Name: Profilowanie reakcji na zachowanie matki podczas obrazowania całego mózgu (Wideo) | JoVE Journal
Uploaded: 2025-01-24T12:50:00.000+00:00
Duration: 7 min 12 s
Description: Poznaj analizę zachowań matek myszy w odpowiedzi na wokalizacje młodych przy użyciu FMRI u czuwających zwierząt. Metoda MATLAB pozwala identyfikować sieci neuronalne związane z opieką rodzicielską.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Chcielibyśmy podziękować laboratoriom Marlin i Kahn za wsparcie tych badań. Chcielibyśmy również podziękować dr Kevinowi Cury'emu za jego wnikliwą dyskusję na temat naszych danych wideograficznych. Badania opisane w tej publikacji były wspierane przez Narodowy Instytut Zdrowia Dziecka i Rozwoju Człowieka im. Eunice Kennedy Shriver w ramach Narodowego Instytutu Zdrowia w ramach Nagrody Numer F31HD114466 (BRM), Instytut Medyczny Howarda Hughesa (BJM), UNCF E.E. Just Fellowship CU20-1071 (BJM), BBRF NARSAD Young Investigator Grant 30380 (BJM) oraz The Whitehall Foundation (BJM). Wyłączną odpowiedzialność za treść ponoszą autorzy i nie muszą one reprezentować oficjalnych poglądów National Institutes of Health.

