dimensionalità non supervisionato viene utilizzato per generare una rappresentazione più succintadi 27,28,29 dei dati (Figura 3A, B). Lo script PCA include i passaggi seguenti. I dati vengono prima pre-elaborati mediante centraggio e scalamento, dopodiché l'algoritmo PCA calcola la matrice di covarianza per determinare le correlazioni tra le variabili e calcolare gli autovettori e gli autovalori della matrice di covarianza per identificare i componenti principali. I primi due o tre componenti principali sono scelti per la rappresentazione dei dati in grafici 2D o 3D, rispettivamente. Ogni punto nei grafici corrisponde a un animale e rappresenta una variabile astratta diversa. I punti codificati a colori vengono utilizzati per distinguere i gruppi specifici. Come tale, gruppi di punti riflettono modelli di camminata simili condivisi dagli individui corrispondenti.
    1. Apri "PCA_PlotGenerator.py" in Spyder ed esegui il codice facendo clic sul pulsante Riproduci .
    2. Selezionare il file Excel da analizzare e il nome del foglio nella finestra automatica. Se il nome del foglio non è stato modificato, scrivere "Foglio1".
    3. Assicuratevi che i grafici PCA 2D e 3D vengano visualizzati nella console di stampa (pannello in alto a destra). Ogni colore rappresenta un gruppo diverso e la legenda viene visualizzata accanto alla trama. Per salvare la trama, fare clic su Salva immagine nella console di stampa.
  6. Usa "Heatmap_PlotGenerator.py" per generare una mappa di calore. Assicurarsi che il generatore di mappe di calore crei una tabella che mostri le differenze statistiche tra il gruppo di base (o gruppo di controllo) e gli altri gruppi per ciascun parametro motore27 (Figura 4). Ogni colonna rappresenta un gruppo e ogni linea si riferisce a un parametro motore specifico.
    NOTA: L'analisi statistica è stata condotta con un ANOVA unidirezionale seguito dal test post hoc di Tukey (per le distribuzioni normali) o da un ANOVA di Kruskal-Wallis seguito dal test post hoc di Dunn (per le distribuzioni non normali). I valori anomali sono stati esclusi dall'analisi. I valori P sono rappresentati da un codice colore, con sfumature rosse e blu che indicano rispettivamente un aumento o una diminuzione rispetto al controllo (o linea di base). La tonalità di colore rappresenta la significatività statistica, con i colori più scuri che mostrano una significatività più elevata e i colori più chiari che mostrano una significatività inferiore. corrisponde a P < 0,001; ** corrisponde a P < 0,01; e * corrisponde a P < 0,05. Il bianco non indica alcuna variazione.
    1. Apri "Heatmap_PlotGenerator.py" in Spyder ed esegui il codice facendo clic sul pulsante Riproduci .
    2. Selezionare il file Excel da analizzare e il nome del foglio nella finestra automatica. Se il nome del foglio non è stato modificato, scrivere "Foglio1".
    3. Selezionare il tipo di dati nella seconda finestra automatica: dati grezzi o dati residui. Se un'opzione non è selezionata, i dati residui sono l'impostazione predefinita.
    4. La mappa di calore verrà visualizzata nella console di stampa (pannello in alto a destra). Per salvare la trama, fare clic su Salva immagine nella console di stampa.
      Nota : è obbligatorio che il controllo (o linea di base) è il primo gruppo nel file di Excel.
  7. Utilizzare "Boxplots_PlotGenerator.py" per generare i boxplot. Questo strumento consentirà la generazione di boxplot che rappresentano la distribuzione dei valori per tutti i parametri del motore per ciascun gruppo (Figura 5, Figura 6 e Figura 7).
    Nota : ogni casella contiene la mediana come linea mediana e i bordi inferiore e superiore delle caselle rappresentano rispettivamente i quartili 25% e 75%. I baffi rappresentano l'intervallo dell'intero set di dati, esclusi i valori anomali. I valori anomali sono definiti come qualsiasi valore pari a 1,5 volte l'intervallo interquartile inferiore o superiore rispettivamente al quartile del 25% e del 75%.
    1. Apri "Boxplots_PlotGenerator.py" in Spyder ed esegui il codice facendo clic sul pulsante Riproduci .
    2. Selezionare il file Excel da analizzare e il nome del foglio nella finestra automatica. Se il nome del foglio non è stato modificato, scrivere "Foglio1".
    3. Selezionare il tipo di dati nella seconda finestra automatica: dati grezzi o dati residui. Se un'opzione non è selezionata, i dati residui sono l'impostazione predefinita.
    4. I boxplot appariranno nella console di stampa (pannello in alto a destra). Per salvare i grafici, fare clic sul pulsante Salva immagine o Salva tutte le immagini nella console di stampa.

