Profilowanie reakcji na zachowanie matki podczas obrazowania całego mózgu
24 stycznia 2025
Prezentowany tutaj jest potok analizy wideo, który pokonuje wyzwania związane z monitorowaniem zachowań w środowiskach MRI, pozwalając na wykrywanie nieinstruowanych reakcji behawioralnych na zewnętrzne sygnały. Analiza ta ułatwi bardziej kompleksowe zrozumienie wywołanych zmian stanu wewnętrznego i aktywności całego mózgu.
To, w jaki sposób opiekun odbiera i reaguje na sygnały niemowlęcia, decyduje o tym, czy niemowlę otrzyma opiekę, której potrzebuje, aby przeżyć. U myszy wokalizacje szczeniąt wywołują złożone reakcje behawioralne, a tym samym prawdopodobnie wywołują skoordynowaną aktywność w sieci regionów mózgu. Chcemy zidentyfikować tę sieć u myszy o różnych doświadczeniach matczynych, a FMRI obudzonych myszy jest do tego doskonałym narzędziem.
W miarę jak FMRI u wybudzonych myszy staje się coraz powszechniej stosowany, pojawiają się ekscytujące badania, które badają neuronalne korelaty zachowań ukierunkowanych na cel. Zachowania te są zwykle oceniane za pomocą narzędzi, takich jak łamacze wiązki do wykrywania wycieków i czujniki ciśnienia do wykrywania ruchów. Nasz protokół pozwala nam ocenić spontaniczne reakcje behawioralne, nawet w technicznie trudnym środowisku MRI.
Naszym celem jest ostateczne wykorzystanie miar spontanicznych zachowań, aby lepiej zrozumieć aktywność całego mózgu, którą nabyliśmy za pomocą FMRI. Nasze wcześniejsze prace wykazały, że kora słuchowa matki i dziewic zwierząt reaguje inaczej na nawoływania szczeniąt. U matek ich reakcje neuronalne są ograniczone w czasie do płaczu szczeniaka.
W dziewicach nie są. Jednak gdy dziewica uczy się wyrażać zachowania macierzyńskie, ośrodki słuchowe zmieniają się, aby odzwierciedlić tę nową umiejętność. Nasze wcześniejsze badania koncentrowały się na korze słuchowej u znieczulonych myszy.
To badanie wykracza poza granice kory słuchowej, badając, jak zmienia się cały mózg i zachowanie u myszy zachowujących się na jawie, gdy zwierzę uczy się być mamą. Aby rozpocząć, pobierz MATLAB ze strony internetowej MathWorks. Aby dodać przybornik do przetwarzania obrazów do dodatków MATLAB, kliknij zarządzaj dodatkami, pobierz dodatki, a następnie wyszukaj je i dodaj.
Podobnie dodaj przybornik przetwarzania obrazów do dodatków programu MATLAB. Po otwarciu skryptu pierwszego potoku analizy edytuj sekcje pierwszą, drugą, trzecią, czwartą, piątą i szóstą skryptu, aby dopasować struktury danych tam, gdzie jest to wskazane. Uruchom sekcję pierwszą.
Uruchom drugą sekcję skryptu, aby wyświetlić pierwszą klatkę każdego filmu. Użyj myszy, aby kliknąć raz pierwsze dwa punkty, a następnie kliknij dwukrotnie trzeci punkt. Po wybraniu ostatnich punktów filmu naciśnij enter.
Uruchom sekcję trzecią i sekcję czwartą. Ustaw flagę wyrównaną do zera i uruchom sekcję piątą. Następnie ustaw flagę wyrównaną do jednej i ponownie uruchom sekcję piątą.
Teraz uruchom sekcję szóstą i porównaj wyniki obok siebie. Następnie otwórz skrypt drugi i edytuj sekcję pierwszą skryptu, aby dopasować je do struktur danych. Następnie uruchom sekcję pierwszą.
Edytuj sekcję drugą skryptu, aby dopasować struktury danych, a następnie uruchom sekcję drugą. Użyj uzyskanego obrazu, aby zobaczyć, gdzie przepływ optyczny zmienia się najbardziej dramatycznie w analizowanych filmach. Edytuj sekcję trzecią skryptu, aby dopasować ją do struktur danych i potrzeb analizy.