Wszystkie eksperymenty na zwierzętach zostały przeprowadzone zgodnie z protokołami zatwierdzonymi przez Columbia University Institutional Animal Care and Use Committee (IACUC), a wszystkie metody zostały przeprowadzone zgodnie z odpowiednimi wytycznymi, przepisami i zaleceniami. Szczegóły dotyczące używanego sprzętu i oprogramowania są wymienione w Tabeli Materiałów.
1. Oprogramowanie
<ol>
	<li>Pobierz MATLAB ze strony internetowej Mathworks. 
	UWAGA: Kod, który składa się na ten potok analizy, jest wykonywalny wyłącznie przez MATLAB i został specjalnie napisany tak, aby był zgodny z MATLAB 2023a.</li>
	<li>Ten potok wymaga zestawu narzędzi przetwarzania obrazów i zestawu narzędzi do przetwarzania obrazów w programie MATLAB. Dodaj przyborniki do dodatków MATLAB, klikając Zarządzaj dodatkami, Pobierz dodatki, a następnie wyszukaj i dodaj je. 
	UWAGA: Pięć skryptów MATLAB jest dostarczanych jako pliki uzupełniające, zatytułowane w następujący sposób: script1_videocoreg.m (Dodatkowy plik kodowania 1), script2_optflow_roiselect.m (Uzupełniający plik kodowania 2), script3_optflow_analysis.m (Uzupełniający plik kodowania 3), script4_optflow_pca.m (Uzupełniający plik kodowania 4) i script5_optflow_pca_analysis.m (Uzupełniający plik kodowania 5). Dostępne są również dwa przykładowe filmy (Wideo 1 i Wideo 2) oraz odpowiadające im pliki z chronometrażem zdarzeń (Plik uzupełniający 1 i Plik uzupełniający 2). Zaleca się, aby najpierw uruchomić potok z przykładowym data. 
	UWAGA: Uważaj na wszelkie komentarze w kodzie, które zawierają wykrzyknik, ponieważ są to obszary, które wymagają działania przed wykonaniem. Na przykład znajdują się tam komentarze, takie jak "edytuj blok kodu poniżej!", aby wskazać, gdzie należy wprowadzić zmiany, aby dopasować je do struktur plików, szczegółów eksperymentu lub potrzeb analizy. Te opcje są domyślnie ustawione tak, aby pasowały do dwóch podanych przykładowych filmów wideo, ale będą wymagały dostosowania, gdy jeden zacznie uruchamiać potok z własnymi danymi.</li>
	<li>Aby uruchomić każdą sekcję każdego skryptu, kliknij Uruchom i Przejdź w menu Edytora.</li>
</ol>
2. Rejestracja wideo
UWAGA: Pierwszym dostarczonym skryptem w tym procesie analizy jest script1_videocoreg.m (Uzupełniający Plik Kodowania 1), który przestrzennie wyrównuje wszystkie filmy do siebie poprzez korejestrację. Danymi wejściowymi dla tego skryptu są nieprzetworzone filmy, a głównymi danymi wyjściowymi są przekształcone filmy.
<ol>
	<li>Edytuj sekcje 1, 2, 3, 4, 5 i 6 skryptu, jeśli są wskazane, aby pasowały do struktur danych.</li>
	<li>Uruchom sekcję 1.</li>
	<li>Wybierz trzy punkty w każdym filmie do oznaczenia, tak jak w Rysunek 1A. Te trzy punkty zostaną użyte do współzarejestrowania wszystkich ramek względem siebie. Uruchom sekcję 2 skryptu, aby wyświetlić pierwszą klatkę każdego filmu i użyj myszy, aby kliknąć raz pierwsze dwa punkty, a następnie kliknij dwukrotnie trzeci punkt. Po wybraniu punktów z ostatniego filmu naciśnij Enter.</li>
	<li>Uruchom sekcję 3 i sekcję 4.</li>
	<li>Ustaw flagę wyrównaną do 0 i uruchom Sekcja 5. Następnie ustaw flagę wyrównaną do 1 i ponownie uruchom Sekcję 5.</li>
	<li>Uruchom sekcję 6 i porównaj wynikową figurę obok siebie z Rysunek 1B. Wszelkie aberracje zaobserwowane na niewyrównanym obrazie średnim po lewej stronie powinny zostać zmniejszone na wyrównanym obrazie uśrednionym po prawej.</li>
</ol>
3. Oszacowanie przepływu optycznego: Pełne pole widzenia
UWAGA: Aby ocenić ruch podczas skanowania filmów, należy oszacować przepływ optyczny dla każdego przekształconego wideo. Można to zrobić dla pełnego pola widzenia (FOV) każdego filmu za pomocą dostarczonego skryptu script2_optflow_roiselect.m (Supplementary Coding File 2). Danymi wejściowymi dla tego skryptu są przekształcone filmy, a danymi wyjściowymi są matryce 3D wskazujące wielkość przepływu optycznego każdego piksela w czasie dla każdego wideo. Rysunek 2A pokazuje przykładową ramkę z wektorami przepływu optycznego nałożonymi na niebiesko, gdzie długość każdego wektora reprezentuje względną wielkość przepływu optycznego tego piksela. Okazało się, że zapisywanie wyników jako filmów jest bardziej wydajne niż zapisywanie ich jako matryc 3D.
<ol>
	<li>Edytuj sekcję 1 skryptu, jeśli jest to wskazane, aby dopasować ją do struktur danych.</li>
	<li>Uruchom sekcję 1.</li>
</ol>
4. Wybór ROI
UWAGA: Następujące kroki analizy są znacznie łatwiejsze do opanowania pod względem obciążenia obliczeniowego i potrzeb przechowywania danych, wybierając obszar zainteresowania (ROI) w pełnym polu widzenia, na którym skupi się analiza. Zwrot z inwestycji można wybrać zgodnie z eksperymentem i zachowaniami, które Cię interesują lub za pomocą podejścia bardziej opartego na danych. Aby uzyskać reprezentatywne wyniki przedstawione tutaj, odchylenie standardowe wielkości przepływu optycznego każdego piksela w pełnym polu widzenia zostało obliczone za pomocą skryptu script2_optflow_roiselect.m, sekcja 2 (Dodatkowy plik kodowania 2). Dane wejściowe dla tej części skryptu są danymi wyjściowymi sekcji 1, a głównym wyjściem jest wizualizacja odchylenia standardowego wielkości przepływu optycznego we wszystkich pikselach we wszystkich filmach. W przedstawionych reprezentatywnych wynikach pole widzenia lustra wykazało stosunkowo wysokie odchylenie standardowe przepływu optycznego, co kierowało demonstrowanym wyborem ROI.
<ol>
	<li>Edytuj sekcję 2 skryptu, jeśli jest to wskazane, aby dopasować ją do struktur danych.</li>
	<li>Uruchom sekcję 2 i użyj wynikowego obrazu, aby zobaczyć, gdzie przepływ optyczny zmienia się najbardziej dramatycznie w analizowanych filmach. Przykład tego obrazu jest pokazany w Rysunek 2B.</li>
</ol>
5. Kwantyfikacja przepływu optycznego: ROI
