Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.

Methodenartikel

Een flexibel platform voor het monitoren van cerebellum-afhankelijk sensorisch associatief leren

2.9K weergaven

⸱

DOI:

10.3791/63205

⸱

19 januari 2022

 ,  ,  , 
1Neuroscience Institute, Princeton University

In dit artikel

Samenvatting

We hebben één platform ontwikkeld om het gedrag van dieren te volgen tijdens twee klimmende vezelafhankelijke associatieve leertaken. Het goedkope ontwerp maakt integratie mogelijk met optogenetische of beeldvormingsexperimenten gericht op het beklimmen van vezelgerelateerde cerebellaire activiteit.

Samenvatting

Klimmende vezelingangen naar Purkinje-cellen bieden instructieve signalen die cruciaal zijn voor cerebellum-afhankelijk associatief leren. Het bestuderen van deze signalen in hoofd-gefixeerde muizen vergemakkelijkt het gebruik van beeldvormings-, elektrofysiologische en optogenetische methoden. Hier werd een goedkoop gedragsplatform (~ $ 1000) ontwikkeld dat het mogelijk maakt om associatief leren te volgen in hoofd-vaste muizen die vrij bewegen op een loopwiel. Het platform bevat twee gemeenschappelijke associatieve leerparadigma's: eyeblinkconditionering en vertraagde tactiele schrikconditionering. Gedrag wordt gevolgd met behulp van een camera en de wielbeweging door een detector. We beschrijven de componenten en setup en bieden een gedetailleerd protocol voor training en data-analyse. Dit platform maakt de integratie van optogenetische stimulatie en fluorescentiebeeldvorming mogelijk. Het ontwerp stelt een enkele hostcomputer in staat om meerdere platforms te besturen voor het tegelijkertijd trainen van meerdere dieren.

Inleiding

Pavloviaanse conditionering van subseconde associatie tussen stimuli om een geconditioneerde reactie uit te lokken, wordt al lang gebruikt om cerebellair-afhankelijk leren te onderzoeken. Bij klassieke delay eyeblink conditioning (DEC) leren dieren bijvoorbeeld om een goed getimede beschermende knipper te maken als reactie op een neutrale voorwaardelijke stimulus (CS; bijvoorbeeld een lichtflits of auditieve toon) wanneer deze herhaaldelijk gepaard gaat met een onvoorwaardelijke stimulus (VS; bijvoorbeeld een trekje lucht dat op het hoornvlies wordt aangebracht) dat altijd een reflex knippert, en die op of nabij het einde van de CS komt. De aangeleerde respons wordt een geconditioneerde respons (CR) genoemd, terwijl de reflexrespons de ongeconditioneerde respons (UR) wordt genoemd. Bij konijnen verstoren cerebellum-specifieke laesies deze vorm van leren 1,2,3,4. Verder leveren Purkinje-celcomplexpieken, aangedreven door hun klimmende vezelingangen5, een noodzakelijk 6,7 en voldoende 8,9-signaal voor de verwerving van correct getimede CER's.

Meer recent zijn klimmende vezelafhankelijke associatieve leerparadigma's ontwikkeld voor hoofd-gefixeerde muizen. DEC was het eerste associatieve leerparadigma dat aan deze configuratie werd aangepast10,11. DEC in head-fixed muizen is gebruikt om cerebellaire gebieden 11,12,13,14,15,16,17 en circuitelementen 11,1 2,13,14,15,18,19 te identificeren die nodig zijn voor taakverwerving en uitsterven. Deze benadering is ook gebruikt om aan te tonen hoe de fysiologische representatie van taakparameters op cellulair niveau evolueert met leren 13,15,16.

Naast eyeblink werd onlangs het vertraagde schrik tactiele conditionering (DTSC) paradigma ontwikkeld als een nieuwe associatieve leertaak voor hoofd-gefixeerde muizen20. Conceptueel vergelijkbaar met DEC, omvat DTSC de presentatie van een neutrale CS met een US, een tik op het gezicht die voldoende in intensiteit is om een schrikreflex21,22 als de UR te activeren. In het DTSC-paradigma worden zowel de UR als de CR uitgelezen als achterwaartse voortbeweging op een wiel. DTSC is nu gebruikt om te ontdekken hoe associatief leren cerebellaire activiteit en patronen van genexpressie verandert20.

