Een rekenkundige methode om te kwantificeren vliegen circadiane activiteit
28 oktober 2017
Een methode om te kwantificeren van de belangrijkste tijdelijke functies gezien in vliegen circadiane ritmes van locomotor wordt gepresenteerd. De kwantificering wordt bereikt door het aanbrengen van vliegen activiteit met de golfvorm van een meerdere parametrische model. De model-parameters beschrijven de vorm en de grootte van de ochtend en avond toppen van dagelijkse activiteit.
Bij de meeste dieren coördineren circadiane klokken gedrags- en moleculaire processen en synchroniseren ze deze met de dagelijkse licht-donkercyclus. Bij fruitvliegen wordt de klok meestal bestudeerd met behulp van locomotorische opnamen. Hier is een voorbeeld van gemiddelde wildtype locomotie gemeten in een 12-uurs licht, 12-uurs donker cyclus, de licht-donkercyclus weergegeven met een geel-zwarte balk bovenaan.
Een typische vliegregistratie toont een complex, biomodaal patroon met twee pieken van activiteit, een ochtendpiek die rond zonsopgang plaatsvindt en een avondpiek die rond zonsondergang plaatsvindt. Deze twee pieken vormen samen een golfvorm die heel anders is dan sinusoïdale oscillaties die worden waargenomen in klokgenen, wat suggereert dat mechanismen, naast de klok, een diepgaande invloed hebben op het produceren van het waargenomen patroon in gedragsgegevens. Hier presenteren we de eerste methode die wiskundig temporale patronen in vliegactiviteit beschrijft.
We passen activiteitsgegevens aan met een modelgolfvorm die vlieglocatie nabootst. Ons model bestaat uit vier exponentiële termen, twee termen van de ochtendpiek en twee termen van de avondpiek. Samen met de circadiane periode heeft ons model negen onafhankelijke parameters.
B-parameters definiëren de snelheid van de ochtendopgang, ochtendverval, avondopgang en avondverval. TM en TE definiëren de breedte van de ochtend- en avondpiek, en HM en HE definiëren de hoogte van de pieken. Samen beschrijven deze parameters volledig de grootte en vorm van de ochtend- en avondpiek in het activiteitspatroon.
Onze methode kan worden toegepast om de mechanismen en substraten die ten grondslag liggen aan het vaak waargenomen bimodaal activiteitspatroon in vlieglocatiemetingen te verduidelijken. Bereid voor het locomotie-experiment individuele buizen voor met voedsel aan één kant en katoen aan de andere kant. Daarvoor zet je eerst vijf tot zes gram vliegvoer in een 50-milliliter beker.
Snij het voer in kleine stukjes, zodat het gemakkelijker is om het in de magnetron te smelten. Eén activiteitsmonitor past in 32 individuele buizen. Neem daarom 32 buizen en verbind ze met elkaar met behulp van een rubberen band.
Smelt het voer in de beker in een magnetron. Verwarm het voer gedurende ongeveer 10 tot 15 seconden. Stop de magnetron elke vijf seconden en schud de beker met voedsel een beetje om een gelijkmatige smelt van het voedsel te garanderen.
Zorg ervoor dat al het voedsel gesmolten is en dat er geen vaste stukken voedsel meer in de beker zijn. Terwijl het voedsel nog vloeibaar is, steek je de buizen in de beker met voedsel. Beweeg de buizen een beetje op en neer, zodat ze gelijkmatig gevuld zijn.
Laat het voedsel ongeveer een uur afkoelen en stollen. Nadat het voedsel vast is, verwijder je de buizen uit de beker met behulp van een rotatiebeweging, zodat het voedsel niet aan de bodem van de beker vast komt te zitten. Verwijder vervolgens de rubberen band.
Versluit het uiteinde met voedsel met was. Veeg daarvoor eerst voorzichtig de buis af met een papieren handdoek. Druk vervolgens de buis tegen de was.
Controleer visueel de kwaliteit van de verzegeling en herhaal de verzegeling indien nodig. Verzegeld alle buizen voor het experiment met deze techniek. Het andere uiteinde van de buizen sluit met de katoen.