UWAGA: Sekcja 3 skryptu script2_optflow_roiselect.m (Uzupełniający plik kodowania 2) pozwala użytkownikowi wybrać ROI za pomocą narzędzia do rysowania i zapisać współrzędne granic. Dane wejściowe dla tej części skryptu są danymi wyjściowymi sekcji 1, a danymi wyjściowymi są wektory 1D wskazujące średnią wielkość przepływu optycznego zwrotu z inwestycji w czasie dla każdego filmu.
<ol>
	<li>Edytuj sekcję 3 skryptu tam, gdzie jest to wskazane, aby dopasować ją do struktur danych i potrzeb analizy. 
	UWAGA: Istnieje kilka opcji dotyczących sposobu postępowania z wyborem ROI. Wybierz jedną opcję:
	<ol>
		<li>Opcja 1: Przeanalizuj pełne pole widzenia wideo.
		<ol>
			<li>Ustaw flagę selectROI na 0 i ustaw provideROI na 0.</li>
		</ol>
		</li>
		<li>Opcja 2: Przeanalizuj nowy zwrot z inwestycji.
		<ol>
			<li>Ustaw flagę selectROI na 1 i ustaw provideROI na 0. Następnie edytuj newCoordsName.</li>
		</ol>
		</li>
		<li>Opcja 3: Przeanalizuj wcześniej narysowany ROI. 
		UWAGA: Wybierz tę opcję tylko wtedy, gdy wcześniej uruchomiono ten kod i utworzono zwrot z inwestycji.
		<ol>
			<li>Ustaw flagę selectROI na 0 i ustaw provideROI na 1. Następnie edytuj inputCoords, aby zapewnić wstępnie określony zestaw współrzędnych.</li>
		</ol>
		</li>
	</ol>
	</li>
	<li>Uruchom sekcję 3.</li>
</ol>
6. Porównanie wielkości przepływu optycznego
UWAGA: Dostarczony skrypt script3_optflow_analysis.m (Uzupełniający Plik Kodowania 3) wymaga największej specjalizacji, aby dopasować dane użytkownika. Głównymi danymi wejściowymi są wektory 1D wskazujące średnią wielkość przepływu optycznego zwrotu z inwestycji w czasie dla każdego filmu, a po odpowiednim połączeniu z początkami zdarzeń i informacjami o grupach/warunkach, głównymi wynikami są porównania statystyczne, które można dostosować do zainteresowań analizy.
<ol>
	<li>Edytuj sekcje 1-3 skryptu, aby dopasować je do struktur danych i potrzeb analizy.</li>
	<li>Ustaw flagi opcji analizy zsc, blrm, blzsc, demeanPerTrial i applyLPfilter na 0 lub 1 zgodnie z potrzebami w sekcji 1. W przedstawionych reprezentatywnych wynikach zsc, blrm i applyLPfilter zostały ustawione na 1, a wszystkie inne opcje zostały ustawione na 0.</li>
	<li>Ustaw LPfilter na liczbę reprezentującą żądany filtr dolnoprzepustowy w hercach (Hz). W przedstawionych reprezentatywnych wynikach zastosowano filtr dolnoprzepustowy 5 Hz, ponieważ nie spodziewano się, że reakcje behawioralne będą się wahać w tempie szybszym niż 5 Hz.</li>
	<li>Uruchom sekcje 1-3. Sekcja 3 powinna zawierać wykresy dla grupowych średnich szeregów czasowych przepływu optycznego, grupowego średniego skumulowanego przepływu optycznego i sumarycznego skumulowanego przepływu optycznego, w tym wykresów takich jak te pokazane na Rysunek 3. Sekcja 3 może być uruchomiona dla dowolnej kombinacji porównań grup/warunków.</li>
</ol>
7. Przepływ optyczny PCA
UWAGA: Opierając się na oszacowaniu wielkości przepływu optycznego, dane wyjściowe script2_optflow_roiselect.m (Supplementary Coding File 2) zawierają również informacje o przestrzennym rozkładzie przepływu optycznego klatka po klatce na wideo. W celu zmniejszenia wymiarowości tej informacji przestrzennej, dostarczony skrypt script4_optflow_pca.m (Supplementary Coding File 4) przeprowadza analizę głównych składowych (PCA) na szacowanym przepływie optycznym. Głównymi danymi wejściowymi są optyczne matryce przepływu 3D, wcześniej zapisane jako filmy dla każdego filmu behawioralnego, a głównym wyjściem jest jeden plik .mat na film zawierający informacje o wariancji komputera i wyjaśnione.
<ol>
	<li>Edytuj sekcję 1 skryptu, aby dopasować ją do struktur danych i potrzeb analizy.</li>
	<li>Ustaw opcje analizy flagi stimnum, dsfactor i fnfactor zgodnie z potrzebami w sekcji 1. W przedstawionych reprezentatywnych wynikach każdy typ bodźca był analizowany oddzielnie, a domyślna wartość 1 została utrzymana dla dsfactor i fnfactor, co skutkowało brakiem downsamplingu w przestrzeni lub czasie.</li>
	<li>Uruchom sekcję 1.</li>
</ol>
8. Porównanie przepływu optycznego PCA
UWAGA: Dostarczony skrypt script5_optflow_pca_analysis.m (Uzupełniający Plik Kodowania 5) przeprowadzi eksploracyjne porównania wyników PCA między grupami. Głównymi danymi wejściowymi są specyficzne dla bodźca PC i informacje o wyjaśnionej wariancji uzyskane z script4_optflow_pca.m (Supplementary Coding File 4), a głównymi danymi wyjściowymi są statystycznie progowe mapy cieplne przedstawiające obciążenia pierwszego komputera, chociaż inne komputery PC mogą być również analizowane za pomocą tego skryptu.
<ol>
	<li>Edytuj sekcję 1 skryptu, aby dopasować ją do struktur danych i analizy.</li>
	<li>Uruchom sekcję 1 i sekcję 2.</li>
	<li>Edytuj dane wejściowe sekcji 3, w szczególności zmienne group i myTitle, aby odzwierciedlić żądaną analizę grupy, a także threshT. threshT reprezentuje próg statystyki T, powyżej którego wyniki zostaną uznane za istotne, który można obliczyć na podstawie publicznie dostępnych tabel statystyk T do wartości p i stopni swobody.</li>
	<li>Uruchom sekcję 3 dla każdej grupy zainteresowania. Kod powinien wygenerować mapę statystyk podsumowujących grupę, taką jak te pokazane w lewym i środkowym panelu <silna klasa="xfig">Rysunek 4. Dostosuj zakres wkrętu, a tym samym limity paska kolorów, zgodnie z potrzebami wizualizacji.</li>
	<li>Edytuj dane wejściowe sekcji 4, w szczególności zmienne mag i myTitle, aby odzwierciedlić pożądane porównanie grup, a także threshT. threshT reprezentuje próg statystyki T, powyżej którego wyniki zostaną uznane za istotne, który można obliczyć na podstawie publicznie dostępnych tabel statystyk T do wartości p i stopni swobody.</li>
	<li>Uruchom sekcję 4 dla każdego porównania grup będących przedmiotem zainteresowania. Kod powinien wygenerować mapę statystyk porównania grup, jak pokazano w prawym panelu <silna klasa="xfig">Rysunek 4. Dostosuj zakres wkrętu, a tym samym limity paska kolorów, zgodnie z potrzebami wizualizacji.</li>
</ol>

