Badanie reprezentacji obiektów w grzbietowym strumieniu wzrokowym makaka przy użyciu nagrań jednojednostkowych
August 1st, 2018
Przedstawiono szczegółowy protokół do analizy selektywności obiektów neuronów ciemieniowo-czołowych zaangażowanych w transformacje wzrokowo-motoryczne.
Ta metoda może pomóc odpowiedzieć na kluczowe pytania w neuronauce układów wzrokowych i motorycznych. Na przykład, w jaki sposób neurony kodują obiekty i części obiektów? A jak zmieniają się reprezentacje neuronalne z wizualnych na motoryczne?
Główną zaletą tej metody jest to, że neurony mogą być badane za pomocą rzeczywistych obiektów podczas sięgania i chwytania, a także za pomocą obrazów obiektów i części obiektów prezentowanych na wyświetlaczu. Tę procedurę zademonstrują Maria Romero, doktorantka i Irene Caprara, doktorantka z mojego laboratorium. Zacznij od obiektu testowego znajdującego się na krześle testowym przed zestawem do chwytania przedmiotów.
Wyreguluj kamerę na podczerwień przed oczami fotografowanej osoby, aby uzyskać odpowiedni obraz źrenicy i odruchu rogówkowego. Aby uruchomić zadanie chwytania kierowanego wizualnie za pomocą konfiguracji karuzeli, najpierw pozwól makakowi ustawić rękę przeciwlegle do nagranej półkuli w pozycji spoczynkowej w całkowitej ciemności, aby zainicjować sekwencję. Po zmiennym interwale międzypróbnym wynoszącym od 2 000 do 3 000 milisekund zastosuj czerwony laser jako punkt fiksacji u podstawy obiektu.
Jeśli zwierzę utrzymuje wzrok w elektronicznie zdefiniowanym oknie fiksacji przez 500 milisekund, oświetl obiekt od góry źródłem światła. Następnie, po zmiennym opóźnieniu od 300 do 1 500 milisekund, zaprogramuj ściemnianie lasera jako wizualną wskazówkę przejścia. Poinstruuj makaka, aby podniósł rękę z pozycji spoczynkowej i sięgnął, chwycił i przytrzymał przedmiot w losowym zmiennym interwale od 300 do 900 milisekund.
Za każdym razem, gdy makak wykona całą sekwencję poprawnie, nagrodź go kroplą soku. Jeśli chodzi o ustawienie karuzeli, pozwól makakowi ułożyć rękę przeciwlegle do nagranej półkuli w pozycji spoczynkowej w całkowitej ciemności, aby zainicjować sekwencję. Po upływie od 2 000 do 3 000 milisekund zapal diodę LED na obiekcie.
Ponownie, jeśli zwierzę utrzymuje wzrok w elektronicznie zdefiniowanym oknie fiksacji, oświetl obiekt białym źródłem światła. Po upływie opóźnienia wyłącz diodę LED jako wizualną wskazówkę przejścia. Ponownie małpa podnosi rękę z pozycji spoczynkowej i sięga, chwyta i przytrzymuje przedmiot.
Nagradzaj małpę kroplą soku po każdej poprawnej sekwencji. Kontynuuj trening z dodatkowymi obiektami. Podczas zadania oprogramowanie powinno mierzyć czas reakcji między sygnałem go a początkiem ruchu ręki.
I czas chwytania między rozpoczęciem ruchu a podniesieniem przedmiotu. Do zadań 2D należy używać standardowego monitora LCD. Wyświetlaj wszystkie bodźce wizualne na czarnym tle.
Do testów 3D umieść dwie ferroelektryczne migawki ciekłokrystaliczne przed oczami małpy. W teście 3D zlokalizuj dwie ferroelektryczne migawki ciekłokrystaliczne przed oczami małpy. Przedstaw bodźce stereoskopowo, naprzemiennie obrazy lewego i prawego oka na monitorze kineskopowym wyposażonym w szybko rozpadający się luminofor P46, jednocześnie uruchamiając migawki z częstotliwością 60 Hz z synchronizacją z pionowym cofnięciem monitora.
Rozpocznij próbę, przedstawiając mały kwadrat na środku ekranu jako punkt fiksacji. Jeśli pozycja gałki ocznej pozostaje w elektronicznie zdefiniowanym oknie o powierzchni jednego stopnia kwadratowego przez co najmniej 500 milisekund, należy przedstawić bodziec wzrokowy na ekranie przez łączny czas 500 milisekund. Kiedy małpa utrzymuje stabilną fiksację do momentu ustąpienia bodźca, nagrodź ją kroplą soku.
