Artykuł metodologiczny

PyOKR: Półautomatyczna metoda ilościowego określania zdolności śledzenia odruchów optokinetycznych

DOI:

10.3791/66779

⸱

12 kwietnia 2024

 ,  ,  ,  , 
1Solomon H. Snyder Department of Neuroscience, The Johns Hopkins Kavli Neuroscience Discovery Institute, The Johns Hopkins University School of Medicine, 2Department of Ophthalmology, University of California, San Franciso

W tym artykule

Podsumowanie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Opisujemy tutaj PyOKR, półautomatyczną metodę analizy ilościowej, która bezpośrednio mierzy ruchy gałek ocznych wynikające z wizualnych reakcji na dwuwymiarowy ruch obrazu. Interfejs użytkownika i algorytm analizy oparty na języku Python pozwalają na większą przepustowość i dokładniejsze pomiary ilościowe parametrów śledzenia ruchu gałek ocznych niż poprzednie metody.

Streszczenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Badanie reakcji behawioralnych na bodźce wzrokowe jest kluczowym elementem zrozumienia funkcji systemu wzrokowego. Jedną z godnych uwagi reakcji jest odruch optokinetyczny (OKR), wysoce konserwatywne wrodzone zachowanie niezbędne do stabilizacji obrazu na siatkówce. OKR zapewnia solidny odczyt zdolności śledzenia obrazu i został szeroko przebadany w celu zrozumienia obwodów i funkcji układu wzrokowego u zwierząt z różnych środowisk genetycznych. OKR składa się z dwóch faz: fazy powolnego śledzenia, w której oko podąża za bodźcem do krawędzi płaszczyzny widzenia, oraz kompensacyjnej szybkiej sakkady fazowej, która resetuje pozycję oka na orbicie. Poprzednie metody kwantyfikacji przyrostu, choć niezawodne, były pracochłonne i mogły być subiektywne lub arbitralnie wyprowadzone. Aby uzyskać szybszą i bardziej powtarzalną kwantyfikację zdolności śledzenia ruchu gałek ocznych, opracowaliśmy nowatorski półautomatyczny program do analizy, PyOKR, który pozwala na ilościowe określenie dwuwymiarowego ruchu gałek ocznych w odpowiedzi na dowolny bodziec kierunkowy, a także można go dostosować do każdego rodzaju sprzętu wideookulograficznego. Metoda ta zapewnia automatyczne filtrowanie, wybór faz powolnego śledzenia, modelowanie pionowych i poziomych wektorów gałek ocznych, kwantyfikację zysków ruchu gałek ocznych w stosunku do prędkości bodźca oraz organizację danych wynikowych w użyteczny arkusz kalkulacyjny do porównań statystycznych i graficznych. Ten ilościowy i usprawniony potok analizy, łatwo dostępny za pośrednictwem importu PyPI, zapewnia szybki i bezpośredni pomiar odpowiedzi OKR, ułatwiając w ten sposób badanie wizualnych reakcji behawioralnych.

Wprowadzenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Stabilizacja obrazu opiera się na precyzyjnych reakcjach okoruchowych, aby skompensować globalny przepływ optyczny, który występuje podczas ruchu własnego. Stabilizacja ta jest napędzana przede wszystkim przez dwie reakcje motoryczne: odruch optokinetyczny (OKR) i odruch przedsionkowo-oczny (VOR)1,2,3. Powolny globalny ruch w poprzek siatkówki indukuje OKR, który wywołuje odruchowy obrót oka w odpowiednim kierunku w celu ustabilizowania obrazu1,2. Ten ruch, znany jako faza wolna, jest przerywany przez sakkady kompensacyjne, znane jako faza szybka, w której oko szybko resetuje się w przeciwnym kierunku, aby umożliwić nową wolną fazę. Tutaj definiujemy te szybkie sakkady jako ruchy śledzące ruch gałek ocznych (ETM). Podczas gdy VOR opiera się na układzie przedsionkowym w celu wywołania ruchów gałek ocznych w celu kompensacji ruchów głowy3, OKR jest inicjowany w siatkówce przez odpalenie ON, a następnie sygnalizację do dodatkowego systemu optycznego (AOS) w śródmózgowiu4,5. Ze względu na bezpośrednie uzależnienie od obwodów siatkówki, OKR jest często używany do określania zdolności śledzenia wzrokowego zarówno w warunkach badawczych, jak i klinicznych6,7.

OKR został gruntownie przebadany jako narzędzie do oceny podstawowych zdolności wizualnych2,6,8, DSGC development9,10,11,12, reakcje okoruchowe13 i fizjologiczne różnice między środowiskami genetycznymi7. OKR jest oceniany u zwierząt z unieruchomionym bodźcem14. Reakcje okulomotoryczne są zwykle rejestrowane za pomocą różnych narzędzi wideo, a ruchy śledzące ruchy gałek ocznych są rejestrowane jako przebiegi OKR w kierunku poziomym i pionowym9. Aby określić ilościowo zdolność śledzenia, opisano dwa podstawowe wskaźniki: wzmocnienie śledzenia (prędkość oka w stosunku do prędkości bodźca) i częstotliwość ETM (liczba szybkich sakkad fazowych w danym przedziale czasowym). Obliczanie wzmocnienia było historycznie wykorzystywane do bezpośredniego pomiaru prędkości kątowej oka w celu oszacowania zdolności śledzenia; Obliczenia te są jednak pracochłonne i można je dowolnie wyprowadzić na podstawie metod zbierania danych wideookulograficznych i późniejszej kwantyfikacji. W celu szybszej oceny OKR-ów, zliczanie częstotliwości ETM zostało użyte jako alternatywna metoda pomiaru ostrości śledzenia7. Chociaż zapewnia to dość dokładne oszacowanie zdolności śledzenia, metoda ta opiera się na pośredniej metryce w celu ilościowego określenia odpowiedzi powolnej fazy i wprowadza szereg odchyleń. Należą do nich stronniczość obserwatora w określaniu sakkady, poleganie na czasowo spójnych reakcjach sakkadowych w określonej epoce oraz niemożność oceny wielkości odpowiedzi w wolnej fazie.

