신경퇴행성 질환의 전임상 모델에서 관절 운동학을 연구하기 위한 소근육 운동 과제

저희 연구는 신경퇴행 모델에서 미세 운동 능력에 초점을 맞추고 있습니다. 구체적으로, 우리는 새로운 과제를 운동 기능 장애의 새로운 바이오마커로 활용하는 것을 목표로 합니다. 머신러닝 알고리즘은 인간의 눈으로는 일반적으로 해독할 수 없는 군집 동물 움직임을 편향 없고 자동으로 분석하는 시스템 신경과학을 발전시켰습니다.

신체 부위 추적과 컴퓨터 클러스터링 방법을 결합함으로써, 우리는 새로운 미세 운동 과제에서 동물 움직임 간 전환을 신뢰성 있게 감지, 분류, 예측할 수 있습니다. 10일간의 성형 단계를 시작하려면, 먼저 적외선, 카메라, 컴퓨터를 켭니다. 쥐를 가두는 우리를 검사실로 옮기고 5분간 적응시키세요.

트레이닝 볼을 사용해 첫날에는 연장선을 완전히 안쪽에 넣고 1개에서 5개의 펠릿을 넣습니다. 각 동물과 10분간 훈련 세션을 진행하세요. 며칠 후에는 알갱이를 설치류와 가장 가까운 그릇 끝에 놓고 점차 멀리 옮겨 손이 닿는 행동을 유도하세요.

설치류가 확장부 가장자리에서 펠릿을 입으로라도 먹으면, 핀셋으로 펠릿을 제시하여 손을 뻗는 행동을 촉진하세요. 핀셋을 만지자마자 설치류에게 보상을 주세요. 그런 다음 핀셋을 조금 더 멀리 잡아 설치류가 더 손을 뻗도록 유도하세요.

9일간의 테스트 단계에서는 쥐들을 방에 넣어 1시간 동안 익숙해지게 합니다. 플랫폼에 치과용 왁스를 바르고 고정한 후, 첫 번째 볼을 위치시켜 앞면이 기기 입구와 맞닿아 중심에 맞도록 합니다. 비디오 파일 이름과 Spin View에 쥐 식별 번호, 녹화 날짜, 촬영 시간을 적으세요.

쥐를 장치 안으로 옮겨. 뚜껑을 닫고 빛을 반사시키기 위해 흰색 카드지를 위에 올려놓으세요. 카메라 앵글을 다시 한 번 확인해 적절한 장면이 포착되었는지 확인하고, 그릇이 중앙에 맞지 않았다면 조정하세요.

지정된 수의 펠릿을 그릇에 붓고 녹화 시작 버튼을 누르세요. 방에 머물면서 쥐를 관찰하고, 행동 기록을 하며, 필요할 때 펠릿을 보충하세요. 플레인 볼의 경우, 볼의 가장자리 너머로 펠릿이 보이고 접근할 수 있도록 하세요.

Less 그릇의 경우, 펠릿이 쌓여 있지 않고 느슨하게 흩어져 있는지 확인하세요. Plinko 볼의 경우, 펠릿이 장애물 사이에 적절히 분포되어 있는지 확인하세요. 쥐를 집 우리로 돌려보내고 정해진 먹이를 제공하세요.

동물 사이에 소독제로 챔버를 닦아주세요. 하루가 끝나면 소독을 위해 챔버 전체에 에탄올을 뿌리세요. 기초 검사 중, 쥐들은 그릇 설계가 복잡해지면서 총 길이가 증가하는 것을 보였다.

하멀린 처리 하에서는 모든 그릇 유형에서 총 접촉 범위가 기준선에 비해 감소하여 운동 기능 장애를 나타냈습니다. 기초 검사 기간에는 그릇 난이도에 따라 총 도달 거리가 증가했으며, 과제 복잡성에도 불구하고 행동 지속성을 보였습니다. 플링코 볼에서는 고장이 증가했습니다.

하멀린은 일반적인 리치 성능을 방해했습니다. 하르말린 치료 이전에는 기저 시절 과제 난이도에 따라 실패가 증가했으나, 하말린 시절에는 일관성을 유지했습니다. 하멀린은 모든 그릇 유형에서 학습 속도와 도달 속도를 크게 감소시켰습니다.

머신러닝을 이용한 리치 분석 결과, 기준선과 하멀라인 조건 간, 그리고 각 그릇 유형 내에서 고유한 자세와 과제 전략이 드러났습니다. 각 그릇 종류 내에서, 그리고 다양한 그릇 조건에서 쥐들은 서로 다른 음절을 사용했습니다. TgF344-AD 형질전환 쥐는 일치한 야생형 쥐에 비해 총 도달 범위가 감소했습니다.

야생형 쥐는 그릇 복잡성에 따라 총 범위가 증가하는 모습을 보였다. 각 그룹 내에서 성능 유형은 다양했으나, TgF344-AD 쥐는 성공 성과가 현저히 감소했습니다. 볼링이 더 어려워지면서 두 유전자형 모두 실패 사례가 증가했습니다.

행동은 많은 소음을 만들 수 있습니다. 특히 펠릿을 플랫폼에서 떨어뜨릴 수 있는 임무에 대해서요. 이 문제는 keypoint-MoSeq로 해결합니다.

우리 프로토콜은 자기 방해 움직임 특성을 허용하지 않는 과거 연구 행동 패러다임을 개선합니다.