Zadanie motoryczne w celu badania kinematyki stawów w przedklinicznym modelu chorób neurodegeneracyjnych
13 czerwca 2025
Obecne badanie opisuje test zachowania motorycznego do analizy deficytów motorycznych w modelach gryzoni, w tym szczura TgF344-AD, z wykorzystaniem uczenia maszynowego.
Nasze badania koncentrują się na zdolnościach motorycznych w modelach neurodegeneracji. Konkretnie, chcemy wykorzystać nasze nowe zadanie jako nowy biomarker dla zaburzeń ruchowych. Algorytmy uczenia maszynowego mają zaawansowane systemy neurobiologii, zapewniając bezstronny i automatyczny sposób analizy skupionych ruchów zwierząt w zachowaniach, których zazwyczaj ludzkie oko nie jest w stanie rozszyfrować.
Łącząc śledzenie części ciała z metodami klastrowania komputerowego, jesteśmy w stanie niezawodnie wykrywać, klasyfikować i przewidywać przejścia między ruchami zwierząt w naszym nowym zadaniu motoryki drobnej. Aby rozpocząć 10-dniową fazę kształtowania, najpierw włącz światło podczerwone, aparat i komputer. Przenieś klatki z szczurami do pomieszczenia testowego i pozwól im się przyzwyczaić przez pięć minut.
Używając miski treningowej, podaj od jednego do pięciu kulek wzdłuż przedłużenia, a przedłużenie umieszcza się całkowicie wewnątrz urządzenia pierwszego dnia. Przeprowadź 10-minutowe sesje treningowe z każdym zwierzęciem. W kolejne dni umieść granulki na końcu miski najbliżej gryzonia i stopniowo odsuwaj je dalej, aby zachęcić do sięgania.
Gdy gryzonie zabiorą granulki z krawędzi przedłużenia, nawet jeśli tylko pyskiem, wprowadź prezentację granulek pęsetą, aby wspierać zachowanie sięgające. Nagradzaj gryzonia natychmiast po dotknięciu pęsety. Następnie trzymaj pęsetę nieco mocniej, by skłonić gryzonia do dalszego sięgnięcia.
W dziewięciodniowej fazie testów umieść szczury w pokoju, aby przyzwyczajały się na godzinę. Nałóż wosk dentystyczny na platformę, aby ją umocnić, a następnie ustaw pierwszą miskę, upewniając się, że przód jest równy i wyśrodkowany z otworem aparatu. Nazwij plik wideo i widok Spin wraz z numerem identyfikacyjnym szczura, datą nagrania i godziną nagrania.
Przenieś szczura do aparatu. Zamknij pokrywkę i połóż na niej biały karton, aby odbijać światło. Sprawdź dokładnie kąt kamery, aby upewnić się, że uchwycona jest odpowiednia scena, i dostosuj misę, jeśli nie jest wyśrodkowana.
Wlej określoną liczbę granulek do miski i naciśnij Start nagrywania. Zostań w pokoju, by obserwować szczura, robić notatki behawioralne i uzupełniać granulki w razie potrzeby. W przypadku miski Plain upewnij się, że pellety są widoczne i dostępne za krawędzią miski.
W przypadku miski Less sprawdź, czy granulki nie są ułożone w stos i pozostają luźno rozrzucone. W przypadku miski Plinko sprawdź, czy granulki są odpowiednio rozmieszczone między przeszkodami. Oddaj szczura do jego klatki i dostarczaj mu przydzielone jedzenie.
Przetrzyj komorę środkiem dezynfekującym między zwierzętami. Na koniec dnia spryskaj całą komorę etanolem do dezynfekcji. Podczas testów bazowych szczury wykazywały wzrost całkowitego zasięgu, gdy konstrukcja misy stawała się bardziej złożona.
W leczeniu Harmalinem całkowite docieranie do miski zmniejszyło się we wszystkich typach misek, co wskazuje na zaburzenia funkcji motoryczne. W okresie wyjściowym całkowita liczba osiągnięć wzrastała wraz z trudnością bowl, co świadczy o zachowaniu zachowania mimo złożoności zadania. Liczba nieudanych wzrosła przy misce Plinko.
