Artykuł metodologiczny

Półautomatyczna analiza amplitudy piku i opóźnienia dla przebiegów odpowiedzi słuchowej pnia mózgu przy użyciu R

2.9K wyświetleń

⸱

DOI:

10.3791/64737

⸱

9 grudnia 2022

 , 
1Department of Biomedical Genetics, University of Rochester Medical Center, 2Department of Neuroscience, Ernst J. Del Monte Institute for Neuroscience, University of Rochester Medical Center

W tym artykule

Podsumowanie

Ten artykuł opisuje półautomatyczny pomiar amplitud i opóźnień pierwszych pięciu szczytów i dołków w przebiegu odpowiedzi słuchowej pnia mózgu. Dodatkowa procedura kompiluje dane i dodaje adnotacje do arkusza kalkulacyjnego w celu analizy przez eksperymentatora. Te bezpłatne procedury komputerowe są wykonywane przy użyciu pakietu statystycznego R. o otwartym kodzie źródłowym.

Streszczenie

Wiele raportów z ostatnich 15 lat oceniało zmiany w przebiegu fali słuchowej pnia mózgu (ABR) po zniewagach, takich jak narażenie na hałas. Typowe zmiany obejmują zmniejszenie amplitudy piku 1 i względnych opóźnień późniejszych pików, a także zwiększenie wzmocnienia centralnego, co znajduje odzwierciedlenie we względnym wzroście amplitudy późniejszych pików w porównaniu z amplitudą piku 1. Wielu eksperymentatorów identyfikuje szczyty i dołki wizualnie, aby ocenić ich względne wysokości i opóźnienia, co jest pracochłonnym procesem, gdy przebiegi są zbierane w przyrostach co 5 dB w całym zakresie słyszenia dla każdej częstotliwości i stanu. W tym artykule opisano bezpłatne procedury, które mogą być wykonywane na platformie open source R z interfejsem RStudio w celu częściowej automatyzacji pomiarów szczytów i dołków przebiegów słuchowej odpowiedzi pnia mózgu (ABR). Procedury identyfikują amplitudy i opóźnienia szczytów i dołków, wyświetlają je na wygenerowanym kształcie fali do kontroli, zestawiają i opisują wyniki w arkuszu kalkulacyjnym w celu analizy statystycznej oraz generują uśrednione przebiegi dla liczb. W przypadkach, gdy zautomatyzowany proces błędnie identyfikuje przebieg ABR, istnieje dodatkowe narzędzie pomagające w korekcji. Celem jest skrócenie czasu i wysiłku potrzebnego do analizy przebiegu ABR, tak aby więcej badaczy mogło uwzględnić te analizy w przyszłości.

Wprowadzenie

Słuchowa odpowiedź pnia mózgu (ABR) jest często używana do określania progów słyszenia u zwierząt i ludzkich niemowląt. Ponieważ ABR jest zapisem elektroencefalogramu (EEG) pierwszych reakcji układu nerwowego na bodźce słuchowe, zawiera dodatkowe informacje, które odzwierciedlają skoordynowane uruchamianie neuronów zwoju ślimakowego ślimaka i wczesne przetwarzanie sygnału w słuchowym pniu mózgu, w tym przetwarzanie obustronne1. Na te reakcje może mieć wpływ uraz spowodowany hałasem. Na przykład narażenie na hałas, które jest wystarczające do wywołania tymczasowego przesunięcia progu u myszy, może również trwale zmniejszyć amplitudę piku ABR 12. Co więcej, takie urazy mogą zmniejszyć opóźnienia międzyszczytowe i zwiększyć względne amplitudy późniejszych szczytów3, prawdopodobnie z powodu utraty regulacji hamującej4. Oprócz tych ustaleń wykazano, że specyficzne mutacje genetyczne zmieniają kształt fali ABR przy braku traumy5,6,7. W ten sposób rutynowa analiza przebiegów ABR może zapewnić wgląd w układ słuchowy w modelach eksperymentalnych.