Pipeline for Analyzing Behavioral Responses to External Cues in MRI Environments

<ol><li>Musall, S., Kaufman, M. T., Juavinett, A. L., Gluf, S., Churchland, A. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Single-trial+neural+dynamics+are+dominated+by+richly+varied+movements%5BTitle%5D)+AND+%22Nat+Neurosci%22%5BJournal%5D)">Single-trial neural dynamics are dominated by richly varied movements.</a> Nat Neurosci. 22 (10), 1677-1686 (2019).</li>
<li>Dolensek, N., Gehrlach, D. A., Klein, A. S., Gogolla, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Facial+expressions+of+emotion+states+and+their+neuronal+correlates+in+mice%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Facial expressions of emotion states and their neuronal correlates in mice.</a> Science. 368 (6486), 89-94 (2020).</li>
<li>Kepecs, A., Uchida, N., Mainen, Z. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+sniff+as+a+unit+of+olfactory+processing%5BTitle%5D)+AND+%22Chemical+Senses%22%5BJournal%5D)">The sniff as a unit of olfactory processing.</a> Chemical Senses. 31 (2), 167-179 (2006).</li>
<li>Shusterman, R., Smear, M. C., Koulakov, A. A., Rinberg, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Precise+olfactory+responses+tile+the+sniff+cycle%5BTitle%5D)+AND+%22Nat+Neurosci%22%5BJournal%5D)">Precise olfactory responses tile the sniff cycle.</a> Nat Neurosci. 14 (8), 1039-1044 (2011).</li>
<li>Han, Z., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Awake+and+behaving+mouse+fMRI+during+Go%2FNo-Go+task%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Awake and behaving mouse fMRI during Go/No-Go task.</a> NeuroImage. 188, 733-742 (2019).</li>
<li>Mathis, A., Mamidanna, P., Cury, K. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((DeepLabCut%3A+Markerless+pose+estimation+of+user-defined+body+parts+with+deep+learning%5BTitle%5D)+AND+%22Nature+Neurosci%22%5BJournal%5D)">DeepLabCut: Markerless pose estimation of user-defined body parts with deep learning.</a> Nature Neurosci. 21 (9), 1281-1289 (2018).</li>
<li>Krakauer, J. W., Ghazanfar, A. A., Gomez-Marin, A., MacIver, M. A., Poeppel, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neuroscience+needs+behavior%3A+Correcting+a+reductionist+bias%5BTitle%5D)+AND+%22Neuron%22%5BJournal%5D)">Neuroscience needs behavior: Correcting a reductionist bias.</a> Neuron. 93 (3), 480-490 (2017).</li>
<li>Wiltschko, A. B., Tsukahara, T., Zeine, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Revealing+the+structure+of+pharmacobehavioral+space+through+motion+sequencing%5BTitle%5D)+AND+%22Nat+Neurosci%22%5BJournal%5D)">Revealing the structure of pharmacobehavioral space through motion sequencing.</a> Nat Neurosci. 23 (11), 1433-1443 (2020).</li>
<li>Moëne, O. L., Larsson, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+new+tool+for+quantifying+mouse+facial+expressions%5BTitle%5D)+AND+%22eNeuro%22%5BJournal%5D)">A new tool for quantifying mouse facial expressions.</a> eNeuro. 10 (2), (2023).</li>
<li>Paasonen, J., Stenroos, P., Laakso, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Whole-brain+studies+of+spontaneous+behavior+in+head-fixed+rats+enabled+by+zero+echo+time+MB-SWIFT+fMRI%5BTitle%5D)+AND+%22NeuroImage%22%5BJournal%5D)">Whole-brain studies of spontaneous behavior in head-fixed rats enabled by zero echo time MB-SWIFT fMRI.</a> NeuroImage. 250, 118924(2022).</li>
<li>Ehret, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Infant+rodent+ultrasounds%3A+A+Gate+to+the+understanding+of+sound+communication%5BTitle%5D)+AND+%22Behav+Genet%22%5BJournal%5D)">Infant rodent ultrasounds: A Gate to the understanding of sound communication.</a> Behav Genet. 35 (1), 19-29 (2005).</li>
<li>Marlin, B. J., Mitre, M., D'amour, J. A., Chao, M. V., Froemke, R. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Oxytocin+enables+maternal+behavior+by+balancing+cortical+inhibition%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Oxytocin enables maternal behavior by balancing cortical inhibition.</a> Nature. 520 (7548), 499-504 (2015).</li>
<li>Optical Flow. , 
 <a target="_blank" href="https://www.mathworks.com/discovery/optical-flow.html">https://www.mathworks.com/discovery/optical-flow.html</a> (2024).</li>
<li>Horn, B. K. P., Schunck, B. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Determining+optical+flow%5BTitle%5D)+AND+%22Artif+Intell%22%5BJournal%5D)">Determining optical flow.</a> Artif Intell. 17 (1), 185-203 (1981).</li>
<li>Szeliski, R. Dense motion estimation. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aSzeliski%2C+R+%22Computer+Vision%3A+Algorithms+and+Applications%22">Computer Vision: Algorithms and Applications</a>. Szeliski, R. , Springer. 335-374 (2011).</li>
<li>Beauchemin, S. S., Barron, J. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+computation+of+optical+flow%5BTitle%5D)+AND+%22ACM+Comput+Surv%22%5BJournal%5D)">The computation of optical flow.</a> ACM Comput Surv. 27 (3), 433-466 (1995).</li>
<li>McRae, B. R., Andreu, V., Marlin, B. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Integration+of+olfactory+and+auditory+cues+eliciting+parental+behavior%5BTitle%5D)+AND+%22J+Neuroendocrin%22%5BJournal%5D)">Integration of olfactory and auditory cues eliciting parental behavior.</a> J Neuroendocrin. 35 (7), e13307(2023).</li>
</ol>

