마우스의 자동화, 정량인지 / 행동 검사 : 유전학, 약리학, 동물인지 및 학부 교육을위한

다음 실험의 전반적인 목표는 유전적으로 및 약리학적으로 조작된 쥐에서 오작동 및 기본 인지 메커니즘을 선별하는 것입니다. 이는 완전 자동화된 고처리량 24 7 행동 표현형 시스템에서 생리학적으로 의미 있는 정량적 특성의 정신물리학적 측정을 통해 달성됩니다. 다음 단계는 들어오는 데이터를 준 실시간으로 분석하고 그래프로 표시하는 것으로, 이를 통해 마우스 단위로 테스트를 실시간으로 자동화할 수 있습니다.

다음으로, 원시 데이터, 테스트 프로토콜 코드 및 모든 중간 통계가 단일 데이터 구조에 보관됩니다. 데이터를 공개적으로 사용할 수 있도록 하고 추가 분석을 장려하기 위해 결과는 스위치 작업을 기반으로 하는 시간 증기 분율의 변형률별 변화를 보여줍니다. 물 미로와 같은 다른 방법에 비해 이 기술의 주요 장점은 생리학적으로 의미 있는 결과, 매우 높은 처리량 및 마우스를 처리하지 않는다는 것입니다.

따라서 이 방법은 인지 신경 유전학 분야의 주요 질문에 답하는 데 도움이 될 수 있습니다. 예를 들어, 정량적으로 변경된 간격 타이밍 메커니즘을 가진 돌연변이 균주가 있습니까? 이 기술의 의미는 유전적 인지 결함의 치료 또는 진단으로 확장되는데, 이는 이러한 메커니즘의 중요한 구성 요소를 지정하는 유전자의 발견으로 이어질 수 있기 때문입니다. 이 방법을 처음 접하는 사용자는 MATLAB 프로그래밍의 기초를 이해하고 정량적 자동화 정신물리학적 테스트의 힘을 이해해야 합니다.

Adam과 저는 유전자 조작 쥐에 대한 테스트의 노동 집약적이고 비양적인 특성을 보았을 때 이 시스템을 만들겠다는 아이디어를 처음 떠올렸습니다: 방당 10개의 캐비닛과 캐비닛당 8개의 테스트 환경이 있는 표준 실험실에 행동 테스트 시스템을 설치했습니다. 이를 통해 한 번에 80개의 마우스를 실행할 수 있습니다. 각 테스트 환경은 아크릴 튜브로 마우스 테스트 상자에 연결된 폴리프로필렌 마우스 욕조로 구성됩니다.

테스트 상자에는 적외선 빔으로 모니터링되는 3개의 호퍼가 있습니다. 두 개의 외부 호퍼에는 펠릿 피더가 부착되어 있으며 중간 호퍼는 식품 펠릿을 전달하지 않는 동안 식품 펠릿을 전달할 수 있습니다. 파티 벽의 포트를 통과하는 케이블은 테스트 환경을 프로토콜 제어 프로그램을 실행하는 다른 방의 전기 인터페이스 카드 및 전용 컴퓨터에 연결합니다.

캐비닛 2개당 컴퓨터 1대가 필요합니다. 이러한 컴퓨터는 LAN을 통해 데이터 분석 및 그래프 작성 소프트웨어를 실행하는 서버에 연결됩니다. 데이터 분석 소프트웨어가 설치된 서버가 테스트 환경을 제어하는 컴퓨터의 하드 디스크에 액세스할 수 있도록 LAN을 설정합니다.

다음으로, 클라우드에 데이터를 저장하기 위한 파일 동기화 계정을 설정합니다. TS 시스템 폴더와 그 하위 폴더를 MATLAB 검색 경로에 추가하고 TS 시스템 폴더가 클라우드 동기화 폴더인지 확인합니다. TS 시스템은 MATLAB으로 작성된 30개 이상의 고급 함수로 구성된 오픈 소스 소프트웨어 라이브러리로, 복잡한 데이터 분석 및 데이터 그래프 코드 생성을 용이하게 합니다.