De katoen laat de lucht door terwijl de vliegen in de buizen worden opgesloten. Het is ook gemakkelijk te verwijderen en terug te plaatsen, wat handig zal zijn wanneer we de buizen met de vliegen voor het experiment zullen laden. Nu de buizen klaar zijn, laad je ze met vliegen voor het experiment.
Ontlaad vliegen op de pad met CO2. Plaats vervolgens, met behulp van een borstel, voorzichtig één vlieg in elke afzonderlijke buis. Plaats de buis met de vlieg in de monitor.
In dezelfde volgorde als in de monitor, wordt vlieglocatie geregistreerd in het uitvoerbestand door het monitorsysteem. Verbind de monitor met de computer en plaats deze in een incubator die een constante temperatuur en vochtigheid handhaaft. Stel op basis van het experiment de juiste licht/donkercondities in.
Voor het licht/donkerexperiment, houd vliegen gedurende het hele experiment in een licht-donkercyclus. Gebruik de eerste dag van metingen niet in de analyse. Voor een experiment met constante duisternis, houd vliegen eerst twee dagen in licht/donkercondities voor entrainment en synchronisatie van de klokken, en schakel vervolgens over naar constante duisternis.
Gebruik geen metingen van de eerste dag van constante duisternis in de analyse. Voordat je naar de volgende sectie gaat, raden we aan het protocol te lezen. Het monitorsysteem geeft een enkel bestand weer dat de activiteit van alle vliegen in de monitor bevat.
De laatste 32 kolommen van het uitvoerbestand bevatten de activiteit van individuele vliegen. Ons programma werkt met activiteiten van enkele vliegen. Splits daarom het uitvoerbestand in meerdere enkelvoudige vliegactiviteitsbestanden.
Elk bestand moet een enkel-kolom TXT-bestand zijn. Nu we de activiteitsbestanden hebben voorbereid, kunnen we onze analyse uitvoeren. Voer de ModelFitPS3-functie uit in het MATLAB Command Window met de volgende invoerparameters.
Sampling rate, plaats de tijdsinterval van de gegevensmonsters in seconden. Onze gegevens werden bijvoorbeeld met een sampling rate van 20 seconden genomen. Daarom zetten we hier 20.
Als bin-interval, plaats het tijdsinterval in minuten, waarop de gegevens worden gegroepeerd voor betere visualisatie. We raden aan om naar 20 of 30 minuten te groeperen, maar voor nu zal ik hier 10 plaatsen, gewoon om u later te laten zien hoe het gemakkelijk kan worden gewijzigd. Voor trend, plaats één als de gegevens een baseline trend laten zien en anders nul.
Onze gegevens hebben geen baseline trend. Daarom plaats ik hier nul. Druk op Enter om de functie uit te voeren.
Selecteer in het pop-upvenster he
Bekijk het volledige transcript en krijg toegang tot duizenden wetenschappelijke video's
Overzicht
Deze studie presenteert een nieuwe methode om de temporele kenmerken van circadiane locomotorische ritmen bij fruitvliegen te kwantificeren. Door vliegenactiviteitsgegevens aan te passen aan een multi-parametrische modelgolfvorm, karakteriseert de studie de pieken in de ochtend- en avondactiviteit.
Belangrijkste onderdelen van de studie
Wetenschapsgebied
- Neurowetenschap
- Chronobiologie
- Gedragsanalyse
Achtergrond
- Circadiane klokken reguleren gedrags- en moleculaire processen bij dieren.
- Fruitvliegen dienen als modelorganisme voor het bestuderen van circadiane ritmen.
- Locomotorische opnames onthullen complexe activiteitspatronen als reactie op licht-donkercycli.
- Het begrijpen van deze ritmen kan inzicht geven in bredere biologische mechanismen.
Doel van de studie
- Om een wiskundig model te ontwikkelen voor het beschrijven van vliegenactiviteitspatronen.
- Om de duidelijke pieken in de activiteit die bij fruitvliegen worden waargenomen te kwantificeren.
- Om het begrip van circadiane ritmemechanismen te verbeteren, voorbij traditionele modellen.
