Profilazione delle risposte comportamentali materne durante l'imaging dell'intero cervello
24 gennaio 2025
Di seguito viene presentata una pipeline di analisi video che supera le sfide del monitoraggio comportamentale all'interno degli ambienti MRI, consentendo il rilevamento di risposte comportamentali non istruite a segnali esterni. Questa analisi faciliterà una comprensione più completa dei cambiamenti di stato interni evocati e dell'attività cerebrale a livello cerebrale.
Il modo in cui un caregiver percepisce e risponde ai segnali del bambino determinerà se il bambino riceve le cure di cui ha bisogno per sopravvivere. Nei topi, le vocalizzazioni dei cuccioli evocano risposte comportamentali complesse e quindi probabilmente evocano un'attività coordinata attraverso una rete di regioni cerebrali. Vogliamo identificare questa rete in topi con diversi background di esperienze materne e l'FMRI del topo sveglio è un ottimo strumento per questo.
Man mano che l'FMRI del topo sveglio diventa più ampiamente utilizzato, sta emergendo un'entusiasmante ricerca che indaga i correlati neurali dei comportamenti diretti all'obiettivo. Questi comportamenti sono in genere valutati utilizzando strumenti come gli interruttori di raggio per rilevare le perdite e i sensori di pressione per rilevare i movimenti. Il nostro protocollo ci consente di valutare le risposte comportamentali spontanee, anche nell'ambiente della risonanza magnetica tecnicamente impegnativo.
Il nostro obiettivo è quello di utilizzare le misure del comportamento spontaneo per comprendere meglio l'attività cerebrale che abbiamo acquisito con l'FMRI. Il nostro lavoro precedente ha rivelato che le cortecce uditive delle mamme e degli animali vergini rispondono in modo diverso ai richiami dei cuccioli. Nelle mamme, le loro risposte neurali sono bloccate nel tempo al pianto di un cucciolo.
Nelle vergini, non lo sono. Tuttavia, quando una vergine impara a esprimere il comportamento materno, i centri uditivi cambiano per riflettere questa nuova abilità. I nostri studi precedenti si sono concentrati sulla corteccia uditiva nei topi anestetizzati.
Questo studio si spinge oltre i confini della corteccia uditiva, esaminando come l'intero cervello e il comportamento cambiano nei topi svegli che si comportano come un animale impara a diventare una mamma. Per iniziare, scarica MATLAB dal sito Web di MathWorks. Per aggiungere la casella degli strumenti di elaborazione delle immagini ai componenti aggiuntivi di MATLAB, fare clic su gestisci componenti aggiuntivi, ottieni componenti aggiuntivi, quindi cercali e aggiungili.
Allo stesso modo, aggiungi Computer Vision Toolbox ai componenti aggiuntivi di MATLAB. Dopo aver aperto lo script uno della pipeline di analisi, modificare le sezioni uno, due, tre, quattro, cinque e sei dello script per adattarle alle strutture di dati dove indicato. Esegui la prima sezione.
Esegui la seconda sezione dello script per visualizzare il primo fotogramma di ogni video. Usa il mouse per fare clic una volta sui primi due punti, quindi fai doppio clic sul terzo punto. Dopo aver selezionato gli ultimi punti del video, premere invio.
Esegui la sezione tre e la sezione quattro. Imposta l'indicatore allineato a zero ed esegui la sezione cinque. Quindi impostare la bandiera allineata a uno ed eseguire nuovamente la sezione cinque.
Ora esegui la sezione sei e confronta i risultati fianco a fianco. Quindi, apri lo script due e modifica la prima sezione dello script per adattarla alle strutture dati. Quindi esegui la prima sezione.
Modificare la seconda sezione dello script per adattarla alle strutture di dati ed eseguire la seconda sezione. Utilizzate l'immagine risultante per vedere dove il flusso ottico fluttua in modo più drammatico nei video analizzati. Modifica la sezione tre dello script per adattarla alle strutture di dati e alle esigenze di analisi.
Per analizzare l'intero FOV del video, impostare il flag di selezione ROI e fornire ROI a zero. Quindi esegui la sezione tre. Per analizzare un nuovo ROI, impostare il flag select ROI su uno e fornire ROI su zero.
Quindi modifica newCoordsName ed esegui la sezione tre. Seleziona una nuova ROI nel frame di esempio visualizzato facendo clic e trascinando. Per analizzare il ROI disegnato in precedenza, impostare il flag select ROI su zero e fornire ROI su uno.