Aby rozwiązać te problemy za pomocą obecnych podejść do oceny OKR i umożliwić dogłębną kwantyfikację parametrów OKR o wysokiej przepustowości, opracowaliśmy nową metodę analizy do ilościowego określania przebiegów OKR. Nasze podejście wykorzystuje dostępną platformę oprogramowania opartą na języku Python o nazwie "PyOKR". Za pomocą tego oprogramowania można bardziej dogłębnie i z większą parametryzacją badać modelowanie i kwantyfikację reakcji OKR w wolnej fazie. Oprogramowanie zapewnia dostępną i powtarzalną ilościową ocenę reakcji na niezliczone bodźce wzrokowe, a także dwuwymiarowe śledzenie wizualne w odpowiedzi na ruch poziomy i pionowy.

Protokół

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Wszystkie eksperymenty na zwierzętach przeprowadzone w The Johns Hopkins University School of Medicine (JHUSOM) zostały zatwierdzone przez Institutional Animal Care and Use Committee (IACUC) w JHUSOM. Wszystkie eksperymenty przeprowadzone na Uniwersytecie Kalifornijskim w San Francisco (UCSF) zostały przeprowadzone zgodnie z protokołami zatwierdzonymi przez UCSF Institutional Animal Care and Use Program.

1. Zbieranie danych behawioralnych

  1. Rejestruj ruchy gałek ocznych OKR za pomocą wybranej metody wideookulusografii w celu wygenerowania danych falowych (tj. szeregu czasowego kąta patrzenia oka we współrzędnych sferycznych).
    UWAGA: Reprezentatywne dane zebrane w JHUSOM uzyskano za pomocą operacji wszczepienia implantu głowy i wideookulografii, jak opisano wcześniej9,13 (Rysunek 1). Reprezentatywne dane zebrane z UCSF uzyskano za pomocą operacji implantacji głowy i metody wideookulograficznej, jak opisano w before10 (Figura 7).
    1. Zanotuj parametry bodźca i nagrywania: liczbę klatek na sekundę nagrywania, prędkość i kierunek bodźca oraz długość czasu między epokami bodźca i po nich. W przypadku bodźców sinusoidalnych należy również zwrócić uwagę na amplitudę i częstotliwość fali bodźców.
  2. Eksport zebranych danych grupy czynności jako pliku . Plik CSV zawierający dane o falach poziomych i pionowych (azymut i elewacja).
    1. Organizowanie danych grupy czynności jako rozdzielanych tabulatorami . Plik CSV z dwiema kolumnami zawierającymi dane poziome (epxWave) i dane pionowe (epyWave).

2. Instalacja oprogramowania analitycznego

  1. Pobierz i zainstaluj Pythona.
    1. Aby nadzorować grafy, zainstaluj Spyder przez Anacondę.
    2. Aby upewnić się, że wykresy działają poprawnie w Spyder, przejdź do Narzędzia > Preferencje > Konsoli Ipython > Grafika > Backend grafiki. Ustaw opcję Inline (Wbudowana) na Automatic (Automatycznie).
  2. Utwórz nowe środowisko Anaconda za pomocą języka Python.
  3. Zainstaluj PyOKR za pośrednictwem PyPi za pomocą install PyOKR, aby zainstalować najnowszą wersję wraz z zależnościami pakietów (Dodatkowy plik kodowania 1 i Uzupełniający plik kodowania 2)
  4. Jeśli używany jest komputer z systemem Windows, uruchom z PyOKR import OKR_win jako o, a następnie o.run().
  5. Jeśli używany jest komputer Mac, uruchom z PyOKR import OKR_osx jako o, a następnie o.run().

