2025년 1월 24일
여기에 제시된 비디오 분석 파이프라인은 MRI 환경 내 행동 모니터링의 문제를 극복하여 외부 신호에 대한 지시되지 않은 행동 반응을 감지할 수 있도록 합니다. 이 분석은 유발된 내부 상태 변화와 뇌 전반의 활동에 대한 보다 포괄적인 이해를 촉진할 것입니다.
양육자가 유아의 신호를 어떻게 인식하고 반응하느냐에 따라 유아가 생존에 필요한 보살핌을 받는지 여부가 결정됩니다. 생쥐의 경우, 강아지의 발성은 복잡한 행동 반응을 불러일으키기 때문에 뇌 영역 네트워크를 가로지르는 조정된 활동을 불러일으킬 가능성이 높습니다. 우리는 서로 다른 모계 경험 배경을 가진 쥐에서 이 네트워크를 식별하고자 하며, 깨어 있는 마우스 FMRI는 이를 위한 훌륭한 도구입니다.
깨어 있는 쥐 FMRI가 더 널리 사용됨에 따라 목표 지향적 행동의 신경 상관 관계를 조사하는 흥미로운 연구가 등장하고 있습니다. 이러한 동작은 일반적으로 누출을 감지하기 위한 빔 차단기와 같은 도구를 사용하여 평가되고 압력 센서를 감지하여 움직임을 감지합니다. 우리의 프로토콜을 통해 기술적으로 까다로운 MRI 환경에서도 자발적인 행동 반응을 평가할 수 있습니다.
우리의 목표는 궁극적으로 FMRI로 획득한 뇌 전반의 활동을 더 잘 이해하기 위해 자발적 행동의 척도를 사용하는 것입니다. 우리의 이전 연구는 어미 동물과 처녀 동물의 청각 피질이 새끼 울음소리에 다르게 반응한다는 것을 밝혔다. 어미의 경우 신경 반응이 강아지의 울음소리에 맞춰져 있습니다.
처녀의 경우, 그렇지 않습니다. 그러나 처녀가 모성의 행동을 표현하는 법을 배우면 청각 중추도 이 새로운 기술을 반영하기 위해 변화합니다. 우리의 선행 연구는 마취된 쥐의 청각 피질에 초점을 맞췄다.
이 연구는 청각 피질의 경계를 넘어 동물이 엄마가 되는 법을 배울 때 깨어 있는 행동하는 쥐의 전체 뇌와 행동이 어떻게 변화하는지 조사합니다. 시작하려면 MathWorks 웹 사이트에서 MATLAB을 다운로드하십시오. MATLAB 애드온에 이미지 프로세싱 툴박스를 추가하려면 애드온 관리를 클릭하고 애드온을 다운로드한 다음 애드온을 검색하여 추가하십시오.
마찬가지로, Computer Vision Toolbox를 MATLAB 애드온에 추가합니다. 분석 파이프라인 중 1번 스크립트를 연 후 스크립트의 섹션 1, 2, 3, 4, 5 및 6을 편집하여 표시된 데이터 구조에 맞춥니다. 섹션 1을 실행합니다.
스크립트의 섹션 2를 실행하여 각 비디오의 첫 번째 프레임을 가져옵니다. 마우스를 사용하여 처음 두 점을 한 번 클릭한 다음 세 번째 점을 두 번 클릭합니다. 비디오의 마지막 지점을 선택한 후 Enter 키를 누릅니다.
섹션 3과 섹션 4를 실행합니다. 정렬된 플래그를 0으로 설정하고 섹션 5를 실행합니다. 그런 다음 플래그를 1로 정렬하고 섹션 5를 다시 실행합니다.
이제 섹션 6을 실행하고 결과를 나란히 비교합니다. 다음으로, 스크립트 2를 열고 스크립트의 섹션 1을 데이터 구조에 맞게 편집합니다. 그런 다음 섹션 1을 실행합니다.
