System rzeczywistości wirtualnej typu open source do pomiaru uczenia się przestrzennego u myszy z unieruchomioną głową
3 marca 2023
Tutaj prezentujemy uproszczoną konfigurację sprzętu i oprogramowania open-source do badania uczenia przestrzennego myszy za pomocą wirtualnej rzeczywistości (VR). System ten wyświetla wirtualną ścieżkę liniową do myszy z ograniczeniem głowy działającej na kole, wykorzystując sieć mikrokontrolerów i komputer jednopłytkowy z łatwym w użyciu pakietem oprogramowania graficznego Python.
Ten system rzeczywistości wirtualnej o otwartym kodzie źródłowym jest ważnym narzędziem do badania uczenia się przestrzennego w mózgu, ponieważ pozwala naukowcom prezentować spójny zestaw bodźców przestrzennych myszy z ograniczeniem głowy za pomocą prostej modułowej konfiguracji elektronicznej. Zaletą tego systemu jest to, że jest niedrogi, łatwy w konfiguracji, kompaktowy i modułowy, co pozwala na budowanie wielu konfiguracji behawioralnych do treningu i integracji z istniejącymi konfiguracjami behawioralnymi z ograniczeniami głowy. System ten jest idealny do pomiaru uczenia się przestrzennego i myszy z ograniczoną głową, jednak jest w równym stopniu w stanie dostarczyć wizualne środowiska rzeczywistości wirtualnej do eksperymentów na innych gatunkach i preparatach, w tym psychofizyce człowieka i neuroobrazowaniu.
Procedurę tę zademonstrują Carla Diaz i Hannah Chung, asystentki naukowe w naszym laboratorium. Aby rozpocząć, podłącz przewody między elementem enkodera obrotowego a obrotowym ESP32. Enkodery obrotowe mają zazwyczaj cztery przewody, dodatni, GND, A i B. Podłącz je za pomocą przewodów połączeniowych do ESP32, 3 0,3 V, GND 25 i 26 pinów.
Podłącz przewody szeregowe RX/TX między obrotowym ESP32 a zachowaniem ESP32. Wykonaj proste dwuprzewodowe połączenie między obrotowym ESP32, Serial0 RX/TX a portem Serial2 zachowania ESP32. Podłącz przewody szeregowe RX/TX między obrotowym ESP32 a GPIO komputera jednopłytkowego lub bezpośrednim połączeniem USB.
Wykonaj dwuprzewodowe połączenie między pinami GPIO komputera jednopłytkowego, 14, 15, RX/TX, a obrotowymi pinami ESP32, Serial2, TX/RX 1716. Następnie podłącz obrotowy ESP32 USB do USB komputera jednopłytkowego, aby przesłać początkowy kod enkodera obrotowego. Podłącz 12-woltowy zawór elektromagnetyczny cieczy do wyjścia IC ULN2803 po lewej stronie małej płytki drukowanej OMW, podłącz port lizawki do wejścia dotykowego ESP32.
Podłącz USB do portu USB komputera jednopłytkowego, aby wgrać nowe programy do zachowania ESP32 dla różnych paradygmatów eksperymentalnych i przechwycić dane o zachowaniu za pomocą dołączonego szkicu przetwarzania. Następnie podłącz adapter ścienny 12 V DC do 2,1-milimetrowego złącza baryłkowego na małej płytce drukowanej ESP32 OMW, aby zapewnić zasilanie zaworu elektromagnetycznego nagrody. Podłącz wyjście HDMI two komputera jednopłytkowego do portu HDMI projektora.
Spowoduje to przeniesienie graficznego środowiska oprogramowania renderowanego przez procesor graficzny komputera jednopłytkowego na ekran projekcyjny. Otwórz okno terminala w komputerze jednopłytkowym i przejdź do folderu Hall Pass VR. Uruchom wskazany graficzny interfejs użytkownika lub graficzny interfejs użytkownika lub graficzny interfejs użytkownika VR, aby otworzyć okno graficznego interfejsu użytkownika.
Wybierz i dodaj cztery elementy z listy dla każdego z trzech wzorców na ścieżce, a następnie kliknij przycisk Generuj. Wybierz opcję Obrazy podłogi i sufitu z menu rozwijanych i ustaw długość ścieżki na dwa metry dla tego przykładowego kodu. W razie potrzeby nazwij ten wzór.
Kliknij przycisk Start i poczekaj, aż rozpocznie się okno VR, zanim klikniesz w innym miejscu. Graficzne środowisko oprogramowania pojawi się na drugim ekranie. Uruchom szkic przetwarzania, aby uzyskać i wykreślić ruch danych behawioralnych.