Aby zbadać selektywność kształtów, uruchom wiele testów z obrazami 2D podczas zadania fiksacji pasywnej, zaczynając od testu wyszukiwania. Przetestuj selektywność wizualną komórki, korzystając z szerokiego zestawu obrazów, w tym zdjęć obiektu, który został uchwycony w VGG. W przypadku tego i wszystkich kolejnych zadań wizualnych porównaj obraz wywołujący najsilniejszą reakcję, określany jako obraz preferowany, z drugim obrazem, na który neuron reaguje słabo, określany jako obraz niepreferowany.
Następnie uruchom test konturu. Z oryginalnych obrazów powierzchniowych rzeczywistych obiektów uzyskaj stopniowo upraszczane wersje tego samego kształtu bodźca. Zbierz co najmniej 10 prób na warunek.
Aby określić, czy neuron preferuje oryginalną powierzchnię, sylwetkę czy kontur od oryginalnego kształtu. Następnie przeprowadź receptywny test terenowy. Prezentuj obrazy obiektów w różnych pozycjach na wyświetlaczu, obejmujące centralne pole widzenia.
W sumie stosuje się tutaj 35 pozycji pod trzema stopniami. Na koniec przeprowadź test redukcji z fragmentami konturu umieszczonymi w środku pola recepcyjnego, aby zidentyfikować minimalną efektywną cechę kształtu. Określ minimalną efektywną cechę kształtu jako najmniejszy fragment kształtu wywołujący reakcję, która wynosi co najmniej 70% odpowiedzi nienaruszonego konturu.
Ten obraz pokazuje reakcje przykładowego neuronu zarejestrowanego z obszaru F5p, testowanego za pomocą kuli i płytki, pokazanych w dwóch różnych rozmiarach. Ten konkretny neuron reagował nie tylko na optymalny bodziec dużej kuli, ale także na dużą płytkę. Dla porównania, reakcja na mniejsze obiekty była słabsza.
Poniższe obrazy pokazują wyniki z przykładowego neuronu zarejestrowanego w przedniej części śródciemieniowej i przetestowanego zarówno podczas zadania chwytania kierowanego wzrokowo, jak i pasywnej fiksacji. Ten neuron reagował podczas chwytania. Neuron reagował również na wizualną prezentację obrazów 2D obiektów, w tym obrazów obiektów używanych w zadaniu chwytania.
Preferowany nie był obiekt, który miał być chwytany, ale inny obraz 2D, z którym zwierzę nie miało wcześniejszego doświadczenia w chwytaniu. Przykład odpowiedzi uzyskanych w teście redukcji przedstawiono tutaj. Ten przykładowy neuron reagował na najmniejsze fragmenty w teście.
Po opanowaniu tej techniki można ją wykonać w mniej niż 90 minut, jeśli zostanie wykonana poprawnie. Po obejrzeniu tego filmu powinieneś dobrze zrozumieć, jak testować neurony w grzbietowym strumieniu wzrokowym za pomocą obiektów i obrazów obiektów, aby określić krytyczne cechy, które napędzają reakcje.
View the full transcript and gain access to thousands of scientific videos
Przegląd
Ten artykuł przedstawia szczegółowy protokół analizy selektywności obiektowej neuronów parieto-frontalnych zaangażowanych w transformacje wzrokowo-ruchowe. Badanie wykorzystuje specjalistyczne ustawienia, które umożliwiają obserwację reakcji neuronów podczas zadań chwytania i chwytania rzeczywistych obiektów i obrazów. Kluczowe pytania, którym się poświęca, obejmują sposób, w jaki neurony kodują obiekty oraz sposób, w jaki ich reprezentacje zmieniają się podczas przejścia z zadań wzrokowych do motorycznych.
Kluczowe elementy badania
Dziedzina nauki
- Neuronauki
- Neurofizjologia
- Integracja wzrokowo-ruchowa
Tło
- Artykuł koncentruje się na mechanizmach neuronowych leżących u podstaw rozpoznawania obiektów i reakcji motorycznych.
- Zbadano przejście reprezentacji neuronowych ze stymulacji wzrokowych do działań motorycznych.
- Zrozumienie tych procesów może dostarczyć wglądu w interakcje układów wzrokowego i motorycznego.
Cel badania
- Ocenić, jak neurony selektywnie reagują na różne obiekty.
- Analizować, jak te reakcje ewoluują podczas wykonywania działań motorycznych, takich jak chwytanie.
