Name: Decodificare il comportamento naturale dallincorporamento neuroetologico (Video) | JoVE Journal
Uploaded: 2025-10-03T13:40:00.000+00:00
Duration: 8 min
Description: Scopri la decodifica neurodinamica del comportamento naturale nei topi in movimento libero con imaging mTPM. Questo metodo supera i paradigmi tradizionali head-fixed per studiare l'intelligenza cerebrale naturale.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

<ol><li>Han, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multi-animal+3d+social+pose+estimation%2C+identification+and+behaviour+embedding+with+a+few-shot+learning+framework%5BTitle%5D)+AND+%22Nat+Machine+Intellig%22%5BJournal%5D)">Multi-animal 3d social pose estimation, identification and behaviour embedding with a few-shot learning framework.</a> Nat Machine Intellig. 6 (1), 48-61 (2024).</li>
<li>Zong, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Miniature+two-photon+microscopy+for+enlarged+field-of-view%2C+multi-plane+and+long-term+brain+imaging%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Miniature two-photon microscopy for enlarged field-of-view, multi-plane and long-term brain imaging.</a> Nat Methods. 18 (1), 46-49 (2021).</li>
<li>Schneider, S., Lee, J. H., Mathis, M. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Learnable+latent+embeddings+for+joint+behavioural+and+neural+analysis%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Learnable latent embeddings for joint behavioural and neural analysis.</a> Nature. 617 (7960), 360-368 (2023).</li>
<li>Lanzarini, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neuroethology+of+natural+actions+in+freely+moving+monkeys%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Neuroethology of natural actions in freely moving monkeys.</a> Science. 387 (6730), 214-220 (2025).</li>
<li>Testard, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neural+signatures+of+natural+behaviour+in+socializing+macaques%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Neural signatures of natural behaviour in socializing macaques.</a> Nature. 628 (8007), 381-390 (2024).</li>
<li>Mathis, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Deeplabcut%3A+Markerless+pose+estimation+of+user-defined+body+parts+with+deep+learning%5BTitle%5D)+AND+%22Nat+Neurosci%22%5BJournal%5D)">Deeplabcut: Markerless pose estimation of user-defined body parts with deep learning.</a> Nat Neurosci. 21 (9), 1281-1289 (2018).</li>
<li>Tang, G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Anti-drift+pose+tracker+%28adpt%29%2C+a+transformer-based+network+for+robust+animal+pose+estimation+cross-species%5BTitle%5D)+AND+%22Elife%22%5BJournal%5D)">Anti-drift pose tracker (adpt), a transformer-based network for robust animal pose estimation cross-species.</a> Elife. 13, RP95709(2025).</li>
<li>Panadeiro, V., Rodriguez, A., Henry, J., Wlodkowic, D., Andersson, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+review+of+28+free+animal-tracking+software+applications%3A+Current+features+and+limitations%5BTitle%5D)+AND+%22Lab+Anim+%28NY%29%22%5BJournal%5D)">A review of 28 free animal-tracking software applications: Current features and limitations.</a> Lab Anim (NY). 50 (9), 246-254 (2021).</li>
<li>Jhuang, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automated+home-cage+behavioural+phenotyping+of+mice%5BTitle%5D)+AND+%22Nat+Commun%22%5BJournal%5D)">Automated home-cage behavioural phenotyping of mice.</a> Nat Commun. 1, 68(2010).</li>
<li>Huang, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+hierarchical+3d-motion+learning+framework+for+animal+spontaneous+behavior+mapping%5BTitle%5D)+AND+%22Nat+Commun%22%5BJournal%5D)">A hierarchical 3d-motion learning framework for animal spontaneous behavior mapping.</a> Nat Commun. 12 (1), 2784(2021).</li>
<li>Juavinett, A. L., Bekheet, G., Churchland, A. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Chronically+implanted+neuropixels+probes+enable+high-yield+recordings+in+freely+moving+mice%5BTitle%5D)+AND+%22Elife%22%5BJournal%5D)">Chronically implanted neuropixels probes enable high-yield recordings in freely moving mice.</a> Elife. 8, e47188(2019).</li>
<li>Chen, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Miniature+fluorescence+microscopy+for+imaging+brain+activity+in+freely-behaving+animals%5BTitle%5D)+AND+%22Neurosci+Bull%22%5BJournal%5D)">Miniature fluorescence microscopy for imaging brain activity in freely-behaving animals.</a> Neurosci Bull. 36 (10), 1182-1190 (2020).</li>
<li>Zong, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Large-scale+two-photon+calcium+imaging+in+freely+moving+mice%5BTitle%5D)+AND+%22Cell%22%5BJournal%5D)">Large-scale two-photon calcium imaging in freely moving mice.</a> Cell. 185 (7), 1240-1256.e30 (2022).</li>
<li>Zong, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fast+high-resolution+miniature+two-photon+microscopy+for+brain+imaging+in+freely+behaving+mice%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Fast high-resolution miniature two-photon microscopy for brain imaging in freely behaving mice.</a> Nat Methods. 14 (7), 713-719 (2017).</li>
<li>Han, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Mousevenue3d%3A+A+markerless+three-dimension+behavioral+tracking+system+for+matching+two-photon+brain+imaging+in+free-moving+mice%5BTitle%5D)+AND+%22Neurosci+Bull%22%5BJournal%5D)">Mousevenue3d: A markerless three-dimension behavioral tracking system for matching two-photon brain imaging in free-moving mice.</a> Neurosci Bull. 38 (3), 303-317 (2022).</li>