3. Analiza danych falowych

  1. Inicjalizacja analiz i importów plików
    1. Uruchom o.run() w skrypcie .py, aby otworzyć interfejs użytkownika.
    2. W obszarze Plik użyj funkcji Otwórz lub polecenia Ctrl+O [polecenie iOS], aby otworzyć przeglądarkę, która pozwoli użytkownikowi wybrać żądany plik grupy czynności.
    3. W obszarze Plik użyj przycisku Eksportuj folder lub polecenia Ctrl+E, aby otworzyć przeglądarkę folderów, która pozwoli wybrać folder wyjściowy, do którego zostaną wyeksportowane analizy końcowe.
    4. Wprowadź końcową nazwę pliku analizy w polu Plik wyjściowy w zalecanym formacie, takim jak AnimalGenotype_AnimalNumber_Analysis.
    5. Ustaw program dla pojedynczego zwierzęcia za pomocą polecenia Ustaw temat w obszarze Plik lub polecenia Ctrl+S, aby zainicjować zestaw danych dla pojedynczego zwierzęcia.
  2. Definicja parametrów pliku grupy czynności
    1. Aby rozpocząć ustawianie parametrów bodźca, zdefiniuj kierunkowość w obszarze Wybierz kierunek bodźca, wybierając jeden z czterech głównych kierunków. W przypadku bodźców sinusoidalnych wybierz taki, który zawiera odpowiednio (Poziomy) lub (Pionowy), przy czym kierunek kardynalny określa początkowy kierunek fali sinusoidalnej.
    2. Ustaw typ bodźca w obszarze Wybierz typ bodźca jako jednokierunkowy, oscylacyjny lub ukośny.
    3. Po ustawieniu kierunkowości zaimportuj własny zestaw danych o położeniu bodźca (Importuj własne dane wektora bodźca) lub automatycznie wygeneruj wektor na podstawie parametrów (Generuj wektor bodźca na podstawie parametrów). Jeśli importujesz wektor bodźca, przejdź do punktu 3.2.3.1, a następnie przejdź do kroku 3.3. Jeśli generujesz wektor bodźca, przejdź do kolejnych kroków.
      1. W przypadku importowania własnych danych wektorowych należy zaimportować wartości odległości bodźca (tj. szereg czasowy opisujący, jak daleko bodziec przemieszcza się między każdą sąsiednią ramką akwizycji) w tym samym formacie, który opisano w kroku 3.2.1. Ponadto analizuj cały zestaw danych jako jedną epokę, zamiast dzielić go na poszczególne epoki, ponieważ funkcja podzbioru importowanej wartości bodźca nie została dodana od PyOKR v1.1.2.
    4. W obszarze Parametry bodźca ustaw parametry bodźca używanego do zbierania danych.
      1. Ustaw czas braku bodźca na początku (głowa) i na końcu (ogonie) danej próby za pomocą Orzeł i Reszka.
      2. Ustaw czas, przez jaki bodziec jest wyświetlany, czas bez bodźca po nim oraz liczbę całkowitych epok w danej próbie za pomocą odpowiednio długości epoki, długości po bodźcu i liczby epok.
      3. W przypadku bodźców jednokierunkowych i ukośnych ustaw prędkość bodźca w stopniach na sekundę za pomocą prędkości poziomej i prędkości pionowej.
      4. Ustaw częstotliwość przechwytywania kamery zbierającej dane za pomocą opcji Szybkość przechwytywania klatek.
      5. W przypadku bodźców sinusoidalnych wygeneruj falę sinusoidalną do modelowania bodźców oscylacyjnych z częstotliwością i amplitudą.
    5. Po parametryzacji utwórz odpowiedni model na podstawie wprowadzonych powyżej informacji o bodźcu za pomocą opcji Generuj wektor bodźca na podstawie parametrów.
    6. Wybierz daną epokę dla wprowadzonego bodźca za pomocą opcji Wybierz epokę, aby przeskanować plik całej fali.
  3. Nadzorowany wybór faz śledzenia
    1. Aby zidentyfikować obszary powolnego śledzenia, automatycznie wybierz szybkie sakady fazowe z korektą wstępną, klikając opcję Dane niefiltrowane lub Dane filtrowane, co spowoduje oznaczenie potencjalnych sakkad na podstawie maksymalnych zmian prędkości.
    2. W obszarze Dane niefiltrowane upewnij się, że sakkady są dokładnie wybrane za pomocą niebieskiej kropki. Jeśli automatyczny wybór nie jest dokładny, ręcznie usuń punkty za pomocą lewego przycisku myszy (LPM) lub dodaj punkty za pomocą prawego przycisku myszy (PPM). Gdy szybkie sakkady fazowe są odpowiednio wybrane, zapisz punkty za pomocą środkowego przycisku myszy (MMB) i zamknij wykres.
    3. Jeśli wymagane jest automatyczne filtrowanie, ustaw próg wskaźnika Z-Score i kliknij opcję Filtrowane dane, aby automatycznie filtrować sakkady. W razie potrzeby użyj tego samego ręcznego nadzoru, jak opisano w kroku 3.3.2, aby usunąć wszelkie szumy.
    4. Po prawidłowym wybraniu sakkad naciśnij Dopasowanie punktowe, aby wybrać obszar do usunięcia. Zmień górny i dolny punkt za pomocą podobnego schematu sterowania, jak opisano wcześniej w kroku 3.3.2. Edytuj górne (zielone) punkty za pomocą LPM lub PPM i edytuj dolne (czerwone) punkty za pomocą Shift+LPM lub Shift+PPMB. Gdy punkty są prawidłowo umieszczone, użyj MMB, aby zapisać punkty.
      UWAGA: jeśli używasz komputera Mac, regulacja dolnego i górnego punktu znajduje się w dwóch oddzielnych przyciskach i jest zgodna z tym samym schematem sterowania, jak opisano w kroku 3.3.2.
  4. Analiza faz powolnego śledzenia
    1. Ustaw kolejność modelu wielomianowego za pomocą opcji Ustaw kolejność wielomianów, aby zdefiniować model wielomianowy, który zostanie dopasowany do poszczególnych wolnych faz.
      UWAGA: W przypadku bodźców jednokierunkowych lub ukośnych wartość domyślna to 1, ponieważ liniowość jest niezbędna do obliczenia wzmocnienia śledzenia. W przypadku bodźców sinusoidalnych do modelowania krzywej fali potrzebny jest wyższy porządek, z wartością domyślną 15.
    2. Aby przeanalizować ślad, wybierz opcję Analiza końcowa, aby wygenerować modele wolnej fazy (Rysunek 2) dla wybranych wolnych faz (patrz Rysunek 2A-D) i oblicz odległości, prędkości i uśrednione zyski śledzenia w całej epoce (Rysunek 2E).
    3. Aby wyświetlić wykres dwuwymiarowy (2D) lub trójwymiarowy (3D) wybranych regionów, wybierz odpowiednio opcję Wyświetl wykres 2D lub Wyświetl wykres 3D.
    4. Wybierz opcję Dodaj epokę, aby zapisać zebrane wartości wygenerowane w kroku 3.4.2. Aby wyświetlić wszystkie dodane wartości dla danego zwierzęcia, a także średnie dla zebranych prób, wybierz opcję Wyświetl bieżący zestaw danych.
    5. Po dodaniu epoki przejdź przez pozostałą część pliku za pomocą opcji Wybierz epokę, wykonując kroki od 3.3.1 do 3.4.4.
    6. Gdy plik wave zostanie w pełni przeanalizowany, powtórz ten proces dla wszystkich innych plików dla danego zwierzęcia, otwierając nowe pliki, ustawiając odpowiednie parametry i odpowiednio je analizując. Powtarzając kroki 3.2.1-3.4.5 dla każdego pliku, wygeneruj końcowy zestaw danych zawierający wszystkie dane dotyczące fal dla danego zwierzęcia.
  5. Końcowy eksport danych
    1. Po zakończeniu analizy danych dla danego zwierzęcia, z przeanalizowanymi wszystkimi kierunkami lub bodźcami, wyeksportuj zestaw danych za pomocą opcji Eksport danych.
      UWAGA: Surowy zestaw danych zostanie wyeksportowany na podstawie nazwy pliku wyjściowego i zapisany wzdłuż ścieżki ustawionej przez folder wyjściowy jako plik CSV zawierający dane poszczególnych epok z łączną średnią dla każdego parametru bodźca.
    2. Po wyeksportowaniu pojedynczego zwierzęcia ponownie zainicjuj zestaw danych za pomocą Ctrl+S, a następnie powtórz wszystkie poprzednie kroki, aby przeanalizować nowe zwierzę.
    3. W razie potrzeby ponownie uporządkuj wszystkie dane wyjściowe zebrane dla wielu zwierząt, aby ułatwić analizę, za pomocą polecenia Sortuj dane na karcie Analiza.
      UWAGA: Ta funkcja skompiluje i posortuje wszystkie średnie wartości dla wszystkich analizowanych plików zwierząt przechowywanych w folderze wyjściowym, aby umożliwić łatwiejsze generowanie wykresów i porównań statystycznych. Sortowanie zależy od nazewnictwa plików od wersji 1.1.2. Użyj zalecanego schematu nazewnictwa opisanego w kroku 3.1.4 dla każdego pliku (np. WT_123_Analysis).