스크립트의 섹션 2를 데이터 구조에 맞게 편집하고 섹션 2를 실행합니다. 결과 이미지를 사용하여 분석된 비디오에서 광학 흐름이 가장 크게 변동하는 위치를 확인할 수 있습니다. 스크립트의 섹션 3을 데이터 구조 및 분석 요구 사항에 맞게 편집합니다.
전체 비디오 FOV를 분석하려면 플래그를 설정하고 ROI를 선택한 다음 ROI를 0으로 제공합니다. 그런 다음 섹션 3을 실행합니다. 새 ROI를 분석하려면 플래그를 선택하고 ROI를 1로 설정한 다음 ROI를 0으로 제공합니다.
그런 다음 newCoordsName을 편집하고 섹션 3을 실행합니다. 표시된 예제 프레임에서 클릭하고 드래그하여 새 ROI를 선택합니다. 이전에 그려진 ROI를 분석하기 위해 플래그를 선택하고 ROI를 0으로 설정한 다음 ROI를 1로 제공합니다.
그런 다음 inputCoords를 편집하여 미리 결정된 좌표 집합을 제공하고 섹션 3을 실행합니다. 스크립트 3을 열고 스크립트의 섹션 1-3을 데이터 구조 및 분석 요구 사항에 맞게 편집합니다. 섹션 1에서 분석 옵션 플래그 ZSC, BLRM, BLZSC, demeanPerTrial 및 applyLPfilter를 0 또는 1로 설정합니다.
LPfilter를 원하는 저역통과 필터(단위: 헤르츠)를 나타내는 숫자로 설정합니다. 그런 다음 섹션 1에서 3까지 실행합니다. 스크립트 4를 열고 스크립트의 섹션 1을 데이터 구조 및 분석 요구 사항에 맞게 편집합니다.
섹션 1을 실행합니다. 스크립트 5를 열고 스크립트의 섹션 1을 데이터 구조 및 분석에 맞게 편집합니다. 그런 다음 섹션 1과 섹션 2를 실행합니다.
섹션 3 입력값의 group, myTitle 및 threshT 변수를 변경하여 원하는 그룹 분석을 반영합니다. 관심 있는 각 그룹에 대해 섹션 3을 실행합니다. 그런 다음 C축의 범위와 컬러 바 제한을 시각화를 위해 원하는 대로 조정합니다.
섹션 4 입력값의 mag, myTitle, threshT 변수를 변경하여 원하는 그룹 비교를 반영합니다. 관심 있는 각 그룹 비교에 대해 섹션 4를 실행한 다음 시각화를 위해 원하는 대로 Z축의 범위와 색상 막대 제한을 조정합니다. 광학 흐름 벡터는 동물의 움직임 영역, 특히 주둥이와 발 주위를 나타냅니다.
광학 흐름 크기의 표준 편차는 움직임 변동이 높은 영역과 낮은 영역을 식별했습니다. 어미는 처녀에 비해 새끼 울음소리에 더 높은 움직임 반응을 보였지만 순수한 음색에는 그렇지 않았습니다. 주요 성분 분석은 두 자극 발표 동안 어머니가 처녀에 비해 코 부위에서 더 많은 움직임을 보였다는 것을 밝혔습니다.
검증 데이터 세트의 광학 흐름 정량화는 높은 물 보상과 낮은 물 보상에 대한 행동 반응에서 상당한 차이를 보여주었습니다. 이러한 결과는 제시된 비디오 분석 파이프라인을 사용하여 조건에 따른 동물 행동의 의미 있는 차이를 포착할 수 있음을 시사합니다.
이 연구는 MRI 환경 내에서 마우스의 자발적인 행동 반응을 모니터링하기 위해 설계된 비디오 분석 파이프라인을 제시합니다. 깨어 있는 마우스 fMRI를 활용하여, 이 연구는 새끼의 발성에 대한 모성 행동의 신경 상관관계를 밝히는 것을 목표로 합니다.
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.
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.