<li>Jazayeri, M., Ostojic, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Interpreting+neural+computations+by+examining+intrinsic+and+embedding+dimensionality+of+neural+activity%5BTitle%5D)+AND+%22Curr+Opin+Neurobiol%22%5BJournal%5D)">Interpreting neural computations by examining intrinsic and embedding dimensionality of neural activity.</a> Curr Opin Neurobiol. 70, 113-120 (2021).</li>
<li>Churchland, M. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neural+population+dynamics+during+reaching%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Neural population dynamics during reaching.</a> Nature. 487 (7405), 51-56 (2012).</li>
<li>Van Der Maaten, L., Hinton, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Visualizing+data+using+t-sne%5BTitle%5D)+AND+%22J+Machine+Learning+Res%22%5BJournal%5D)">Visualizing data using t-sne.</a> J Machine Learning Res. 9, 2579-2605 (2008).</li>
<li>Mcinnes, L., Healy, J., Melville, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Umap%3A+Uniform+manifold+approximation+and+projection+for+dimension+reduction%5BTitle%5D)+AND+%22arXiv%22%5BJournal%5D)">Umap: Uniform manifold approximation and projection for dimension reduction.</a> arXiv. , (2018).</li>
<li>Klibaite, U., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Mapping+the+landscape+of+social+behavior%5BTitle%5D)+AND+%22Cell%22%5BJournal%5D)">Mapping the landscape of social behavior.</a> Cell. 188 (8), 2249-2266.e23 (2025).</li>
<li>Zhou, D., Wei, X. 34th Conference on Neural Information Processing Systems (NeurIPS), , (2020).</li>
<li>Pereira, T. D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Sleap%3A+A+deep+learning+system+for+multi-animal+pose+tracking%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Sleap: A deep learning system for multi-animal pose tracking.</a> Nat Methods. 19 (4), 486-495 (2022).</li>
<li>Von Ziegler, L., Sturman, O., Bohacek, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Big+behavior%3A+Challenges+and+opportunities+in+a+new+era+of+deep+behavior+profiling%5BTitle%5D)+AND+%22Neuropsychopharmacology%22%5BJournal%5D)">Big behavior: Challenges and opportunities in a new era of deep behavior profiling.</a> Neuropsychopharmacology. 46 (1), 33-44 (2021).</li>
<li>Pereira, T. D., Shaevitz, J. W., Murthy, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Quantifying+behavior+to+understand+the+brain%5BTitle%5D)+AND+%22Nat+Neurosci%22%5BJournal%5D)">Quantifying behavior to understand the brain.</a> Nat Neurosci. 23 (12), 1537-1549 (2020).</li>
<li>Segalin, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+mouse+action+recognition+system+%28mars%29+software+pipeline+for+automated+analysis+of+social+behaviors+in+mice%5BTitle%5D)+AND+%22Elife%22%5BJournal%5D)">The mouse action recognition system (mars) software pipeline for automated analysis of social behaviors in mice.</a> Elife. 10, e63720(2021).</li>
<li>Gris, K. V., Coutu, J. P., Gris, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Supervised+and+unsupervised+learning+technology+in+the+study+of+rodent+behavior%5BTitle%5D)+AND+%22Front+Behav+Neurosci%22%5BJournal%5D)">Supervised and unsupervised learning technology in the study of rodent behavior.</a> Front Behav Neurosci. 11, 141(2017).</li>
<li>Liu, N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Objective+and+comprehensive+re-evaluation+of+anxiety-like+behaviors+in+mice+using+the+behavior+atlas%5BTitle%5D)+AND+%22Biochem+Biophys+Res+Commun%22%5BJournal%5D)">Objective and comprehensive re-evaluation of anxiety-like behaviors in mice using the behavior atlas.</a> Biochem Biophys Res Commun. 559, 1-7 (2021).</li>
<li>Bando, Y., Wenzel, M., Yuste, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Simultaneous+two-photon+imaging+of+action+potentials+and+subthreshold+inputs+in+vivo%5BTitle%5D)+AND+%22Nat+Commun%22%5BJournal%5D)">Simultaneous two-photon imaging of action potentials and subthreshold inputs in vivo.</a> Nat Commun. 12 (1), 7229(2021).</li>
<li>Zhang, Z. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+flexible+new+technique+for+camera+calibration%5BTitle%5D)+AND+%22IEEE+Transactions+on+pattern+analysis+and+machine+intelligence%22%5BJournal%5D)">A flexible new technique for camera calibration.</a> IEEE Transactions on pattern analysis and machine intelligence. 22 (11), 1330-1334 (2002).</li>
<li>Pachitariu, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Suite2p%3A+Beyond+10%2C000+neurons+with+standard+two-photon+microscopy%5BTitle%5D)+AND+%22bioRxiv%22%5BJournal%5D)">Suite2p: Beyond 10,000 neurons with standard two-photon microscopy.</a> bioRxiv. , (2017).</li>
<li>Han, Y., Huang, K., Chen, K., Wang, L., Wei, P. IEEE 11th Annual International Conference on CYBER Technology in Automation, Control, and Intelligent Systems (CYBER), , 306-310 (2021).</li>
<li>Sheshadri, S., Dann, B., Hueser, T., Scherberger, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((3d+reconstruction+toolbox+for+behavior+tracked+with+multiple+cameras%5BTitle%5D)+AND+%22J+Open+Source+Soft%22%5BJournal%5D)">3d reconstruction toolbox for behavior tracked with multiple cameras.</a> J Open Source Soft. 5 (45), 1849(2020).</li>