Pojawiło się również zainteresowanie wykorzystaniem przebiegów ABR jako narzędzia diagnostycznego dla pacjentów. Poprzednie raporty oceniały, czy szczyt ABR 1 jest zmniejszony u ludzi po ekspozycji na hałas lub u pacjentów z szumami usznymi8,9. Warto zauważyć, że ataki migreny tymczasowo zwiększają opóźnienia międzyszczytowe na kilka tygodni, po czym przebieg ABR wraca do normy u osób dotkniętych chorobą10. Zgłoszono, że COVID-19 powoduje długoterminowe zmiany w opóźnieniach międzyszczytowych ABR11,12, chociaż inne badanie wykazało inne wyniki13. Ubytek słuchu często współwystępuje z demencją w starzeniu się, a osoby z większym ubytkiem słuchu mają tendencję do doświadczania demencji, która postępuje szybciej14. Naukowcy badali zmiany kształtu fali ABR w chorobach neurodegeneracyjnych, takich jak choroba Parkinsona (recenzja w Jafari et al.15) i choroba Alzheimera (recenzja w Swords et al.16), a także w normalnym starzeniu się17. Ponieważ coraz więcej badaczy i klinicystów bada deficyty sensoryczne jako biomarkery powszechnych chorób związanych ze starzeniem się, techniki takie jak ABR mogą stać się rutyną w opiece zdrowotnej.

Analiza sekcji metod w literaturze ujawnia, że laboratoria często piszą niestandardowe skrypty w MatLab do analizy przebiegów ABR. Platforma ABR firmy Intelligent Hearing Systems posiada funkcję analizy przebiegów, ale wymaga ona od operatora ręcznego wyboru szczytów i dołków. W tym miejscu napisaliśmy półautomatyczne procedury analityczne dla ogólnodostępnego środowiska statystycznego R o otwartym kodzie źródłowym i interfejsu RStudio. Raport ten porównuje dane uzyskane przy użyciu naszych procedur z danymi uzyskanymi przez eksperymentatora w celu ręcznej identyfikacji szczytów i dołków i pokazuje, że dane z tych dwóch metod są silnie skorelowane. Co ważne, procedury zawierają funkcję zaślepiania, w której metadane próbek są umieszczane w osobnym pliku, który nie jest włączany do końca. Funkcje te usprawniły analizę przebiegów w naszym laboratorium.

Protokół

Wszystkie procedury wykonywane na zwierzętach zostały wcześniej zatwierdzone przez Komitet Badań nad Zwierzętami Uniwersytetu w Rochester. Uczestnikami eksperymentu było 12 samców i samic myszy F1 typu dzikiego w wieku 1 miesiąca. Te myszy F1 są produktem krycia matki CBA / CaJ i reproduktora C57BL / 6J. Myszy były hodowane i trzymane w wiwarium ze standardowym 12-godzinnym cyklem światła/ciemności, nieograniczonym jedzeniem i wodą oraz obfitymi zapasami gniazdowymi. Nie więcej niż pięcioro rodzeństwa tej samej płci było trzymanych razem w jednej klatce.

1. Pozyskiwanie danych do analizy

UWAGA: Ten krok musi być zgodny z wytycznymi instytucjonalnymi i być wstępnie zatwierdzony przez instytucjonalny komitet ds. dobrostanu zwierząt. Szczegółowy proces generowania danych ABR od myszy został opisany w innym miejscu18.

