Artigo de método

Operante protocolos para avaliar o custo-benefício durante a tomada de decisão reforçada por roedores

DOI:

10.3791/57907

⸱

10 de setembro de 2018

 ,  ,  ,  , 
1Department of Optometry and Vision Science, The University of Melbourne, 2Neuroscience Research Center, Shahid Beheshti University of Medical Science, 3Department of Medicine, The University of Melbourne, 4Royal Melbourne Hospital

* These authors contributed equally

Neste artigo

Resumo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Uma análise de custo-benefício é uma abordagem de escala pesando que o cérebro executa no decurso da tomada de decisão. Aqui, propomos um protocolo para treinar os ratos em uma paradigma de tomada de decisão baseada em operante onde ratos escolhem maiores recompensas em detrimento à espera de 15 s para recebê-los.

Resumo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Tomada de decisão orientada para o reforço é a capacidade de escolher entre concorrentes cursos de ação com base no valor relativo dos benefícios e suas consequências. Este processo é parte integrante do comportamento humano normal e foi mostrado para ser interrompida por desordens neurológicas e psiquiátricas como vício, esquizofrenia e depressão. Roedores têm sido muito utilizados para descobrir a neurobiologia da cognição humana. Para este efeito, foram desenvolvidas várias tarefas comportamentais; no entanto, a maioria é não-automatizados e é trabalhosas. O desenvolvimento recente do microcontrolador aberto permitiu aos investigadores automatizar tarefas baseadas em operante para avaliar uma variedade de tarefas cognitivas, padronizar a apresentação do estímulo, melhorar a gravação de dados e consequentemente, melhorar a a saída da pesquisa. Aqui, descrevemos uma baseado em atraso orientada para o reforço de decisão tarefa automatizada, usando um operante ZIF controlado por programas de software personalizados. Usando essas tarefas de tomada de decisão, nós mostramos as mudanças nas atividades potenciais locais de campo no córtex cingulado anterior de um rato enquanto ele executa uma tarefa de tomada de decisão baseada em atraso e custo-benefício.

Introdução

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Tomada de decisão é o processo de reconhecimento e selecionando opções com base nos valores e preferências do tomador de decisão e as consequências da ação selecionada1. Embora a tomada de decisão foi estudada extensivamente em campos diferentes (ou seja, economia, psicologia e neurociência), mecanismos neurais subjacentes a tais habilidades cognitivas não são ainda totalmente compreendidos. Duas subcategorias de tomada de decisão são perceptivas de tomada de decisões e tomada de decisão orientada por reforço. Embora eles incorporam conceitos e elementos de sobreposição consideráveis, perceptual de tomada de decisões se baseia em informações sensoriais disponíveis1,2, Considerando que a tomada de decisões guiadas reforço lida com o valor relativo de ações adquirida ao longo de uma escala de tempo específico3. Um aspecto importante do processo de decisão reforçado é a análise de custo-benefício que é intuitivamente realizada pelo cérebro computação os benefícios das escolhas determinados e subtraindo os custos associados de cada alternativa1.

A ZIF (ou a variante Y-labirinto) é um dos labirintos mais utilizados em experiências cognitivas usando roedores. Os animais são colocados no início (a base do T) braço e autorizados a escolher o braço de gol (um dos braços do lado). Tarefas como uma alternância forçada ou discriminação esquerda-direita são usadas principalmente com roedores na ZIF para testar a memória de referência e trabalho4. T-labirintos são também amplamente utilizados em experiências de tomada de decisão5,6,7. O design mais simples, a recompensa é colocada no braço de apenas um gol. A escolha é previsível, e os animais certamente preferiria a recompensa ao invés de nada, independentemente do valor da recompensa. Outra opção é colocar recompensas em ambos os braços do objetivo e então deixar os animais uma escolha de qual caminho tomar, dependendo de vários parâmetros(ou seja, a preferência natural do animal, a diferença do valor das recompensas e os custos a pagar). Na concepção baseada em valor, a tarefa é mais complicada por ter propriedades de escala pesando. Desta forma, um animal recebe recompensas valorizadas de forma diferente, escolhendo entre as duas alternativas, bem como entre os custos das ações [ou seja, a quantidade de espera (baseado em atraso) ou a quantidade de esforço (baseada no esforço) necessários para receber recompensas], cada contribuindo para a decisão que é feita de5,6.