Autorzy nie mają nic do ujawnienia.

Prezentowany pipeline analizy behawioralnej pozwala na wydobycie cennych informacji z filmów przedstawiających zwierzęta wykazujące niewyuczone zachowania w odpowiedzi na biernie prezentowane bodźce. Te reprezentatywne filmy behawioralne zostały uzyskane w połączeniu z danymi z funkcjonalnego rezonansu magnetycznego całego mózgu (fMRI), dla których pokonano wiele ograniczeń, aby uchwycić reakcje behawioralne w środowisku MRI. Stosując metodę optycznego szacowania przepływu, ujawniono różnice w tym, jak matki i dziewice reagują na nawoływania szczeniąt - ale nie czyste tony - potwierdzając początkową hipotezę 13,14,15,16. Wykorzystując redukcję wymiarowości informacji o przepływie optycznym, odkrycie to zostało rozszerzone o eksploracyjną analizę rozkładu przestrzennego tych zachowań.
Ten potok analizy jest szeroko podatny na różne paradygmaty eksperymentalne. Jest całkowicie niezależny od rodzaju pozyskiwanych danych neuronowych i nie wymaga nadmiernej mocy obliczeniowej ani specjalistycznego sprzętu. Głównym wymogiem eksperymentalnym jest to, aby dane wideograficzne były rejestrowane z odpowiednimi znacznikami czasu rozpoczęcia prezentacji bodźców. Co więcej, dzięki udostępnieniu skryptów MATLAB używanych do wykonywania demonstrowanych analiz, implementacja tego potoku powinna być dość prosta, nawet dla osób z minimalnym doświadczeniem w MATLAB. Ogólne kroki, opisane w protokole, obejmują korejestrację wideo, oszacowanie przepływu optycznego, wybór regionu zainteresowania (ROI), kwantyfikację przepływu optycznego specyficzną dla ROI, porównanie wielkości przepływu optycznego, analizę głównych składowych (PCA) i porównanie PCA. Na każdym kroku potok może być modyfikowany w celu dopasowania do potrzeb eksperymentalnych i analitycznych, zgodnie z opisem w protokole i wyróżniony komentarzami w całym kodzie.
Istnieje kilka ograniczeń, o których należy pamiętać podczas korzystania z prezentowanego potoku analizy wideo. Po pierwsze, należy dokładnie przemyśleć projekt aparatu behawioralnego. Jeśli nie jest jasne, jakich reakcji behawioralnych można się spodziewać, korzystne może być zebranie jak największej liczby punktów widzenia zwierzęcia w przyszłych analizach. W związku z tym zaleca się zainstalowanie jednego lub wielu lusterek w celu jednoczesnego rejestrowania widoku z przodu i profilu zwierzęcia, jak pokazano na przykładowych klatkach wideo na rysunku 1A. Po drugie, zaleca się, aby oświetlenie przewidziane do akwizycji wideo było wystarczająco jasne, aby zobaczyć wszystkie istotne cechy pola widzenia (FOV), ale nie tak jasne, aby osiągnąć nasycenie. Na rysunku 1A można zaobserwować, że widok z przodu nosa myszy znajduje się w punkcie bliskim nasycenia, co utrudnia uchwycenie jakichkolwiek wahań jasności, które wskazywałyby na ruch. Mogło to przyczynić się do braku zmienności przepływu optycznego obserwowanej w tej części pola widzenia, jak pokazano na rysunku 2B. Na szczęście widok nosa z profilu nie napotkał tego problemu, co pozwoliło na analizę ROI lustra. Dodatkowo należy wziąć pod uwagę możliwość saturacji, jeśli w eksperymencie zaangażowane są bodźce wzrokowe. W eksperymencie z zestawem danych walidacyjnych sygnał świetlny używany do sygnalizowania dostarczenia nagrody wodnej wprowadzał tymczasowe nasycenie w pozyskanych filmach, stanowiąc tymczasowy artefakt w oszacowaniu przepływu optycznego. Artefakt ten można zaobserwować na rysunku 5A, gdzie dwa ostre piki w śladach przepływu optycznego dla obu warunków nagrody pokrywają się dokładnie z momentem, w którym sygnał świetlny był włączany i wyłączany. Artefakt ten sprawił, że te krótkie okna czasowe były trudne do analizy za pomocą przedstawionego potoku, a gdyby go nie było, wyniki przedstawione na rysunku 5B mogłyby być jeszcze bardziej znaczące. Stałe oświetlenie sceny jest koniecznym założeniem dla większości algorytmów przepływu optycznego14,16. W związku z tym ten potok analizy wideo nie jest zalecany w przypadku eksperymentów, w których oświetlenie otoczenia zmienia się drastycznie, zarówno w obrębie prób, jak i między nimi. Po trzecie wreszcie, wystarczające przyzwyczajenie zwierząt do środowiska rejestrowania jest kluczowym elementem każdego eksperymentu, który będzie wykorzystywał ten potok. Jeśli nie zostaną odpowiednio przyzwyczajone, zwierzęta mogą wykazywać znaczące reakcje na stres, wypłukując wszelkie subtelne efekty napędzane bodźcami, które w przeciwnym razie można by przeanalizować za pomocą analizy wideo.
Idąc dalej, ten potok analizy behawioralnej może być wykorzystany do ułatwienia skoordynowanej oceny jednocześnie rejestrowanych reakcji behawioralnych i neuronalnych. Jak pokazano, ilościowa ocena nieinstruowanych zachowań pozwala na ocenę istotności bodźców w złożonym środowisku rejestrowania, a także testowanie różnych reakcji behawioralnych w grupach eksperymentalnych i warunkach. Można przeprowadzić dalsze analizy w celu zbadania indywidualnych różnic lub trendów w reakcjach behawioralnych próba po próbie, tak aby można było zbadać odpowiadającą im aktywność neuronalną. Dodatkowo, włączenie PCA w celu uzyskania informacji przestrzennych o ruchu wywołanym bodźcem może być wykorzystane do dalszego zbadania, czy określone typy sekwencji behawioralnych obserwowanych podczas prezentacji bodźca różnią się w zależności od grupy i warunków. Ten potok analizy można łatwo rozszerzyć na różne metody rejestracji neuronowej, zapewniając wszechstronne monitorowanie behawioralne w ograniczonych środowiskach. Badając, w jaki sposób bodźce zewnętrzne są reprezentowane zarówno w mózgu, jak i w zachowaniu, naukowcy są przygotowani do uzyskania bardziej wszechstronnego zrozumienia, w jaki sposób percepcja bodźców wpływa na stany wewnętrzne i ich zewnętrzne przejawy.