  1. Nagraj ABR za pomocą wybranej platformy.
    UWAGA: W przedstawionym tutaj przykładzie nagrania zostały wykonane na myszach.
    1. Użyj bodźca kliknięcia 5 ms, zaczynając od poziomu ciśnienia akustycznego 75 dB i zmniejszając się w krokach co 5 dB do 5 dB. Rejestruj średnio 512 przemiatania dla każdej amplitudy. Odrzuć odpowiedzi, jeśli ich amplituda szczytowa do minimalnej jest większa niż 31 μV w dowolnym momencie między 1,3 ms a 12,5 ms po bodźcu.
      UWAGA: Można również wykorzystać nagrania z prezentacji pipsów tonowych. Przewidujemy, że procedura analizy będzie skuteczna w przypadku innych gatunków, w tym ludzi.
  2. Wyeksportuj nagranie ABR jako plik ASCII.
    1. W przypadku IHS otwórz program komputerowy.
    2. Załaduj interesujący Cię plik i wyświetl żądane przebiegi na jednej stronie.
    3. Na karcie Dane wybierz opcję Zapisz stronę jako ASCII, aby uzyskać plik .txt.
    4. Po odpowiednim nazwaniu pliku danych ("ID"), zapisz identyfikator i informacje o podmiocie w pliku metadanych zatytułowanym "info.csv". Upewnij się, że "ID" nie zawiera żadnych informacji, takich jak genotyp, płeć, wiek lub leczenie; informacje te są zamiast tego zapisywane w "info.csv."
      UWAGA: Uczciwa talia kart do gry może być użyta do losowego przypisywania etykiet, jeśli zajdzie taka potrzeba.
    5. Powtórz te czynności ze wszystkimi plikami, które mają być analizowane, jako oddzielnymi plikami "ID".

2. Instalacja wymaganych pakietów i wczytywanie danych na działający komputer

  1. Pobierz i zainstaluj programy R (https://www.r-project.org) i RStudio (https://www.rstudio.com).
    UWAGA: Opisany tutaj protokół używał R ≥ 4.0.0.
  2. Zainstaluj wymagane biblioteki, tidyverse, shiny, plotly i zoo, wpisując następujące polecenie w oknie poleceń programu RStudio:
    Install.packages("tidyverse")
    Install.packages("błyszczący")
    Install.packages("plotly")
    Install.packages("zoo")
  3. Pobierz skrypty FindPeaks.R i See_trace_click. R z White lab GitHub (https://github.com/PWhiteLab/FindPeaks), a także skojarzony plik "Time.csv".
  4. Utwórz nowy folder, który będzie zawierał wszystkie pliki ASCII "info.csv" i "Time.csv". W tym przykładzie nazwij folder "Test_Folder". W polu "Test_Folder" umieść pliki ASCII w podfolderze o nazwie "ASCII_Folder".

3. Uzyskiwanie wstępnej analizy za pomocą FindPeaks.R

  1. Otwórz skrypt FindPeaks.R w programie RStudio.
  2. Kliknij prawym przyciskiem myszy zakładkę skryptu na pasku narzędzi, aby wybrać opcję Ustaw katalog roboczy i ustaw go na Test_Folder (patrz rysunek uzupełniający S1A).
  3. W oknie skryptu kliknij Źródło w prawym górnym rogu paska narzędzi, aby załadować program (patrz Rysunek uzupełniający S1B).
  4. W oknie poleceń użyj następujących poleceń, aby przeanalizować przebiegi (patrz rysunek uzupełniający S2):
    FindPeaks_single("ASCII_folder/ID.txt") dla poszczególnych plików (patrz rysunek uzupełniający S2A)
    FindPeaks_group ("ASCII_Folder") do przetwarzania wsadowego (patrz rysunek uzupełniający S2B)
    UWAGA: Skrypt wyśle (1) pliki pdf wyświetlające przebiegi z oznaczonymi szczytami i dołkami (patrz rysunek uzupełniający S2C) oraz (2) plik ID.csv zawierający dane liczbowe dla amplitudy (μV) i opóźnienia (ms). Oba pliki zostaną umieszczone w folderze "Test_Folder".

4. Weryfikacja wstępnej analizy

UWAGA: Przy niskich poziomach dźwięku, części fali mogą stać się trudne do odróżnienia od szumu, a FindPeaks.R może błędnie zidentyfikować szczyty lub dołki w porównaniu z opinią eksperymentatora. W przypadku rozbieżności plik .csv można zmienić o dane uzyskane ze skryptu See_trace_click.R.