Aby przeanalizować pełne pole widzenia wideo, ustaw flagę, wybierz ROI i podaj ROI do zera. Następnie uruchom sekcję trzecią. Aby przeanalizować nowy zwrot z inwestycji, ustaw flagę, wybierz opcję ROI na jeden i podaj zwrot z inwestycji na zero.
Następnie edytuj newCoordsName i uruchom sekcję trzecią. Wybierz nowy ROI w wyświetlonej ramce przykładowej, klikając i przeciągając. Aby przeanalizować wcześniej narysowany ROI, ustaw flagę wybierz ROI na zero i podaj ROI na jeden.
Następnie edytuj inputCoords, aby zapewnić wstępnie określony zestaw współrzędnych i uruchom sekcję trzecią. Otwórz skrypt trzeci i edytuj sekcje od pierwszej do trzeciej skryptu, aby dopasować je do struktur danych i potrzeb analizy. W sekcji pierwszej ustaw flagi opcji analizy ZSC, BLRM, BLZSC, demeanPerTrial i applyLPfilter na zero lub jeden.
Ustaw LPfilter na liczbę reprezentującą żądany filtr dolnoprzepustowy w hercach. Następnie uruchom sekcje od pierwszej do trzeciej. Otwórz skrypt czwarty i edytuj sekcję pierwszą skryptu, aby dopasować je do struktur danych i potrzeb analizy.
Uruchom sekcję pierwszą. Otwórz skrypt piąty i edytuj sekcję pierwszą skryptu, aby dopasować struktury danych i analizę. Następnie uruchom sekcję pierwszą i sekcję drugą.
Zmień zmienne group, myTitle i threshT w danych wejściowych sekcji trzeciej, aby odzwierciedlić żądaną analizę grupy. Uruchom sekcję trzecią dla każdej grupy zainteresowań. Następnie dostosuj zakres osi C i limity paska kolorów zgodnie z potrzebami wizualizacji.
Zmień zmienne mag, myTitle i threshT w sekcjach wejściowych czwartej, aby odzwierciedlić pożądane porównanie grup. Uruchom sekcję czwartą dla każdego porównania grup, które Cię interesuje, a następnie dostosuj zakres osi Z i limity paska kolorów zgodnie z potrzebami dla wizualizacji. Wektory przepływu optycznego wskazywały obszary ruchu zwierząt, zwłaszcza okolice pyska i łap.
Odchylenie standardowe wielkości przepływu optycznego zidentyfikowało obszary o dużych i niskich fluktuacjach ruchu. Matki wykazywały wyższe reakcje ruchowe na nawoływania szczeniąt w porównaniu z dziewicami, ale nie na czyste tony. Analiza głównych składowych wykazała, że matki miały więcej ruchu w okolicy nosa w porównaniu z dziewicami podczas obu prezentacji bodźców.
Kwantyfikacja przepływu optycznego zestawu danych walidacyjnych ujawniła znaczące różnice w reakcjach behawioralnych na nagrody za wysoką i niską ilość wody. Wyniki te sugerują ponadto, że przedstawiony potok analizy wideo może być wykorzystany do uchwycenia znaczących różnic w zachowaniu zwierząt w różnych warunkach.
Przegląd
Niniejsze badanie przedstawia metodę analizy wideo przeznaczoną do monitorowania spontanicznych reakcji behawioralnych u myszy w środowiskach MRI. Wykorzystując technikę fMRI u czujnych myszy, badania mają na celu zidentyfikowanie korelacji neuralnych zachowań matczynych w odpowiedzi na wokalizacje młodych.
Kluczowe elementy badania
Dziedzina nauki
- Neuronauka
- Analiza zachowań
- Techniki obrazowania
Tło
- Wokalizacje młodych u myszy wywołują złożone reakcje behawioralne.
- Zrozumienie tych reakcji może ujawniać informacje na temat opieki matczynej i aktywności mózgu.
- Poprzednie badania wskazywały na różnice w odpowiedziach kory słuchowej między matkami a dziewicami.
- To badanie rozszerza się poza korę słuchową, aby zbadać ogólną aktywność mózgu.
Cel badania
- Zidentyfikować sieci mózgowe aktywowane przez wołania młodych u myszy o różnym doświadczeniu macierzyńskim.