Monitorowanie reakcji behawioralnych podczas nagrań neuronowych jest niezbędne do zrozumienia skoordynowanej aktywności wywołanej bodźcem w mózgu. W przypadku, gdy nie przewiduje się, że zwierzęta będą reagować na bodźce w określony i zorientowany na cel sposób, obserwacja nieinstruowanych zachowań może dać wgląd w to, w jaki sposób zewnętrzne sygnały informują o ich wewnętrznych stanach1,2. Niedawne postępy w narzędziach do neuroobrazowania, takie jak obrazowanie wapnia w szerokim polu widzenia i funkcjonalne obrazowanie metodą rezonansu magnetycznego (fMRI), umożliwiły neuronaukowcom rozszerzenie badań poza pojedyncze obszary mózgu. Jednak, aby osiągnąć bardziej wszechstronne zrozumienie takich wielowymiarowych danych neuronowych, zdolność do oceny wyników behawioralnych tych złożonych wzorców musi również odpowiednio się rozwijać.
Najnowocześniejsze metody charakteryzowania zachowań związanych z wykonywaniem zadań są szeroko stosowane w badaniach neurobiologicznych, w tym czujniki temperatury i ciśnienia do wykrywania wąchania3,4, promienie światła do wykrywania lizaw5, oraz szacowanie pozycji bez znaczników do śledzenia wcześniej określonych części ciała6. Jednak oparta na danych ocena niepoinstruowanych wzorców zachowań pozostaje wyzwaniem w polu7. Podczas gdy metody analizy behawioralnej opartej na danych szybko się rozwijają, istniejące metody zazwyczaj wymagają znacznej mocy obliczeniowej, specjalistycznego sprzętu lub szczególnie wyraźnego obrazu zwierzęcia2,6,8,9. Przedstawiono tutaj potok behawioralnej analizy wideo, który jest łatwo podatny na dowolne dane wideograficzne i pozwala na wydobycie cennych danych Pomiary behawioralne z filmów uzyskanych podczas stymulacji pasywnej.
Ten potok analizy behawioralnej został zaprojektowany tak, aby był kompatybilny ze skoordynowanym pozyskiwaniem danych neuronowych i wideo u zwierząt z głową narażonych na szeroki zakres bodźców zewnętrznych i wiele środowisk nagrywania, nawet tych ze znacznymi ograniczeniami. Na przykład środowisko MRI stwarza szczególne wyzwania dla monitorowania behawioralnego, w tym ograniczone pole widzenia i ograniczoną dostępność sprzętu bez komponentów ferromagnetycznych. Ograniczenia te sprawiają, że powszechnie stosowane metody są niekompatybilne, co sprawia, że miary takie jak ruch głowy (tj. sposób, w jaki mózg porusza się między akwizycjami objętości) są jednymi z najbardziej dostępnych, ale ograniczonych sposobów oceny reakcji organizmu podczas skanowania10. Pokonując te ograniczenia, protokół ten ułatwił analizę danych wideograficznych zgodnych z MR, pokazując, że samice myszy z różnymi doświadczeniami matczynymi wykazują różne reakcje behawioralne na bodźce słuchowe. Matkom i dziewicom prezentowano bodźce słuchowe podczas skanów fMRI, w tym wokalizacje zestresowanych szczeniąt ("nawoływania szczeniąt") i czyste tony. Bodźce te były prezentowane pasywnie, a więc bez żadnych instrukcji behawioralnych. Podczas gdy przewidywano, że matki będą wykazywać zwiększone reakcje na nawoływania szczeniąt w porównaniu z dziewicami, istnieje niewiele literatury na temat tego, jak samice myszy reagują na sygnały niemowlęcia w środowisku skupionym na głowie. W związku z tym nie było konkretnych wyników behawioralnych do śledzenia a priori, co czyni ten eksperyment idealnym testem dla proponowanych analiz behawioralnych opartych na danych. Stosując takie metody, jak optyczne szacowanie przepływu i redukcja wymiarowości, wykryto grupowe różnice w reakcjach behawioralnych, zarówno pod względem wielkości, jak i manifestacji przestrzennej.
Idąc dalej, skoordynowana ocena reakcji behawioralnych i neuronalnych może być wykorzystana do osiągnięcia bardziej wszechstronnego zrozumienia, w jaki sposób bodźce zewnętrzne zmieniają stany wewnętrzne i informują o złożonych wynikach behawioralnych. To zrozumienie powinno rozciągać się na bodźce prezentowane przy braku narzuconych zadań i poinstruowanych zachowań. Przedstawiony tutaj potok analizy można rozszerzyć o różne techniki rejestracji neuronowej, zapewniając wszechstronne monitorowanie behawioralne nawet w ograniczonych środowiskach.