<li>Zhong, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((S-ketamine+exposure+in+early+postnatal+period+induces+social+deficit+mediated+by+excessive+microglial+synaptic+pruning%5BTitle%5D)+AND+%22Mol+Psychiatry%22%5BJournal%5D)">S-ketamine exposure in early postnatal period induces social deficit mediated by excessive microglial synaptic pruning.</a> Mol Psychiatry. 30 (8), 3615-3631 (2025).</li>
<li>Datta, S. R., Anderson, D. J., Branson, K., Perona, P., Leifer, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Computational+neuroethology%3A+A+call+to+action%5BTitle%5D)+AND+%22Neuron%22%5BJournal%5D)">Computational neuroethology: A call to action.</a> Neuron. 104 (1), 11-24 (2019).</li>
<li>Schönemann, P. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+generalized+solution+of+the+orthogonal+procrustes+problem%5BTitle%5D)+AND+%22Psychometrika%22%5BJournal%5D)">A generalized solution of the orthogonal procrustes problem.</a> Psychometrika. 31 (1), 1-10 (1966).</li>
<li>Feldman, D. E., Brecht, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Map+plasticity+in+somatosensory+cortex%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Map plasticity in somatosensory cortex.</a> Science. 310 (5749), 810-815 (2005).</li>
<li>Karashchuk, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Anipose%3A+A+toolkit+for+robust+markerless+3d+pose+estimation%5BTitle%5D)+AND+%22Cell+Rep%22%5BJournal%5D)">Anipose: A toolkit for robust markerless 3d pose estimation.</a> Cell Rep. 36 (13), 109730(2021).</li>
<li>Laiz, R. G., Schmidt, T., Schneider, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Self-supervised+contrastive+learning+performs+non-linear+system+identification%5BTitle%5D)+AND+%22arXiv%22%5BJournal%5D)">Self-supervised contrastive learning performs non-linear system identification.</a> arXiv. , (2024).</li>
<li>Liberti, W. A., Perkins, L. N., Leman, D. P., Gardner, T. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+open+source%2C+wireless+capable+miniature+microscope+system%5BTitle%5D)+AND+%22J+Neural+Eng%22%5BJournal%5D)">An open source, wireless capable miniature microscope system.</a> J Neural Eng. 14 (4), 045001(2017).</li>
<li>Tuia, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Perspectives+in+machine+learning+for+wildlife+conservation%5BTitle%5D)+AND+%22Nat+Commun%22%5BJournal%5D)">Perspectives in machine learning for wildlife conservation.</a> Nat Commun. 13 (1), 792(2022).</li>
<li>Han, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((24-hour+simultaneous+MPFC%27s+miniature+2-photon+imaging%2C+EEG-EMG%2C+and+video+recording+during+natural+behaviors%5BTitle%5D)+AND+%22Sci+Data%22%5BJournal%5D)">24-hour simultaneous MPFC's miniature 2-photon imaging, EEG-EMG, and video recording during natural behaviors.</a> Sci Data. 12 (1), 1226(2025).</li>
<li>Ye, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Hierarchical+behavioral+analysis+framework+as+a+platform+for+standardized+quantitative+identification+of+behaviors%5BTitle%5D)+AND+%22Cell+Rep%22%5BJournal%5D)">Hierarchical behavioral analysis framework as a platform for standardized quantitative identification of behaviors.</a> Cell Rep. 44 (2), 115239(2025).</li>
<li>Weinreb, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Keypoint-moseq%3A+Parsing+behavior+by+linking+point+tracking+to+pose+dynamics%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Keypoint-moseq: Parsing behavior by linking point tracking to pose dynamics.</a> Nat Methods. 21 (7), 1329-1339 (2024).</li>
<li>Jia, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((self-supervised+features+extraction+of+animal+behaviors%5BTitle%5D)+AND+%22Elife%22%5BJournal%5D)">self-supervised features extraction of animal behaviors.</a> Elife. 11, e76218(2022).</li>
<li>Gosztolai, A., Peach, R. L., Arnaudon, A., Barahona, M., Vandergheynst, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Marble%3A+Interpretable+representations+of+neural+population+dynamics+using+geometric+deep+learning%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Marble: Interpretable representations of neural population dynamics using geometric deep learning.</a> Nat Methods. 22 (3), 612-620 (2025).</li>
<li>Stringer, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Rastermap%3A+A+discovery+method+for+neural+population+recordings%5BTitle%5D)+AND+%22Nat+Neurosci%22%5BJournal%5D)">Rastermap: A discovery method for neural population recordings.</a> Nat Neurosci. 28 (1), 201-212 (2025).</li>
<li>Vassilev, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Custom-built+operant+conditioning+setup+for+calcium+imaging+and+cognitive+testing+in+freely+moving+mice%5BTitle%5D)+AND+%22eNeuro%22%5BJournal%5D)">Custom-built operant conditioning setup for calcium imaging and cognitive testing in freely moving mice.</a> eNeuro. 9 (1), (2022).</li>
<li>Verma Rodriguez, A. K., Ramírez-Jarquin, J. O., Rossi-Pool, R., Tecuapetla, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Basal+ganglia+output+%28entopeduncular+nucleus%29+coding+of+contextual+kinematics+and+reward+in+the+freely+moving+mouse%5BTitle%5D)+AND+%22Elife%22%5BJournal%5D)">Basal ganglia output (entopeduncular nucleus) coding of contextual kinematics and reward in the freely moving mouse.</a> Elife. 13, RP98159(2025).</li>
<li>Ju, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Long-term+two-photon+imaging+of+spinal+cord+in+freely+behaving+mice%5BTitle%5D)+AND+%22bioRxiv%22%5BJournal%5D)">Long-term two-photon imaging of spinal cord in freely behaving mice.</a> bioRxiv. , (2022).</li>
</ol>