Harmalina zakłócała typową wydajność zasięgu. Przed rozpoczęciem leczenia Harmalinem niepowodzenia wzrastały wraz z trudnościami zadania w stosunku do poziomu wyjściowego, ale pozostawały stałe pod Harmaliną. Harmalina znacząco zmniejszyła tempo uczenia się zadania i tempo osiągania we wszystkich typach mies.
Analiza zasięgów z wykorzystaniem uczenia maszynowego ujawniła unikalne pozy i strategie zadania pomiędzy warunkami bazowymi a harmalinami oraz w obrębie każdego typu miski. Szczury używały wyraźnych sylab w obrębie każdego typu misy i w różnych warunkach misy. Transgeniczne szczury TgF344-AD miały mniejsze całkowite zasięgi w porównaniu do szczurów o pasującym dzikim typie.
Szczury typu dzikiego wykazywały zwiększony całkowity zasięg przy złożoności miski. Chociaż typ wydajności był zmienny w każdej grupie, szczury TgF344-AD miały znacząco zmniejszoną skuteczność. Wraz ze wzrostem wyzwań w kręglach wzrosła liczba porażek w obu genotypach.
Zachowanie może powodować dużo hałasu. Szczególnie w naszym zadaniu, gdzie śruty można zrzucić z platformy. Rozwiązujemy ten problem za pomocą keypoint-MoSeq.
Nasz protokół udoskonala wcześniejsze paradygmaty zachowań badawczych, które nie pozwalają na samozakłócające się cechy ruchu.
Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych
Przegląd
Niniejsze badanie wprowadza test precyzyjnych funkcji motorycznych zaprojektowany do oceny deficytów motorycznych w modelach gryzoni, w szczególności u szczura TgF344-AD, z wykorzystaniem technik uczenia maszynowego.
Kluczowe elementy badania
Dziedzina nauki
- Neuronauka
- Analiza behawioralna
- Uczenie maszynowe
Wstęp
- Koncentracja na precyzyjnych umiejętnościach motorycznych w modelach neurodegeneracji.
- Opracowanie nowego biomarkera dysfunkcji motorycznych.
- Postępy w dziedzinie uczenia maszynowego w analizie ruchów zwierząt.
- Znaczenie obiektywnej analizy w badaniach behawioralnych.
Cel badania
- Aby stworzyć wiarygodny test do oceny deficytów motorycznych.
- Aby wykorzystać uczenie maszynowe do klasyfikacji zachowań.
- Aby pogłębić zrozumienie dysfunkcji motorycznych w modelach gryzoni.
Zastosowane metody
- Połączenie metod śledzenia części ciała i klasteryzacji komputerowej.
- Wykrywanie i klasyfikacja ruchów zwierząt.
- Wdrożenie 10-dniowej fazy kształtowania w celu aklimatyzacji.
- Wykorzystanie światła podczerwonego i kamery do obserwacji.
Główne wyniki
- Niezawodna detekcja przejść między ruchami zwierząt.
- Skuteczna klasyfikacja zadań motoryki małej u gryzoni.
- Wykazany potencjał uczenia maszynowego w analizie behawioralnej.
- Opracowanie nowego podejścia do badania dysfunkcji ruchowych.
Wnioski
- Test małej motoryki jest skuteczny w ocenie deficytów ruchowych.
- Uczenie maszynowe stanowi potężne narzędzie do analizy behawioralnej.
- To podejście może prowadzić do lepszego zrozumienia schorzeń neurodegeneracyjnych.
Najczęściej zadawane pytania
Znaczenie dla przemysłu
Ilościowa ocena dysfunkcji motoryki małej w przedklinicznych modelach neurodegeneracji wypełnia krytyczną lukę w wczesnym etapie walidacji celów terapeutycznych i minimalizacji ryzyka mechanistycznego w przypadku choroby Alzheimera i schorzeń pokrewnych. Integracja analizy kinematycznej opartej na uczeniu maszynowym umożliwia obiektywny i powtarzalny pomiar fenotypów motorycznych, co zwiększa pewność prognostyczną w badaniach translacyjnych. Podejście to usprawnia podejmowanie decyzji dotyczących portfolio poprzez dostarczenie czułych i skalowalnych punktów końcowych dla badań nad progresją choroby oraz interwencji terapeutycznych.
