February 12th, 2017
Un paradigma è presentato per la formazione e l'analisi di un compito di raggiungere abile automatizzata nei ratti. L'analisi dei tentativi tirando rivela sottoprocessi distinti di apprendimento motorio.
L'obiettivo generale dell'addestramento dei ratti a questo compito che coinvolge un manipulandum robotico è quello di studiare i processi alla base dell'apprendimento delle abilità motorie e del recupero della funzione motoria. Questo metodo può aiutare a rispondere a domande chiave nel campo delle neuroscienze comportamentali, in particolare relative ai meccanismi alla base dell'apprendimento motorio e della formazione della memoria, nonché alla perdita e al recupero della funzione dopo un danno cerebrale o un ictus. Il vantaggio principale di questa tecnica è che l'addestramento dei ratti e che l'analisi è facile da eseguire e che è più obiettiva rispetto ad altri compiti convenzionali di raggiungimento di un singolo pellet.
Inoltre, il manipulandum robotico consente una migliore analisi della cinematica. In preparazione, lascia sempre che i ratti appena acquisiti si abituino alle loro nuove gabbie domestiche per almeno una settimana prima di addestrarli. Durante questo periodo, maneggiare regolarmente i ratti e dar loro da mangiare i pellet di ricompensa utilizzati per il protocollo di addestramento.
Per iniziare il processo di addestramento, trascorri prima due o tre giorni ad abituare i ratti alla gabbia di prova. Il primo compito è addestrare i ratti a toccare semplicemente la maniglia sferica attraverso la finestra della gabbia e poi a spostarsi sul lato opposto della gabbia e recuperare una ricompensa in cibo. Innanzitutto, regola le impostazioni del software in modo che la maniglia si trovi appena fuori dalla finestra della gabbia di prova.
Ora, metti il topo nella gabbia di addestramento e tieni un pellet vicino al manico. Dirigi l'attenzione del topo toccando la gabbia secondo necessità. Continua a spingere il topo verso l'impugnatura in questo modo finché non raggiunge autonomamente la finestra della gabbia e tocca l'impugnatura o il pellet di cibo.
Quindi, esegui la sessione fino al completamento di 100 tocchi o fino a quando non sono trascorsi 60 minuti, a seconda dell'evento che si verifica per primo. Continua ad addestrare il ratto ogni giorno fino a quando non completa 100 tocchi entro 30 minuti per due giorni consecutivi. Questo di solito si verifica nelle prime due sessioni.
Una volta ottenuta questa competenza, procedi direttamente con il successivo paradigma di formazione. I ratti possono svolgere questo compito molto più rapidamente rispetto ai criteri definiti, ma è importante non sovraddestrarli in quanto ciò può comportare un consolidamento eccessivo del comportamento e soffocare la modellazione del comportamento verso l'obiettivo finale. La prossima sfida per i ratti è imparare il passaggio intermedio di allungare la mano e tirare la maniglia.
Come per l'allenamento con tocco di ricompensa, è importante non allenarsi eccessivamente poiché l'obiettivo finale è passare alla fase successiva dell'allenamento. Innanzitutto, regola l'impostazione del software in modo che il robot posizioni l'impugnatura a 18 millimetri dalla finestra all'inizio di ogni prova. L'impugnatura deve essere tirata di almeno 10 millimetri senza interruzioni per una prova di successo.
Non ci sono restrizioni laterali sul movimento di trazione. Quindi esegui le sessioni come prima con 100 prove o 60 minuti che segnano la loro fine. Se un topo non si spinge abbastanza lontano per eseguire il compito, modella il comportamento corretto tenendo un pallino con una pinza vicino al manico.
Se un topo sembra perdere interesse a tirare la maniglia, tocca la gabbia o eroga un pellet. Determina la preferenza della zampa del ratto dai suoi primi 20 tentativi di tirare la maniglia. Basta scegliere la zampa che viene utilizzata più spesso come zampa dominante.