<table><tbody><tr><td>Sistema di registrazione del comportamento 3D</td><td>BayONE Scientifico</td><td>BA-3D-Mouse</td><td>Modulo di sincronizzazione integrato</td></tr><tr><td>Palloncino</td><td>AliExpress</td><td>URL: https://tinyurl.com/3uex669s</td><td>Qualsiasi pallone abbastanza leggero da volare quando è riempito di elio. I palloncini sono palloncini sferici in alluminio, di circa 45 cm di diametro, e sono dotati di valvole autosigillanti. L'URL fornisce un esempio dei palloncini.</td></tr><tr><td>Gel contorno occhi Carbomer</td><td>Vidisico</td><td>Gel oculare lubrificante a base di Carbomer 980</td><td>10 g</td></tr><tr><td>Spago di cotone</td><td>AliExpress</td><td>URL: https://tinyurl.com/ywu7u754</td><td>Spessi e leggeri, diametro 1-2 mm. L'URL fornisce un esempio dello spago di cotone.</td></tr><tr><td>Trapano cranico</td><td>RWD</td><td>78001</td><td>Punta da 0,8, 1,4 e 2,1 mm</td></tr><tr><td>Modulo telecamera personalizzato configurabile</td><td>Intel</td><td>RealSense D435</td><td>/</td></tr><tr><td>Adesivo acrilico strutturale ad alte prestazioni</td><td>HUITIAN</td><td>1320</td><td>490 ml</td></tr><tr><td>Mouse per l'imaging</td><td>TRANSCEND VIVOSCOPE</td><td>URL: https://en.tv-scope.com/</td><td>Il topo maschio con sfondo C57BL/6J (10 settimane di età) è stato alloggiato in 1 topo per gabbia sotto un 12&thinsp; h ciclo luce-buio a 22&ndash; 25&sottile; &deg; C con il 40%... 70% di umidità ed è stato consentito l'accesso all'acqua e al cibo ad libitum. I virus AAV9-CaMKII-GCaMP6s sono stati iniettati nella sua corteccia somatosensoriale primaria (AP, &minus; 0,60 mm; ML, &meno; 2,40 millimetri; DV, 2,00 mm). Nel nostro studio, i topi sono stati preparati da TRANSCEND VIVOSCOPE come parte del loro servizio professionale di preparazione degli animali. Questo servizio include l'iniezione di virus, l'impianto di finestre craniche e l'installazione di piastre di base su misura per il loro sistema di microscopia miniaturizzata a due fotoni.</td></tr><tr><td>Mouse per l'interazione</td><td>BayONE LAC</td><td>URL: https://lac.bayonesci.com/</td><td>I topi maschi con background C57BL/6J (10 settimane di età) sono stati alloggiati in 5 topi per gabbia sotto un 12&thinsp; h ciclo luce-buio a 22&ndash; 25&sottile; &deg; C con 40&ndash; 70% di umidità e sono stati autorizzati ad accedere all'acqua e al cibo ad libitum. Tutte le procedure di allevamento e sperimentazione sono state approvate dal Comitato per la cura e l'uso degli animali presso l'Istituto di tecnologia avanzata di Shenzhen, Accademia cinese delle scienze.</td></tr><tr><td>Sistema di registrazione neurale mTPM</td><td>TRANSCEND VIVOSCOPE</td><td>SUPERNOVA-600</td><td>Il SUPERNOVA-600 è un sistema di imaging miniaturizzato a due fotoni completamente integrato per roditori in movimento libero, che include tutti i componenti ottici e di registrazione essenziali, ma esclude i dispositivi di stimolazione esterni. Dovrebbe contenere il modulo di sincronizzazione integrato.</td></tr></tbody></table>