  1. Załaduj dane przebiegu dla konkretnej osoby za pomocą polecenia (patrz rysunek uzupełniający S3A):
    Przebieg <- ASCII_extract("ASCII_Folder/ID.txt")
  2. Otwórz See_trace_click. Skrypt języka R w programie RStudio.
  3. W nagłówku po lewej stronie kliknij przycisk Uruchom aplikację i poczekaj, aż pojawi się nowe interaktywne (błyszczące) okno (patrz rysunek uzupełniający S3B).
  4. W polu w lewym górnym rogu wprowadź poziom dźwięku dla przebiegu, który wymaga rewizji, i poszukaj przebiegu wyświetlanego w oknie.
  5. Przesuń kursor po przebiegu, aby wyświetlić opóźnienie i amplitudę w dowolnym punkcie.
  6. Kliknij właściwy szczyt i następujące po nim minimum, aby zapisać dane w poniższej tabeli. Skopiuj i wklej dane dotyczące opóźnienia do pliku .csv (patrz rysunek uzupełniający S3C).
  7. Aby obliczyć pomiar amplitudy, odejmij następującą minimalną amplitudę od amplitudy piku w komórce arkusza kalkulacyjnego.

5. Kompilacja i wizualizacja zbioru danych

  1. Przenieś zweryfikowane pliki .csv do nowego podfolderu w Test_Folder o nazwie "Peak_Data".
  2. Dołącz dane do jednego pliku .csv i nadaj mu nazwę "Peak_Data.csv".
  3. Użyj następującego polecenia:
    Kompilacja ("Peak_Data")
    UWAGA: Ten skrypt łączy metadane z info.csv z Peak_Data.csv w celu oznaczenia danych informacjami o grupie. Automatycznie oblicza również opóźnienia międzyszczytowe i współczynniki amplitudy.
  4. Wykonaj analizę statystyczną na skompilowanych danych.
    1. Użyj testu normalności, takiego jak test Shapiro-Wilksa, aby ocenić rozkład danych za pomocą następującej funkcji:
      shapiro.test()
    2. Jeśli test Shapiro-Wilksa nie jest istotny, oznacza to, że zbiór danych ma rozkład normalny; dlatego należy ocenić dane za pomocą testu parametrycznego, takiego jak ANOVA o następującej funkcji:
      aov()
    3. Jeśli test Shapiro-Wilksa jest mniejszy niż p = 0,05, użyj testu sumy rang Kruskala-Wallisa (z poniższą funkcją) lub innej odpowiedniej miary nieparametrycznej (zobacz inne możliwości w dyskusji).
      kruskal.test()
  5. Aby wyświetlić średnie przebiegi, użyj następującego polecenia:
    Average_Waveform("ASCII_Folder ", aes(x = Data_Pnt_ms, y = "dB", group = Genotyp, kolor = Genotyp))<br /> UWAGA: To polecenie pokazuje średnie przebiegi dla różnych genotypów w różnych kolorach. W przypadku zmiennej y dB wprowadź liczbę odpowiadającą żądanej amplitudzie, na przykład 75, bez cudzysłowów. W przypadku innych porównań użyj odpowiedniej etykiety grupy z metadanych.

Wyniki

Przetestowaliśmy procedury na reakcjach fal ABR na serię kliknięć, zaczynając od 75 dB i zmniejszając w krokach co 5 dB do 5 dB. Dane te uzyskano zgodnie z wcześniejszym opisem19. Przetestowaliśmy również narzędzie na danych dotyczących pipsów tonów i uzyskaliśmy podobne wyniki. Dane ABR z większości systemów ABR można eksportować jako pliki .txt (ASCII). Załadowaliśmy pliki ABR ASCII na komputer i otworzyliśmy je w programie RStudio zgodnie z opisem w protokole. Po uruchomieniu procedury FindPeaks.R w formie wsadowej, uzyskaliśmy przykładowe przebiegi z automatycznym etykietowaniem (Rysunek 1) oraz plik .csv z wynikami. Wyniki zostały przeanalizowane w celu usunięcia nieistotnych szczytów. Aby zweryfikować automatyczne etykietowanie, wykorzystaliśmy również funkcję programu ABR do ręcznego oznaczania pierwszych pięciu szczytów i dolin na każdym przebiegu uzyskanym za pomocą serii kliknięć opisanej powyżej. Eksperymentator wykonujący to zadanie miał 2 lata doświadczenia w rejestrowaniu i analizowaniu danych ABR. Rysunek 2 pokazuje to porównanie, z automatycznymi danymi FindPeaks.R w kolorze czerwonym i ręcznie uzyskanymi danymi w kolorze czarnym. Każdy ślad reprezentuje dane z jednej myszy. Wyświetlana jest również średnia dla obu metod z jednym odchyleniem standardowym. Wyniki uzyskane przez FindPeaks.R silnie korelują z wynikami uzyskanymi ręcznie (patrz rysunek uzupełniający S4).

