Traçando o perfil das respostas do comportamento materno durante imagens de todo o cérebro
24 de janeiro de 2025
Apresentamos aqui um pipeline de análise de vídeo que supera os desafios do monitoramento comportamental em ambientes de ressonância magnética, permitindo a detecção de respostas comportamentais não instruídas a pistas externas. Esta análise facilitará uma compreensão mais abrangente das mudanças evocadas do estado interno e da atividade em todo o cérebro.
A forma como um cuidador percebe e responde aos sinais do bebê determinará se o bebê recebe os cuidados de que precisa para sobreviver. Em camundongos, as vocalizações de filhotes evocam respostas comportamentais complexas e, portanto, provavelmente evocam atividade coordenada em uma rede de regiões cerebrais. Queremos identificar essa rede em camundongos de diferentes origens de experiência materna, e o FMRI de camundongos acordados é uma ótima ferramenta para isso.
À medida que o FMRI de camundongos acordados se torna mais amplamente utilizado, pesquisas empolgantes estão surgindo que investigam os correlatos neurais de comportamentos direcionados a objetivos. Esses comportamentos são normalmente avaliados usando ferramentas como disjuntores de feixe para detectar vazamentos e sensores de pressão para detectar movimentos. Nosso protocolo nos permite avaliar respostas comportamentais espontâneas, mesmo no ambiente de ressonância magnética tecnicamente desafiador.
Nosso objetivo é, eventualmente, usar medidas de comportamento espontâneo para entender melhor a atividade cerebral que adquirimos com o FMRI. Nosso trabalho anterior revelou que os córtices auditivos de animais mamães e virgens respondem de maneira diferente aos chamados dos filhotes. Nas mães, suas respostas neurais estão bloqueadas no tempo para o choro de um filhote.
Em virgens, eles não são. No entanto, à medida que uma virgem aprende a expressar o comportamento materno, os centros auditivos mudam para refletir essa nova habilidade. Nossos estudos anteriores se concentraram no córtex auditivo em camundongos anestesiados.
Este estudo vai além dos limites do córtex auditivo, examinando como todo o cérebro e o comportamento mudam em camundongos acordados que se comportam à medida que um animal aprende a se tornar mãe. Para começar, baixe o MATLAB no site da MathWorks. Para adicionar a caixa de ferramentas de processamento de imagem aos complementos do MATLAB, clique em gerenciar complementos, obter complementos e, em seguida, pesquise e adicione-os.
Da mesma forma, adicione a Caixa de Ferramentas de Pesquisa Visual Computacional aos complementos do MATLAB. Depois de abrir o script um do pipeline de análise, edite as seções um, dois, três, quatro, cinco e seis do script para ajustar as estruturas de dados onde indicado. Execute a seção um.
Execute a seção dois do script para obter o primeiro quadro de cada vídeo. Use o mouse para clicar uma vez nos dois primeiros pontos e, em seguida, clique duas vezes no terceiro ponto. Após selecionar os últimos pontos do vídeo, pressione enter.
Execute a seção três e a seção quatro. Defina o sinalizador alinhado a zero e execute a seção cinco. Em seguida, defina o sinalizador alinhado a um e execute a seção cinco novamente.
Agora execute a seção seis e compare os resultados lado a lado. Em seguida, abra o script dois e edite a seção um do script para ajustar as estruturas de dados. Em seguida, execute a seção um.
Edite a seção dois do script para ajustar as estruturas de dados e execute a seção dois. Use a imagem resultante para ver onde o fluxo óptico flutua mais drasticamente nos vídeos analisados. Edite a seção três do script para se adequar às estruturas de dados e às necessidades de análise.
Para analisar o FOV de vídeo completo, defina o sinalizador, selecione ROI e forneça ROI como zero. Em seguida, execute a seção três. Para analisar um novo ROI, defina o sinalizador selecionar ROI como um e fornecer ROI como zero.
Em seguida, edite newCoordsName e execute a seção três. Selecione um novo ROI no quadro de exemplo exibido clicando e arrastando. Para analisar o ROI desenhado anteriormente, defina o sinalizador select ROI como zero e forneça ROI como um.