Wyniki

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Aby potwierdzić opisaną powyżej metodę analizy, określiliśmy ilościowo zysk śledzenia OKR na śladach fal pobranych od myszy typu dzikiego i mutanta warunkowego nokautu ze znanym deficytem śledzenia. Ponadto, aby przetestować szersze zastosowanie naszej metody analizy, przeanalizowaliśmy ślady pochodzące z oddzielnej kohorty myszy typu dzikiego nabytych przy użyciu innej metody zbierania wideookulografii. Automatyczne filtrowanie sakkad ułatwia przetwarzanie i analizę danych OKR (Rysunek 3). Korzystając z nagrań bodźców jednokierunkowych i sinusoidalnych (Rysunek 1D), obliczyliśmy zyski śledzenia OKR w czterech głównych kierunkach (Rysunek 2F) dla zwierząt typu dzikiego (n = 13) do bodźców jednokierunkowych, a także śledząc zyski w odpowiedzi na poziome i pionowe bodźce sinusoidalne (Rysunek 4). Rozbieżność w zdolności śledzenia w stosunku do kierunku bodźca zarówno dla bodźców jednokierunkowych, jak i sinusoidalnych jest konsekwentnie obserwowana u wszystkich myszy typu dzikiego, z równie silnymi odpowiedziami poziomymi, które wykazują znacznie wyższe zyski ze śledzenia niż odpowiedzi pionowe, jak opisano w 2. Co więcej, asymetryczne zyski ze śledzenia między reakcjami w górę i w dół obserwuje się również u myszy typu dzikiego przy użyciu obu metod zbierania danych wideo-okulograficznych, jak wcześniej informowano2,10. Względne wielkości i spójność korzyści ze śledzenia w porównaniu z opublikowaną charakterystyką odpowiedzi OKR wskazują, że zyski ze śledzenia obliczone za pomocą oprogramowania dokładnie odzwierciedlają możliwości śledzenia. Oprócz jednokierunkowych obliczeń wzmocnienia, poziomy i pionowy ruch gałek ocznych może być modelowany jednocześnie (Rysunek 5), co pozwala na trójwymiarową rekonstrukcję ruchu gałek ocznych w odpowiedzi na dany bodziec. Zapewnia to dodatkową możliwość kwantyfikacji, która jest przydatna w przyszłych badaniach badających sprzężone krzyżowo odpowiedzi poziome i pionowe9.

Aby zweryfikować przydatność oprogramowania do identyfikowania znaczących zmian w zachowaniu w różnych warunkach eksperymentalnych, ponownie przeanalizowaliśmy nasze opublikowane dane9, aby potwierdzić, że deficyty w śledzeniu pionowym ocenione w tym badaniu przez ręczne liczenie szybkich faz sakkad są odzwierciedlone w śledzeniu zysków przy użyciu przedstawionej tutaj metodologii. Wcześniejsze prace pokazują, że inaktywacja genetyczna w siatkówce czynnika transkrypcyjnego T-box Transcription Factor 5 (Tbx5) poprzez warunkowy nokaut przy użyciu protokadheryny 9-Cre (Pcdh9-Cre) powoduje specyficzną utratę dostrojonych do góry komórek zwojowych selektywnych kierunkowo ON (up-oDSGC) oraz że Tbx5 Flox / Flox (Tbx5f / f); Mutanty Pcdh9-Cre wykazują specyficzną utratę pionowego śledzenia OKR-ów9. Analiza ilościowa przy użyciu opisanej tutaj metody wykazuje, że Tbx5f/f; Zwierzęta Pcdh9-Cre zachowują normalne poziome zyski śledzenia (Rysunek 6A), podobne do tych opisanych wcześniej i uzyskane przez ręczne liczenie szybkich sakkad fazowych (ETM) (Rysunek 2F); jednak myszy te wykazują znaczną utratę śledzenia pionowego, z prawie zerowymi zyskami w odpowiedzi zarówno na bodźce w górę, jak i w dół (Rysunek 6B, C). Dodatkowo, analiza odpowiedzi sinusoidalnych potwierdza, że zwierzęta Tbx5 cKO wykazują większe zyski ze śledzenia poziomego, wykazując jednocześnie znacznie zmniejszone śledzenie pionowe (Rysunek 6D-F). Ponowna analiza tego wcześniej opisanego fenotypu przy użyciu PyOKR pokazuje precyzję i czułość tej nowej metodologii, która pozwala na ilościowe porównania odpowiedzi OKR u myszy o różnych szczepach genetycznych.

Na koniec, przeanalizowaliśmy pionowe ślady OKR typu dzikiego zebrane na UCSF, aby zweryfikować użyteczność aplikacji za pomocą różnych metod wideo-okulistyki i parametrów bodźca. Dane z UCSF zostały zebrane przy użyciu półkulistego systemu projekcji, w którym ruchome siatki są prezentowane myszy poprzez odbicie projektora o długości fali 405 nm na półkulę otaczającą zwierzę z unieruchomioną głową10 (Rysunek 7A). Myszom zaprezentowano jednokierunkowe siatki pionowe z prędkością 10 stopni na sekundę, a odpowiedzi OKR rejestrowano w odstępach 60-sekundowych (Rysunek 7B, C). Ślady pionowe analizowano ilościowo za pomocą PyOKR, a odpowiedzi w górę porównano z odpowiedziami w dół (Rysunek 7D). Zgodnie z oczekiwaniami odpowiedzi w górę były znacznie silniejsze niż w dół10; jednak zyski ze śledzenia były nieznacznie zmniejszone w porównaniu ze śladami zarejestrowanymi w JHUSOM (Rysunek 2F). Ponadto kwantyfikację odpowiedzi sinusoidalnych analizowano za pomocą PyOKR (Rysunek 7E), a znaczna asymetria w odpowiedziach pionowych na bodźce poruszające się sinusoidalnie znajduje odzwierciedlenie w obliczonych zyskach (Rysunek 7F). Różnice między wartościami wzmocnienia zebranymi w JHUSOM i UCSF można przypisać różnicom między parametrami bodźca, w tym różnymi prędkościami, typami i długościami fal bodźca; jednak ogólna spójność, którą obserwujemy w naszej analizie danych uzyskanych za pomocą każdej metody zbierania, pokazuje, że nasz PyOKR można łatwo zaadaptować poza nasz system zbierania danych OKR JHUSOM i zastosować do innych nagrań OKR, niezależnie od metod wideookulograficznych. Wyniki te pokazują, że opisana tutaj platforma oprogramowania jest dokładna i może być ogólnie stosowana do badania reakcji okoruchowych, umożliwiając precyzyjne porównania ilościowe między zwierzętami należącymi do różnych grup w celu dalszego badania obwodów wizualnej stabilizacji obrazu.