figure-results-1
Rysunek 1: Reprezentatywna reakcja fali na bodziec kliknięcia o natężeniu 75 dB dla młodej myszy F1. Opóźnienie w milisekundach jest wykreślane na osi x, a amplituda w mikrowoltach jest wykreślana na osi y. Szczyty zostały automatycznie zidentyfikowane za pomocą FindPeaks.R i są oznaczone kolorem czerwonym, podczas gdy doliny są oznaczone kolorem niebieskim. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-2
Rysunek 2: Porównanie danych uzyskanych z ręcznie zidentyfikowanych pików z danymi dostarczonymi przez analizę FindPeaks.R. (A,C,E,G,I) Amplitudy w mikrowoltach i (B,D,F,H,J) opóźnienia w milisekundach są wykreślane dla poziomów dźwięku od 5 dB do 75 dB (oś x, wszystkie wykresy) dla szczytów I-V w przebiegach uzyskanych dla bodźców kliknięcia przedstawionych 12 myszom. Ręcznie uzyskane wartości (kolor) są porównywane z tymi samymi zestawami danych analizowanymi za pomocą narzędzia FindPeaks.R (kolor czerwony). Średnie są wykreślane jako grube linie, przy czym zacieniony obszar reprezentuje jedno odchylenie standardowe. Nie zaobserwowano różnic między metodami ocenianymi za pomocą testu sumy rang Kruskala-Wallisa (A, różnica = 0,0547977 ± 0,0010028, max = 0,96, p = 0,9216; B, różnica = −0,0001734 ± 0,0001214, max = 0,04, p = 0,8289; C, różnica = −0,0212209 ± 0,0006806, max = 0,92, p = 0,9687; D, różnica = −0,0011047 ± 0,0001556, max = 0,06, p = 0,771; E, różnica = −0,0323077 ± 0,0006169, max = 0,66, p = 0,899; F, różnica = −0,0072189 ± 0,0001460, max = 0,04, p = 0,8644; G, różnica = 0,201754 ± 0,0007407, max = 0,64, p = 0,9312; H, różnica = −0,0007018 ± 0,0001717, max = 0,09, p = 0,8013; I, różnica = 0,0347561 ± 0,0007343, max = 1,05, p = 0,8856; J, różnica = −0,0078049 ± 0,0002762, max = 0,16, p = 0,886), a wyniki były silnie skorelowane (wartości chi-kwadrat: A, 0,009696; B, 0,046684; C, 0,0015395; D, 0,084742; E, 0,016102; F, 0,029153; G, 0,0074604; H, 0,063322; I, 0,020699; J, 0,020544; różnice przedstawione jako średnia ± SEM; max = bezwzględna maksymalna różnica). Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek uzupełniający S1: Analiza za pomocą FindPeaks.R. (A) Wybór katalogu roboczego (patrz krok 3.2 protokołu); (B) wczytywanie programu (patrz krok 3.3 protokołu). Kliknij tutaj, aby pobrać ten plik.

Rysunek uzupełniający S2: Wyjście skryptu i polecenia do analizy przebiegów. Polecenia dla (A) pojedynczych plików i (B) przetwarzania wsadowego. (C) Wyjściowy plik PDF przedstawiający przebiegi z oznaczonymi szczytami i dolinami. Patrz krok 3.4 protokołu. Kliknij tutaj, aby pobrać ten plik.