- Ocenić spontaniczne reakcje behawioralne w wymagającym środowisku MRI.
- Zgłębić zrozumienie aktywności mózgu związanej z zachowaniami matczynymi.
Stosowane metody
- Rozwój potoku analizy wideo opartego na MATLAB.
- Edytowanie i wykonywanie skryptów do analizy danych wideo od czujnych myszy.
- Wykorzystanie analizy przepływu optycznego do oceny reakcji ruchowych.
- Porównanie reakcji behawioralnych między matkami a dziewicami podczas stymulacji słuchowych.
Główne wyniki
- Matki wykazywały większe reakcje ruchowe na wołania młodych w porównaniu z dziewicami.
- Analiza przepływu optycznego wskazywała na znaczne różnice behawioralne w oparciu o doświadczenie macierzyńskie.
- Analiza głównych składowych ujawniła odmienne wzorce ruchowe u matek w porównaniu z dziewicami.
- Potok analizy wideo skutecznie rejestrował spontaniczne zachowania w różnych warunkach.
Wnioski
- Badanie z powodzeniem demonstruje metodę analizy spontanicznych zachowań w ustawieniach MRI.
- Wyniki przyczyniają się do zrozumienia podstawy neuralnej zachowań matczynych w odpowiedzi na wskazówki od dzieci.
- Opracowany potok może być zastosowany w dalszych badaniach z zakresu neurobiologii zachowań.
Często zadawane pytania
Executive Industry Relevance
Integrating behavioral profiling with whole-brain imaging in awake mice enables biopharma teams to link neural circuit activity to complex, ethologically relevant behaviors under constrained experimental conditions. This approach enhances predictive confidence in target validation by correlating quantitative behavioral outputs with brain-wide functional responses. The pipeline supports translational continuity from early discovery through preclinical model development, especially for neurobehavioral and CNS-targeted portfolios.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of neural circuits underlying specific behavioral phenotypes in response to defined stimuli.
- Supports biological de-risking by linking functional brain activity to observable behavioral outputs.
- Facilitates predictive confidence in target selection by quantifying stimulus-evoked responses across animal cohorts.
Screening & Assay Development
- Prepares validated behavioral readouts for integration with neural imaging workflows.
- Standardizes behavioral quantification using optical flow and dimensionality reduction for reproducibility.
- Enables robust comparison of compound or genetic interventions on both neural and behavioral endpoints.
Translational & Preclinical Research
- Aligns behavioral outputs with disease-relevant neural activity for translational biomarker development.
- Supports continuity from discovery through preclinical validation by enabling behavioral monitoring in constrained environments.
- Provides mechanistic de-risking for CNS and neuropsychiatric target portfolios.
Pipeline & Workflow Integration
This behavioral video analysis pipeline bridges early discovery and preclinical research by enabling synchronized acquisition of behavioral and neural data in challenging environments such as MRI. It is positioned for use in target validation, lead identification, and translational model development.
- Discovery Biology: Quantifies behavioral responses to defined stimuli, supporting hypothesis testing and pathway clarification.
- Screening: Delivers reproducible, quantitative behavioral metrics for downstream compound or genetic screening.
- Analytics: Provides statistical outputs and dimensionality reduction for robust cross-condition comparisons.
- Translational Research: Facilitates alignment of behavioral and neural endpoints for preclinical model validation.
- Enterprise Reuse: Offers a modular, adaptable pipeline for behavioral monitoring across diverse neural recording platforms.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in CNS target validation.
- Operational Value: Standardizes behavioral quantification for reproducibility and scalability across studies.
- Strategic Value: Improves go/no-go decisions by integrating behavioral and neural data streams.
- Portfolio Impact: Enables risk-adjusted prioritization of neurobehavioral targets and models.
Implementation Considerations
- Requires expertise in behavioral neuroscience, imaging, and computational analysis.
- Depends on access to MRI-compatible video acquisition and MATLAB-based analytical infrastructure.
- Necessitates cross-team standardization of behavioral scoring and data integration protocols.
- Adaptable to various neural recording modalities beyond fMRI, as supported by the pipeline design.
- Limited by the need for non-ferromagnetic equipment and restricted field of view in MRI environments.