Tradicional baseado em atraso ZIF na tomada de decisão, os animais são treinados para selecionar o braço de alta recompensa (HRA) e evitar o oposto braço baixa recompensa (LRA). Os lados do HRA e LRA permanecem inalterados durante todo o experimento. Embora a tarefa descrita acima tem sido bem documentada na literatura, sofre várias desvantagens processuais. Em primeiro lugar, por ter um braço de objetivo fixo, o animal sabe qual braço escolher desde o início de cada julgamento. Neste cenário, animais podem selecionar o braço objetivo baseado na sua memória, em vez de tomada de decisão. Portanto, em um paradigma de tomada de decisão baseada em atraso, se um animal seleciona a recompensa baixa por causa da intervenção de estudo, não ficará claro se isto é devido a uma perda de memória ou para a estudo de intervenção. Pode ser considerado um grupo de controle de memória para segregar o comportamento observado com o problema de memória, mas isto encargos pesquisadores e animais parecidos devido o trabalho adicional de7. Uma segunda preocupação é o momento de tomada de decisão pelo animal: uma vez animais chegarem à zona de decisão (a junção de todas as três armas), eles geralmente olhar à esquerda e à direita, pesar os custos e benefícios em relação a cada braço e então tomar sua decisão. No entanto, após alguns ensaios, executar tal um cálculo antes de chegar na zona de decisão e simplesmente vão directamente para o braço de recompensa. Como resultado, estes dois inconvenientes — um pre-viés para um braço e encontrar o momento de tomada de decisão — ambos altamente interromper a interpretação de eletrofisiológicos e dados de neuroimagem.

No método explicado neste artigo, o braço preferencial (HRA) é preparado por um sinal auditivo e pode variar de um julgamento para o julgamento. Animais iniciar os ensaios ao entrar na zona de teste (Figura 1) e acionar o sinal auditivo pelo "nariz-cutucando" uma porta de infravermelha que foi colocada na junção das três armas. O sinal de áudio (20 dB, entre 500 e 1.000 ms) é jogado de um alto-falante no final do braço do objetivo.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Todos os procedimentos explicados aqui foram aprovados e realizados em conformidade com o guia para o cuidado e o uso de animais de laboratório e foram aprovados pelo Comitê de ética do Animal Florey Instituto ou centro de pesquisa da neurociência.

1. habitação, manipulação e restrição alimentar

  1. Usar ratos machos adultos (normalmente de 8 semanas de idade) (qualquer cepas) e mantê-los na sala com um ciclo de luz/escuro de 12-h.
  2. Restringir o acesso de alimentos para encorajar os animais para executar a tarefa.
    Nota: Habitação os animais singularmente é sugerido, pois proporciona um melhor controle da ingestão de alimentos cada um.
  3. Nos dias 1-3, lidar com os animais por aproximadamente 5 min, 2 x por dia.
    Nota: Manipulação familiariza os animais com contato humano e diminui o nível de estresse e ansiedade nos animais durante os experimentos.
  4. Pese os animais depois de cada sessão de manipulação. Use o peso do primeiro dia como a quantidade de alimentação livre e manter os animais em cerca de 80-85% do seu montante livre-alimentação.

2. experimental set-up

  1. Use uma ZIF equipado com 3 partições ou braços, 2 altofalantes de estímulo, 5 portas retráteis e 5 sensores de movimento infravermelho ou sensores de infravermelho feixe, (IRB).
    Nota: A ZIF pode ser construído de fibras de média densidade (MDF) ou cloreto de polivinila (PVC).
  2. Controle o labirinto construído aqui por um microcontrolador do Arduino.
  3. Copie o código do Arduino para o computador.
  4. Baixar o software Arduino site do software e instalá-lo em um computador.
  5. Conecte o microcontrolador para o computador usando uma porta USB.
  6. No computador, clique no ícone do software, vá em ferramentase selecione Port.
  7. No menu suspenso, escolha a porta COM (porta de comunicação), que liga o software no computador.
  8. Vá em ferramentas e selecione placas. No menu suspenso, selecione o tipo de Arduino que controla a ZIF.
  9. Clique em Upload , no canto superior esquerdo da janela do interface. Selecione o código do Arduino. Espere até que o processo termina.
  10. Clique em monitor Serial no topo direito da janela da interface. Então, em uma nova janela de saltar, altere a taxa de transmissão para 115200.