Rysunek uzupełniający S3: Weryfikacja analizy. (A) Wczytywanie danych przebiegu (patrz krok 4.1 protokołu). (B) Lokalizacja przycisku Uruchom aplikację. Wskazany jest również przykładowy plik danych. (C) Błyszczące okienko z kształtem fali. W tym przypadku poziom dźwięku wynosi 75 dB, jak wprowadzono w górnym oknie. Kliknięcie żądanego piku i następującego po nim dołka rejestruje dane dotyczące amplitudy i opóźnienia w tabeli (krok 4.6 protokołu). Wyświetlane są dane Peak 3. Kliknij tutaj, aby pobrać ten plik.

Rysunek uzupełniający S4: Porównanie indywidualnych danych uzyskanych z ręcznie zidentyfikowanych pików z danymi dostarczonymi przez analizę FindPeaks.R. (A,C,E,G,I) Amplitudy w mikrowoltach i opóźnienia (BB,D,F,H,J) w milisekundach są wykreślane dla poziomów dźwięku od 5 dB do 75 dB (oś x, wszystkie wykresy) dla pików I-V w przebiegach uzyskanych dla bodźców kliknięcia prezentowanych 12 myszom. Każde zwierzę jest oznaczone unikalnym kolorem, jak pokazano w legendzie. Dane uzyskane za pomocą FindPeaks.R są oznaczone jednolitymi kolorami, podczas gdy dane uzyskane ręcznie są oznaczone mniej nasyconymi wersjami tych samych kolorów. Chociaż oba zestawy danych są wykreślone na tym rysunku, gdy są identyczne, widoczna jest tylko jedna linia. Kliknij tutaj, aby pobrać ten plik.

Dyskusja

Protokół opisany w tej publikacji powinien pomóc w usprawnieniu pozyskiwania danych opisujących stosunki amplitudy napięcia i interwały opóźnień między ABR a kliknięciami i pipsami tonów. Korzystając z pojedynczych poleceń w programie RStudio, eksperymentator może wyodrębnić, skompilować i wyświetlić te informacje w jednym dokumencie do analizy statystycznej. Mamy nadzieję, że dzięki tej analizie uda nam się odkryć nowe sposoby, w jakie ABR może być zmieniany w trakcie rozwoju, starzenia się lub w wyniku zniewagi u różnych gatunków. Takie informacje mogą być cenne dla identyfikacji ważnych mechanizmów podobnych do synaptopatii wywołanej przez hałas2. Młode myszy użyte w tym eksperymencie miały bardzo zróżnicowane reakcje, prawdopodobnie dlatego, że słuchowy pień mózgu wciąż dojrzewa w wieku20 lat. Niemniej jednak obie metody kwantyfikacji wykazały bardzo silne korelacje (ryc. 2).

Skrypt używa pliku o nazwie "Time.csv" do ustawiania interwałów w danych w celu identyfikacji szczytu. Krótko mówiąc, maksymalna amplituda napięcia występująca w określonym przedziale czasu jest oznaczona jako "szczyt 1", minimum napięcia występujące w następnym przedziale jest oznaczone jako "dołek 1" i tak dalej. Wybraliśmy interwały tak, aby obejmowały opóźnienia zarówno reakcji kliknięcia, jak i tonu dla myszy CBA / CaJ w wieku od 1 miesiąca do 12 miesięcy przy użyciu częstotliwości od 8 kHz do 32 kHz. Z powodzeniem wykorzystaliśmy to narzędzie do pomiaru reakcji tonów u myszy. Inne gatunki, w tym ludzie, również mają reakcje ABR w podobnych przedziałach czasowych i przewidujemy, że to narzędzie może być również wykorzystywane do danych dotyczących innych gatunków. Zalecamy stosowanie nowej równoległej metody ABR dla ludzi21, która daje doskonałe przebiegi. Ograniczenie interwału czasowego ogranicza korzystanie z tego narzędzia do oceny natychmiastowych reakcji ABR. Zwracamy jednak uwagę, że dane interwałowe w tym pliku mogą być zmieniane przez użytkowników w celu zautomatyzowania pomiarów reakcji ABR na mowę lub potencjałów związanych ze zdarzeniami (ERP), które charakterystycznie występują w różnych momentach w odpowiedzi na dźwięk.