decodificare il comportamento naturale dall'incorporamento neuroetologico

Decoding Natural Behavior from Neuroethological Embedding

Lo studio del comportamento naturale presenta una maggiore complessità rispetto agli esperimenti basati su prove. In primo luogo, in condizioni naturali, sia l'attività neurale che il comportamento mancano di una linea di base fissa. Queste attività sono ricorrenti, il che significa che sono influenzate da stati precedenti, e quindi, l'allineamento dell'insorgenza di comportamenti specifici per il confronto dell'attività neurale non riesce a districare gli effetti di precedenti stati neuroetologici. In secondo luogo, la codifica neurale nel comportamento naturale si verifica principalmente a livello di popolazione 4,5. La variabilità osservata nei singoli neuroni è abbastanza sostanziale da essere considerata come rumore. Per convalidare ciò, questa parte ha condotto un'analisi di correlazione tra l'attività neurale e le pose comportamentali naturali (Figura 2F, Figura 3F, Figura 4F). Le matrici del coefficiente di correlazione risultanti non hanno rivelato alcuna corrispondenza neurone-specifica con le tracce di posa. In particolare, i coefficienti di correlazione tra i segnali neurali e le pose del soggetto, le pose degli oggetti o le distanze intercorporee rientrano tutti nell'intervallo da -0,3 a +0,3, comunemente considerati come correlazioni deboli15 (Figura 2G, Figura 3G, Figura 4G). Questi risultati indicano che, in condizioni naturalistiche, le informazioni relative alla posa non sono codificate in modo neurone-specifico.
Alla luce di questi fattori, questo quadro offre un approccio oggettivo per acquisire e mappare i dati neuroetologici a livello di popolazione neurale. L'imaging mTPM garantisce che la variabilità dei singoli neuroni sia preservata il più possibile. Inoltre, l'uso della stima della posa basata sul deep learning mediante ADPT e metodi di scomposizione del comportamento non supervisionati, come BeA e SBeA, genera ricche variabili ausiliarie, consentendo a CEBRA di interpretare efficacemente la variabilità all'interno delle popolazioni neurali.
Questi esempi dimostrano che gli incorporamenti CEBRA congiunti sono presenti in tutte le variabili ausiliarie, comprese le pose del soggetto, le pose dell'oggetto, le distanze del corpo, i motivi del comportamento del soggetto, i motivi del comportamento dell'oggetto e i motivi del comportamento sociale (Figura 5A). Al fine di verificare la coerenza dei motivi comportamentali e degli incorporamenti neurali tra le sessioni o i soggetti, l'analisi di Procuste35 viene utilizzata su tre coppie di topi (Figura 5B). Dato che le inclusioni CEBRA sono distribuite su una sfera unitaria, è stato abilitato solo il parametro di rotazione nell'analisi di Procuste. Poiché le inclusioni CEBRA a comportamento naturale mancano di una linea di base chiara, questa parte ha prima eseguito il campionamento dell'allineamento guidato dall'etichetta sulle inclusioni per allinearsi, garantendo punti di ancoraggio coerenti prima di applicare l'analisi di Procuste. Visivamente, questi inserti CEBRA mostrano un certo grado di coerenza intrinseca, con la distanza del corpo e i motivi sociali che mostrano il massimo allineamento. Si adatta alla quantificazione dell'RMSE prima e dopo l'allineamento di Procuste (Figura 5C). Quindi, l'accuratezza della decodifica dell'incorporamento viene confrontata per le pose (Figura 5D) e i motivi (Figura 5E). Sebbene le loro rappresentazioni differiscano, ognuna è decodificabile con elevata precisione. Sebbene l'RMSE di decodifica della distanza del corpo sia significativamente superiore a quello delle pose del soggetto e dell'oggetto, non è superiore alla precisione di tracciamento dell'ADPT7.
Per esplorare le origini di questi incorporamenti guidati da ipotesi, è stato generato un incorporamento auto-organizzato dell'attività neurale attraverso CEBRA (Figura 5A, colonna di destra). La forma dell'incorporamento neurale è più complessa rispetto agli altri incorporamenti articolari, incorporando modelli di vari incorporamenti articolari. Inoltre, le somiglianze tra le inclusioni neurali e le inclusioni articolari sono state confrontate utilizzando la trasformazione di Procuste, e quindi sono state confrontate le loro somiglianze con il coseno (Figura 5F). La somiglianza del coseno è derivata al minuto tra gli incorporamenti allineati nei punti temporali corrispondenti.
L'inclusione congiunta della posa del soggetto S1 è stata selezionata come base per i confronti di somiglianza basati sul ruolo ben consolidato dell'S1 nella codifica di input somatosensoriali auto-organizzati36. Questo incorporamento funge da punto di riferimento biologicamente significativo per valutare come altre variabili, come i motivi relativi agli oggetti, sono rappresentate all'interno dello stesso spazio neurale. Tali confronti ci permettono di valutare la forza relativa della codifica per diverse dimensioni comportamentali rispetto a una linea di base somatosensoriale auto-correlata.
Quando si confronta la somiglianza del coseno degli incorporamenti neurali con il soggetto S1 pone l'incorporamento congiunto come linea di base, questo studio rileva che gli incorporamenti articolari per i motivi degli oggetti sono significativamente più bassi. Ciò suggerisce che, durante il periodo di 15 minuti di interazione sociale libera in questo esempio, le attività neurali S1 del topo soggetto codificano principalmente sia il suo comportamento che le interazioni sociali in corso. Sebbene questa analisi funga da caso dimostrativo, lo stesso quadro metodologico può essere facilmente applicato a indagini più granulari, ad esempio confrontando le strutture di incorporamento in epoche temporali distinte per scoprire cambiamenti dinamici nella codifica neurale.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/68668/68668fig1.jpg"> 
