PyOKR: Półautomatyczna metoda ilościowego określania zdolności śledzenia odruchów optokinetycznych

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.

Jesteśmy zainteresowani zrozumieniem mechanizmów, które regulują zachowania związane z przetwarzaniem ruchu wzrokowego, takich jak refluks optokineki. Opracowaliśmy PyOKR jako dostępną i jednolitą platformę do powtarzalnego ilościowego określania szerokiego zakresu reakcji wizualnych w różnych warunkach, aby lepiej zrozumieć te zachowania. W tej dziedzinie nie ma ujednoliconej metody ilościowego określania odruchów optokinetycznych (ang. optokinetycznych reakcji odruchowych), co może powodować rozbieżności podczas porównywania danych między laboratoriami.

Mamy nadzieję, że PyOKR może pomóc w standaryzacji sposobu analizy tych danych, aby zapewnić dostępne, bezstronne i solidne narzędzie do badania tych reakcji wizualnych. Istniejące metody zwykle różnią się w zależności od laboratoriów i często są projektowane na zamówienie dla ich konkretnych potrzeb. PyOKR oferuje ujednoliconą metodę, która jest przyjazna dla użytkownika, dostępna i można ją dostosować do różnych projektów eksperymentalnych.

Dzięki połączeniu zautomatyzowanej analizy i danych wejściowych użytkownika może generować bezstronne lub dokładne wyniki, aby odpowiedzieć na pożądane pytania użytkownika. Zastosowanie naszej nowej metody analizy PyOKR ułatwi badanie zachowań reakcji wzrokowych w wielu kontekstach, takich jak manipulacje genetyczne czy farmakologiczne. Ze względu na swoją dostępność i zdolności adaptacyjne, pozwoli to naukowcom na skuteczne ilościowe określenie odpowiedzi, aby odpowiedzieć na nowe pytania dotyczące powstawania i funkcjonowania obwodów wzrokowych.

Mamy nadzieję, że za pomocą PyOKR uda nam się zidentyfikować nowe mechanizmy, które regulują rozwój obwodów selektywnych kierunkowo, które napędzają odruchy optokinetyczne. Zastosowanie tego podejścia, z zaburzeniami obwodów neuronalnych, będzie nadal pomagać nam w badaniu rozwoju i funkcji tych krytycznych systemów wzrokowych. Aby rozpocząć, pobierz i zainstaluj wymagane oprogramowanie do analizy Optokinetic Reflex (PyOKR) opartej na języku Python.

Na komputerze z systemem Windows uruchom z importu PyOKR OKR_win jako o"a następnie o.run. Po otwarciu interfejsu użytkownika kliknij Plik, a następnie Otwórz, aby otworzyć przeglądarkę w celu wybrania żądanego pliku WAV. Aby wybrać folder wyjściowy, kliknij Eksportuj folder.

W polu Plik wyjściowy wprowadź nazwę końcowego pliku analizy. Wybierz opcję Ustaw temat w obszarze Plik, aby ustawić program dla pojedynczego zwierzęcia. Aby ustawić parametry bodźca, przejdź do Wybierz kierunek bodźca i zdefiniuj kierunkowość spośród czterech głównych kierunków.

W obszarze Wybierz typ bodźca wybierz opcję jednokierunkowy, oscylacyjny lub ukośny. Następnie za pomocą funkcji głowy i ogona ustaw czas bez bodźca na początku i na końcu. Ustaw długość epoki, długość bodźca końcowego i liczbę epok.

W przypadku bodźców jednokierunkowych i ukośnych ustaw prędkość poziomą i prędkość pionową w stopniach na sekundę i określ liczbę klatek na sekundę. W przypadku bodźców sinusoidalnych dostosuj częstotliwość i amplitudę. Korzystając z opcji Generuj wektor bodźca na podstawie parametrów, utwórz odpowiedni model na podstawie wejściowych informacji o bodźcu i kliknij Wybierz epokę, aby zeskanować do całkowitego pliku WAV.

Kliknij opcję Dane niefiltrowane lub Dane filtrowane, aby uzyskać wstępną regulację, aby automatycznie wybrać szybkie sakkady fazowe na podstawie maksymalnych zmian prędkości. W obszarze Niefiltrowane dane potwierdź, że sakkady są dokładnie wybrane za pomocą niebieskiej kropki. Zapisz punkty środkowym przyciskiem myszy i zamknij wykres.

Jeśli wymagane jest automatyczne filtrowanie, ustaw próg wskaźnika Z filtru i kliknij przycisk Filtruj dane, aby automatycznie filtrować sakkady. Po prawidłowym wybraniu sakkad naciśnij Dopasowanie punktowe, aby wybrać obszar do usunięcia. Zmień górny i dolny punkt i zapisz za pomocą przycisków myszy.

Korzystając z opcji Ustaw porządek wielomianów, zdefiniuj model wielomianowy, który pasuje do poszczególnych wolnych faz. Wybierz opcję Analiza końcowa, aby wygenerować modele wolnej fazy i obliczyć odległości, prędkości i zyski śledzenia uśrednione w całej epoce. Wybierz opcję Wyświetl wykres 2D lub Wyświetl wykres 3D, aby wyświetlić wykres dwuwymiarowy lub trójwymiarowy wybranych regionów.

Wybierz pozycję Dodaj epokę, aby zapisać w celu wygenerowania wartości zbiorczych, a następnie wybierz pozycję Wyświetl bieżący zestaw danych, aby wyświetlić wszystkie dodane wartości i średnie dla danego zwierzęcia. Po powtórzeniu całego procesu dla wszystkich plików dla danego zwierzęcia, wygeneruj końcowy zestaw danych zawierający wszystkie dane WAV. Na koniec wyeksportuj zestaw danych za pomocą opcji Eksportuj dane i przejdź do następnych danych zwierząt.

Analiza PyOKR u myszy z warunkowym nokautem Tbx5 wykazała, że zwierzęta te zachowują normalne zyski ze śledzenia poziomego w porównaniu z myszami typu dzikiego. Jednak myszy te wykazały znaczną utratę śledzenia pionowego z prawie zerowymi zyskami w odpowiedzi zarówno na bodźce w górę, jak i w dół. Ponadto analiza odpowiedzi sinusoidalnych potwierdziła, że myszy z warunkowym nokautem Tbx5 wykazywały większe zyski ze śledzenia poziomego, wykazując jednocześnie znacznie zmniejszone śledzenie pionowe.