Warto zwrócić uwagę na niektóre cechy statystycznego traktowania tych danych. O ile nam wiadomo, w tej dziedzinie nie ma ustandaryzowanego leczenia rozróżniania progresji amplitudy. We wczesnych badaniach stosowano ANOVA22,23. Dane z serii kliknięć (rysunek 2) były nieparametryczne, co doprowadziło do zastosowania testu sumy rang Kruskala-Wallisa. Podobnie jak ANOVA, test sumy rang Kruskala-Wallisa ocenia różnice w wartościach uzyskanych na danym poziomie bodźca; Oznacza to, że porównuje linie uzyskane na wykresie. Możliwe są jednak również inne zabiegi. Z biologicznego punktu widzenia progresje amplitudy odzwierciedlają dodatkową rekrutację neuronów o wyższym progu wraz ze wzrostem poziomu bodźca. Sugeruje to, że obszar pod krzywą, który reprezentuje całki linii, może być bardziej odpowiednią miarą. Uogólnione równania estymujące (GEE) mogą być używane do modelowania poszczególnych danych do analizy całkowej, jak w Patel i wsp.5. Warto zauważyć, że analiza GEE może uwzględniać projekt powtarzalnych pomiarów w tych eksperymentach. W miarę jak coraz więcej badaczy omawia metody analizy danych, spodziewamy się pojawienia się konsensusu w sprawie najlepszych praktyk.

Podsumowując, w artykule przedstawiono bezpłatne i łatwe w użyciu narzędzia do pomiaru, kompilacji i wizualizacji przebiegów ABR. Narzędzia te mogą być używane przez początkujących studentów RStudio, postępując zgodnie z tym protokołem, i zawierają krok zaślepiający w celu poprawy rygoru i odtwarzalności. Przewidujemy, że rutynowa analiza kształtu fali ABR umożliwi odkrycie zniewag, wariantów genetycznych i innych metod leczenia, które mogą wpływać na funkcje słuchowe.

Oświadczenia

Autorzy nie pozostają w konflikcie interesów.

Podziękowania

Ta praca została wsparta dwoma grantami od NIDCD dla PW: R01 DC018660 oraz dodatkowym administracyjnym grantem, R01 DC014261-05S1.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Myszy C57BL/6J Myszy Jackson Labs664
CBA/CaJLabs654
E-series PCDelln/a (to urządzenie zostało wycofane z produkcji)Działa na nim system IHS.
Mini-komora bezechowaFirma Akustyki PrzemysłowejSpecjalny numer zamówienia 104306Ta obudowa zmniejsza poziom hałasu podczas badań słuchowych zwierząt.
Optiplex 7040Delli5-6500Rstudio można również uruchomić w systemie Mac lub Linux.
Universal Smart BoxIntelligent Hearing Systemsn/a (ten sprzęt został wycofany z produkcji)Zarówno TDT, jak i IHS mogą wysyłać dane słuchowe jako pliki ASCII.
Jackson