TS 시스템 툴박스에서 함수 Ts를 호출하여 원시 데이터와 이 데이터에서 파생된 모든 결과가 TS 시스템 툴박스의 다른 함수에 의해 배치되는 계층적 데이터 구조를 만들기 시작합니다. 그런 다음 ts add protocol을 호출하여 실험 프로토콜에 대한 제어 매개 변수를 지정하고, 프로토콜 종료 결정을 자동화하는 결정 코드를 지정하고, 다음 프로토콜로 이동하고, 사용할 결정 기준을 지정합니다. 이제 마우스를24-7 상주 테스트 환경(환경당 마우스 1개)에 배치합니다.

생쥐의 ID 번호, 상자 번호 및 LAN에서 실험 제어 컴퓨터를 식별하는 문자 및 해당 IP 주소를 기록하십시오. 다음 호출, ts start session을 클릭하여 실험 세션을 시작합니다. 실험 세션은 1-2주 동안 지속되며, 이 기간 동안 여러 가지 행동 테스트 프로토콜이 실행됩니다.

그런 다음 한 제어 컴퓨터에서 해당 컴퓨터에 의해 제어되는 모든 상자를 시작하는 매크로를 호출합니다. 이 매크로는 TS 시작 세션에서 생성되었습니다. 다른 제어 컴퓨터에서 이 작업을 반복합니다.

데이터 분석은 TS 시스템 도구 상자의 명령을 사용하여 새로운 데이터 분석 및 그래프 코드를 작성하거나 Ts 라이브러리에 제공된 기존 데이터 분석 및 그래프 코드를 사용하거나 수정하여 수행할 수 있습니다. 일단 시작되면 실험은 대부분 자체적으로 실행되지만 실험 기간 동안 약간의 모니터링이 필요합니다. TIA 시스템 데이터 분석 프로그램의 경고를 모니터링하여 정전, 자발적 제어, 컴퓨터 재부팅 및 펠릿 공급기 오작동과 같은 가능한 장비 오작동을 나타냅니다.

이러한 이메일 경고를 통해 하루에 2-4 번 오작동을 적시에 수리 할 수 있습니다. TS 시스템 데이터 분석 코드가 분석 타이머에 의해 호출될 때마다 생성되는 성능 플롯입니다. 이러한 플롯은 전 세계 어디에서나 언제든지 모니터링할 수 있으며, 필요한 경우 마우스가 테스트되는 현장에서 원격으로 실험 프로토콜을 온라인으로 수정할 수 있습니다.

또한 TS 브라우저를 사용하여 준 실시간으로 사용할 수 있게 되면 계층적 데이터 구조의 데이터 및 요약 통계를 연구하고, 소득이라고 하는 얻은 펠릿에 대한 누적 불균형 플롯은 빨간색으로 표시되고, 방문 시간은 야생형 마우스 3마리와 L 1마리의 이형접합체에 대해 검은색으로 표시됩니다. 일정 반전은 경사면이 아래쪽으로 꺾인 지점에서 발생했으며, 세 마리의 쥐에 대해 수직 점선 빨간색 선으로 표시되었습니다. 누적 방문 불균형 플롯의 기울기는 검은색 선이 누적 소득 불균형의 기울기를 밀접하게 추적합니다.

빨간색 선은 평균 방문 시간과 소득 비율의 비율이 거의 완벽하게 일치함을 나타냅니다. 방문 기간의 비율이 하향 변곡점 지점에서 소득 비율의 변화에 얼마나 빨리 조정되는지 주목하십시오. 반면에, 다른 마우스는 누적 방문의 0 기울기에서 볼 수 있듯이 두 번째 섭식 세션 동안 일치하지 않았습니다.

기간 불균형 플롯은 검은색으로 표시되고, 소득 불균형의 기울기는 빨간색으로 표시되며 실질적으로 양수입니다. 그러나 세 번째 먹이 단계에서는 경사가 평행하며, 이는 이 마우스가 이 단계 초기에 방문 비율을 소득 비율과 일치시키기 위해 갑자기 시작했음을 의미합니다. 따라서 분명히 그렇게 할 수 있었지만 테스트의 일부에서 어떤 이유로 그렇게 하지 않았습니다.