figure-results-1
Rysunek 1: Zbiór danych odpowiedzi OKR. (A) Wirtualna arena OKR do stymulacji behawioralnej, jak wcześniej opisano9,13. Cztery monitory otaczają zwierzę z unieruchomioną głową (1), wyświetlając stale poruszający się bodziec szachownicy (2). Wirtualny bęben może prezentować jednokierunkowy ruch we wszystkich czterech głównych kierunkach, a także oscylacyjne bodźce sinusoidalne. Lewe oko myszy jest oświetlane światłem podczerwonym (IR) i rejestrowane za pomocą kamery (3) w celu zarejestrowania reakcji układu wzrokowego odzwierciedlonych w śledzeniu ruchu gałek ocznych. (B) Analiza śledzenia ruchu gałek ocznych odbywa się poprzez uchwycenie źrenicy i odbicia rogówki generowanego przez światło podczerwone. Zbieranie danych i obliczanie ruchów gałek ocznych w odpowiedzi na wirtualny bęben zostało przeprowadzone zgodnie z wcześniejszym opisem9,13. (C) Schemat wektorów oka poruszających się w pionie (fala Y) i w poziomie (fala X). (D) Przykładowe ślady reakcji śledzenia oka na jednokierunkowy ruch w górę i do tyłu, a także pionowy i poziomy ruch sinusoidalny. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-2
Rysunek 2: Analiza śledzenia jednokierunkowych reakcji wizualnych. (A-D) Identyfikacja i wybór faz powolnego śledzenia do analizy wzmocnienia. Przykładowe ślady jednokierunkowe są pokazane z wizualnymi reakcjami na ruch do przodu (A), do tyłu (B), w górę (C) i w dół (D) w stosunku do oka myszy. Powolne fazy są identyfikowane przez dodanie czerwonych i zielonych punktów opisanych w kroku 3 w celu usunięcia sakkad, a wybrane powolne fazy są podświetlone na żółto. Regresje wielomianowe są nakładane na ślady jako linie. (E) Kwantyfikacja śladów próbki (A-D) zgodnie z organizacją w odczycie PyOKR. Dla każdej ścieżki obliczane są całkowite prędkości XY i odpowiednie wzmocnienia, niezależnie od kierunkowości. W reakcjach jednokierunkowych te całkowite prędkości będą zwykle odzwierciedlać indywidualną prędkość w określonym kierunku; Jednak w przypadku odpowiedzi sinusoidalnych wartość ta będzie odzwierciedlać średnią ogólną prędkość oka. Składowe prędkości poziomej i pionowej są podzielone, aby pokazać prędkość w każdym odpowiednim kierunku. Wzmocnienie jest następnie obliczane na podstawie przedstawionych prędkości bodźca. (F) Obliczone zyski ze śledzenia zwierząt typu dzikiego (n = 13) w czterech głównych kierunkach w porównaniu z powiązaną z nimi kwantyfikacją ETM. Dane są prezentowane jako średnia ± SD. Dane analizowane za pomocą jednoczynnikowej ANOVA z wieloma porównaniami. *p<0,05, **p<0,01,***p<0,005, ****p<0,0001. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-3
Rysunek 3: Automatyczne filtrowanie sakkad ułatwia przetwarzanie i analizę danych OKR. (A-D) Automatyczne filtrowanie śladów z Rysunek 2A-D usuwa sakkady i modeluje tylko ruch w wolnej fazie, usuwając gwałtowne zmiany prędkości i łącząc ze sobą wolne fazy. Końcowe nachylenie reprezentuje całkowity ruch gałek ocznych w danej epoce. (E) Kwantyfikacja zysków z przefiltrowanych danych próbki, zgodnie z danymi z odczytu PyOKR. (F) Porównanie wartości wzmocnienia między próbkami niefiltrowanymi a przefiltrowanymi śladami oczu nie wykazuje istotnych różnic. Dane są prezentowane jako średnia ± SD. Dane analizowane za pomocą testu U Manna-Whitneya między wynikami niefiltrowanymi i filtrowanymi. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-4
Rysunek 4: Wyprowadzanie zysków śledzenia w odpowiedzi na oscylacyjne bodźce wzrokowe. (A,B) Pionowe (A) i poziome (B) reakcje ruchów gałek ocznych na sinusoidalnie poruszające się bodźce mogą być modelowane w odniesieniu do zdefiniowanych parametrów bodźca oscylacyjnego. Wybrane regiony są oznaczone kolorem żółtym z przybliżeniem wielomianu nałożonym na ślad. Model bodźca jest przedstawiony jako pomarańczowa fala sinusoidalna za śladem, aby umożliwić odniesienie się do tego, czym jest bodziec w każdym punkcie. (C) Obliczenia wzmocnienia odpowiedzi sinusoidalnych typu dzikiego (n = 7) odzwierciedlają asymetryczne odpowiedzi między zdolnością śledzenia poziomego i pionowego. Dane są prezentowane jako średnia ± SD. Dane analizowane za pomocą jednoczynnikowej ANOVA z wieloma porównaniami. **p<0,01,***p<0,005. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-5
Rysunek 5: Śledzenie kierunkowe może być modelowane w jego poziomych i pionowych komponentach. (A) Pionowa składowa fali śledzącej ruch gałek ocznych w odpowiedzi na bodziec skierowany w górę. (B) Składowa pozioma fali śledzącej ruch gałek ocznych w odpowiedzi na bodziec skierowany w górę. (C) Ogólna trajektoria lotu gałek ocznych zarówno w kierunku pionowym, jak i poziomym. (D) Trójwymiarowy model wektora ruchu oka w czasie w odpowiedzi na ruch w dół. Nieprzetworzone dane śledzenia są wyświetlane na czerwono, a model regresji trajektorii jest wyświetlany na niebiesko. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-6
Rysunek 6: Analiza OKR w Tbx5f/f; Myszy Pcdh9-Cre wykazują znaczne deficyty w jednokierunkowych zyskach śledzenia pionowego. a) Tbx5f/f; Zwierzęta Pcdh9-Cre nie wykazują znaczącej zmiany w poziomym wzmocnieniu śledzenia. b,c) Tbx5f/f; Zwierzęta Pcdh9-Cre wykazują znaczne zmniejszenie przyrostu w swoich reakcjach pionowych: w górę (B) i w dół (C). (D,E) Odpowiedzi sinusoidalne Tbx5f/f; Pcdh9-Cre zwierzęta w odpowiedzi na poziome (D) i pionowe (E) bodźce oscylacyjne. f) oznaczanie ilościowe Tbx5f/f; Odpowiedzi oscylacyjne Pcdh9-Cre wykazują znaczny wzrost zysków śledzenia poziomego, ale wykazują spadki odpowiedzi pionowych. Dane przedstawiono jako średnią ± SD. Dane analizowane za pomocą testów U Manna-Whitneya. *p<0,05, **p<0,01, ****p<0,0001. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-7
Rysunek 7: Zastosowanie PyOKR do danych uzyskanych z alternatywnych metod wideookulografii. (A) Aparatura do wirtualnej stymulacji bębna OKR, zgodnie z opisem10. Projektor DLP o długości fali 405 nm jest odbijany przez wypukłe lustro na półkuli, tworząc wirtualny bęben, który otacza pole widzenia zwierzęcia. Ruchy gałek ocznych są mierzone za pomocą kamery NIR umieszczonej na zewnątrz półkuli. Jednokierunkowe i sinusoidalne kraty prętowe są pokazane zwierzęciu z głową w kierunkach pionowych. (B,C) Fazy śledzenia w górę (B) i w dół (C) są identyfikowane i wybierane do analizy ilościowej. Powolne fazy są podświetlone na żółto. (D) Zyski ze śledzenia obliczone z pionowego śledzenia zwierząt typu dzikiego (n=5) przy użyciu metod opisanych tutaj. Obserwuje się asymetryczną zdolność śledzenia, ze znacznym spadkiem śledzenia w dół. (E) Odpowiedź oscylacyjna na bodźce sinusoidalne modelowana w celu ilościowego określenia korzyści ze śledzenia u zwierząt typu dzikiego (n = 8). Powolne fazy są podświetlone na żółto. (F) Kwantyfikacja zysków sinusoidalnych ujawnia zmniejszone zyski podążające w dół w porównaniu ze wzrostami. Dane przedstawiono jako średnią ± SD. Dane analizowane za pomocą testów U Manna-Whitneya. *p<0,05. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Dodatkowy plik kodowania 1: PyOKR Windows Kliknij tutaj, aby pobrać ten plik.