Otwórz wskazane polecenie w środowisku IDE przetwarzania. Zmień zwierzę na zmienną liczby myszy i ustaw minuty sesji równe długości sesji behawioralnej w minutach. Kliknij przycisk Uruchom w środowisku IDE przetwarzania.
Sprawdź okno wykresu przetwarzania, które powinno pokazywać aktualną pozycję myszy na wirtualnym torze liniowym, gdy koło obraca się wraz ze strefami nagród i histogramami zagrywek, okrążeń i nagród, aktualizowanymi co 30 sekund. Przesuń kółko do biegania ręcznie, aby zasymulować działanie myszy w celu przetestowania, lub użyj myszy testowej do początkowej konfiguracji. Kliknij okno wykresu i naciśnij Q na klawiaturze, aby zatrzymać pobieranie danych behawioralnych.
Plik tekstowy ze zdarzeniami i czasami zachowania oraz obraz końcowego okna wykresu w formacie PNG jest zapisywany, gdy upłyną minuty sesji lub użytkownik naciśnie Q, aby wyjść. W przypadku losowego kucia z nagrodami nieoperacyjnymi, uruchom graficzny program GUI ze ścieżką dowolnych elementów wizualnych. Następnie prześlij program behawioralny do zachowania ESP32 z wieloma nagrodami nieoperacyjnymi, aby uwarunkować mysz do biegania i lizania.
Delikatnie umieść mysz w aparacie do mocowania głowy, dostosuj dziobek lizawki do miejsca tuż przed ustami myszy i ustaw kółko myszy na środku strefy ekranu projekcyjnego. Ustaw nazwę zwierzęcia w szkicu przetwarzania, a następnie naciśnij przycisk Uruchom w środowisku IDE przetwarzania, aby rozpocząć pobieranie i wykreślanie danych behawioralnych. Uruchamiaj mysz w sesjach od 20 do 30 minut, aż mysz będzie przebiegać przez co najmniej 20 okrążeń na sesję i lizać, aby zdobyć nagrody prezentowane w losowych miejscach.
W przypadku losowego żerowania z nagrodami za działanie na naprzemiennych okrążeniach, prześlij program behawioralny z naprzemiennym agentem równym jeden i trenuj mysz, aż zacznie lizać zarówno dla stref nagrody niedziałających, jak i instrumentalnych. Aby uzyskać w pełni funkcjonalne losowe żerowanie, prześlij program behawioralny z czterema operacyjnymi losowymi strefami nagród i trenuj mysz, aż będzie lizać nagrody konsekwentnie wzdłuż toru. Następnie, aby uczyć się przestrzennie, uruchom program graficzny ze ścieżką ciemnego korytarza z pojedynczą wskazówką wizualną pośrodku.
Następnie wgraj program behawioralny z pojedynczą ukrytą strefą nagrody do zachowania ESP32. Pozwól myszy działać przez 30-minutowe sesje z pojedynczą ukrytą strefą nagrody i pojedynczą wskazówką wizualną VR korytarza i przechwytuj dane podczas sesji, jak opisano wcześniej. Pobierz plik danych txt z folderu szkicu przetwarzania i przeanalizuj dane behawioralne, aby zaobserwować pojawienie się selektywnego lizania przestrzennego jako wskaźnika uczenia się przestrzennego.
Pokazano tutaj uczenie przestrzenne z wykorzystaniem graficznego środowiska oprogramowania. Poprzez kolejne etapy treningu na losowym żerowaniu, myszy nauczyły się biegać na kole i konsekwentnie lizać wzdłuż toru na niskich poziomach, zanim zostały przełączone do jednego ukrytego miejsca nagrody, aby pokazać uczenie się przestrzenne. W tym badaniu cztery z siedmiu myszy nauczyły się zadania ukrytej nagrody za pomocą jednej wskazówki wizualnej w ciągu dwóch do czterech sesji, co wykazano w ich lizaniu w pobliżu strefy nagrody z rosnącą selektywnością.
Co więcej, myszy wykazywały zarówno znaczne uczenie się w trakcie sesji, jak i między sesjami. Lizanie przestrzenne na okrążenie w drugim dniu wykazało zwiększone lizanie przed strefą nagrody i zmniejszone lizanie w innych miejscach, co wskazuje na rozwój przestrzennie specyficznego lizania antycypacyjnego. Najważniejszą rzeczą, o której należy pamiętać podczas korzystania z systemu, jest to, że myszy będą dobrze działać tylko wtedy, gdy będą wzmocnione i wygodne na kole do biegania.