이는 몇 가지 요약 통계에 전적으로 의존하는 것보다 전체 성능 과정을 시각화하는 것이 중요하다는 것을 보여줍니다. 이 마우스는 첫 번째 소득 비율에서 정확히 일치했지만, 역전되었을 때 세 번째 공급 단계에서 다른 마우스가 과도하게 일치한 마우스를 완전히 역전시키지 못했습니다. 즉, 평균 방문 불균형이 평균 소득 불균형보다 컸고 소득 불균형의 역전에 완전히 적응하지 못했습니다.

그러나 3가지 야생형과 3가지 이형접합자(heterozygotes)를 포함한 6마리의 생쥐 모두가 처음 4시간의 먹이 주기 단계에서 정밀하게 일치했으며 소득 비율의 역전에 대해 갑작스러운 반응을 보였다는 점에 주목하십시오. 이것은 기간, 추정, 숫자, 추정 속도 추정, 공간 지역화 및 간단한 추상적 수량을 기억하는 능력과 같은 많은 기본 인지 메커니즘의 이형 접합자에서 그대로 작동하는 것을 보여줍니다. 인지 신경 유전학에서는 작동하지 않거나 작동에 흥미로운 정량적 변화가 있는 것을 찾는 것만큼 여전히 정상적으로 작동하는 것을 결정하는 것이 중요합니다.

누적 주기 또는 호퍼 1 방문 후 호퍼 2 방문, 호퍼 1 방문은 세션 시간의 함수로 표시됩니다. 여기서 녹색 점선 세로선은 섭식 단계의 시작을 표시합니다. 빨간색 단색 세로가 표시됩니다.

마우스가 호퍼 사이를 순환하기 시작하는 속도를 공급하는 오프셋은 마우스의 대담함 또는 탐험 경향이라고 할 수 있는 것을 측정한 것입니다. 6마리 중 5마리는 첫 번째 먹이 주기가 시작되기 전에 약간의 탐색을 보였고 먹이가 시작되자마자 갑자기 호퍼 사이를 순환하기 시작했습니다. 그러나 한 마리의 쥐는 전혀 탐색 행동을 보이지 않았으며, 두 번째 먹이 주기 중간까지 단 한 번의 주기도 보이지 않았으며, 그 시점에서 갑자기 호퍼 사이를 순환하기 시작했습니다.

도구적 및 고전적 조건화 실험을 분석하면 시험 시작 속도에 대한 누적 기록이 생성됩니다. 이 실험은 조건화된 행동이 나타나기 전의 쌍 수인 학습률을 측정했습니다. 수직 점선은 각 레코드에서 획득 시도를 표시합니다.

획득 시험은 새로운 더 높은 속도가 첫 번째 세그먼트의 속도보다 빠른 경우 시험 시작 속도가 크게 증가하는 첫 번째 시험입니다. 이 래더 조항이 필요한 이유는 때때로 첫 번째 큰 증가 전에 상당한 감소가 있기 때문입니다. 임상시험 시작 지연 시간의 누적 분포는 다음과 같습니다.

0.5의 수평선이 누적 분포와 교차하는 X축 위의 지점은 시도를 시작하기 위한 중간 대기 시간입니다. 공급 호퍼의 찌르는 속도와 이전 시험 간 간격 동안의 찌르는 속도 간의 차이에 대한 누적 기록이 여기에 나와 있습니다. 처음에 이 레코드의 기울기는 0 또는 음수인데, 이는 인터 트라이얼 간격 동안보다 호퍼 조명 중에 마우스가 더 적게 찌르기 때문입니다.

슬로프는 마우스가 임박한 항소 전달을 예상하여 조명이 켜진 호퍼를 찌르기 시작할 때 양수로 바뀝니다. 실선 점은 기울기가 양수가 되는 지점을 표시하며, 이 점은 조건화된 반응이 이 플롯에서 처음으로 안정적으로 나타나는 시행입니다. 파란색 선은 롱 호퍼에서 공급 대기 시간의 세 가지 다른 설정에서 한 마우스에 대한 스위치 대기 시간의 누적 분포를 보여주는 경험적 누적 분포 함수입니다.