In dit werk is een methode ontwikkeld om DEC of DTSC flexibel toe te passen in één platform. De stimulus- en platformattributen zijn geschematiseerd in figuur 1. Het ontwerp bevat de capaciteit om het gedrag van dieren te volgen met een camera en een roterende encoder om de voortbeweging van de muis op een wiel te volgen. Alle aspecten van datalogging en proefstructuur worden bestuurd door gepaarde microcontrollers (Arduino) en een single-board computer (SBC; Raspberry Pi). Deze apparaten zijn toegankelijk via een meegeleverde grafische gebruikersinterface. Hier presenteren we een workflow voor installatie, experimentvoorbereiding en -uitvoering en een aangepaste analysepijplijn voor gegevensvisualisatie.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

De hier beschreven dierprotocollen zijn goedgekeurd door de Animal Care and Use Committees van Princeton University.

1. De SBC instellen

  1. Sluit de CSI-kabel (Serial Interface) van de camera aan op de Raspberry NoIR V2-camera en de camerapoort op de SBC.
  2. Download het besturingssysteem voor de SBC naar de hostcomputer. Schrijf de afbeelding van het besturingssysteem naar een microveilige digitale (microSD)-kaart.
    OPMERKING: Gedetailleerde instructies voor deze procedures voor een Raspberry Pi SBC vindt u elders23. Het systeem is getest met behulp van de volgende besturingssystemen: Stretch, Buster, Bullseye.
  3. Om beveiligde shell-communicatie mogelijk te maken, maakt u een extensieloos bestand met de naam "ssh" in de opstartpartitie van de microSD-kaart. Zodra dit is gebeurd, werpt u de microSD-kaart uit het hostapparaat en plaatst u deze in de SBC microSD-kaartsleuf. Voed de SBC door de voeding aan te sluiten.
  4. Bereid de SBC voor op het accepteren van een bekabelde verbinding met de host.
    1. Sluit een monitor met een geschikte kabel aan op de SBC. Open een terminal, typ de opdracht ifconfig en noteer het ethernet-IP-adres van de SBC.
      OPMERKING: Raspberry Pi model 3B + heeft een HDMI-displaypoort, terwijl model 4B een micro-HDMI-poort heeft.
    2. Ga naar het tabblad Interface van de Configuratie-instelling Raspberry Pi en schakel de opties voor Camera, secure shell network protocol (SSH) en Virtual Network Computing (VNC) in.
  5. Breng een bekabelde verbinding tot stand tussen de hostcomputer en de SBC.
    1. Sluit een ethernetkabel aan op de ethernetpoort van de SBC en een hostcomputer. Sluit het andere uiteinde van deze kabels aan op een ethernetswitch.
    2. Gebruik een virtuele netwerkcomputerclient zoals VNC viewer24 en krijg toegang tot het bureaublad met behulp van het SBC IP-adres en de standaardverificatie (gebruiker = "pi", wachtwoord = "raspberry").
  6. Download de vereiste software die is opgenomen in de protocolstappen.
    LET OP: Wijzig de standaard gebruikersnaam en het standaardwachtwoord om onbevoegde toegang tot de SBC te voorkomen.
    1. Voer de volgende opdracht in de SBC-terminal in om de rig-software te downloaden:
      git kloon --depth=1 https://github.com/gerardjb/assocLearnRig
    2. Voer de volgende opdrachten in om de benodigde python-bibliotheken te downloaden.
      cd assocLearnRig
      python3 setup.py
    3. Om directe controle over de microcontroller mogelijk te maken, maakt u verbinding met de SBC en downloadt u de microcontroller integrated development environment (IDE) volgens de stappen 1.6.4-1.6.7.
    4. Open de webbrowser op het bureaublad van SBC en navigeer naar https://arduino.cc/en/software. Download de nieuwste Linux ARM 32 bit versie van de IDE.
    5. Open een terminalvenster op het SBC-bureaublad en navigeer naar de downloadmap door cd Downloads/ te typen
    6. Als u de IDE wilt installeren, typt u de volgende opdrachten in de terminal:
      tar -xf arduino--linuxarm.tar.xz
      sudo mv arduino- /opt
      sudo /opt/arduino-/install.sh
      (hier is de versie van de gedownloade IDE)
    7. Open een instantie van de microcontroller-IDE op het SBC-bureaublad. Selecteer de menuoptie Extra > Bibliotheken beheren. Installeer de "Encoder" bibliotheek van Paul Stoffregen.
  7. Breid het SBC-geheugen aan boord uit met een USB-stick.
    1. Plaats een USB-stick in een USB-poort op de SBC. Gebruik een USB 3.0-poort indien beschikbaar.
    2. Typ de terminal ls -l /dev/disk/by-uuid/ om de USB-stick en de unieke referentie (UUID) te vinden. Neem de UUID op.
    3. Als u de pi-gebruiker wilt toestaan naar het USB-apparaat te schrijven, typt u de volgende opdrachten één voor één in de terminal:
      sudo mkdir / media / usb
      sudo chown -R pi: pi / media / usb
      sudo mount /dev/sda1 /media/usb -o uid=pi,gid=pi
      OPMERKING: De USB-stick kan worden toegevoegd als een apparaat dat automatisch wordt geactiveerd wanneer de SBC opnieuw wordt opgestart door de volgende regel toe te voegen aan het einde van het fstab-bestand op /etc/fstab:
      UUID= /media/usb vfat auto,nofail,noatime,users,rw,uid=pi,gid=pi 0 0