Gebruikte methoden
- Locomotorische opnames van wildtype fruitvliegen.
- Analyse van activiteitspatronen onder een 12-uurs licht/donkercyclus.
- Aanpassen van activiteitsgegevens aan een multi-parametrische modelgolfvorm.
- Karakterisering van ochtend- en avondactiviteitspieken.
Belangrijkste resultaten
- Identificatie van twee duidelijke pieken in de dagelijkse ritme.
- Demonstratie van een complex, biomodaal patroon in vliegenlocomotoir.
- Modelparameters beschrijven effectief de vorm en grootte van activiteitspieken.
- Inzichten in aanvullende mechanismen die gedragspatronen beïnvloeden.
Conclusies
- De voorgestelde methode biedt een robuust raamwerk voor het analyseren van circadiane ritmen.
- Bevindingen dragen bij aan het begrip van gedragsdata in relatie tot circadiane klokken.
- Toekomstig onderzoek kan voortbouwen op dit model om andere aspecten van circadiane biologie te verkennen.
Veelgestelde vragen
Executive Industry Relevance
Quantifying circadian locomotor patterns in Drosophila enables mechanistic de-risking of target validation by linking behavioral outputs to underlying kinetic parameters. This computational approach enhances predictive confidence in preclinical models by providing quantitative, reproducible metrics for pathway interrogation. The method supports early discovery workflows by standardizing complex bimodal activity data into interpretable parameters for cross-functional collaboration.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses by quantifying morning and evening peak kinetics in fly locomotor rhythms.
- Operational Value: Provides nine independent parameters that fully describe peak shape and size for consistent biological de-risking.
- Strategic Value: Supports predictive confidence in target selection by elucidating substrate mechanisms beyond core clock oscillations.
Screening & Assay Development
- Scientific Value: Generates standardized, quantitative outputs from complex bimodal patterns for reliable compound screening readiness.
- Operational Value: Enables assay reproducibility through model-based fitting of activity data to a four-exponential waveform.
- Strategic Value: Facilitates platform reuse by extracting comparable parameters across genetic or pharmacological conditions.
Translational & Preclinical Research
- Scientific Value: Connects behavioral phenotypes to mechanistic substrates underlying circadian-regulated processes in disease-relevant systems.
- Operational Value: Supports translational biomarker alignment by correlating extracted parameters with molecular or pathway readouts.
- Strategic Value: Informs risk-adjusted advancement decisions by reducing mechanistic ambiguity in locomotor-based preclinical models.
Pipeline & Workflow Integration
The method integrates into the discovery continuum from hypothesis testing through lead identification by converting raw locomotor data into quantifiable parameters for downstream analysis.
- Discovery Biology: Supports hypothesis testing and pathway clarification by modeling activity peaks as outputs of kinetic substrate interactions.
- Screening: Delivers assay readiness and quantitative outputs via model-fitted parameters that capture morning and evening peak dynamics.
- Analytics: Provides statistical outputs including peak height, width, and decay rates for comparative condition analysis.
- Translational Research: Enables preclinical continuity by linking behavioral metrics to mechanistic de-risking in circadian-related pathways.
- Enterprise Reuse: Establishes a reusable computational framework for standardizing circadian behavioral analysis across projects.
Operational & Enterprise Impact
- Scientific Value: Predictive confidence through mechanistic insight into bimodal activity regulation beyond transcriptional clocks.
- Operational Value: Standardization and reproducibility via nine-parameter model fitting of locomotor waveforms.
- Strategic Value: Improved go/no-go decisions by reducing biological ambiguity in behavioral phenotypes.
- Portfolio Impact: Risk-adjusted prioritization based on quantitative dissection of morning and evening peak contributions.
Implementation Considerations
- Requires expertise in circadian biology and MATLAB-based spectral and model fitting.
- Depends on activity monitoring infrastructure and controlled light/dark incubation systems.
- Necessitates cross-team standardization of binning, trend correction, and peak selection protocols.
- Involves adaptation considerations when applying the model to non-standardized fly strains or environmental conditions.
- Includes practical limitations such as sensitivity to baseline trends and initial transient adaptation periods in locomotor data.
