September 28th, 2017
本稿では、ラットの外を定量化する半自動化されたタスクについて説明します。ラットに到達、把握、および球状マニピュ ランダムを回外さ。ラットは、回転角度が設定した基準を超えた場合、ペレットで報われます。このタスクは、スループット、傷害、および従来作業に比べて客観性に対する感度を向上します。
この行動課題の全体的な目標は、回外と呼ばれるノブを手のひらから手のひら上に回すようにラットを訓練することです。このツールは、怪我や介入の前後に運動系の機能をテストするために使用されます。この課題は、ラットの皮質脊髄機能をテストするために開発されました。
ノブの回外作業は、ペレットの到達などの現在の器用な作業よりも皮質脊髄損傷に対して敏感であることがわかりました。このタスクは半自動化されているため、定量的、客観的、かつハイスループットです。回外を定量化することにより、このタスクは重要な神経経路を評価する臨床的に重要な動きを測定します。
手順を実演するのは、ラボマネージャーであり研究技術者であるテルマ・ベセアです。プロトコル全体を通して、ラットを1日2回、午前と午後に1回、セッションの間に少なくとも数時間空けて訓練します。ラットを慣れさせることから始めて、ラットがテストボックスと取り扱いに慣れるようにします。
まず、ボックスを設定します。オートポジショナーの下矢印キーを押して、ノブデバイスを完全に引っ込めます。次に、ラットを行動ボックスに15分間入れます。
15分後、各ラットを少なくとも5分間手で取り扱って、ラットを実験者に慣れさせます。これを5日間繰り返してから、実験を進めます。次のフェーズは、報酬の関連付けを作成することです。
目標は、ノブを回すことを食べ物の報酬に関連付けるようにラットを訓練することです。まず、ソフトウェアを開き、[名前]にラットのIDを入力してから、ステージをK1:Knob Shaping No Pulleyに設定します。これにより、ラットが2秒間の報酬ウィンドウ中にノブを3度を超えて回す限り、ラットに餌を与えることができます。
次に、ラットを行動ボックスに入れ、[開始]を押してセッションを開始します。ラットを報酬トラフに慣れさせるには、手動で2つまたは3つのペレットを分配し、報酬トラフが配置されているボックスの側面を軽くたたいます。ラットが報酬の場所を知ったら、ラットが開口部の前に移動したときにのみ、手動でペレットを分配します。
これにより、報酬が絞りに関連付けられます。ラットが報酬ペレットを期待して確実に開口部に移動したら、ラットがマニプランダムと相互作用するように調整します。ネズミに45ミリグラムのペレットを近くに置いて、ネズミにそれと関わるように促します。
これでうまくいかない場合は、ペレットダストをマニプランダムに直接塗布します。ネズミが開口部から離れた場合は、マニプランダムの近くのボックスをタップして注意を向け直します。ネズミが手でノブに触れたときにのみ報酬を与え、マニプランダを噛んだり鼻をついたりしたときはご褒美を与えないでください。
ラットが10回連続で報酬を得たら、オートポジショナーの下矢印キーを使用して、マニプランダムを0.25センチ引っ込めます。マニプランダムの位置を0.25センチメートル刻みで、絞りから1.25センチメートル離れるまで続けます。これが報酬連想の究極の目標であり、ラットが2回連続してこれを行うと、カウンターウェイトトレーニングに進みます。
30分のトレーニングの後、ソフトウェアのStopを押してセッションを終了します。カウンターウェイトトレーニングの設定を行うには、まずマニプランダムのL字型取り付けポイントに3グラムのカウンターウェイトを置きます。次に、カウンターウェイトが自由にぶら下がるまで、カウンターウェイトストリングをプーリーに通します。
セッションを実行するには、まずソフトウェアを開き、ネズミの名前を入力し、ステージをK2:Knob Shaping Pulleyに設定します。これにより、マニプランダムは開口部から1.25センチメートルの位置にあります。次に、ラットを行動ボックスに入れ、ソフトウェアの[開始]を押してセッションを開始します。
100回以上の試用が成功したら、ソフトウェアの[停止]を押してセッションを終了します。ラットが2回連続してセッションを完了し、100回以上の試行が成功したら、次のセッションでカウンターウェイトの質量を1グラム増やします。このプログラムに続いて、平均6回のセッションで重量を徐々に6グラムに増やします。
このトレーニングでは、正しい回外運動が報われ、誤った回外運動が形作られることが不可欠です。サピネーションの動きの形成は、ベースライントレーニングにも続きます。サピネーション動作を修正する場合は、手動でマニプランダの動きを制限し、失敗した場合でもソフトウェアのFeedボタンを押すことで良好なサピネーション動作に報酬を与えます。
この時点で、ラットをベースライン基準に従わせるように訓練します。この場合、6グラムのカウンターウェイトでノブを75度回転させ、成功率が75%以上になるようにします。カウンターウェイトを設定した後、ソフトウェアのKSB4:Knob Training Median 75 Maxオプションを使用します。これにより、初期しきい値が 5 度に設定されます。