2. Bedrading stimulus hardware en montage fase

  1. Sluit microcontrollers aan en bereid ze voor.
    1. Sluit de SBC aan op de programmeerpoort van de microcontroller (Arduino Due) met een USB2 type A naar USB2 microkabel.
      OPMERKING: Gebruik een kabel van hoge kwaliteit, zoals het product in de materiaaltabel, om een goede werking te garanderen.
    2. Zoek "dueAssocLearn.ino" in de gedownloade projectrepository. Open de schets met de microcontroller IDE en upload deze naar de microcontroller die is aangesloten op de SBC.
    3. Download en installeer de juiste versie van de Arduino IDE op de hostcomputer.
    4. Sluit de hostcomputer aan op de microcontroller (Arduino Uno) met een USB2 type B naar USB2 type A kabel.
    5. Ga naar de GitHub-repository (https://github.com/gerardjb/assocLearnRig) en download de schets "DTSC_US.ino" naar de hostcomputer.
    6. Voer op de hostcomputer de microcontroller IDE uit en open de schets "DTSC_US.ino" en upload deze vervolgens naar de microcontroller.
  2. Bevestig draden aan de microcontrollers, breadboard, LED's, roterende encoder, stappenmotor met driver en magneetventiel met driver zoals aangegeven in het Fritzing-diagram in figuur 2.
  3. Voed de stappenmotor en magneetventiel.
    1. Sluit op de juiste manier één kanaal van een voeding aan op de +V- en GND-pinnen van de stuurprogramma van de stappenmotor.
    2. Schakel de voeding in en stel de aangesloten kanaalspanning in op 25 V.
      OPMERKING: Als de verbindingen tussen de stappenmotor, de driver en de voeding correct zijn geconfigureerd, wordt een groene indicatie-LED op de bestuurder van de stappenmotor ingeschakeld.
    3. Bedraad de positieve kabel van een voeding naar de magneetklepdriver vastspanningspen en de andere positieve kabel naar de spikespanningspen.
    4. Bevestig de negatieve leidingen aan een grond die wordt gedeeld met het stuursignaal.
    5. Schakel de voeding in en stel het kanaal dat is aangesloten op de hold-spanning in op ongeveer 2,5 V en het kanaal dat is aangesloten op spikespanning op ongeveer 12 V.
  4. Sluit een luchtbron die is geregeld op een druk van ~ 20 PSI aan op de magneetklep met behulp van de lueradapter.
  5. Test of alle stimuluscomponenten en camera goed functioneren.
    1. Open een terminal op de SBC en typ cd ~/assocLearnRig om naar de gekloonde GitHub-repository te navigeren.
    2. Typ python3 in de terminal assocLearnRig_app.py om de grafische gebruikersinterface van het besturingselement te starten.
    3. Start de camerastream door op de knop Stream te drukken.
    4. Selecteer het DEC keuzerondje , upload naar de microcontroller en start een sessie met standaardparameters door op de knop Sessie starten te drukken.
      OPMERKING: Na deze stap moet een afdruk van het gegevenslogboek in de terminal verschijnen, het bericht op de camerastream moet verdwijnen en de LED CS en magneetklep US moeten op de juiste momenten tijdens elke proef worden in- en uitgeschakeld.
    5. Nadat de sessie is beëindigd, herhaalt u de vorige stappen met het DTSC-keuzerondje geselecteerd.
      OPMERKING: Schetsen in de GitHub-repository ("testStepper.ino", "testRotary.ino" en "testSolenoid.ino") kunnen worden gebruikt om afzonderlijke componenten te testen als de bovenstaande stappen geen bevredigende resultaten opleveren.
  6. Maak het loopwiel.
    1. Knip een 3"-wiel uit een foamroller. Boor een gat van 1/4" in het exacte wielcentrum, zodat het wiel niet wiebelt wanneer het wordt gedraaid door de voortbeweging van de muis.
    2. Steek een 1/4"-as in het wiel en bevestig deze op zijn plaats met behulp van klemnaven aan elke kant van het wiel.
  7. Bevestig de roterende encoder op een 4,5"-aluminium kanaal met behulp van een M3-bout. Stabiliseer het aluminium kanaal op het aluminium breadboard met behulp van een haakse beugel met een 1/4 "bout, moer en ring zoals getoond.
  8. Bevestig het wiel en de roterende encoder met behulp van een askoppelingshuls.
  9. Stabiliseer de vrije zijde van de wielas met een lager dat is geplaatst in een haakse eindklem die is geïnstalleerd op een op de breadboard gemonteerde optische paal.
    OPMERKING: Zorg ervoor dat het wiel vrij draait zonder te wiebelen wanneer het met de hand wordt gedraaid.
  10. Plaats de stimulushardware, hoofdsteun, infraroodlichtarray en picamera rond het geassembleerde wiel.
    1. Plaats de hoofdsteunen met behulp van optische palen en haakse paalklemmen zodat de kopstijlen zich 1,5 cm voor de wielas en 2 cm boven het wieloppervlak bevinden. (Waarden zijn voor een muis van 20 g).
    2. Plaats de CS LED- en magneetventieluitlaat die voor de DEC US wordt gebruikt op minder dan 1 cm van het oog dat voor DEC wordt gebruikt.
    3. Monteer de stappenmotor die wordt gebruikt voor de DTSC US
    4. Monteer de picamera op een optische paal ~ 10 cm van waar het dier zich zal bevinden.
      OPMERKING: Het ontwerp voor de picamera-mount kan worden gemaakt op een 3D-printer vanuit het bestand in "RaspPiCamMount1_1.stl" in de GitHub-repository.
    5. Plaats de infrarood lichtarray iets boven en direct naar de positie van het gezicht aan dezelfde kant als de picamera.
    6. Maak een tactiele stimulus voor DTSC door schuim aan de rand van een stuk acryl te plakken dat met behulp van een klemnaaf op een 1/4"-as is gemonteerd. Bevestig de tactiele stimulus aan de as van de stappenmotor.
      OPMERKING: Het ontwerp voor het acrylstuk kan met een laser worden gesneden volgens het patroon in "TactileStimDesign.pdf" in de GitHub-repository.