Access restricted. Please log in or start a trial to view this content.

Results

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

Il sistema BMS standard descrive i deficit motori lordi dopo SCI14. A causa della sua natura soggettiva, altri saggi quantitativi vengono generalmente eseguiti insieme al BMS per produrre una valutazione più dettagliata e fine della locomozione. Tuttavia, questi test non riescono a mostrare informazioni specifiche sui cicli di passi, sui modelli di passo e sulla coordinazione degli arti anteriori-posteriori, che è estremamente importante per capire come i circuiti spinali mantengono la funzione e ...

Access restricted. Please log in or start a trial to view this content.

Discussion

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

Qui, il potenziale del metodo MouseWalker è dimostrato analizzando il comportamento locomotore dopo SCI. Fornisce nuove informazioni su specifiche alterazioni nei modelli di passo, impronta e andatura che altrimenti sarebbero sfuggite ad altri test standard. Oltre a fornire una versione aggiornata del pacchetto MW, gli strumenti di analisi dei dati sono descritti anche utilizzando gli script Python forniti (vedere il passaggio 5).

Poiché il MW genera un ampio set di dati e una raccolta di para...

Access restricted. Please log in or start a trial to view this content.

Disclosures

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

Gli autori dichiarano di non avere interessi finanziari concorrenti.

Acknowledgements

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

Gli autori ringraziano Laura Tucker e Natasa Loncarevic per i loro commenti sul manoscritto e il sostegno dato dalla Roditoria dell'Instituto de Medicina Molecular João Lobo Antunes. Gli autori vogliono riconoscere il sostegno finanziario di Prémios Santa Casa Neurociências - Premio Melo e Castro per la ricerca sulle lesioni del midollo spinale (MC-36/2020) a L.S. e C.S.M. Questo lavoro è stato sostenuto da Fundação para a Ciência e a Tecnologia (FCT) (PTDC/BIA-COM/0151/2020), iNOVA4Health (UIDB/04462/2020 e UIDP/04462/2020) e LS4FUTURE (LA/P/0087/2020) a C.S.M. L.S. è stato supportato da un contratto CEEC Individual Principal Investigator (2021.02253.CEECIND). A.F.I. è stato sostenuto da una borsa di dottorato della FCT (2020.08168.BD). A.M.M. è stato supportato da una borsa di dottorato di FCT (PD / BD / 128445 / 2017). I.M. è stato supportato da una borsa di studio post-dottorato di FCT (SFRH / BPD / 118051 / 2016). D.N.S. è stato supportato da una borsa di dottorato di FCT (SFRH / BD / 138636 / 2018).