Dodatkowy plik kodowania 2: PyOKR Mac Kliknij tutaj, aby pobrać ten plik.

Dyskusja

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

PyOKR zapewnia kilka korzyści w zakresie badania reakcji wizualnych odzwierciedlonych w ruchach gałek ocznych. Obejmują one dokładność, dostępność i opcje gromadzenia danych, a także możliwość uwzględnienia parametryzacji i zmiennych prędkości bodźców.

Bezpośrednia ocena wzmocnienia śledzenia gałek ocznych zapewnia dokładną charakterystykę ruchu gałek ocznych, która jest bardziej bezpośrednią metryką ilościową niż tradycyjne ręczne liczenie sakkad szybkiej fazy (ETM). Chociaż jest to przydatne, liczenie sakkad zapewnia pośrednią ocenę rzeczywistego ruchu śledzenia. Platforma oprogramowania PyOKR zapewnia bezpośrednią kwantyfikację prędkości śledzenia, biorąc pod uwagę dodatkowe parametry, w tym amplitudy sakad i długość wolnych faz. Ponadto szybkie liczenie sakad opiera się na ocenie częstotliwości sakad w określonym czasie, co wymaga, aby każdy ślad miał niewielki lub żaden dźwięk, w tym losowe sakkady spowodowane stresem zwierzęcym. Czynniki te powodują, że wiele zebranych śladów jest bezużytecznych, a tym samym wydłużają czas zbierania danych w celu dokładnej oceny śledzenia ruchu gałek ocznych. Jednak opisane tutaj oprogramowanie rozwiązuje ten problem, bezpośrednio określając ilościowo poszczególne powolne fazy w ramach danej ścieżki i obliczając zyski w chwilowych punktach wzdłuż ścieżki. Osiąga to poprzez porównanie prędkości ruchu gałek ocznych z prędkością bodźca w danym punkcie. Ponieważ częstotliwość sakkad nie jest już parametrem definiującym analizę, szum może być łatwo usunięty przez nadzór użytkownika, zmniejszając wpływ szumu na jakość analizy. Pozwala to na uzyskanie bardziej użytecznych zebranych danych i większą moc statystyczną podczas analizy tych danych, zwiększenie dokładności i odtwarzalności podczas ilościowego określania śledzenia ruchu gałek ocznych i charakteryzowania parametrów OKR dla poszczególnych myszy i różnych grup myszy. Automatyczne filtrowanie sakkad w oparciu o gwałtowne zmiany prędkości oka znalezione za pomocą metody Z-score zostało również wykorzystane do scharakteryzowania wzmocnienia śledzenia10. Aby włączyć tę metodę filtrowania do oprogramowania, dołączyliśmy ten typ filtrowania prędkości, ale z dodatkowymi narzędziami, takimi jak parametryzacja progowa i ręczny nadzór sakkadyczny, aby zmniejszyć potencjalne błędy generowane przez to podejście. Jeśli do analizy używa się surowych śladów zamiast automatycznego filtrowania, szybkie zmiany w ruchu gałek ocznych spowodowane sakkadami, mrugnięciami lub niepokojem myszy są identyfikowane poprzez maksymalne zmiany prędkości za pomocą oszacowania gęstości jądra Gaussa prędkości śladowej. Pozwala to na automatyczny wybór regionów segmentacji i ostatecznie usunięcie w oparciu o ręczny nadzór użytkownika. Ręczny nadzór zapewnia wyższą tolerancję na hałaśliwe ślady, umożliwiając użytkownikom szybkie korygowanie wyników fałszywie dodatnich lub fałszywie ujemnych w celu uzyskania szybkich zmian w oku. Dodatkowo, ponieważ PyOKR wykorzystuje aproksymacje wielomianowe do modelowania ogólnego ruchu gałek ocznych w danym kierunku, szum w poszczególnych punktach jest wygładzany, co pozwala na ocenę prędkości trajektorii z pewną tolerancją dla szumu w ścieżce. Tylko w przypadku wyjątkowo niskiej jakości danych na całej ścieżce lub niewłaściwej kalibracji podczas zbierania danych oprogramowanie nie będzie w stanie wygenerować dokładnej analizy danych. Podsumowując, dzięki włączeniu nadzoru użytkownika, filtrowania i narzędzi do obliczania natychmiastowego wzmocnienia, opisana tutaj aplikacja PyOKR generuje zyski śledzenia z dużą dokładnością i bardziej bezpośrednimi wskaźnikami niż poprzednie metody.