3. Gedragsexperimenten voorbereiden en uitvoeren

  1. Implanteren van muis headplate.
    1. Anesthetiseer een muis met behulp van 2% isofluraan en head fix in een stereotactisch frame.
    2. Breng een oogheelkundige zalf aan op de ogen.
    3. Scheer de hoofdhuid met een sopje en een steriel scalpel. Injecteer lidocaïne direct onder de huid van de incisieplaats en reinig de operatieplaats met povidon.
    4. Maak een incisie met een scalpel langs de middellijn van de hoofdhuid van de achterrand van de ogen naar de achterrand van de schedel, waarbij u voorzichtig bent om niet te hard op de schedel te drukken.
    5. Spreid de incisie open en klem beide zijden vast met steriele hemostaten om deze open te houden. Verwijder het botvlies voorzichtig met een wattenstaafje gedompeld met ethanol en laat het oppervlak van de blootgestelde schedel drogen.
    6. Plaats de hoofdplaat op het niveau van de schedel en zorg ervoor dat u de voorkant van de hoofdplaat achter de ogen plaatst. Gebruik cyanoacrylaatlijm om de kopplaat aan de schedel te bevestigen en de lijm volledig te laten drogen.
    7. Meng het tandcementpoeder (1 schep), oplosmiddel (2 druppels) en katalysator (1 druppel) in een mengschaal en breng aan op alle gebieden van het blootgestelde bot. Voeg lagen toe totdat het oppervlak gelijk is met de bovenrand van de kopplaat en zorg ervoor dat de kopplaat stevig aan de schedel is bevestigd.
    8. Hecht de huid indien nodig achter en voor de kopplaat dicht.
    9. Injecteer postoperatieve analgesie zoals carprofen volgens de institutionele richtlijnen terwijl het dier gedurende ten minste 5 dagen kan herstellen.
  2. Voorbereiden op gedragssessies.
    1. Laat de proefdieren wennen aan het platform door ze gedurende 5 dagen voorafgaand aan de experimenten gedurende sessies van 30 minuten in de hoofdsteun te monteren.
      OPMERKING: Aan het einde van de gewenningssessies moeten dieren comfortabel op het wiel rennen.
    2. (Alleen DEC) Zorg er voorafgaand aan de sessies voor dat de uitlaat van de magneetklep is gecentreerd op het doeloog op >1 cm afstand.
    3. (Alleen DEC) Activeer een luchtwolk handmatig met behulp van de drukknop. Zorg ervoor dat de muis onmiddellijk knippert zonder openlijke tekenen van stress te vertonen, zoals het aannemen van een gebogen houding of het grijpen van het aangetaste perioculaire gebied met de ipsilaterale voorepaw.
    4. (Alleen DTSC) Zorg er voorafgaand aan de sessies voor dat de tactiele stimulus is gecentreerd op de neus van het dier op ~ 1,5 cm afstand.
      OPMERKING: Wanneer een DTSC-gedragssessie niet wordt uitgevoerd, wordt de stappenmotor automatisch geïnactiveerd om handmatige herpositionering mogelijk te maken.
    5. (Alleen DTSC) Typ python3 in de SBC-terminal assocLearnRig_app.py om de GUI te starten.
    6. (Alleen DTSC) Voer een testsessie van drie proefversies uit met de standaardparameters door op de knop Sessie starten in de GUI te drukken.
    7. (Alleen DTSC) Zorg ervoor dat de geregistreerde gegevens die naar de terminal worden afgedrukt, een doorbuiging vertonen van meer dan 20 maar minder dan 100 stappen die zijn vastgelegd op de roterende encoder na de VS bij elke proef.
      LET OP: Om schade te voorkomen en stress voor het dier te verminderen, start u de stimulus verder van het dier en verplaatst u deze dichter totdat aan de vereiste voorwaarden is voldaan.
  3. Gedragssessies uitvoeren met datalogging.
    1. Monteer een muis op de hoofdsteun.
    2. Typ python3 in de terminal van de SBC assocLearnRig_app.py om de GUI te starten.
    3. Om camera-opnames toe te staan tijdens de gedragsproeven, drukt u op de knop Streamen .
      OPMERKING: Sessies kunnen zonder camera worden uitgevoerd. In dit geval worden alleen gegevens van de roterende encoder en stimuluspresentatietijdstempels geregistreerd.
    4. Voer identificerende informatie voor het dier in het veld Dier-ID in en druk op de knop Instellen .
    5. Selecteer de DEC of DTSC in het keuzerondje onder de kop Sessietype , afhankelijk van welk gedragsparadigma gewenst is.
    6. Voer de gewenste experimentparameters in de velden onder het veld Dier-ID in en druk op de knop Uploaden naar Arduino .
      OPMERKING: Details van de experimentparameters zijn te vinden in de Leesmij-sectie van de GitHub-opslagplaats.
    7. Druk op de knop Sessie starten om de sessie te starten.
    8. Wanneer een sessie wordt geïnitialiseerd, beginnen de gegevens zich aan te melden in een nieuwe map die is gemaakt in "/media/usb" in het bevestigingspunt van de SBC-stick.