Quindi modifica inputCoords per fornire un set predeterminato di coordinate ed esegui la sezione tre. Apri lo script tre e modifica le sezioni da uno a tre dello script per adattarle alle strutture di dati e alle esigenze di analisi. Nella prima sezione, imposta i flag delle opzioni di analisi ZSC, BLRM, BLZSC, demeanPerTrial e applyLPfilter su zero o uno.
Impostare LPfilter su un numero che rappresenta il filtro passa-basso desiderato in hertz. Quindi esegui le sezioni da uno a tre. Apri lo script quattro e modifica la prima sezione dello script per adattarla alle strutture dei dati e alle esigenze di analisi.
Esegui la prima sezione. Aprire lo script cinque e modificare la prima sezione dello script per adattarla alle strutture dati e all'analisi. Quindi esegui la sezione uno e la sezione due.
Modificare le variabili group, myTitle e threshT negli input della sezione tre per riflettere l'analisi di gruppo desiderata. Esegui la sezione tre per ogni gruppo di interesse. Quindi regolare l'intervallo dell'asse C e i limiti della barra dei colori come desiderato per la visualizzazione.
Modificare le variabili mag, myTitle e threshT negli input della sezione quattro per riflettere il confronto di gruppo desiderato. Eseguire la sezione quattro per ogni confronto di gruppo di interesse, quindi regolare l'intervallo dell'asse Z e i limiti della barra dei colori come desiderato per la visualizzazione. I vettori di flusso ottico indicavano le regioni di movimento degli animali, in particolare intorno al muso e alle zampe.
La deviazione standard dell'ampiezza del flusso ottico identifica le aree con fluttuazioni di movimento alte e basse. Le madri hanno mostrato risposte di movimento più elevate ai richiami dei cuccioli rispetto alle vergini, ma non ai toni puri. L'analisi delle componenti principali ha rivelato che le madri avevano più movimento nella zona del naso rispetto alle vergini durante entrambe le presentazioni degli stimoli.
La quantificazione del flusso ottico di un set di dati di convalida ha rivelato differenze significative nelle risposte comportamentali alle ricompense idriche alte rispetto a quelle basse. Questi risultati suggeriscono inoltre che la pipeline di analisi video presentata può essere utilizzata per catturare differenze significative nel comportamento degli animali in tutte le condizioni.
Panoramica
Questo studio presenta una pipeline di analisi video progettata per monitorare le risposte comportamentali spontanee nei topi all'interno di ambienti MRI. Utilizzando la risonanza magnetica funzionale (fMRI) in topi svegli, la ricerca mira a scoprire i correlati neurali dei comportamenti materni in risposta alle vocalizzazioni dei cuccioli.
Componenti chiave dello studio
Area di scienza
- Neuroscienza
- Analisi comportamentale
- Tecniche di imaging
Sfondo
- Le vocalizzazioni dei cuccioli nei topi suscitano risposte comportamentali complesse.
- Comprendere queste risposte può rivelare intuizioni sulla cura materna e l'attività cerebrale.
- Studi precedenti hanno indicato differenze nelle risposte della corteccia uditiva tra madri e vergini.
- Questa ricerca si estende oltre la corteccia uditiva per esaminare l'attività cerebrale complessiva.
Obiettivo dello studio
- Identificare le reti cerebrali attivate dalle chiamate dei cuccioli nei topi con diverse esperienze materne.
- Valutare le risposte comportamentali spontanee in un ambiente MRI impegnativo.
- Migliorare la comprensione dell'attività cerebrale diffusa correlata ai comportamenti materni.
Metodi utilizzati
- Sviluppo di una pipeline di analisi video basata su MATLAB.
- Modifica ed esecuzione di script per analizzare i dati video di topi svegli.
- Utilizzo dell'analisi del flusso ottico per valutare le risposte di movimento.
- Confronto delle risposte comportamentali tra madri e vergini durante gli stimoli uditivi.
Risultati principali
- Le madri hanno mostrato maggiori risposte di movimento alle chiamate dei cuccioli rispetto alle vergini.
- L'analisi del flusso ottico ha indicato differenze comportamentali significative basate sull'esperienza materna.
- L'analisi delle componenti principali ha rivelato distinti modelli di movimento nelle madri rispetto alle vergini.
- La pipeline di analisi video ha efficacemente catturato i comportamenti spontanei in tutte le condizioni.
Conclusioni
- Lo studio dimostra con successo un metodo per analizzare i comportamenti spontanei in ambienti MRI.
- I risultati contribuiscono alla comprensione della base neurale dei comportamenti materni in risposta ai segnali dei cuccioli.
- La pipeline sviluppata può essere applicata a ulteriori ricerche nella neuroscienza comportamentale.
Domande frequenti
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.
