Profilering van maternale gedragsreacties tijdens beeldvorming van de hele hersenen
24 januari 2025
Hier wordt een pijplijn voor video-analyse gepresenteerd die uitdagingen op het gebied van gedragsmonitoring binnen MRI-omgevingen overwint, waardoor niet-geïnstrueerde gedragsreacties op externe signalen kunnen worden gedetecteerd. Deze analyse zal een beter begrip van opgewekte interne toestandsveranderingen en hersenbrede activiteit vergemakkelijken.
Hoe een verzorger signalen van baby's waarneemt en erop reageert, zal bepalen of de baby de zorg krijgt die het nodig heeft om te overleven. Bij muizen roepen vocalisaties van pups complexe gedragsreacties op en roepen ze dus waarschijnlijk gecoördineerde activiteit op over een netwerk van hersengebieden. We willen dit netwerk identificeren bij muizen met verschillende maternale ervaringsachtergronden, en wakkere muis FMRI is daar een geweldig hulpmiddel voor.
Naarmate wakkere muis FMRI op grotere schaal wordt gebruikt, ontstaat er opwindend onderzoek dat de neurale correlaten van doelgericht gedrag onderzoekt. Dit gedrag wordt meestal beoordeeld met behulp van hulpmiddelen zoals straalbrekers om lekken te detecteren en druksensoren om bewegingen te detecteren. Ons protocol stelt ons in staat om spontane gedragsreacties te beoordelen, zelfs in de technisch uitdagende MRI-omgeving.
Ons doel is om uiteindelijk metingen van spontaan gedrag te gebruiken om de hersenbrede activiteit die we met FMRI hebben verworven beter te begrijpen. Uit ons eerdere werk bleek dat de auditieve cortex van moeders en maagdelijke dieren anders reageren op oproepen van pups. Bij moeders zijn hun neurale reacties gekoppeld aan het gehuil van een pup.
Bij maagden zijn ze dat niet. Als een maagd echter leert om moederlijk gedrag te uiten, veranderen de auditieve centra om deze nieuwe vaardigheid te weerspiegelen. Onze eerdere studies waren gericht op de auditieve cortex bij verdoofde muizen.
Deze studie gaat verder dan de grenzen van de auditieve cortex en onderzoekt hoe de hele hersenen en het gedrag veranderen bij wakkere muizen die zich gedragen als een dier leert moeder te worden. Download om te beginnen MATLAB van de MathWorks-website. Om de toolbox voor beeldverwerking toe te voegen aan MATLAB-add-ons, klikt u op add-ons beheren, add-ons ophalen en zoekt u ze en voegt u ze toe.
Voeg op dezelfde manier de Computer Vision Toolbox toe aan de MATLAB-add-ons. Nadat u script één van de analysepijplijn hebt geopend, bewerkt u secties één, twee, drie, vier, vijf en zes van het script zodat de gegevensstructuren passen waar aangegeven. Voer sectie één uit.
Voer sectie twee van het script uit om het eerste frame van elke video op te halen. Gebruik de muis om eenmaal op de eerste twee punten te klikken en dubbelklik vervolgens op het derde punt. Nadat je de laatste punten van de video hebt geselecteerd, druk je op enter.
Voer sectie drie en sectie vier uit. Zet de vlag op nul en voer sectie vijf uit. Zet vervolgens de vlag op één en voer sectie vijf opnieuw uit.
Voer nu deel zes uit en vergelijk de resultaten naast elkaar. Open vervolgens script twee en bewerk sectie één van het script zodat deze in gegevensstructuren past. Voer vervolgens sectie één uit.
Bewerk sectie twee van het script zodat deze in gegevensstructuren past en voer sectie twee uit. Gebruik de resulterende afbeelding om te zien waar de optische stroom het meest dramatisch fluctueert in de geanalyseerde video's. Bewerk sectie drie van het script zodat deze past bij gegevensstructuren en analysebehoeften.
Als u het volledige gezichtsveld van de video wilt analyseren, stelt u de vlag in om ROI te selecteren en geeft u ROI op nul. Voer vervolgens sectie drie uit. Als u een nieuwe ROI wilt analyseren, stelt u de vlag in op ROI selecteren op één en geeft u ROI op nul.
Bewerk vervolgens newCoordsName en voer sectie drie uit. Selecteer een nieuwe ROI in het weergegeven voorbeeldkader door te klikken en te slepen. Voor het analyseren van eerder getekende ROI, stelt u de vlag in op ROI selecteren op nul en geeft u ROI op één.
Bewerk vervolgens inputCördinaten om een vooraf bepaalde set coördinaten op te geven en voer sectie drie uit. Open script drie en bewerk secties één tot en met drie van het script om te passen bij gegevensstructuren en analysebehoeften. Stel in sectie één de vlaggen voor analyseopties ZSC, BLRM, BLZSC, demeanPerTrial en applyLPfilter in op nul of één.
Stel LPfilter in op een getal dat staat voor het gewenste laagdoorlaatfilter in hertz. Voer vervolgens de secties één tot en met drie uit. Open script vier en bewerk sectie één van het script zodat deze past bij de gegevensstructuren en analysebehoeften.
Voer sectie één uit. Open script vijf en bewerk sectie één van het script zodat deze past bij gegevensstructuren en analyse. Voer vervolgens sectie één en sectie twee uit.
Wijzig de variabelen groep, myTitle en threshT in sectie drie invoer om de gewenste groepsanalyse weer te geven. Voer sectie drie uit voor elke interessegroep. Pas vervolgens het bereik van de C-as en de limieten van de kleurenbalk naar wens aan voor visualisatie.