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
45º Specchio 
2 estrusione di alluminio (2 x 2 cm), altezza 16 cm, 1 su ciascun latoMisumi
2 estrusione di alluminio (2 x 2 cm), 23 cm, @ 45° , 1 su ciascun latoMisumi
1 estrusione di alluminio (2 x 2 cm), 83 cm di lunghezzaMisumi
87 x 23 cm specchioFornitore generale di vetro 
Riempitivo in cartone nero di cancelleria generaleNe abbiamo usati 2, uno con 69 x 6 cm e un altro con 69 x 3 cm per limitare il riflesso sullo specchio
Retroilluminazione
109 x 23 cm plexiglass (0,9525 cm di spessore)Fornitore
2 estrusi laterali in alluminio (4 x 4 cm), lunghi 20 cm, 1 per latoMisumi
Striscia LED multicoloredi hardware generico
carta opaca bianca per coprire il plexyglasscancelleria generale
fTIR Base di supporto e montanti
2 estrusione di alluminio (4 x 4 cm), altezza 100 cmMisumi
60 x 30 cm breadboard metricaEdmund Optics #54-641
Viti M6 12 mmEdmund Optics 
Dadi esagonali M6 e waherEdmund Optics 
fTIR Passerella 
109 x 8,5 cm di plexiglass (1,2 cm di spessore)Fornitore109 x 8,5 cm di plexiglass (1,2 cm di spessore)
109 cm di lunghezza in alluminio con canali a U di base con pieghe spesse di 1,6 cm di altezza x 1,9 cm di profondità (per contenere il plexyglass)Fornitore
2 estrusi laterali di alluminio (4 x 4 cm) lunghezza 20 cm, 1 su ciascun latoMisumi
Riempitivo in cartone nero Fornitore di cancelleria generaleabbiamo utilizzato 2 riempitivi su ciascun lato per coprire i limiti del plexyglass, evitando bordi luminosi
Fotocamera ad alta velocità (su un treppiede)
Blackfly S USB3FLIR#BFS-U3-32S4M-CQuesta è una raccomandazione. Il requisito è quello di registrare almeno 100 fotogrammi al secondo
Infinite Horizon Impactor 
Impatto dell'orizzonte infinito Sistemi e strumentazione di precisione, LLC.#0400
Lens
Nikon AF Zoom-Nikkor 24-85mmNikon#1929Questo obiettivo è consigliato, tuttavia è possibile utilizzare altri obiettivi. Assicurati che contenga un'ampia apertura (ad esempio, valori F-stop più piccoli), per acquisire segnali fTIR
Software
MATLAB R2022bMathWorks
Python 3.9.13 Fondazione
Anaconda Navigator 2.1.4Anaconda, Inc.
Spyder 5.1.5 Collaboratori del progetto Spyder
Muro della passerella 
2 grandi acrilici rettangolari con 100 x 15 cmQualsiasi minimarket
2 laterali acrilici trapeziani con 6-10 di lunghezza x 15 cm di altezzaQualsiasi minimarket
GitHub Materiali
Nome cartellaURL
Boxplotshttps://github.com/NeurogeneLocomotion/MouseWalker/tree/main/BoxplotsScript per creare Boxplots
Docshttps://github.com/NeurogeneLocomotion/MouseWalker/tree/main/DocsDocumenti aggiuntivi
Heatmaphttps://github.com/NeurogeneLocomotion/MouseWalker/tree/main/HeatmapsScript per creare heatmap
Script Matlathttps://github.com/NeurogeneLocomotion/MouseWalker/tree/main/Matlab%20ScriptMouseWalker script matlab
PCAhttps://github.com/NeurogeneLocomotion/MouseWalker/tree/main/PCA%20plotsScript per eseguire l'analisi delle componenti principali
Grafici di dati grezzihttps://github.com/NeurogeneLocomotion/MouseWalker/tree/main/Rawdata%20PlotsScript per creare grafici di dati grezzi
Analisi dei residuihttps://github.com/NeurogeneLocomotion/MouseWalker/tree/main/Residual_AnalysisCodice per calcolare i residui dai dati grezzi
Fornitore di ferramenta generale Fornitore Fornitore di generale di ferramenta di ferramenta generaleViti M6 da 12 mm Edmund Optics software Pythondi bricolage di bricolage