Em seguida, edite inputCoords para fornecer um conjunto predeterminado de coordenadas e execute a seção três. Abra o script três e edite as seções de um a três do script para atender às estruturas de dados e às necessidades de análise. Na seção um, defina os sinalizadores de opções de análise ZSC, BLRM, BLZSC, demeanPerTrial e applyLPfilter como zero ou um.
Defina LPfilter para um número que represente o filtro passa-baixa desejado em hertz. Em seguida, execute as seções um a três. Abra o script quatro e edite a seção um do script para atender às estruturas de dados e às necessidades de análise.
Execute a seção um. Abra o script cinco e edite a seção um do script para ajustar as estruturas e análises de dados. Em seguida, execute a seção um e a seção dois.
Altere as variáveis group, myTitle e threshT nas entradas da seção três para refletir a análise de grupo desejada. Execute a seção três para cada grupo de interesse. Em seguida, ajuste o intervalo do eixo C e os limites da barra de cores conforme desejado para visualização.
Altere as variáveis mag, myTitle e threshT nas entradas da seção quatro para refletir a comparação de grupo desejada. Execute a seção quatro para cada comparação de grupo de interesse e, em seguida, ajuste o intervalo do eixo Z e os limites da barra de cores conforme desejado para visualização. Os vetores de fluxo óptico indicaram regiões de movimento animal, especialmente ao redor do focinho e das patas.
O desvio padrão da magnitude do fluxo óptico identificou áreas com altas e baixas flutuações de movimento. As mães apresentaram respostas de movimento mais altas aos chamados dos filhotes em comparação com as virgens, mas não aos tons puros. A análise dos componentes principais revelou que as mães tiveram mais movimento na área do nariz em comparação com as virgens durante as apresentações de ambos os estímulos.
A quantificação do fluxo óptico de um conjunto de dados de validação revelou diferenças significativas nas respostas comportamentais a recompensas de água alta versus baixa. Esses resultados sugerem ainda que o pipeline de análise de vídeo apresentado pode ser usado para capturar diferenças significativas no comportamento animal entre as condições.
Visão Geral
Este estudo apresenta um pipeline de análise de vídeo projetado para monitorar respostas comportamentais espontâneas em camundongos dentro de ambientes de RM. Ao utilizar ressonância magnética funcional (fMRI) em camundongos acordados, a pesquisa visa descobrir os correlatos neurais dos comportamentos maternos em resposta às vocalizações dos filhotes.
Principais Componentes do Estudo
Área da Ciência
- Neurociência
- Análise Comportamental
- Técnicas de Imagem
Contexto
- As vocalizações dos filhotes em camundongos suscitam respostas comportamentais complexas.
- Compreender essas respostas pode revelar insights sobre o cuidado materno e a atividade cerebral.
- Estudos anteriores indicaram diferenças nas respostas do córtex auditivo entre mães e virgens.
- Esta pesquisa se estende além do córtex auditivo para examinar a atividade cerebral geral.
Objetivo do Estudo
- Identificar redes cerebrais ativadas por chamadas de filhotes em camundongos com diferentes experiências maternais.
- Avaliar respostas comportamentais espontâneas em um ambiente de RM desafiador.
- Melhorar a compreensão da atividade cerebral amplamente relacionada aos comportamentos maternos.
Métodos Utilizados
- Desenvolvimento de um pipeline de análise de vídeo baseado em MATLAB.
- Edição e execução de scripts para analisar dados de vídeo de camundongos acordados.
- Utilização de análise de fluxo óptico para avaliar respostas de movimento.
- Comparação de respostas comportamentais entre mães e virgens durante estímulos auditivos.
Principais Resultados
- Mães exibiram maiores respostas de movimento às chamadas dos filhotes em comparação com as virgens.
- A análise de fluxo óptico indicou diferenças comportamentais significativas com base na experiência materna.
- A análise de componentes principais revelou padrões de movimento distintos em mães versus virgens.
- O pipeline de análise de vídeo capturou efetivamente comportamentos espontâneos em todas as condições.
Conclusões
- O estudo demonstra com sucesso um método para analisar comportamentos espontâneos em configurações de RM.
- Os resultados contribuem para a compreensão da base neural dos comportamentos maternos em resposta aos sinais dos filhotes.
- O pipeline desenvolvido pode ser aplicado a pesquisas adicionais em neurociência comportamental.
Perguntas Frequentes
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.