PyOKR posiada również wiele funkcji, które pozwalają na dostosowanie analiz OKR do potrzeb użytkownika. Wprowadzanie parametrów bodźca, a także surowych wektorów bodźców, pozwala użytkownikowi precyzyjnie zdefiniować dowolny pożądany bodziec. Mogą to być bodźce jednokierunkowe, sinusoidalne lub ukośne, z których wszystkie oprogramowanie może wykorzystać do generowania dokładnych korzyści śledzenia dla powiązanych reakcji wizualnych. Dzięki parametryzacji bodźca w tej metodologii, natychmiastowe zyski obliczone w każdej klatce mogą być niezawodnie generowane z dużą dokładnością, niezależnie od wprowadzonego bodźca. Chociaż dane dotyczące bodźców ukośnych nie były tutaj analizowane, dokładne wzmocnienia można obliczyć za pomocą rozłożonych wektorów prędkości XY w celu zrekonstruowania kąta ukośnego, co pozwala na dokładne obliczenia wzmocnienia bodźców ukośnych. Dzięki dostępnej parametryzacji ustawień bodźców, nasze narzędzie ma szerokie zastosowanie do śledzenia fal w odpowiedzi na dowolny bodziec wizualny. Ponadto oprogramowanie zapewnia większą przepustowość i powtarzalną ocenę ilościową w porównaniu z poprzednimi metodami. Sortowanie śladów OKR jest czasochłonne i pracochłonne; jednak uproszczony interfejs użytkownika PyOKR jest w stanie łatwo przefiltrować wiele śladów z większą szybkością niż było to wcześniej możliwe. Pozwala to nie tylko na szybszą kwantyfikację śladów, ale także ujawnia dodatkowe parametry OKR, w tym bezpośrednią kwantyfikację prędkości gałek ocznych, kierunkowe składowe wektora ruchu gałek ocznych oraz chwilowe zyski w stosunku do bodźca zarówno w poziomych, jak i pionowych składowych wektora ruchu. Ponadto, biorąc pod uwagę automatyczną identyfikację sakkad i obliczanie prędkości śledzenia zapewnianych przez naszą metodę, potencjalna stronniczość eksperymentatora w analizie danych jest znacznie zmniejszona w porównaniu z innymi metodami kwantyfikacji, takimi jak ręczne zliczanie ETM lub automatyczne filtrowanie śladów, które mogą generować fałszywie ujemne wyniki. Co więcej, można generować i automatycznie kompilować duże ilości danych behawioralnych w celu uproszczenia dalszej analizy. Dzięki funkcjom eksportu i sortowania danych dostępnym w PyOKR, dane śledzenia wielu zwierząt i warunków mogą być automatycznie przetwarzane, aby umożliwić zorganizowane przechowywanie danych, a także szybką analizę statystyczną. W przypadku przeprowadzania eksperymentów, w których stosuje się wiele warunków podczas tej samej sesji nagraniowej, takich jak manipulacja obwodami lub reakcje wizualne, zalecamy zbieranie danych w dyskretnych plikach fal lub podzbiorach epok, które pozwalają na przechowywanie oddzielnych zestawów danych w oparciu o niezależne zmienne będące przedmiotem zainteresowania pochodzące z tej pojedynczej sesji nagraniowej. Przykładem może być sytuacja, w której testujemy różnice w odpowiedziach na różne częstotliwości fal sinusoidalnych w ramach paradygmatu eksperymentalnego, zalecamy zapisanie różnych parametrów w różnych plikach fal do oddzielnej analizy, takich jak WT_1_Freq0.1Analysis, WT_1_Freq0.2Analysis i WT_1_Freq0.3Analysis. W bieżącej wersji, po przeanalizowaniu epok, nie ma funkcji wybierania poszczególnych wartości epok w zestawie danych, chociaż w razie potrzeby można ją dodać w przyszłości.

Wreszcie, nasza metoda może być dostosowana do wielu metod zbierania danych wideookulograficznych i zapewnia solidną platformę analityczną, którą można łatwo dostosować do konkretnych potrzeb laboratorium. Poprzez analizę danych OKR typu dzikiego i istniejących zmutowanych, a także danych OKR typu dzikiego zebranych przy użyciu różnych metod i bodźców, pokazujemy tutaj, że nasze narzędzie analityczne jest w stanie a) ilościowo określić śledzenie OKR na podstawie dowolnego bodźca kierunkowego z dużą dokładnością i przepustowością; b) identyfikowanie różnic w zachowaniu układu wzrokowego wynikających z zaburzeń genetycznych; oraz c) ocena danych śledzenia wizualnego pochodzących z różnych metod wideookulografii. Dostępność i ogólna zdolność adaptacji naszej platformy analitycznej ułatwią dalsze badania nad reakcjami OKR i poprawią badania behawioralne, które charakteryzują tworzenie się i dynamikę obwodów nerwowych w kontekście reakcji okoruchowych.