Figura 1: Procedura per la raccolta dei dati neuroetologici. (A) L'integrazione dei dispositivi. (B) L'operazione di registrazione dei dati. (C) Estrazione del segnale neurale, stima della posa 2D e ricostruzione 3D della traiettoria corporea dopo la registrazione. <a href="https://www.jove.com/files/ftp_upload/68668/68668fig1large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/68668/68668fig2.jpg"> 
Figura 2: Dati pre-elaborati del topo 1 per ulteriori analisi. (A) Attività neuronali. (B) Pose del soggetto. (C) Pose di oggetti. (D) Distanza del corpo. (E) Motivi comportamentali. Dall'alto verso il basso ci sono i motivi del soggetto, dell'oggetto e del comportamento sociale. (F) Le matrici del coefficiente di correlazione tra attività neurale e pose. A sinistra: i coefficienti di correlazione tra l'attività neurale e le pose del soggetto. Al centro: i coefficienti di correlazione tra l'attività neurale e le pose degli oggetti. A destra: i coefficienti di correlazione tra attività neurale e distanza corporea. I coefficienti di correlazione sono tra ogni traccia neuronale e ogni dimensione di posa. (G) Le distribuzioni dei coefficienti di correlazione di F. Gli indici dei neuroni sono ordinati in base ai coefficienti di correlazione tra l'attività neurale e le pose del soggetto. Abbreviazioni: N &amp; S = attività neurale e pose del soggetto, N &amp; O = attività neurale e pose dell'oggetto, N &amp; B = attività neurale e distanze del corpo, CC = coefficienti di correlazione. <a href="https://www.jove.com/files/ftp_upload/68668/68668fig2large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/68668/68668fig3.jpg"> 
Figura 3: Dati pre-elaborati del topo 2 per ulteriori analisi. (A) Attività neuronali. (B) Pose del soggetto. (C) Pose di oggetti. (D) Distanza del corpo. (E) Motivi comportamentali. Dall'alto verso il basso ci sono i motivi del soggetto, dell'oggetto e del comportamento sociale. (F) Le matrici del coefficiente di correlazione tra attività neurale e pose. A sinistra: i coefficienti di correlazione tra l'attività neurale e le pose del soggetto. Al centro: i coefficienti di correlazione tra l'attività neurale e le pose degli oggetti. A destra: i coefficienti di correlazione tra attività neurale e distanza corporea. I coefficienti di correlazione sono tra ogni traccia neuronale e ogni dimensione di posa. (G) Le distribuzioni dei coefficienti di correlazione di F. Gli indici dei neuroni sono ordinati in base ai coefficienti di correlazione tra l'attività neurale e le pose del soggetto. Abbreviazioni: N &amp; S = attività neurale e pose del soggetto, N &amp; O = attività neurale e pose dell'oggetto, N &amp; B = attività neurale e distanze del corpo, CC = coefficienti di correlazione. <a href="https://www.jove.com/files/ftp_upload/68668/68668fig3large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/68668/68668fig4.jpg"> 
Figura 4: Dati pre-elaborati del topo 3 per ulteriori analisi. (A) Attività neuronali. (B) Pose del soggetto. (C) Pose di oggetti. (D) Distanza del corpo. (E) Motivi comportamentali. Dall'alto verso il basso ci sono i motivi del soggetto, dell'oggetto e del comportamento sociale. (F) Le matrici del coefficiente di correlazione tra attività neurale e pose. A sinistra: i coefficienti di correlazione tra l'attività neurale e le pose del soggetto. Al centro: i coefficienti di correlazione tra l'attività neurale e le pose degli oggetti. A destra: i coefficienti di correlazione tra attività neurale e distanza corporea. I coefficienti di correlazione sono tra ogni traccia neuronale e ogni dimensione di posa. (G) Le distribuzioni dei coefficienti di correlazione di F. Gli indici dei neuroni sono ordinati in base ai coefficienti di correlazione tra l'attività neurale e le pose del soggetto. Abbreviazioni: N &amp; S = attività neurale e pose del soggetto, N &amp; O = attività neurale e pose dell'oggetto, N &amp; B = attività neurale e distanze del corpo, CC = coefficienti di correlazione. <a href="https://www.jove.com/files/ftp_upload/68668/68668fig4large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
<img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/68668/68668fig5.jpg"> 
Figura 5: Analisi dell'incorporamento di dati neuroetologici da parte di CEBRA. (A) Incorporamento di CEBRA. Da sinistra a destra ci sono l'incorporamento congiunto dell'attività neurale S1 e delle pose del soggetto, l'incorporamento congiunto dell'attività neurale S1 e delle pose dell'oggetto, l'incorporamento congiunto dell'attività neurale S1 e delle distanze corporee tra due animali, l'incorporamento congiunto dell'attività neurale S1 e dei motivi di comportamento del soggetto, l'incorporamento congiunto dell'attività neurale S1 e dei motivi di comportamento dell'oggetto, l'incorporamento congiunto dell'attività neurale S1 e dei motivi del comportamento sociale e l'incorporamento neurale di S1. (B) L'analisi di Procuste allinea le inclusioni di cui sopra. I cerchi grigi rappresentano la coppia di topi 1, che funge da incorporamento di riferimento. I segni più verdi rappresentano la coppia di topi 2 e le croci arancioni rappresentano la coppia di topi 3, entrambi allineati alla coppia di topi 1. (C) L'errore quadratico medio (RMSE) prima (a sinistra) e dopo (a destra) l'allineamento di Procuste (test t accoppiato, n=3, media ± SEM). (D) L'RMSE della ricostruzione della posa da incorporamenti CEBRA (ANOVA unidirezionale seguita dal test di confronto multiplo di Tukey, n=3, media ± SEM). (E) L'accuratezza della ricostruzione del motivo dagli incorporamenti CEBRA (ANOVA unidirezionale seguita dal test di confronto multiplo di Tukey, n=3, media ± SEM). (F) Le somiglianze del coseno tra l'incorporamento congiunto e l'incorporamento neurale di S1 (ANOVA unidirezionale seguita dal test di confronto multiplo di Dunnett, n=45, media ± SEM). *p &lt; 0,05, **p &lt; 0,01, ***p &lt; 0,001. <a href="https://www.jove.com/files/ftp_upload/68668/68668fig5large.jpg" target="_blank">Clicca qui per visualizzare una versione più grande di questa figura.</a>