Dlatego woda odpowiednio krępuje zwierzęta, obchodzi się z nimi delikatnie i upewnia się, że ich pozycja krępująca głowę jest optymalna do biegania podczas oglądania ekranu projekcyjnego. Badacz zajmujący się neurobiologią może połączyć ten system VR o otwartym kodzie źródłowym z obrazowaniem in vivo lub elektrofizjologią, aby zbadać obwody neuronalne leżące u podstaw uczenia się przestrzennego w mózgu. Uważamy, że prostota tego systemu VR o otwartym kodzie źródłowym pozwoli naukowcom zintegrować system z różnymi konfiguracjami nagrywania neurologicznego.
Precyzyjna kontrola nad bodźcami przestrzennymi w środowisku VR pozwoli naukowcom zbadać wkład określonych obwodów neuronalnych w uczenie się przestrzenne.
Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych
Przegląd
Niniejsze badanie przedstawia uproszczony, otwartoźródłowy zestaw sprzętowy i programowy do badania uczenia się przestrzennego u myszy z wykorzystaniem rzeczywistości wirtualnej (VR). System umożliwia myszom z unieruchomioną głową nawigowanie po wirtualnym torze liniowym, co jest realizowane za pomocą mikrokontrolerów oraz jednopłytkowego komputera uruchamiającego graficzny pakiet oprogramowania w języku Python.
Kluczowe elementy badania
Dziedzina nauki
- Neuronauka
- Badania behawioralne
- Zastosowania wirtualnej rzeczywistości w badaniach
Wstęp
- Ten otwartoźródłowy system VR dostarcza spójny zestaw bodźców przestrzennych.
- Układ jest tani, kompaktowy i modułowy.
- Umożliwia on integrację z istniejącymi układami behawioralnymi z unieruchomioną głową.
- System jest możliwy do zastosowania u różnych gatunków oraz w badaniach wykraczających poza model myszy.
Cel badania
- Przedstawienie łatwego w obsłudze systemu do pomiaru uczenia się przestrzennego u myszy z unieruchomioną głową.
- Zdemonstrowanie i opisanie konfiguracji oraz protokołów operacyjnych.
- Analiza danych behawioralnych podczas zadań związanych z uczeniem się przestrzennym.
Zastosowane metody
- Platforma składa się z systemu sprzętowego open-source wykorzystującego mikrokontrolery oraz komputer jednopłytkowy.
- Model biologiczny obejmuje myszy z unieruchomioną głową, eksplorujące środowiska wirtualne.
- W badaniu nie zastosowano przepływów pracy multiomicznych.
- Kroki obejmują wykonanie połączeń przewodowych między komponentami, wgranie oprogramowania oraz interakcję z graficznym interfejsem użytkownika.
- Gromadzone są dane behawioralne, co umożliwia analizę uczenia przestrzennego przy użyciu różnych paradygmatów eksperymentalnych.
Główne wyniki
- System umożliwia śledzenie zachowania myszy na wirtualnym torze, wykazując zdolności do uczenia się przestrzennego.
- Zarejestrowano istotne dane behawioralne, które ujawniają potencjał do reakcji warunkowych w zadaniach przestrzennych.
- Wyniki sugerują, że myszy można wytrenować w kojarzeniu konkretnych lokalizacji z nagrodami.
- Cztery z siedmiu myszy pomyślnie opanowały zadania z ukrytą nagrodą w określonych warunkach.
Wnioski
- Badanie potwierdza zdolność systemu VR do wspomagania badań nad uczeniem się przestrzennym u gryzoni.
- Stanowi ono model dla przyszłych badań obejmujących eksperymenty behawioralne u różnych gatunków.
- Uzyskana wiedza może przyczynić się do zrozumienia szerszych mechanizmów uczenia się przestrzennego i pamięci.
Najczęściej Zadawane Pytania
Znaczenie dla Przemysłu
Systemy wirtualnej rzeczywistości (VR) o otwartym kodzie źródłowym dla myszy z unieruchomioną głową umożliwiają wysokorozdzielcze, ilościowe pomiary uczenia się przestrzennego i zachowań, co wspiera mechanistyczne ograniczanie ryzyka we wczesnych etapach odkryć w neurobiologii. Modułowa, niskokosztowa platforma ułatwia integrację z elektrofizjologią i obrazowaniem, zapewniając precyzyjną kontrolę nad sygnałami przestrzennymi i kontekstowymi w celu walidacji celów. Zdolność ta zwiększa pewność prognostyczną w zakresie relacji między obwodami neuronalnymi a zachowaniem, co wpływa na decyzje dotyczące portfela w procesie odkrywania leków na schorzenia OUN.