4. Gegevens exporteren en analyseren

  1. Als u alle opgenomen sessies naar de hostcomputer wilt exporteren, opent u een opdrachtprompt en voert u de opdracht pscp -r pi@Pi_IP_address:/media/usb* host_computer_destination in en verifieert u vervolgens met het SBC-wachtwoord.
    OPMERKING: De bovenstaande opdracht is voor een Windows-machine. Gebruik op Mac- en Linux-machines terminal en vervang "pscp" door "scp".
  2. Installeer Anaconda25 of een andere python package manager (PPM) op de hostcomputer.
  3. Ga naar de GitHub-repository en download "analyzeSession.py", "summarizeSessions.py", "session2mp4s.py" en "requirementsHost.txt".
  4. Open een PPM-prompt en typ conda install --file directory_containing_requirementsHostrequirements Host.txt om ervoor te zorgen dat de installatie van het Python-pakket de vereiste python-bibliotheken heeft.
  5. Typ in de prompt cd directory_containing_analyzeData om naar de map met "analyzeData.py" en "session2mp4s.py" te navigeren. Voer het analyseprogramma uit door python analyzeSession.py te typen
    OPMERKING: Er wordt een foutbericht gegenereerd als u een Python 2-versie als python gebruikt. Als u de versie wilt controleren, typt u python -V in de prompt.
  6. Selecteer de map met de gegevens wanneer daarom wordt gevraagd. Mappen met meerdere submappen worden achtereenvolgens geanalyseerd.
  7. Voor DEC-sessies selecteert u voor elke geanalyseerde sessiemap een interessegebied (ROI) met het oog van de muis uit een gemiddelde afbeelding van de proef.
    OPMERKING: Gegevensbestanden en samenvattingsgrafieken voor de eindanalyse worden gevuld in een submap van elke geanalyseerde sessiemap.
  8. Typ python summarizeSessions.py om overzichtsgegevens over meerdere sessies te genereren.
  9. Typ in de prompt python session2mp4s.py om imaging-gegevensbestanden om te zetten in zichtbare .mp4-bestanden.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

Workflow voor DEC experimenten en analyse
Een goede experimentele parameterselectie is belangrijk voor een succesvolle delay eyeblink conditioning (DEC) training. Voor de hier gepresenteerde gegevens werd de GUI gebruikt om een CS-duur van 350 ms en een Amerikaanse duur van 50 ms te kiezen. Deze koppeling resulteert in een interstimulusinterval van 300 ms: lang genoeg om cr-productie met lage amplitude10 te voorkomen en kort genoeg om te voorkomen dat u in het regime van slecht...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