3. habituação ao labirinto

  1. Antes de cada sessão de habituação, trazer os animais para a sala de experiência pelo menos 1 h antes do experimento.
  2. Deixe 10 pelotas de açúcar em cada braço do objetivo e todas as portas abertas.
    Nota: Nesta fase, não há nenhuma necessidade de seguir os movimentos dos animais (Figura 1).
  3. Dias 1-3: Coloque os animais individualmente no labirinto por períodos de 10 minutos, 1 x por dia, para explorar o labirinto sem restrições.
  4. Dias 4-5: Coloque os animais individualmente no labirinto. Deixe 2 pelotas em cada braço e permitir-lhes a comida de ambos os lados da amostra. Retire o animal do labirinto imediatamente depois de comer pelotas de ambos os lados, ou depois de 5 min de ser no labirinto.
    Nota: A principal diferença entre este estágio e o estágio anterior é que os animais precisam ser removidas do labirinto imediatamente depois de comer pelotas de ambos os lados. Isto seria familiarizar um animal com sendo removido do labirinto no final de um julgamento.
  5. Após cada sessão, limpar assoalhos do labirinto com etanol a 70% e certificar-se de que o etanol evaporou-se antes de colocar o próximo animal no labirinto.

4. discriminação formação

  1. Preparação do labirinto
    1. Dia 6: Trazer os animais para a sala de experiência pelo menos 1 h antes do experimento.
    2. Execute o programa de Arduino e definir o número de trial para 14 dos quais os 4 primeiros ensaios será forçado-escolha e o resto será ensaios de escolha.
      Nota: O programa gerará aleatoriamente um número igual de ensaios a ser atribuído à esquerda e à direita da ZIF.
    3. Antes de cada julgamento começa, coloque 4 pelotas no braço objetivo que deve ser preparado como o HRA e 2 pelotas no outro braço que é a ira.
  2. Treino forçado-escolha (4 ensaios)
    1. Pseudo aleatoriamente bloquear um braço antes de cada ensaio para que o animal é forçado a selecionar o outro braço.
      Nota: O braço bloqueado pode ser um braço de alta recompensa ou um braço de baixa recompensa enquanto o sinal auditivo destaca o lado da HRA.
    2. Coloque um animal na caixa Iniciar (Figura 1). Após 5-7 s, simultaneamente abrir o portão de início e clique em Iniciar na janela de interface do Arduino.
    3. Recolha o animal imediatamente depois de comer pelotas ou depois de 5 min de ser no labirinto.
    4. Deixe o animal em gaiola em casa por 2 min.
  3. Escolha treinamento experimental (10 testes)
    1. Antes de cada ensaio, feche porta-B no braço que é selecionado pelo software para ser o HRA. Deixe A porta aberta no braço oposto (LRA).
    2. Coloque um animal na caixa Iniciar (Figura 1). Após 5-7 s, simultaneamente abrir o portão de início e clique em Iniciar.
    3. Deixe o animal escolher livremente dos braços. Se o animal escolhe o HRA, porta aberta-A, deixe o animal entrar a câmara e fechada porta-A porta aberta-B imediatamente para permitir o acesso do animal ao alimento selecionado bem.
    4. Se o animal escolhe o LRA, porta aberta-B a fim de permitir o acesso do animal ao alimento bem.
    5. Remover o animal depois que comeu toda a comida no alimento selecionado bem e deixá-lo na gaiola em casa por 2 min.
    6. Complete os 10 testes de escolha para cada animal e gravar escolha do animal (HRA ou LRA) em cada tentativa.
    7. Calcule a porcentagem de escolha de alta recompensa (HRC) para todos os ensaios-escolha após cada sessão de treino.
    8. Na sequência da conclusão de 14 trilhas, os tempos individuais obtidos por cada sensor infravermelho são mostrados na janela de interface Arduino.