Bibliografia

  1. Gopal, K. V., Pierel, K. Binaural interaction component in children at risk for central auditory processing disorders. Scandinavian Audiology. 28 (2), 77-84 (1999).
  2. Kujawa, S. G., Liberman, M. C. Adding insult to injury: Cochlear nerve degeneration after "temporary" noise-induced hearing loss. Journal of Neuroscience. 29 (45), 14077-14085 (2009).
  3. Salvi, R. J., Wang, J., Ding, D. Auditory plasticity and hyperactivity following cochlear damage. Hearing Research. 147 (1-2), 261-274 (2000).
  4. Schrode, K. M., Muniak, M. A., Kim, Y. H., Lauer, A. M. Central compensation in auditory brainstem after damaging noise exposure. eNeuro. 5 (4), (2018).
  5. Patel, S., et al. SIRT3 promotes auditory function in young adult FVB/nJ mice but is dispensable for hearing recovery after noise exposure. PLoS One. 15 (7), 0235491(2020).
  6. Milinkeviciute, G., Chokr, S. M., Castro, E. M., Cramer, K. S. CX3CR1 mutation alters synaptic and astrocytic protein expression, topographic gradients, and response latencies in the auditory brainstem. Journal of Comparative Neurology. 529 (11), 3076-3097 (2021).
  7. Ison, J. R., Allen, P. D., Oertel, D. Deleting the HCN1 subunit of hyperpolarization-activated ion channels in mice impairs acoustic startle reflexes, gap detection, and spatial localization. Journal of the Association for Research in Otolaryngology. 18 (3), 427-440 (2017).
  8. Chen, F., Zhao, F., Mahafza, N., Lu, W. Detecting noise-induced cochlear synaptopathy by auditory brainstem response in tinnitus patients with normal hearing thresholds: A meta-analysis. Frontiers in Neuroscience. 15, 778197(2021).
  9. Santos-Filha, V. A., Samelli, A. G., Matas, C. G. Noise-induced tinnitus: Auditory evoked potential in symptomatic and asymptomatic patients. Clinics. 69 (7), 487-490 (2014).
  10. Kochar, K., Srivastava, T., Maurya, R. K., Jain, R., Aggarwal, P. Visual evoked potential & brainstem auditory evoked potentials in acute attack & after the attack of migraine. Electromyography and Clinical Neurophysiology. 42 (3), 175-179 (2002).
  11. Gedik, O., Husam, H., Basoz, M., Tas, N., Aksoy, F. The effect of coronavirus disease 2019 on the hearing system. Journal of Laryngology and Otology. 135 (9), 810-814 (2021).
  12. Ozturk, B., Kavruk, H., Aykul, A. Audiological findings in individuals diagnosed with COVID-19. American Journal of Otolaryngology. 43 (3), 103428(2022).
  13. Dror, A. A., et al. Auditory performance in recovered SARS-COV-2 patients. Otology & Neurotology. 42 (5), 666-670 (2021).
  14. Lin, F. R., et al. Hearing loss and incident dementia. Archives of Neurology. 68 (2), 214-220 (2011).
  15. Jafari, Z., Kolb, B. E., Mohajerani, M. H. Auditory dysfunction in Parkinson's disease. Movement Disorders. 35 (4), 537-550 (2020).
  16. Swords, G. M., Nguyen, L. T., Mudar, R. A., Llano, D. A. Auditory system dysfunction in Alzheimer disease and its prodromal states: A review. Ageing Research Reviews. 44, 49-59 (2018).
  17. Konrad-Martin, D., et al. Age-related changes in the auditory brainstem response. Journal of the American Academy of Audiology. 23 (1), 18-35 (2012).
  18. Navntoft, C. A., Marozeau, J., Barkat, T. R. Cochlear implant surgery and electrically-evoked auditory brainstem response recordings in C57BL/6 mice. Journal of Visualized Experiments. (143), e59073(2019).
  19. Gilels, F., Paquette, S. T., Beaulac, H. J., Bullen, A., White, P. M. Severe hearing loss and outer hair cell death in homozygous Foxo3 knockout mice after moderate noise exposure. Scientific Reports. 7, 1054(2017).
  20. Rubio, M. E. Auditory brainstem development and plasticity. Current Opinion in Physiology. 18, 7-10 (2020).
  21. Polonenko, M. J., Maddox, R. K. The parallel auditory brainstem response. Trends in Hearing. 23, 2331216519871395(2019).
  22. Shi, L., et al. Noise-induced damage to ribbon synapses without permanent threshold shifts in neonatal mice. Neuroscience. 304, 368-377 (2015).
  23. Lin, H. W., Furman, A. C., Kujawa, S. G., Liberman, M. C. Primary neural degeneration in the Guinea pig cochlea after reversible noise-induced threshold shift. Journal of the Association for Research in Otolaryngology. 12 (5), 605-616 (2011).

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Analiza kszta tu fali ABRlatencja pikuprzep yw pracy w RStudioskrypt Findpeaksanaliza statystycznatest Shapiro Wilkatest ANOVA

Powiązane artykuły