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>No.</td>
			<td>Problema rilevato</td>
			<td>Probabile causa</td>
			<td>Possibili soluzioni</td>
		</tr>
		<tr>
			<td rowspan="3">1</td>
			<td rowspan="3">Nessun timestamp di comportamento</td>
			<td>(1) Cavi SMA o BNC difettosi</td>
			<td>(1) Sostituire i cavi SMA e BNC</td>
		</tr>
		<tr>
			<td>(2) Driver USB-to-TTL mancante</td>
			<td>(2) Installare il driver USB Prolific PL2303</td>
		</tr>
		<tr>
			<td>(3) Selezione errata della porta COM</td>
			<td>(3) Verificare il numero della porta COM in Gestione periferiche e aggiornarlo sia nel software mTPM che nello script del comportamento della fotocamera.</td>
		</tr>
		<tr>
			<td rowspan="4">2</td>
			<td rowspan="4">Nessuna fluorescenza visibile durante il montaggio in mTPM</td>
			<td>(1) Mancanza di espressione virale</td>
			<td>(1) Usa un mouse diverso</td>
		</tr>
		<tr>
			<td>(2) Campo visivo errato</td>
			<td>(2) Regolare nuovamente il campo visivo</td>
		</tr>
		<tr>
			<td>(3) Potenza laser insufficiente</td>
			<td>(3) Aumentare gradualmente la potenza del laser</td>
		</tr>
		<tr>
			<td>(4) Gel di carbomer essiccato</td>
			<td>(4) Riapplicare il gel Carbomer fresco</td>
		</tr>
		<tr>
			<td rowspan="3">3</td>
			<td rowspan="3">L'imaging mTPM mostra uno schermo completamente bianco</td>
			<td>(1) Dispersione di luce</td>
			<td>(1) Riavvolgere il foglio di alluminio per una corretta schermatura</td>
		</tr>
		<tr>
			<td>(2) Potenza laser insufficiente</td>
			<td>(2) Aumentare gradualmente la potenza del laser</td>
		</tr>
		<tr>
			<td>(3) Fibra staccata dalla testina mTPM</td>
			<td>(3) Reinserire la fibra nell'mTPM e serrare la vite di fissaggio</td>
		</tr>
		<tr>
			<td rowspan="3">4</td>
			<td rowspan="3">Fotogrammi persi nei video comportamentali</td>
			<td>(1) Scarsa illuminazione ambientale</td>
			<td>(1) Aumenta l'illuminazione dello sfondo</td>
		</tr>
		<tr>
			<td>(2) Porta USB errata</td>
			<td>(2) Utilizzare almeno porte USB 3.0</td>
		</tr>
		<tr>
			<td>(3) Prestazioni insufficienti del computer</td>
			<td>(3) Utilizzare una macchina con Intel i7-9700K o superiore, RAM a doppio canale e archiviazione SSD.</td>
		</tr>
		<tr>
			<td rowspan="3">5</td>
			<td rowspan="3">Nessuna locomozione nei mouse montati su mTPM</td>
			<td>(1) Uso ripetitivo dello stesso mouse</td>
			<td>(1) Evitare di riutilizzare i topi entro 3 giorni</td>
		</tr>
		<tr>
			<td>(2) Uso eccessivo di fogli di alluminio</td>
			<td>(2) Utilizzare una pellicola minima necessaria per la schermatura della luce</td>
		</tr>
		<tr>
			<td>(3) Numero o volume insufficiente di palloncini ad elio</td>
			<td>(3) Regolare il numero e il gonfiaggio dei palloncini per supportare la fibra mTPM consentendo al contempo la postura e il movimento naturali dei topi.</td>
		</tr>
		<tr>
			<td rowspan="2">6</td>
			<td rowspan="2">Stima imprecisa della posa 2D</td>
			<td>(1) Numero insufficiente di fotogrammi etichettati manualmente</td>
			<td>(1) Annota almeno 200 fotogrammi in modo incrementale</td>
		</tr>
		<tr>
			<td>(2) Modello ADPT sottoaddestrato</td>
			<td>(2) Aumentare le epoche di addestramento nel file config.yaml di ADPT</td>
		</tr>
		<tr>
			<td rowspan="3">7</td>
			<td rowspan="3">Ricostruzione anomala della posa 3D</td>
			<td>(1) Calibrazione errata della fotocamera</td>
			<td>(1) Migliora il contrasto di calibrazione e l'angolo di inclinazione</td>
		</tr>
		<tr>
			<td>(2) Input di posa 2D impreciso</td>
			<td>(2) Aumenta il numero di fotogrammi della scacchiera acquisiti</td>
		</tr>
		<tr>
			<td></td>
			<td>(3) Risolvere prima i problemi di posa 2D (vedere il problema 6)</td>
		</tr>
		<tr>
			<td rowspan="3">8</td>
			<td rowspan="3">Disallineamento tra dati neurali e comportamentali</td>
			<td>(1) Sequenza errata di inizializzazione del software</td>
			<td>(1) Avviare sempre la registrazione mTPM prima del comportamento della fotocamera</td>
		</tr>
		<tr>
			<td>(2) Fotogrammi di comportamento eliminati</td>
			<td>(2) Risoluzione dei problemi di perdita di frame (vedere il problema 4)</td>
		</tr>
		<tr>
			<td></td>
			<td>(3) Assicurarsi che sia disponibile spazio su disco sufficiente</td>
		</tr>
		<tr>
			<td rowspan="3">9</td>
			<td rowspan="3">Overflow della memoria durante l'elaborazione BeA/SBeA</td>
			<td>(1) Durata eccessiva della registrazione</td>
			<td>(1) Suddividere le registrazioni in segmenti più brevi (5-60 minuti), quindi eseguire BeA/SBeA</td>
		</tr>
		<tr>
			<td>(2) RAM di sistema limitata</td>
			<td>(2) Aumentare il fattore di riduzione temporale (ad esempio, da 5 a 10) in BeA</td>
		</tr>
		<tr>
			<td></td>
			<td>(3) Aggiorna la RAM ad almeno 64 GB</td>
		</tr>
		<tr>
			<td rowspan="3">10</td>
			<td rowspan="3">CEBRA non viene eseguito sulla GPU</td>
			<td>(1) Mancata corrispondenza tra CUDA e driver GPU</td>
			<td>(1) Non seguire direttamente il tutorial per installare CUDA 11.3</td>
		</tr>
		<tr>
			<td>(2) Versione PyTorch incompatibile</td>
			<td>(2) Controlla il modello della tua GPU e la versione del driver (nvidia-smi)</td>
		</tr>
		<tr>
			<td></td>
			<td>(3) Installare le versioni CUDA e PyTorch corrette di conseguenza, quindi installare CEBRA tramite pip</td>
		</tr>
	</tbody>
</table>
Tabella 1: Elenco di risoluzione dei problemi. Di seguito è riportato un elenco di 10 problemi non banali riscontrati in precedenza e possibili soluzioni.