5. atraso formação

  1. Uma vez que cada animal alcançou 80% de HRC no treinamento discriminação (etapa 4), começam o treinamento de atraso executando 10 ensaios por dia para cada animal. Nesta etapa, porta-B é para ser aberto depois de apenas um atraso de 5 s, quando o animal escolhe o HRA.
  2. Se o animal atinge um HRC de 80% no final de uma sessão de treino com um atraso de 5 s, aumentar o atraso de 10 s para a próxima sessão de treinamento.
  3. Uma vez que o animal tenha atingido um HRC de 80%, com um atraso de 10 s, aumentar o atraso de 15 s para a próxima sessão de treinamento.
  4. Grave a escolha do animal para cada tentativa calcular a HRC após cada sessão de treino.
  5. Após a conclusão dos ensaios, os tempos individuais obtidos por cada sensor infravermelho são mostrados na janela de interface Arduino.
    Nota 1: O temporizador inicia quando você clica em Enter. O 'Time_decision' é o tempo após o nariz-poke para o IRB-1. 'Time_left_1' é o momento em que um animal quebra IRB - 1L e 'Time_left_2' é quando IRB - 2L é quebrado. Se o estudo comportamental é combinado com a eletrofisiologia ou imagem neural (por exemplo, imagem latente de cálcio) métodos, gravação do filme é sugerida para uma melhor sincronização de comportamento do animal para sinais neurais.

6. eletrofisiologia (fabricação de eletrodos)

  1. Use eletrodos bipolares ou único para registrar os potenciais de campo local (LFPs).
    Nota: O uso de eletrodos bipolares é sugerido porque permite re-referência local reduzir o impacto sobre a condutividade de volume. Portanto, a LFP gravada é a tensão diferencial entre 2 eletrodos com ~ 200 μm distância entre as pontas.
  2. Para tornar um eletrodo bipolar, cola 2 eléctrodos de tungsténio juntos ou 2 fios de aço inoxidável de vento juntos (normalmente, são utilizados PFA revestido de fios de aço inoxidável com um diâmetro de 50 μm).
  3. O aterramento de solda e gravação fios para um mini plugue/soquete tornar-se um conector para a eletrofisiologia, sistema de gravação.

7. anestesia

  1. Para implante de eletrodos, anestesia os ratos por uma injeção intraperitoneal de uma mistura de cetamina (100 mg/kg) e xilazina (8 mg/kg), ou através da administração de isoflurano conforme descrito nas etapas a seguir.
    Nota: Isoflurano é recomendado devido o controle melhorado de sua profundidade anestésica.
  2. Use uma máquina de anestésica com um controlada de oxigênio e o fluxo de vapor anestésico.
  3. Para anestesiar o animal por isoflurano, colocá-lo na câmara de indução e defina o isoflurano em uma taxa de cerca de 4% e oxigênio em 500-1.000 mL/min na máquina anestésica.
  4. Continue a indução até que desapareça o braço endireitante reflexo do animal.
  5. Defina a taxa de manutenção anestésica em 1-2,5% de isoflurano e 300-400 mL/min de oxigênio na máquina.
  6. Coloque uma almofada de calor com isolamento (algodão) em um dispositivo estereotáxica e então imobilizar o animal no dispositivo estereotáxica.
  7. Medir o nível de anestesia por beliscar os dedos do pé do animal.