Strategiczne zastosowania w badaniach i rozwoju biofarmaceutycznym
Wczesne etapy odkrywania i walidacja celu
- Umożliwia obiektywną analizę fenotypów motorycznych związanych z patologią neurodegeneracyjną.
- Wspiera funkcjonalną walidację celów terapeutycznych poprzez ilościowe określanie deficytów behawioralnych istotnych dla przebiegu choroby.
- Ułatwia ograniczanie ryzyka mechanistycznego dzięki zautomatyzowanej detekcji subtelnych zaburzeń motorycznych.
- Zapewnia powtarzalne punkty końcowe dla wczesnego etapu selekcji projektów w portfolio.
Przesiewy i rozwój testów
- Ustanawia zwalidowane testy behawioralne do późniejszego przesiewu związków w modelach gryzoni.
- Dostarcza zestandaryzowane dane ilościowe w celu zapewnienia porównywalności między badaniami.
- Umożliwia powtarzalną ocenę wpływu interwencji na funkcje motoryczne.
- Wspiera skalowalne wdrożenie testów przy użyciu otwartoźródłowych narzędzi uczenia maszynowego.
Badania translacyjne i przedkliniczne
- Umożliwia dopasowanie przedklinicznych punktów końcowych do biomarkerów motorycznych i poznawczych istotnych dla ludzi.
- Umożliwia podłużne śledzenie progresji choroby oraz odpowiedzi na terapię.
- Wspiera podejmowanie decyzji o dalszym rozwoju projektu w oparciu o analizę ryzyka i czułe odczyty behawioralne.
- Zapewnia ciągłość procesu od etapu odkrycia po walidację przedkliniczną w potokach badawczych nad neurodegeneracją.
Integracja potoku i przepływu pracy
To kinetyczne zadanie motoryczne wpisuje się w kontinuum od etapu odkryć do badań przedklinicznych, stanowiąc pomost między badaniami nad mechanizmami a opracowywaniem translacyjnych biomarkerów w badaniach nad chorobami neurodegeneracyjnymi.
- Biologia odkrywcza: Wspiera testowanie hipotez i wyjaśnianie szlaków sygnałowych poprzez ilościowe określanie deficytów ruchowych w modelach chorób.
- Przesiewanie: Dostarcza gotowe do analizy, powtarzalne punkty końcowe behawioralne do oceny związków chemicznych.
- Analityka: Zapewnia ilościowe metryki oparte na uczeniu maszynowym, umożliwiające solidne porównania statystyczne między różnymi warunkami.
- Badania translacyjne: Dostosowuje przedkliniczne oceny motoryczne do pojawiających się biomarkerów ludzkich w celu wczesnego wykrywania chorób.
- Ponowne wykorzystanie w przedsiębiorstwie: Oferuje skalowalną platformę o otwartym kodzie źródłowym, którą można dostosować do różnych modeli neurodegeneracyjnych i ośrodków badawczych.
Wpływ operacyjny i przedsiębiorczy
- Wartość naukowa: Zwiększa pewność prognostyczną i redukuje niejednoznaczność mechanistyczną w badaniach nad neurodegeneracją.
- Wartość operacyjna: Standaryzuje fenotypowanie behawioralne i zwiększa powtarzalność między badaniami.
- Wartość strategiczna: Wspiera podejmowanie decyzji go/no-go i optymalizuje alokację zasobów we wczesnych etapach procesów badawczych.
- Wpływ na portfolio: Umożliwia priorytetyzację kandydatów terapeutycznych celujących w dysfunkcje motoryczne z uwzględnieniem poziomu ryzyka.
Wskazówki dotyczące implementacji
- Wymaga doświadczenia w zakresie neuronauki behawioralnej oraz analityki uczenia maszynowego.
- Wymaga infrastruktury do przechwytywania obrazu wideo oraz zasobów obliczeniowych do przetwarzania danych.
- Wymaga ujednolicenia protokołów punktacji i analizy pomiędzy zespołami.
- Możliwość adaptacji do różnych modeli gryzoni w procesach neurodegeneracji po optymalizacji protokołu.
- Potencjalne ograniczenia obejmują zmienność behawioralną i wrażliwość na warunki środowiskowe, co jest niwelowane przez zautomatyzowaną analizę.