Aby uzyskać dokładne pomiary i późniejsze przydatne analizy danych, konieczne jest zebranie danych w kilku krokach. Zalecamy zbieranie danych OKR przez wiele sesji, aby umożliwić zwierzęciu zaaklimatyzowanie się do aparatury do testów behawioralnych i zmniejszyć wpływ stresu zwierzęcia na reakcje behawioralne; jednak nadmierne rejestrowanie może prowadzić do nasilenia odpowiedzi OKR13, dlatego zaleca się ostrożność przy projektowaniu reżimów testowych. Podczas zbierania danych OKR właściwa kalibracja sprzętu wideookulograficznego ma kluczowe znaczenie dla dokładnej kwantyfikacji, ponieważ jakość analizowanych danych jest bezpośrednią funkcją przetwarzanego śladu. Co ważne, użycie Spyder IDE jest niezbędne do nadzoru nad grafami poprzez Matplotlib. Biorąc pod uwagę dostępność i konstrukcję naszej platformy, wszystkie niezbędne narzędzia są dostępne dla innych, aby rozszerzyć możliwości oprogramowania i dostosować tę platformę do różnych paradygmatów eksperymentów behawioralnych.

Podsumowując, opisujemy tutaj nowe, dostępne i wszechstronne narzędzie do analizy reakcji behawioralnych OKR bardziej dogłębnie i z większą mocą ilościową niż jest to obecnie dostępne przy użyciu istniejących metodologii. PyOKR może być łatwo używany przez początkujących użytkowników Pythona i zawiera sprawdzony potok analizy i interfejs do szybkiej i dokładnej analizy fal OKR ze zwiększonym rygorem i powtarzalnością. Zdolność adaptacji tego oprogramowania zapewnia elastyczną strukturę, którą użytkownicy mogą łatwo dostosować do swoich konkretnych potrzeb i procedur gromadzenia danych. Przewidujemy, że ta metoda ilościowa posunie naprzód badania nad reakcjami okoruchowymi i pogłębi nasze zrozumienie rozwoju i funkcji obwodów neuronalnych, które napędzają zachowania układu wzrokowego.

Oświadczenia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy nie pozostają w konflikcie interesów.

Podziękowania

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ta praca była wspierana przez R01 EY032095 (ALK), stypendium przeddoktoranckie VSTP 5T32 EY7143-27 (JK), F31 EY-033225 (SCH), R01 EY035028 (FAD i ALK) oraz R01 EY-029772 (FAD).

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
C57BL/6J  myszyJackson Labs664
Igor ProWaveMetricsRRID: SCR_000325
MATLABMathWorksRRID: SCR_001622
Komora zapisu refleksu optokinetycznego - JHUSOMZbudowana na zamówienieNie dotyczyZgodnie z opisem w Al-Khindi i in. (2022)9 oraz Kodama i in. (2016)13 
Komora zapisu refleksu optokinetycznego - UCSFZbudowana na zamówienieNie dotyczyZgodnie z opisem w Harris and Dunn, 201510
PythonPython Software FoundationRRID: SCR_008394
Tbx5 flox/+ myszkiPrezent od B. BruneauN/AZgodnie z opisem w Al-Khindi et al.(2022)9 
Tg(Pcdh9-cre)NP276Gsat/MmucdMMRRCMMRRC Nr magazynowe # 036084-UCD; RRID: MMRRC_036084-UCD

Bibliografia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Stahl, J. S. Using eye movements to assess brain function in mice. Vision Res. 44 (28), 3401-3410 (2004).
  2. Kretschmer, F., Tariq, M., Chatila, W., Wu, B., Badea, T. C. Comparison of optomotor and optokinetic reflexes in mice. J Neurophysiol. 118, 300-316 (2017).
  3. Bronstein, A. M., Patel, M., Arshad, Q. A brief review of the clinical anatomy of the vestibular-ocular connections - How much do we know. Eye. 29 (2), 163-170 (2015).
  4. Simpson, J. I. The accessory optic system. Ann Rev Neurosci. 7, 13-41 (1984).
  5. Hamilton, N. R., Scasny, A. J., Kolodkin, A. L. Development of the vertebrate retinal direction-selective circuit. Dev Biol. 477, 273-283 (2021).
  6. Dobson, V., Teller, D. Y. Visual acuity in human infants: a review and comparison of behavioral and electrophysiological studies. Vision Res. 18 (11), 1469-1483 (1978).
  7. Cahill, H., Nathans, J. The optokinetic reflex as a tool for quantitative analyses of nervous system function in mice: Application to genetic and drug-induced variation. PLoS One. 3 (4), e2055(2008).
  8. Cameron, D. J., et al. The optokinetic response as a quantitative measure of visual acuity in zebrafish. J Vis Exp. (80), e50832(2013).
  9. Al-Khindi, T., et al. The transcription factor Tbx5 regulates direction-selective retinal ganglion cell development and image stabilization. Curr Biol. 32 (19), 4286-4298 (2022).
  10. Harris, S. C., Dunn, F. A. Asymmetric retinal direction tuning predicts optokinetic eye movements across stimulus conditions. eLife. 12, 81780(2015).
  11. Sun, L. O., et al. Functional assembly of accessory optic system circuitry critical for compensatory eye movements. Neuron. 86 (4), 971-984 (2015).
  12. Yonehara, K., et al. Congenital Nystagmus gene FRMD7 is necessary for establishing a neuronal circuit asymmetry for direction selectivity. Neuron. 89 (1), 177-193 (2016).
  13. Kodama, T., Du Lac, S. Adaptive acceleration of visually evoked smooth eye movements in mice. J Neurosci. 36 (25), 6836-6849 (2016).
  14. Stahl, J. S., Van Alphen, A. M., De Zeeuw, C. I. A comparison of video and magnetic search coil recordings of mouse eye movements. J Neurosci Methods. 99 (1-2), 101-110 (2000).

Przedruki i uprawnienia

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

Poproś o pozwolenie

Tagi

Optokinetic ReflexVisual Motion ProcessingEye TrackingPyOKR AnalysisBehavioral QuantificationVisual Stimulus ResponseTracking Gain MeasurementDirection Selective CircuitsSaccade DetectionVideo Oculography

Powiązane artykuły