Strategiczne zastosowania w badaniach i rozwoju biofarmaceutycznym
Wczesne odkrywanie i walidacja celu
- Umożliwia badanie mechanizmów uczenia się przestrzennego w określonych obwodach neuronalnych w kontrolowanych warunkach sensorycznych.
- Wspiera funkcjonalną walidację celów poprzez powiązanie aktywności obwodów z odpowiedziami behawioralnymi w powtarzalnym systemie.
- Ułatwia ograniczanie ryzyka mechanistycznego poprzez izolowanie zmiennych i ilościowe określanie reakcji behawioralnych na specyficzne bodźce.
Przesiewanie i opracowywanie testów
- Zapewnia zestandaryzowaną platformę testów behawioralnych do oceny interwencji genetycznych lub farmakologicznych w uczeniu przestrzennym.
- Dostarcza powtarzalne, ilościowe wyniki, takie jak liczba okrążeń, częstotliwość lizania oraz selektywność strefy nagrody.
- Umożliwia skalowalne, zrównoleglone testy behawioralne dzięki modułowej konstrukcji sprzętowej i programowej.
Badania translacyjne i przedkliniczne
- Umożliwia powiązanie wyników behawioralnych z aktywnością obwodów neuronalnych, co wspiera rozwój biomarkerów translacyjnych w badaniach nad OUN.
- Zapewnia ciągłość procesu, od badania obwodów in vitro po walidację behawioralną in vivo.
- Zmniejsza ryzyko translacyjne poprzez umożliwienie bezpośredniego pomiaru fenotypów uczenia się przestrzennego istotnych dla danej choroby.
Integracja potoków i przepływów pracy
Ten system VR znajduje się w kontinuum od wczesnego etapu odkrywania do badań przedklinicznych, łącząc analizę obwodów neuronalnych z fenotypowaniem behawioralnym w celu walidacji celów terapeutycznych w OUN.
- Biologia odkrywcza: Wspiera testowanie hipotez dotyczących uczenia się przestrzennego i funkcji obwodów neuronalnych dzięki precyzyjnej kontroli bodźców.
- Przesiewanie: Zapewnia gotowość do analiz oraz powtarzalność w przypadku przesiewania związków lub screeningów genetycznych w paradygmatach behawioralnych.
- Analityka: Dostarcza ilościowe parametry behawioralne i logi zdarzeń z sygnaturą czasową dla rzetelnej analizy statystycznej.
- Badania translacyjne: Łączy aktywność neuronalną z punktami końcowymi behawioralnymi, co pozwala na opracowanie strategii poszukiwania biomarkerów.
- Ponowne wykorzystanie w organizacji: Modułowa konstrukcja typu open-source umożliwia adaptację w ramach różnorodnych programów badawczych w dziedzinie neurobehawiorystyki.
Wpływ operacyjny i przedsiębiorczy
- Wartość naukowa: Zwiększa pewność prognostyczną w walidacji celów w OUN poprzez powiązanie obwodów neuronalnych z zachowaniem związanym z uczeniem przestrzennym.
- Wartość operacyjna: Standaryzuje testy behawioralne, poprawiając powtarzalność i skalowalność w różnych zespołach badawczych.
- Wartość strategiczna: Wspiera decyzje typu go/no-go, dostarczając ilościowych danych behawioralnych zakotwiczonych mechanistycznie.
- Wpływ na portfolio: Umożliwia priorytetyzację celów w OUN z uwzględnieniem ryzyka na podstawie solidnego fenotypowania behawioralnego.
Uwagi dotyczące wdrożenia
- Wymagana jest wiedza z zakresu neuronauki behawioralnej oraz podstaw elektroniki w celu konfiguracji i obsługi urządzenia.
- Wymagana jest integracja z platformami obrazowania lub elektrofizjologii do badań nad powiązaniami między obwodami a zachowaniem.
- Konieczna jest standaryzacja protokołów behawioralnych i potoków analizy danych pomiędzy zespołami.
- Możliwość dostosowania do różnych gatunków i paradygmatów doświadczalnych poprzez odpowiednie modyfikacje sprzętowe.
- Wydajność zależy od aklimatyzacji zwierząt i protokołów wzmocnienia, zgodnie z wytycznymi zawartymi w źródle.
Najczęściej zadawane pytania dotyczące biofarmacji
Chapters in this video
0:04
Introduction
1:03
Set Up the Rotary Encoder and ESP32 Connections
3:16
Running and Testing the Graphical Software Package
5:08
Mouse Training and Spatial Learning Behavior
7:11
Results: Spatial Learning Using the Graphical Software Environment
8:03
Conclusion