Het platform met bijbehorende protocollen dat hier wordt beschreven, kan worden gebruikt om het gedrag van dieren betrouwbaar te volgen in twee sensorische associatieve leertaken. Elke taak is afhankelijk van intacte communicatie via het klimvezelpad. In het hier beschreven ontwerp nemen we elementen op om het leren en vastleggen /verstoren van de cerebellaire respons te vergemakkelijken. Deze omvatten een wiel om vrije voortbeweging11,18 mogelijk te maken, evena...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

De auteurs hebben geen belangenconflicten te onthullen.

Dankbetuigingen

Dit werk wordt ondersteund door subsidies van de National Institutes of Mental Health NRSA F32 MH120887-03 (aan G.J.B.) en R01 NS045193 en R01 MH115750 (aan S.S-H.W.). Wij danken Drs. Bas Koekkoek en Henk-Jan Boele voor nuttige discussies voor het optimaliseren van de DEC setup en Drs. Yue Wang en Xiaoying Chen voor nuttige discussies voor het optimaliseren van de DTSC setup.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
"B" Quick Base For C&B METABOND - 10 mL bottleParkellS398Tandcementoplosmiddel
"C" Universal TBB Catalyst - 0.7 mLParkellS371Katalysator
#8 WashersThorlabsW8S038Washers
0.250" (1/4") x 8.00" Stainless Steel Precision ShaftingServocity6341721/4" as
0.250” (0.770") Clamping HubServocity545588Klemnaaf
1/4" to 6 mm Set Screw Shaft Coupler- 5 packActobotics625106Askoppelingshuls
1/4"-20 Cap Screws, 3/4" LongThorlabsSH25S0751/4" bout
100 pcs 5 mm 395–400 nm UV Ultraviolet LED Light Emitting Diode Clear Round Lens 29 mm Long Lead (DC 3V) LEDs Lights +100 pcs ResistorsEDGELEC‎ED_YT05_U_100PcsCS LEDs
2 m Micro HDMI to DVI-D Cable - M/M - 2 m Micro HDMI to DVI Cable - 19 pin HDMI (D) Male to DVI-D Male - 1920 x 1200 VideoStar-tech‎HDDDVIMM2MRaspberry Pi4B naar monitor kabel
256 GB Ultra Fit USB 3.1 Flash DriveSanDisk‎SDCZ430-256G-G46USB stick
3.3 V–5 V 4 Channels Logic Level Converter Bi-Directional Shifter ModuleAmazonB00ZC6B8VMLogic level shifter
32 GB 95 MB/s (U1) microSDHC EVO Select Memory CardSamsung‎MB-ME32GA/AMmicroSD kaart
4.50" Aluminum ChannelServocity5854444.5" aluminium kanaal
48-LED CCTV Ir Infrared Night Vision IlluminatorTowallmarkSODIALInfrarood lichtarray
4PCS Breadboards Kit Include 2PCS 830 Point 2PCS 400 Point Solderless Breadboards for Proto Shield Distribution Connecting BlocksREXQualisB07DL13RZHBreadboard
5 Port Gigabit Unmanaged Ethernet Network SwitchTP-Link‎TL-SG105Ethernet switch
5 V 2.5 A Raspberry Pi 3 B+ Power Supply/AdapterCanakit‎DCAR-RSP-2A5Voeding voor Raspberry Pi 3B+
5-0 ETHILON BLACK 1 x 18" C-3Ethicon668GHechtdraad
6 mm Shaft Encoder 2000 PPR Pushpull Line Driver Universal Output Line Driver Output 5-26 V dc SupplyCalt B01EWER68IRoterende encoder
Ø1/2" Optical Post, SS, 8-32 Setscrew, 1/4"-20 Tap, L = 1", 5 PackThorlabsTR1-P5Optische posts
Ø1/2" Optical Post, SS, 8-32 Setscrew, 1/4"-20 Tap, L = 2", 5 PackThorlabsTR2-P5Optische posts
Ø1/2" Optical Post, SS, 8-32 Setscrew, 1/4"-20 Tap, L = 4", 5 PackThorlabsTR4-P5Optische posts
Ø1/2" Optical Post, SS, 8-32 Setscrew, 1/4"-20 Tap, L = 6", 5 PackThorlabsTR6-P5Optische posts
Ø1/2" Post Holder, Spring-Loaded Hex-Locking Thumbscrew, L = 2"ThorlabsPH2Optische posthouder
Adapter-062-M X LUER LOCK-FThe Lee Co.TMRA3201950ZSolenoïde klep luer adapter
Aeromat Foam Roller Size: 36" LengthAeromatB002H3CMUESchuimroller
Aluminum Breadboard 10" x 12" x 1/2", 1/4"-20 TapsThorlabsMB1012Aluminium breadboard
Amazon Basics HDMI to DVI Adapter Cable, Black, 6 Feet, 1-PackAmazonHL-007347Raspberry Pi3B+ naar monitor kabel
Arduino  Uno R3ArduinoA000066Arduino Uno (microcontroller board)
Arduino DueArduino‎A000062Arduino Due (microcontroller board)
Bench Power Supply, Single, Adjustable, 3 Output, 0 V, 24 V, 0 A, 2 ATenma72-8335AVoeding
Clear Scratch- and UV-Resistant Cast Acrylic Sheet, 12" x 24" x 1/8"McMaster Carr8560K257Acrylaket
CNC Stepper Motor Driver 1.0–4.2 A 20–50 V DC 1/128 Micro-Step Resolutions for Nema 17 and 23 Stepper MotorStepper OnlineB06Y5VPSFNSteppermotor driver
Compact Compressed Air Regulator, Inline Relieving, Brass Housing, 1/4 NPTMcMaster Carr6763K13Luchtbronregelaar
Cotton SwabPuritan806-WCWattenstaafje
Dell 1908FP 19" Flat Panel Monitor - 1908FPCDell1908FPCComputermonitor
Flex Cable for Raspberry Pi CameraAdafruit2144camera seriële interface kabel
High Torque Nema 17 Bipolar Stepper Motor 92 oz·in/65 N·cm 2.1 A Extruder MotorStepper Online17HS24-2104SSteppermotor
IsofluraneHenry Schein66794001725Isoflurane
Krazy Maximum Bond Permanent Glue, 0.18 oz.Krazy GlueKG483Cyanoacrylaatlijm
Lidocaine HClVetOne510212Lidocaïne
Low-Strength Steel Hex Nut, Grade