ヒットしきい値の最小値は 15 度、ヒットしきい値の最大値は 75 度に設定されます。ソフトウェアは、ラットの身元とその過去のパフォーマンスに基づいて、ノブを回すための最小しきい値を自動的に増やすため、この時点でのユーザーの入力は最小限に抑えられます。30 分後、セッションを停止します。
約10日または20回のセッションの後、ほとんどのラットは適応段階を完了し、ノブを平均ピーク角度75度以上に回すことができます。ベースライントレーニングが完了したら、ラットをトレーニングの次のフェーズに進め、これはソフトウェアステージK27:75 Degreesによって処理されます。この段階でセッションを終了するには、30 分後または 100 回の試行回数のいずれか早い方で [停止] を押します。
各ラットは、成功率が75%以上で4つの連続したベースラインを完了できるようになるまで、トレーニングのこの段階に保ちます。訓練されたラットは、このタスクを前肢機能の尺度として使用して、実験的な操作に使用できます。56匹のラットのプールから、75%が最初のタスクを獲得しました。
このステージでは、最も実践的なトレーニングが行われました。次に、ラットは7日目までに6グラムのカウンターウェイトを使用するようになり、その後10日間かけて、回外角度が全体的に上昇傾向にあるノブを回すことを学びました。17日目までに、ほとんどのラットは最初のベースラインを記録し、ラットが20日目までにベースラインに達しなかった場合、そのラットは研究から除外されました。
失敗したラットは数日間進行を示すことがありますが、正しい把握で機能していないため、グループで進行することはできません。トレーニングの最初の3分の1で、ラットは仰躊を開始するかもしれませんが、彼らの行動の波形は、成功したラットが1ターンしか必要としないところを2ターン実行していることを明らかにすることができます。トレーニングの中間の3分の1では、ピーク角度が20度から50度に正常増加し、定義されたシングルピークカーブが伴うため、適切に罹患しないラットではピーク角度がわずかに増加するだけである可能性があります。
トレーニングの最後の3分の1までに、非常に顕著な単一の波形があるはずです。ただし、失敗したラットは、複数のピークを持つことに加えて、必要な達成基準をはるかに下回るピーク角度を示す場合があります。失敗したラットは、最終的に課題を学習するかもしれませんが、非回外補償で学習する可能性もあり、ラットをさらなる研究で使用することはお勧めできません。このビデオを見れば、ベースラインで前肢の回外を行うようにラットを訓練する方法や、誤った回外運動をトラブルシューティングする方法を十分に理解できるはずです。
ラットが仰臥位の方法を学ぶ間、警戒を怠らず、観察してください。サピネーションの行動を早い段階で修正することは、このトレーニング手順を成功させるために重要です。全体として、この手順は時間効率が良いことを意図しています。
ラットがベースラインに達すると、実験者はラットを箱に入れ、ソフトウェアを起動し、セッションが完了したらラットを取り除くだけで済みます。このビデオ以外にも、研究室のウェブサイトにはいくつかのリソースがあります。ありがとうございました、そしてあなたの実験に頑張ってください。
この原稿は、ラットが球状の操作器具に触れ、把握し、上方回転させることを定量化する半自動タスクについて説明しています。このタスクは従来の方法と比較して、処理能力、傷害に対する感度、客観性を向上させます。
Quantitative assessment of forelimb supination in rats addresses a critical gap in preclinical motor function evaluation, enabling objective measurement of dexterity deficits and recovery. The semi-automated knob supination task increases predictive confidence for translational studies targeting corticospinal pathways. This approach supports robust portfolio triage by providing reproducible, high-throughput data on functional outcomes relevant to CNS injury models.
This semi-automated task integrates into the discovery-to-preclinical continuum for CNS and motor function research, bridging early target validation and translational outcome assessment.