경험적 함수에 거의 정확하게 겹쳐진 얇은 빨간색 곡선은 이러한 데이터에 맞는 6개의 매개변수 belga 함수입니다. 굵은 빨간색 선은 belga 혼합 분포에 해당하는 확률 밀도 함수입니다. 긴 공급 대기 시간을 줄이면 마우스가 스위치 대기 시간의 평균을 단축하고 정밀도를 높일 수 있습니다.

또한 하단 플롯에서 확률 밀도 함수의 왼쪽 꼬리에 있는 범프에서 볼 수 있듯이 일부 충동적인 스위치가 나타났습니다. 이 충동성의 측정은 Weibel Gauss 혼합 분포의 최적 적합 버전에 의해 Weibel 구성 요소에 기인 한 혼합물의 비율입니다. 이 분석에서 단기 시행은 그림 맨 아래에 작은 빨간색 플러스로 표시되고 긴 테스트는 플롯 맨 위에 작은 빨간색 플러스로 표시됩니다.

결과 맨 아래와 맨 위에 있는 빨간색 줄무늬의 밀도 변화는 짧은 시도와 긴 시도의 상대 빈도의 변화를 나타냅니다. 스위치 대기 시간은 작은 열린 원으로 표시됩니다. 하단의 빨간색이 더 조밀해지면 즉 짧은 시행의 확률이 더 높아지면 작은 원이 위쪽으로 이동하고 상단의 빨간색이 더 조밀해지면 긴 시행 확률이 증가함을 의미하며 원이 아래쪽으로 이동합니다.

파란색 선은 분포의 중앙값입니다. 90일 테스트 기간 동안의 행동 및 환경 이벤트에 대한 24시간 래스터 플롯이 여기에 나와 있습니다. 검은색 점은 찌르기를 기록하고 빨간색과 녹색 점은 두 개의 공급 호퍼에서 펠릿 배달을 기록합니다.

첫 번째 검은색 삼각형은 꺼짐을 기록하고, 두 번째 검은색 삼각형은 청록색 삼각형의 첫 번째 열에 있는 조명을 기록하여 황혼 1시간 전에 발생하는 황혼 공급 간격의 시작을 기록하고, 청록색 삼각형의 두 번째 열은 조명이 꺼진 후 3시간 후에 발생하는 황혼 공급 간격의 오프셋을 기록합니다. 이 자홍색 삼각형은 불이 켜지기 2시간 전에 발생하는 새벽 수유 간격의 부호 없는 시작을 기록하고 자홍색 삼각형의 마지막 열은 새벽 수유의 오프셋을 기록합니다. 황혼 수유 전 섭식 예상 활동의 시작은 6일에서 15일 사이에 파란색 별표로 표시됩니다.

실험이 시작된 후, 생쥐는 황혼 섭식 간격 한 시간 전쯤 전에 음식 기대 찌르기 활동을 보이기 시작하는데, 이는 일주기 기억의 확립을 나타냅니다. L one 유전자에 돌연변이를 포함하는 이형접합자(heterozygote)는 야생형 깔짚 짝 대조군보다 더 큰 간격 타이밍 정밀도를 보여줍니다. 이 그림은 야생형 컨트롤에 대한 정밀도 추정치의 누적 분포를 실선으로, 접합 쓰레기 짝을 시간 골대 사이의 간격이 점점 더 좁아지는 시행 블록에서 실행할 때 점선으로 표시하며, 이는 색상 차이로 표시됩니다.

대조적으로, 박쥐 얼굴 또는 BFC 돌연변이를 가진 이형접합자는 야생형 ate 대조군보다 낮은 간격 타이밍 정밀도를 보여줍니다. 이 기술을 마스터하면 짧게는 하루에서 빠르게는 몇 주 만에 테스트를 완료할 수 있습니다. 매칭에는 하루 음식만 있으면 됩니다.

예측 학습은 2-3주가 걸립니다.