<table><tbody><tr><td>MATLAB Computer Vision Toolbox</td><td>MathWorks</td><td></td><td>https://www.mathworks.com/products/computer-vision.html</td></tr><tr><td>MATLAB Image Processing Toolbox</td><td>MathWorks</td><td></td><td>https://www.mathworks.com/products/image-processing.html</td></tr><tr><td>Oprogramowanie MATLAB</td><td>MathWorks</td><td></td><td>https://www.mathworks.com/products/matlab.html</td></tr><tr><td>Kamera kompatybilna z MR " 12M-i" ze zintegrowanym oświetleniem LED</td><td>MRC Systems GmbH</td><td>12M-i</td><td>https://www.mrc-systems.de/downloads/en/mri-compatible-cameras/manual_mrcam_12m-i.pdf</td></tr></tbody></table>

profilowanie reakcji na zachowanie matki podczas obrazowania całego mózgu

Profiling Maternal Behavior Responses During Whole-Brain Imaging

Ostatnie osiągnięcia w narzędziach do obrazowania całego mózgu umożliwiły neurobiologom zbadanie, w jaki sposób skoordynowana aktywność mózgu przetwarza zewnętrzne sygnały, wpływając na zmiany stanu wewnętrznego i wywołując reakcje behawioralne. Na przykład funkcjonalny rezonans magnetyczny (fMRI) jest nieinwazyjną techniką, która pozwala na pomiar aktywności całego mózgu u obudzonych, zachowujących się myszy przy użyciu odpowiedzi zależnej od poziomu natlenienia krwi (BOLD). Jednak, aby w pełni zrozumieć reakcje BOLD wywoływane przez bodźce zewnętrzne, ważne jest, aby eksperymentatorzy oceniali również reakcje behawioralne podczas skanowania. Środowisko MRI stanowi wyzwanie dla osiągnięcia tego celu, sprawiając, że powszechnie stosowane metody monitorowania behawioralnego są niekompatybilne. Wyzwania te obejmują (1) ograniczone pole widzenia oraz (2) ograniczoną dostępność urządzeń bez komponentów ferromagnetycznych. Przedstawiono tutaj behawioralną analizę wideo, która pokonuje te ograniczenia, wydobywając cenne informacje z filmów uzyskanych w tych ograniczeniach środowiskowych, umożliwiając ocenę zachowania podczas pozyskiwania danych neuronowych całego mózgu. Wykorzystując takie metody, jak optyczne szacowanie przepływu i redukcja wymiarów, można wykryć znaczne różnice w reakcjach behawioralnych na bodźce prezentowane podczas skanów fMRI. Na przykład reprezentatywne wyniki sugerują, że wokalizacje młodych myszy , ale nie czyste tony, wywołują znacząco różne reakcje behawioralne u matczynych i dziewiczych samic myszy. Idąc dalej, ten potok analizy behawioralnej, początkowo dostosowany do pokonywania wyzwań w eksperymentach fMRI, może zostać rozszerzony na różne metody rejestracji neuronowej, zapewniając wszechstronne monitorowanie behawioralne w ograniczonych środowiskach. Skoordynowana ocena reakcji behawioralnych i neuronalnych zapewni bardziej kompleksowe zrozumienie, w jaki sposób percepcja bodźców prowadzi do koordynacji złożonych wyników behawioralnych.

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.

Profilowanie reakcji na zachowanie matki podczas obrazowania całego mózgu

Recent advancements in whole-brain imaging tools have enabled neuroscientists to investigate how coordinated brain activity processes external cues, ...