Referenties

  1. McCormick, D. A., Lavond, D. G., Clark, G. A., Kettner, R. E., Rising, C. E., Thompson, R. F. The engram found? Role of the cerebellum in classical conditioning of nictitating membrane and eyelid responses. Bulletin of the Psychonomic Society. 18 (3), 103-105 (1981).
  2. McCormick, D. A., Clark, G. A., Lavond, D. G., Thompson, R. F. Initial localization of the memory trace for a basic form of learning. Proceedings of the National Academy of Sciences of the United States of America. 79 (8), 2731-2735 (1982).
  3. McCormick, D. A., Thompson, R. F. Cerebellum: essential involvement in the classically conditioned eyelid response. Science. 223 (4633), New York, N.Y. 296-299 (1984).
  4. Krupa, D. J., Thompson, J. K., Thompson, R. F. Localization of a memory trace in the mammalian brain. Science. 260 (5110), New York, N.Y. 989-991 (1993).
  5. Llinás, R., Sugimori, M. Electrophysiological properties of in vitro Purkinje cell dendrites in mammalian cerebellar slices. The Journal of Physiology. 305, 197-213 (1980).
  6. Mintz, M., Lavond, D. G., Zhang, A. A., Yun, Y., Thompson, R. F. Unilateral inferior olive NMDA lesion leads to unilateral deficit in acquisition and retention of eyelid classical conditioning. Behavioral and Neural Biology. 61 (3), 218-224 (1994).
  7. Welsh, J. P., Harvey, J. A. Cerebellar lesions and the nictitating membrane reflex: performance deficits of the conditioned and unconditioned response. The Journal of Neuroscience: The Official Journal of the Society for Neuroscience. 9 (1), 299-311 (1989).
  8. Mauk, M. D., Steinmetz, J. E., Thompson, R. F. Classical conditioning using stimulation of the inferior olive as the unconditioned stimulus. Proceedings of the National Academy of Sciences of the United States of America. 83 (14), 5349-5353 (1986).
  9. Steinmetz, J. E., Lavond, D. G., Thompson, R. F. Classical conditioning in rabbits using pontine nucleus stimulation as a conditioned stimulus and inferior olive stimulation as an unconditioned stimulus. Synapse. 3 (3), New York, N.Y. 225-233 (1989).
  10. Chettih, S. N., McDougle, S. D., Ruffolo, L. I., Medina, J. F. Adaptive timing of motor output in the mouse: The role of movement oscillations in eyelid conditioning. Frontiers in Integrative Neuroscience. 5, 72(2011).
  11. Heiney, S. A., Wohl, M. P., Chettih, S. N., Ruffolo, L. I., Medina, J. F. Cerebellar-dependent expression of motor learning during eyeblink conditioning in head-fixed mice. The Journal of Neuroscience. 34 (45), 14845-14853 (2014).
  12. Heiney, S. A., Kim, J., Augustine, G. J., Medina, J. F. Precise control of movement kinematics by optogenetic inhibition of purkinje cell activity. Journal of Neuroscience. 34 (6), 2321-2330 (2014).
  13. Ten Brinke, M. M., et al. Evolving models of pavlovian conditioning: Cerebellar cortical dynamics in awake behaving mice. Cell Reports. 13 (9), 1977-1988 (2015).
  14. Gao, Z., et al. Excitatory cerebellar nucleocortical circuit provides internal amplification during associative conditioning. Neuron. 89 (3), 645-657 (2016).
  15. Giovannucci, A., et al. Cerebellar granule cells acquire a widespread predictive feedback signal during motor learning. Nature Neuroscience. 20 (5), 727-734 (2017).
  16. Ten Brinke, M. M., et al. Dynamic modulation of activity in cerebellar nuclei neurons during pavlovian eyeblink conditioning in mice. eLife. 6, 28132(2017).