8. ato cirúrgico

  1. Usando um barbeador elétrico ou um par de tesouras, raspe a cabeça do animal onde a incisão está a ser feita.
  2. Esfregue a área de cirurgia com etanol e, em seguida, com iodo-povidona, 4%.
  3. Aplique o lubrificante do olho para proteger a córnea do animal durante a cirurgia.
  4. Usando fórceps do tecido, puxe delicadamente a pele entre os olhos e os ouvidos do animal. Com uma tesoura, corte a pele que é comprimida entre a pinça e retire o periósteo.
  5. Use água oxigenada de limpar e desinfectar o crânio.
  6. Encontrar a localização do ponto de inserção de eletrodo usando coordenadas estereotáxicos e marcá-lo no crânio com um marcador permanente.
  7. Use uma furadeira portátil para fazer um furo para o eletrodo de aterramento, um para ancoragem do implante e um buraco por eletrodo de gravação.
  8. Inserir os eletrodos em ritmo muito lento para minimizar o possível dano cortical e subcortical.
  9. Conecte o eletrodo de aterramento do crânio utilizando um parafuso pequeno.
  10. Fixe o conector plugue/soquete no lugar utilizando uma fina camada de cimento acrílico dental.
  11. Injetar a buprenorfina (15 µ g/kg, por via subcutânea) ou meloxicam (1-3 mg/kg, por via subcutânea) como um analgésico.
  12. Deixe o animal em uma gaiola num tapete aquecido para recuperar. Observe o animal no mínimo a cada 30 min, até que se recuperou de anestésico.

9. após o procedimento formação

  1. Após a cirurgia, permita, pelo menos, um período de 10 dias de recuperação. Abrigar os animais individualmente com livre acesso à comida e água ad libitum e monitorá-los em uma base diária (ver Rudebeck, Walton, Smyth, Bannerman e Rushworth7 para obter mais informações).
  2. Após a recuperação, começa a restringir a dieta do animal para 85% do seu montante livre-alimentação.
  3. Requalificar os animais no labirinto de recordar a fase de discriminação (passo 4).
  4. Continue a re-treinar os ratos até terem atingido 80% da HRC.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Os dados aqui apresentados são a LFP gravado do córtex orbitofrontal esquerdo (OFC) e o córtex cingulado anterior (ACC) de seis ratos machos Wistar utilizando eletrodos bipolares (do PFA revestido de aço inoxidável). A tabela 1 mostra o comprimento de aquisição comportamentais para cada fase de treinamento. As coordenadas para os locais de destino foram determinados de um rat brain atlas9 e são os seguintes: para a AAC, 1,2 mm anterior o bregma, 0,...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Roedores têm sido muito utilizados em estudos neurocientíficos que lidam com temas diferentes, desde as habilidades cognitivas como a aprendizagem e memória2,14 e comportamento reforçado7,15,16 para o controle central de órgãos17,18 e Neurofarmacologia19,20

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Os autores não têm nada para divulgar.

Agradecimentos

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Esta pesquisa foi apoiada pela Fundação de neurociência RMH, Austrália; a Fundação australiana do cérebro; o RACP Thyne Reid Fellowship, Austrália; e por um projeto de concessão da ciências cognitivas e do Conselho de tecnologias, Irã de Abbas Haghparast.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
T-mazeSelf made
Dustless Precision Sugar PelletsTSE Systems Intl. GrupoF0023 45cetamina de sacarose
, USPSigma-Aldrich6740-87-0
XylazineSigma-Aldrich7361-61-7
dispositivo estereotáxicoStoelting
IsofluranSanta Cruz Biotechnologysc-363629Rx
Fios de aço inoxidável revestidos com PFASistemas AM cimento
acrílicoVertex, MA, EUA
(madeira ou PVC (cloreto de polivinila))fornecedores
Mini-Fit Power ConnectorMolex15243048
ethannol 70%Fornecedores locais
diamantede buprenorfina
Arduino UNOArduinohttps://www.arduino.cc/
diodo emissor infravermelhoSharpGL480E00000Fhttp://www.sharp-world.com/
Chronux ToolboxChronux.org
códigoshttps://github.com/dechuans/arduino-maze
mg, injeção de cloridrato de locaisdrogas de Arduino