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.

profiling-maternal-behavior-responses-during-whole-brain-imaging

Research

JoVE Journal

Behavior

Zachowanie

W niniejszym artykule przedstawiono projekt eksperymentalny, w którym animowane postaci całego ciała są wykorzystywane w połączeniu z funkcjonalnym rezonansem magnetycznym (fMRI) do badania neuronalnych korelatów obserwowania wirtualnych interakcji społecznych.

Badanie obrazowania mózgu w celu analizy neuronalnych korelatów obserwowania wirtualnych interakcji społecznych

Przedstawiamy protokół umożliwiający badanie neuronalnych korelatów przywoływania emocjonalnych wspomnień autobiograficznych z wykorzystaniem funkcjonalnego rezonansu magnetycznego. Protokół ten może być stosowany zarówno u zdrowych uczestników, jak i u pacjentów w grupach klinicznych.

Obrazowanie mózgu w badaniu neuronalnych korelatów emocjonalnych wspomnień autobiograficznych

Przedstawiamy protokół umożliwiający badanie neuronalnych korelacji świadomej i automatycznej regulacji emocji z wykorzystaniem funkcjonalnego obrazowania rezonansem magnetycznym. Protokół ten może być stosowany u zdrowych uczestników, zarówno młodych, jak i starszych, a także u pacjentów klinicznych.

Obrazowanie mózgu w badaniu neuronalnych korelatów regulacji emocji

Przedstawiamy protokół umożliwiający badanie mechanizmów neuronalnych pośredniczących w niekorzystnym wpływie emocji na funkcje poznawcze z wykorzystaniem funkcjonalnego obrazowania rezonansem magnetycznym. Protokół ten może być stosowany zarówno u zdrowych uczestników, jak i u osób z grup klinicznych.

Badanie obrazowania mózgu nad upośledzającym wpływem emocji na funkcje poznawcze

Celem naszych badań jest powiązanie zachowania z aktywnością mózgu. Dokładne pomiary behawioralne i techniki obrazowania pozwalają nam wyjaśnić zależności między mózgiem a zachowaniem.

Korelacja reakcji behawioralnych z sygnałami fMRI z ludzkiej kory przedczołowej: badanie procesów poznawczych z wykorzystaniem analizy zadań

Ten protokół opisuje standardową metodę jednoczesnego funkcjonalnego obrazowania metodą rezonansu magnetycznego i głębokiej stymulacji mózgu u gryzonia. Połączone wykorzystanie tych narzędzi eksperymentalnych pozwala na badanie globalnej aktywności w odpowiedzi na stymulację elektryczną w praktycznie każdym miejscu w mózgu.

Głęboka stymulacja mózgu z jednoczesnym fMRI u gryzoni

Ten artykuł opisuje, jak wykorzystać emocjonalne zadanie dziwaka i fMRI do pomiaru aktywacji mózgu u dzieci i młodzieży z rodzinnie wysokim ryzykiem schizofrenii (FHR). FMRI zostało użyte do pomiaru różnic w regionach czołowo-prążkowo-limbicznych podczas emocjonalnego dziwnego zadania. Dzieci z FHR wykazywały nieprawidłową aktywację funkcjonalną w okresie dojrzewania.

Pomiar aktywności czołowo-limbicznej za pomocą emocjonalnego zadania dziwacznego u dzieci z rodzinnym wysokim ryzykiem schizofrenii

To jest badanie rezonansu magnetycznego 3T, którego celem jest zbadanie różnic w objętości istoty szarej między pacjentami z psychozą wywołaną konopiami indyjskimi a niepsychotycznymi przewlekłymi użytkownikami marihuany.

Morfologia mózgu osób zażywających konopie indyjskie z psychozą lub bez: pilotażowe badanie MRI

Koherencja transformacji falkowej (WTC) to powszechna metodologia oceny sprzężenia między sygnałami, która jest używana w badaniach hiperskanowania funkcjonalnej spektroskopii bliskiej podczerwieni (fNIRS). W niniejszej pracy przedstawiono zestaw narzędzi do oceny kierunkowości interakcji sygnału.

Nowe ramy zrozumienia koherencji międzymózgowej w badaniach hiperskanowania funkcjonalnej spektroskopii bliskiej podczerwieni (fNIRS)

Wprowadzamy protokół do badania neuronalnych korelatów zadania regulacji emocji poznawczych, a mianowicie ponownej oceny poznawczej, za pomocą funkcjonalnego rezonansu magnetycznego. Protokół ten był stosowany u pacjentów z zaburzeniami obsesyjno-kompulsywnymi i zdrowych osób z grupy kontrolnej, ale może być również stosowany w innych próbkach klinicznych.

Badanie neuronalnych korelatów ponownej oceny poznawczej w zaburzeniach obsesyjno-kompulsywnych za pomocą funkcjonalnego rezonansu magnetycznego opartego na zadaniach

Poznaj analizę zachowań matek myszy w odpowiedzi na wokalizacje młodych przy użyciu FMRI u czuwających zwierząt. Metoda MATLAB pozwala identyfikować sieci neuronalne związane z opieką rodzicielską.

Profilowanie reakcji na zachowanie matki podczas obrazowania całego mózgu

Przeglądaj więcej filmów