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Frigon, A. The neural control of interlimb coordination during mammalian locomotion. Journal of Neurophysiology. 117 (6), 2224-2241 (2017).
  2. Grillner, S. Biological pattern generation: The cellular and computational logic of networks in motion. Neuron. 52 (5), 751-766 (2006).
  3. Dominici, N., et al. locomotor primitives in newborn babies and their development. Science. 334 (6058), 997-999 (2011).
  4. Courtine, G., et al. Kinematic and EMG determinants in quadrupedal locomotion of a non-human primate (Rhesus). Journal of Neurophysiology. 93 (6), 3127-3145 (2005).
  5. Clarac, F., Cattaert, D., le Ray, D. Central control components of a 'simple' stretch reflex. Trends Neuroscience. 23 (5), 199-208 (2000).
  6. Squair, J. W., Gautier, M., Sofroniew, M. V., Courtine, G., Anderson, M. A. Engineering spinal cord repair. Current Opinion in Biotechnology. 72, 48-53 (2021).
  7. Wenger, N., et al. Spatiotemporal neuromodulation therapies engaging muscle synergies improve motor control after spinal cord injury. Nature Medicine. 22 (2), 138-145 (2016).
  8. Grillner, S. The spinal locomotor CPG: A target after spinal cord injury. Progress in Brain Research. 137, 97-108 (2002).
  9. Boulain, M., et al. Synergistic interaction between sensory inputs and propriospinal signalling underlying quadrupedal locomotion. Journal of Physiology. 599 (19), 4477-4496 (2021).
  10. Skarlatou, S., et al. Afadin signaling at the spinal neuroepithelium regulates central canal formation and gait selection. Cell Reports. 31 (10), 107741(2020).
  11. Viala, D., Vidal, C. Evidence for distinct spinal locomotion generators supplying respectively fore-and hindlimbs in the rabbit. Brain Research. 155 (1), 182-186 (1978).
  12. Silver, J., Miller, J. H. Regeneration beyond the glial scar. Nature Reviews Neuroscience. 5 (2), 146-156 (2004).
  13. Basso, D. M., Beattie, M. S., Bresnahan, J. C. A sensitive and reliable locomotor rating scale for open field testing in rats. Journal of Neurotrauma. 12 (1), 1-21 (1995).
  14. Basso, D. M., et al. Basso mouse scale for locomotion detects differences in recovery after spinal cord injury in five common mouse strains. Journal of Neurotrauma. 23 (5), 635-659 (2006).
  15. Jones, B. J., Roberts, D. J. The quantitative measurement of motor inco-ordination in naive mice using an accelerating rotarod. Journal of Pharmacy and Pharmacology. 20 (4), 302-304 (1968).
  16. Metz, G. A., Whishaw, I. Q. The ladder rung walking task: A scoring system and its practical application. Journal of Visualized Experiments. (28), e1204(2009).
  17. Metz, G. A., Whishaw, I. Q. Cortical and subcortical lesions impair skilled walking in the ladder rung walking test: A new task to evaluate fore-and hindlimb stepping, placing, and coordination. Journal of Neuroscience Methods. 115 (2), 169-179 (2002).
  18. Wallace, J. E., Krauter, E. E., Campbell, B. A. Motor and reflexive behavior in the aging rat. Journal of Gerontology. 35 (3), 364-370 (1980).
  19. Carter, R. J., et al. Characterization of progressive motor deficits in mice transgenic for the human Huntington's disease mutation. The Journal of Neuroscience. 19 (8), 3248-3257 (1999).
  20. Leblond, H., L'espérance, M., Orsal, D., Rossignol, S. Behavioral/systems/cognitive treadmill locomotion in the intact and spinal mouse. The Journal of Neuroscience. 23 (36), 11411-11419 (2003).
  21. Courtine, G., et al. Recovery of supraspinal control of stepping via indirect propriospinal relay connections after spinal cord injury. Nature Medicine. 14 (1), 69-74 (2008).
  22. Hamers, F. P. T., Koopmans, G. C., Joosten, E. A. J. CatWalk-assisted gait analysis in the assessment of spinal cord injury. Journal of Neurotrauma. 23 (3-4), 537-548 (2006).
  23. Mendes, C. S., et al. Quantification of gait parameters in freely walking rodents. BMC Biology. 13 (1), 50(2015).
  24. Schindelin, J., et al. Fiji: An open-source platform for biological-image analysis. Nature Methods. 9 (7), 676-682 (2012).
  25. Stauch, K. L., et al. Applying the ratwalker system for gait analysis in a genetic rat model of Parkinson's disease. Journal of Visualized Experiments. (167), e62002(2021).
  26. Mendes, C. S., Rajendren, S. V., Bartos, I., Márka, S., Mann, R. S. Kinematic responses to changes in walking orientation and gravitational load in Drosophila melanogaster. PLoS One. 9 (10), e109204(2014).
  27. Cabrita, A., et al. Motor dysfunction in Drosophila melanogaster as a biomarker for developmental neurotoxicity. iScience. 25 (7), 104541(2022).
  28. Bishop, C. M. Pattern Recognition and Machine Learning. , Springer. Delhi, India. (2006).
  29. vander Maaten, L., Postma, E., vanden Herik, J. Dimensionality reduction: A comparative review. , Tilburg University. The Netherlands.. http://www.uvt.nl/ticc (2009).
  30. Courtine, G., et al. Performance of locomotion and foot grasping following a unilateral thoracic corticospinal tract lesion in monkeys (Macaca mulatta). Brain. 128 (10), 2338-2358 (2005).
  31. Drew, T., Jiang, W., Kably, B., Lavoie, S. Role of the motor cortex in the control of visually triggered gait modifications. Canadian Journal of Physiology and Pharmacology. 74 (4), 426-442 (1996).
  32. Cheng, H., et al. Gait analysis of adult paraplegic rats after spinal cord repair. Experimental Neurology. 148 (2), 544-557 (1997).
  33. Thibaudier, Y., et al. Interlimb coordination during tied-belt and transverse split-belt locomotion before and after an incomplete spinal cord injury. Journal of Neurotrauma. 34 (9), 1751-1765 (2017).
  34. Bellardita, C., Kiehn, O. Phenotypic characterization of speed-associated gait changes in mice reveals modular organization of locomotor networks. Current Biology. 25 (11), 1426-1436 (2015).
  35. Machado, A. S., Marques, H. G., Duarte, D. F., Darmohray, D. M., Carey, M. R. Shared and specific signatures of locomotor ataxia in mutant mice. eLife. 9, 55356(2020).
  36. Takeoka, A., Vollenweider, I., Courtine, G., Arber, S. Muscle spindle feedback directs locomotor recovery and circuit reorganization after spinal cord injury. Cell. 159 (7), 1626-1639 (2014).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

MouseWalker SystemSpinal Cord InjuryLocomotor DysfunctionGait QuantificationMouse ModelMotor CoordinationKinematic AnalysisBehavioral AssaysOpen Source ToolsFootprint Patterns

Related Articles