Referências

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Gold, J. I., Shadlen, M. N. The neural basis of decision making. Annual Review of Neuroscience. 30, 535-574 (2007).
  2. Shi, Z., Müller, H. J. Multisensory perception and action: development, decision-making, and neural mechanisms. Frontiers in Integrative Neuroscience. 7, 81(2013).
  3. Sutton, R. S., Barto, A. G. Reinforcement Learning: An Introduction. 1, MIT Press. Cambridge, MA. (1998).
  4. Khani, A., Rainer, G. Neural and neurochemical basis of reinforcement-guided decision making. Journal of Neurophysiology. 116, 724-741 (2016).
  5. Fatahi, Z., Haghparast, A., Khani, A., Kermani, M. Functional connectivity between anterior cingulate cortex and orbitofrontal cortex during value-based decision making. Neurobiology of Learning and Memory. 147, 74-78 (2018).
  6. Khani, A., et al. Activation of cannabinoid system in anterior cingulate cortex and orbitofrontal cortex modulates cost-benefit decision making. Psychopharmacology. 232, 2097-2112 (2015).
  7. Rudebeck, P. H., Walton, M. E., Smyth, A. N., Bannerman, D. M., Rushworth, M. F. Separate neural pathways process different decision costs. Nature Neuroscience. 9, 1161-1168 (2006).
  8. Gage, G. J., et al. Surgical implantation of chronic neural electrodes for recording single unit activity and electrocorticographic signals. Journal of Visualized Experiments. (60), e3565(2012).
  9. Paxinos, G., Watson, C. The Rat Brain in Stereotaxic Coordinates. , Academic Press. San Diego, CA. (1998).
  10. Bokil, H., Andrews, P., Kulkarni, J. E., Mehta, S., Mitra, P. P. Chronux: a platform for analyzing neural signals. Journal of Neuroscience Methods. 192, 146-151 (2010).
  11. Cohen, M. X. Analyzing Neural Time Series Data: Theory and Practice. , MIT Press. Cambridge, MA. (2014).
  12. Luk, C. -H., Wallis, J. D. Choice coding in frontal cortex during stimulus-guided or action-guided decision-making. Journal of Neuroscience. 33, 1864-1871 (2013).
  13. Rudebeck, P. H., et al. Frontal cortex subregions play distinct roles in choices between actions and stimuli. Journal of Neuroscience. 28, 13775-13785 (2008).
  14. Goshadrou, F., Kermani, M., Ronaghi, A., Sajjadi, S. The effect of ghrelin on MK-801 induced memory impairment in rats. Peptides. 44, 60-65 (2013).
  15. Haghparast, A., et al. Intrahippocampal administration of D2 but not D1 dopamine receptor antagonist suppresses the expression of conditioned place preference induced by morphine in the ventral tegmental area. Neuroscience Letters. 541, 138-143 (2013).
  16. Esmaeili, M. -H., Kermani, M., Parvishan, A., Haghparast, A. Role of D1/D2 dopamine receptors in the CA1 region of the rat hippocampus in the rewarding effects of morphine administered into the ventral tegmental area. Behavioural Brain Research. 231, 111-115 (2012).
  17. Chaleek, N., Kermani, M., Eliassi, A., Haghparast, A. Effects of orexin and glucose microinjected into the hypothalamic paraventricular nucleus on gastric acid secretion in conscious rats. Neurogastroenterology & Motility. 24, e94-e102 (2012).
  18. Kermani, M., Eliassi, A. Gastric acid secretion induced by paraventricular nucleus microinjection of orexin A is mediated through activation of neuropeptide Yergic system. Neuroscience. 226, 81-88 (2012).
  19. Kermani, M., Azizi, P., Haghparast, A. The role of nitric oxide in the effects of cumin (Cuminum Cyminum L.) fruit essential oil on the acquisition of morphine-induced conditioned place preference in adult male mice. Chinese Journal of Integrative Medicine. , 1-6 (2012).
  20. Ahmadi, A., et al. Synthesis and antinociceptive behaviors of new methyl and hydroxyl derivatives of phencyclidine. Current Medicinal Chemistry. 19, 763-769 (2012).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

Operant T mazeDelay based Decision MakingReinforcement guided BehaviorRodent Cognitive TaskAutomated Behavioral AssayLocal Field PotentialAnterior Cingulate CortexInfrared Motion SensorsCustom Software ProgramSugar Pellet Reward

Artigos relacionados