  17. Wang, X., Yu, S., Ren, Z., De Zeeuw, C. I., Gao, Z. A FN-MdV pathway and its role in cerebellar multimodular control of sensorimotor behavior. Nature Communications. 11 (1), 6050(2020).
  18. Albergaria, C., Silva, N. T., Pritchett, D. L., Carey, M. R. Locomotor activity modulates associative learning in mouse cerebellum. Nature Neuroscience. 21 (5), 725-735 (2018).
  19. Kim, O. A., Ohmae, S., Medina, J. F. A cerebello-olivary signal for negative prediction error is sufficient to cause extinction of associative motor learning. Nature Neuroscience. 23 (12), 1550-1554 (2020).
  20. Yamada, T., et al. Sensory experience remodels genome architecture in neural circuit to drive motor learning. Nature. 569 (7758), 708-713 (2019).
  21. Horlington, M. Startle response circadian rhythm in rats: lack of correlation with motor activity. Physiology & Behavior. 5 (1), 49-53 (1970).
  22. Yeomans, J. S., Li, L., Scott, B. W., Frankland, P. W. Tactile, acoustic and vestibular systems sum to elicit the startle reflex. Neuroscience and Biobehavioral Reviews. 26 (1), 1-11 (2002).
  23. Raspberry Pi Operating system images. , Available from: https://www.raspberrypi.com/software/operationg-systems/ (2021).
  24. VNC Server. VNC® Connect. , Available from: https://www.realvnc.com/en/connect/download/vnc/ (2021).
  25. Anaconda: The world's most popular data science platform. , Available from: https://xddebuganaconda.xdlab.co/ (2021).
  26. De Zeeuw, C. I., Ten Brinke, M. M. Motor learning and the cerebellum. Cold Spring Harbor Perspectives in Biology. 7 (9), 021683(2015).
  27. Badura, A., et al. Normal cognitive and social development require posterior cerebellar activity. eLife. 7, 36401(2018).
  28. Koekkoek, S. K. E., Den Ouden, W. L., Perry, G., Highstein, S. M., De Zeeuw, C. I. Monitoring kinetic and frequency-domain properties of eyelid responses in mice with magnetic distance measurement technique. Journal of Neurophysiology. 88 (4), 2124-2133 (2002).
  29. Kloth, A. D., et al. Cerebellar associative sensory learning defects in five mouse autism models. eLife. 4, 06085(2015).
  30. Boele, H. -J., Koekkoek, S. K. E., De Zeeuw, C. I. Cerebellar and extracerebellar involvement in mouse eyeblink conditioning: the ACDC model. Frontiers in Cellular Neuroscience. 3, (2010).
  31. Lin, C., Disterhoft, J., Weiss, C. Whisker-signaled eyeblink classical conditioning in head-fixed Mice. Journal of Visualized Experiments: JoVE. (109), e53310(2016).
  32. Pereira, T. D., et al. Fast animal pose estimation using deep neural networks. Nature Methods. 16 (1), 117-125 (2019).
  33. Mathis, A., et al. DeepLabCut: markerless pose estimation of user-defined body parts with deep learning. Nature Neuroscience. 21 (9), 1281-1289 (2018).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Meer artikelen verkennen

Cerebellum-afhankelijk lerenoogknipperconditioneringvertraagde tactiele schrikreactiekopgefixeerde muizenPurkinjecellenoptogenetische stimulatiefluorescentie-imaginggedragsplatformloopwiel
Een flexibel platform voor het monitoren van cerebellum-afhankelijk sensorisch associatief leren
Neem contact met ons op
Aanbevelen aan de bibliotheek

Privacy

Gebruiksvoorwaarden

Beleidsoverzicht

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.