Wijzig de mag-, myTitle- en threshT-variabelen in sectie vier invoer om de gewenste groepsvergelijking weer te geven. Voer sectie vier uit voor elke interessante groepsvergelijking en pas vervolgens het bereik van de Z-as en de kleurbalklimieten naar wens aan voor visualisatie. Optische stroomvectoren gaven gebieden aan waar dieren zich bewogen, vooral rond de snuit en poten.
De standaarddeviatie van de optische stroomgrootte identificeerde gebieden met hoge en lage bewegingsfluctuaties. Moeders vertoonden hogere bewegingsreacties op pup-oproepen in vergelijking met maagden, maar niet op zuivere tonen. Uit analyse van de hoofdcomponenten bleek dat moeders tijdens beide stimulipresentaties meer beweging in het neusgebied hadden in vergelijking met maagden.
Kwantificering van de optische stroom van een validatiedataset onthulde significante verschillen in gedragsreacties op beloningen met hoog versus laag water. Deze resultaten suggereren verder dat de gepresenteerde video-analysepijplijn kan worden gebruikt om betekenisvolle verschillen in diergedrag onder verschillende omstandigheden vast te leggen.
Overzicht
Deze studie presenteert een video-analyse pipeline die is ontworpen om spontane gedragsreacties bij muizen binnen MRI-omgevingen te monitoren. Door gebruik te maken van wakkere muis FMRI, beoogt het onderzoek de neurale correlaties van maternale gedragingen in reactie op pup vocalisaties te onthullen.
Belangrijkste studie componenten
Wetenschapsgebied
- Neurowetenschappen
- Gedragsanalyse
- Beeldtechnieken
Achtergrond
- Pup vocalisaties bij muizen roepen complexe gedragsreacties op.
- Het begrijpen van deze reacties kan inzichten geven in moederlijke zorg en hersenactiviteit.
- Eerdere studies gaven aan dat er verschillen waren in auditieve cortex reacties tussen moeders en maagden.
- Dit onderzoek gaat verder dan de auditieve cortex om de algehele hersenactiviteit te onderzoeken.
Doel van studie
- Om hersennetwerken te identificeren die worden geactiveerd door pup oproepen bij muizen met verschillende moederlijke ervaringen.
- Om spontane gedragsreacties te beoordelen in een uitdagende MRI-omgeving.
- Om het begrip van hersenbrede activiteit gerelateerd aan maternale gedragingen te verbeteren.
Gebruikte methoden
- Ontwikkeling van een MATLAB-gebaseerde video-analyse pipeline.
- Bewerken en uitvoeren van scripts om videodata van wakkere muizen te analyseren.
- Gebruik van optische stroomanalyse om bewegingsreacties te beoordelen.
- Vergelijking van gedragsreacties tussen moeders en maagden tijdens auditieve stimuli.
Belangrijkste resultaten
- Moeders vertoonden grotere bewegingsreacties op pup oproepen vergeleken met maagden.
- Optische stroomanalyse gaf significante gedragsverschillen aan op basis van moederlijke ervaring.
- Hoofdcomponentenanalyse onthulde verschillende bewegingspatronen bij moeders versus maagden.
- De video-analyse pipeline legde spontane gedragingen effectief vast in verschillende omstandigheden.
Conclusies
- De studie demonstreert met succes een methode voor het analyseren van spontane gedragingen in MRI-settings.
- De bevindingen dragen bij aan het begrijpen van de neurale basis van maternale gedragingen in reactie op baby signalen.
- De ontwikkelde pipeline kan worden toegepast op verder onderzoek in gedragsneurowetenschappen.
Veelgestelde vragen
Executive Industry Relevance
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.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of neural circuits underlying specific behavioral phenotypes in response to defined stimuli.
- Supports biological de-risking by linking functional brain activity to observable behavioral outputs.
- Facilitates predictive confidence in target selection by quantifying stimulus-evoked responses across animal cohorts.
Screening & Assay Development
- Prepares validated behavioral readouts for integration with neural imaging workflows.
- Standardizes behavioral quantification using optical flow and dimensionality reduction for reproducibility.
- Enables robust comparison of compound or genetic interventions on both neural and behavioral endpoints.
Translational & Preclinical Research
- Aligns behavioral outputs with disease-relevant neural activity for translational biomarker development.
- Supports continuity from discovery through preclinical validation by enabling behavioral monitoring in constrained environments.
- Provides mechanistic de-risking for CNS and neuropsychiatric target portfolios.
Pipeline & Workflow Integration
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.
- Discovery Biology: Quantifies behavioral responses to defined stimuli, supporting hypothesis testing and pathway clarification.
- Screening: Delivers reproducible, quantitative behavioral metrics for downstream compound or genetic screening.
- Analytics: Provides statistical outputs and dimensionality reduction for robust cross-condition comparisons.
- Translational Research: Facilitates alignment of behavioral and neural endpoints for preclinical model validation.
- Enterprise Reuse: Offers a modular, adaptable pipeline for behavioral monitoring across diverse neural recording platforms.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in CNS target validation.
- Operational Value: Standardizes behavioral quantification for reproducibility and scalability across studies.
- Strategic Value: Improves go/no-go decisions by integrating behavioral and neural data streams.
- Portfolio Impact: Enables risk-adjusted prioritization of neurobehavioral targets and models.
Implementation Considerations
- Requires expertise in behavioral neuroscience, imaging, and computational analysis.
- Depends on access to MRI-compatible video acquisition and MATLAB-based analytical infrastructure.
- Necessitates cross-team standardization of behavioral scoring and data integration protocols.
- Adaptable to various neural recording modalities beyond fMRI, as supported by the pipeline design.
- Limited by the need for non-ferromagnetic equipment and restricted field of view in MRI environments.