Decodificare il comportamento naturale dall'incorporamento neuroetologico

Animals engage with their natural environment through rich and dynamic brain activity. Understanding how neural population dynamics encode naturalistic ...

decoding-natural-behavior-from-neuroethological-embedding

Research

Ricerca

JoVE Journal

Neuroscience

Neuroscienze

Misurazioni non invasive di schemi di attività neurale nel comportarsi liberamente gli animali sono ottenuti combinando registrazioni neurofisiologiche con videografia ad alta velocità.

Le registrazioni di attivazione circuito neurale in Liberamente Comportarsi Animali

L'approccio specie comparata permette neuroscienziati comportamentali di esplorare diversi fattori neurobiologici associati a specifici comportamenti visti come caratteristiche di un modello animale specifico. Approfittando del naturale differenze di comportamento tra specie strettamente correlate, questa tecnica non richiede tecniche invasive per manipolare l'espressione del comportamento.

Utilizzando un approccio comparativo Specie per Indagare sulla Neurobiologia delle risposte paterno

In questo articolo, viene presentato un quadro sperimentale per eseguire esperimenti a circuito chiuso, in cui l'elaborazione delle informazioni (cioè codifica e decodifica) e l'apprendimento di assemblaggi neuronali vengono studiati durante l'interazione continua con un corpo robotico.

Closed-loop di esperimenti neuro-robotica a prova le proprietà computazionali di neuronali Networks

Questo protocollo presenta una nuova metodologia per la decodifica neurale dell'intento di bambini che si comportano liberamente durante l'interazione sociale senza copione con un attore. L'attività neurale viene acquisita utilizzando l'elettroencefalografia attiva del cuoio capelluto (EEG) non invasiva ad alta densità. I dati cinematici vengono raccolti con unità di misura inerziali e integrati con la registrazione video sincronizzata.

Un nuovo approccio sperimentale e analitico al multimodale neurale decodifica di intenti durante l&#39;interazione sociale in Liberamente-comportarsi neonati umani

Qui, presentiamo i metodi per lo studio di alto-rendimento di una serie della caverna messicano comportamenti e colorazione vitale di un sistema che mechanosensory. Questi metodi utilizzano script software libero e su misura, che forniscono un metodo pratico ed economico per gli studi dei comportamenti.

Rilevamento comportamentale e formazione immagine di Neuromast della caverna messicano

Lo scopo di questo protocollo è quello di utilizzare reti neurali convoluzionali pre-costruite per automatizzare il monitoraggio del comportamento ed eseguire analisi dettagliate del comportamento. Il monitoraggio del comportamento può essere applicato a qualsiasi dato video o sequenze di immagini ed è generalizzabile per tenere traccia di qualsiasi oggetto definito dall'utente.

Un'implementazione passo-passo di DeepBehavior, Deep Learning Toolbox per l'analisi automatizzata del comportamento

Questo studio presenta una configurazione sperimentale naturalistica che consente ai ricercatori di presentare stimoli di azione in tempo reale, ottenere tempi di risposta e dati di tracciamento del mouse mentre i partecipanti rispondono dopo ogni visualizzazione dello stimolo e cambiare gli attori tra le condizioni sperimentali con un sistema unico che include uno speciale schermo a diodi organici trasparenti a emissione di luce (OLED) e manipolazione della luce.

Una configurazione naturalistica per presentare persone reali e azioni dal vivo in psicologia sperimentale e studi di neuroscienze cognitive

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.

Profilazione delle risposte comportamentali materne durante l'imaging dell'intero cervello

Risposte elettrofisiologiche dei neuroni sensoriali olfattivi di odori può essere misurata in insetti utilizzando registrazioni sensillum singolo. In questo articolo il video ci mostrerà come eseguire registrazioni sensillum singolo nelle antenne del moscerino della frutta...

Registrazioni Sensillum singolo in Insetti Drosophila melanogaster E Anopheles gambiae</em

Un modo per studiare l'integrazione del neonato granuli dentato negli animali adulti è descritto. Questa tecnica utilizza un retrovirus progettato per etichettare i neuroni neonati, seguita da registrazioni elettrofisiologiche in vivo per determinare integrazione funzionale.

Studiare l&#39;integrazione degli adulti nati Neuroni

Scopri la decodifica neurodinamica del comportamento naturale nei topi in movimento libero con imaging mTPM. Questo metodo supera i paradigmi tradizionali head-fixed per studiare l'intelligenza cerebrale naturale.

Decodificare il comportamento naturale dall'incorporamento neuroetologico

Esplora altri video