La maggior parte dei ratti mostrerà una forte preferenza e ha usato una zampa in almeno l'80% delle prove. Una volta notata una zampa dominante, regolare la posizione dell'impugnatura lateralmente per favorire questa zampa. Allinea la maniglia al bordo della finestra e tienila in questa posizione per tutte le sessioni future con questo topo.
Continua ad allenare il compito fino a quando il ratto non raggiunge una prestazione di plateau o esegue il compito 100 volte entro 30 minuti per due giorni consecutivi. In genere sono necessarie solo due sessioni prima di procedere all'estrazione diretta. La fase finale dell'addestramento consiste nell'insegnare ai ratti a tirare la maniglia dritta per ottenere una ricompensa.
Modificare i parametri nel software in modo che un movimento di trazione che si discosta di oltre due millimetri dalla linea mediana sia considerato un fallimento. Come di consueto, ogni sessione deve essere eseguita fino al completamento di 100 prove o fino a quando non sono trascorsi 60 minuti. Continua ad addestrare i ratti su questo compito fino a quando il loro livello di abilità non raggiunge un plateau o fino a quando i ratti superano un criterio definito.
Utilizzando ratti maschi Long-Evans di età compresa tra 10 e 12 settimane, sono state confrontate tre diverse tecniche di addestramento in 22 giorni di addestramento. Ad ogni gruppo è stato somministrato un allenamento di tocco di ricompensa. Poi i parametri sono cambiati.
In un gruppo, FP, i ratti sono stati addestrati a tirare la maniglia del robot senza alcuna restrizione laterale. Nel gruppo successivo, SP1, i ratti sono stati addestrati a tirare la maniglia senza deviare di più di due millimetri dalla linea mediana, ma non hanno ricevuto alcuna sessione di allenamento di trazione gratuita. Nel gruppo finale, SP2, i ratti hanno ricevuto esattamente due sessioni di allenamento di trazione gratuite e poi sono passati all'allenamento di trazione diretta.
È importante sottolineare che per SP2 la maniglia è stata mantenuta allineata vicino a un bordo della finestra, risultando in un compito più impegnativo. Questa condizione potrebbe verificarsi accidentalmente se il robot non è costantemente allineato alla gabbia dall'operatore. Forse a causa di questa ulteriore sfida, il tasso di successo del compito per i ratti SP1 si è stabilizzato prima di quanto non abbia fatto per i ratti SP2.
Nel corso delle sessioni, il movimento della maniglia è migliorato dalla prima all'ultima sessione. I dati mostrati sono di un ratto rappresentativo del gruppo SP2. Allo stesso modo, la velocità di trazione è diventata più regolare dalla prima all'ultima sessione, indicando che è stato appreso un movimento più stabile.
Anche questi dati provengono da un ratto SP2 rappresentativo. Dopo aver visto questo video, dovresti avere una buona comprensione di come eseguire un'attività di raggiungimento qualificato automatizzata e dei fattori che possono influire sui tuoi risultati. Come abbiamo dimostrato, una piccola alterazione del modello di addestramento influenzerà le prestazioni dell'animale.
Quindi, quando si tenta questa procedura, è importante mantenere tutte le condizioni coerenti per ogni animale, come la posizione del manico.
View the full transcript and gain access to thousands of scientific videos
Questo articolo presenta un paradigma per l'addestramento e l'analisi di un compito di estensione manuale automatizzato nei ratti, concentrandosi sui sottoprocessi dell'apprendimento motorio. Il metodo mira a migliorare la comprensione dell'apprendimento delle abilità motorie e del recupero dopo un danno cerebrale.
Automated skilled reaching tasks in rodent models provide a quantifiable platform for dissecting motor skill learning mechanisms, supporting target validation in neuromotor therapeutic development. Kinematic analysis of pulling velocity, trajectory variability, and midline deviation enables objective assessment of motor function, reducing ambiguity in preclinical efficacy readouts. This approach enhances predictive confidence in lead identification for neurorehabilitation interventions by linking behavioral outputs to underlying neural processes.
The method fits within the discovery continuum from target hypothesis testing through lead optimization to preclinical validation, particularly for neuromotor pathways.