- Ustalić metodologiczne podejście do badania dynamiki neuronowej w odpowiednich zadaniach.
Stosowane metody
- Badanie korzysta z ustawienia zadania chwytania z wskazówkami behawioralnymi z użyciem makaków.
- Neurony są rejestrowane w kontekście prezentacji stymulacji wzrokowych i działań motorycznych.
- Kluczowe kroki obejmują precyzyjne czasowanie wskazówek wzrokowych i pomiar czasów reakcji i chwytania.
- Przeprowadzane są różne testy w celu zmierzenia selektywności wzrokowej i reakcji na obiekty i kształty.
Główne wyniki
- Protokół pozwala na szczegółowe zbadanie reakcji neuronowych podczas aktywnego chwytania i pasywnej fiksacji.
- Wyniki pokazują selektywne aktywowanie neuronów na podstawie cech prezentowanych stymulacji wzrokowych.
- Zdobyto istotne wnioski dotyczące preferowanych i niepreferowanych obrazów neuronów, podkreślając ich selektywność w reakcjach.
Wnioski
- To badanie zapewnia solidną metodę do badania kodowania neuronowego informacji wzrokowych i motorycznych.
- Wyniki zwiększają zrozumienie mechanizmów neuronowych zaangażowanych w zadania wzrokowo-ruchowe.
- Wyniki mają szersze implikacje dla badań rozpoznawania obiektów i koordynacji motorycznej.
Często zadawane pytania
Executive Industry Relevance
Understanding how neurons encode object features and transform visual input into motor output informs target validation in neurotherapeutic development. This method supports mechanistic de-risking by linking neural selectivity to visuomotor behavior, enhancing predictive confidence in target engagement. It provides a disease-relevant system for probing sensorimotor integration in preclinical models.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of neural circuits underlying object recognition and motor planning.
- Operational Value: Provides quantitative neural readouts during naturalistic visuomotor tasks.
- Predictive Value: Supports target hypothesis testing by linking neural activity to behaviorally relevant object features.
Screening & Assay Development
- Scientific Value: Allows systematic testing of visual selectivity using 2D and 3D object stimuli.
- Operational Value: Standardizes stimulus presentation and behavioral timing for reproducible neural recordings.
- Assay Readiness: Generates measurable neural responses to object contours, shapes, and fragments for feature mapping.
Translational & Preclinical Research
- Translational Value: Bridges discovery neuroscience with preclinical models of visuomotor dysfunction.
- Mechanistic De-risking: Clarifies how neural representations shift from visual to motor domains during grasping.
- Preclinical Continuity: Supports validation of target engagement in circuits involved in sensorimotor transformation.
Pipeline & Workflow Integration
The method fits within early discovery workflows by providing neural selectivity data that informs target validation and lead identification in neuroscience drug discovery.
- Discovery Biology: Tests how neurons encode object parts and shapes during active behavior.
- Screening: Enables standardized presentation of visual stimuli to assess neural tuning properties.
- Analytics: Measures reaction time, grasping time, and neural response magnitude as quantitative endpoints.
- Translational Research: Links neural selectivity in parieto-frontal areas to visuomotor output for target validation.
- Enterprise Reuse: Establishes a reusable platform for evaluating neural circuit function in preclinical models.
Operational & Enterprise Impact
- Scientific Value: Reduces mechanistic ambiguity in visuomotor pathways by mapping neural selectivity to object features.
- Operational Value: Ensures reproducibility through fixed timing parameters and stimulus controls.
- Strategic Value: Improves go/no-go decisions by validating target engagement in behaviorally relevant circuits.
- Portfolio Impact: Enables risk-adjusted prioritization of targets based on neural-behavioral alignment.
Implementation Considerations
- Requires expertise in electrophysiology, primate training, and visuomotor task design.
- Depends on specialized equipment including infrared eye tracking, laser fixation systems, and LCD/CRT displays with shutter synchronization.
- Necessitates cross-team standardization of stimulus timing, reward delivery, and neural sorting procedures.
- Involves adaptation considerations when translating findings across species or disease models.
- Limited by the specificity of recorded neuron types and variability in behavioral performance across sessions.
Biopharma FAQs
Chapters in this video
0:04
Title
0:44
Visually-guided Grasping (VGG) Task Using a Carousel Setup
2:01
Visually-guided Grasping (VGG) Task Using a Robot Setup
3:01
Passive Fixation of 3D/2D Images of Objects
5:34
Results: Investigating Object Selectivity in Dorsal Areas
6:42
Conclusion
