Вычислительный метод для количественного определения летать суточного деятельности
28 октября 2017 г.
Представлен метод количественной оценки временные особенности видели в летать суточный ритмы опорно. Количественная оценка достигается путем установки летать деятельность с несколькими параметрической модели сигнала. Параметры модели описывают форму и размер утром и вечером вершины повседневной деятельности.
У большинства животных циркадные часы координируют поведенческие и молекулярные процессы и синхронизируют их с суточным циклом свет-темнота. У плодовых мушек работу часов обычно изучают с помощью регистрации локомоторной активности. Ниже представлен пример средней локомоции дикого типа, измеренной в цикле 12 часов света и 12 часов темноты; цикл свет-темнота обозначен желто-черной полосой в верхней части.
Типичная запись активности мух демонстрирует сложный бимодальный паттерн с двумя пиками активности: утренним, который приходится на время рассвета, и вечерним, который приходится на время заката. Эти два пика вместе формируют форму волны, которая значительно отличается от синусоидальных осцилляций, наблюдаемых в генах циркадных часов; это позволяет предположить, что механизмы, помимо часов, оказывают глубокое влияние на формирование наблюдаемого паттерна в поведенческих данных. Здесь мы представляем первый метод, который математически описывает временные паттерны активности мух.
Мы аппроксимировали данные об активности с помощью модельного графика, имитирующего локомоцию мух. Наша модель состоит из четырех экспоненциальных членов: двух членов для утреннего пика и двух членов для вечернего пика. Вместе с циркадным периодом наша модель имеет девять независимых параметров.
Параметры B определяют скорость утреннего подъема, утреннего спада, вечернего подъема и вечернего спада. TM и TE определяют ширину утреннего и вечернего пиков, а HM и HE определяют высоту пиков. Совместно эти параметры полностью описывают размер и форму утреннего и вечернего пиков в структуре активности.
Наш метод может быть применен для выяснения механизмов и субстратов, лежащих в основе часто наблюдаемого бимодального паттерна активности при считывании локомоторных показателей мух. Для проведения эксперимента по локомоции подготовьте индивидуальные пробирки с кормом на одном конце и ватой на другом. Для этого сначала поместите от пяти до шести граммов корма для мух в стакан объемом 50 мл.
Нарежьте пищу на мелкие кусочки, чтобы ее было легче размягчить в микроволновой печи. В один монитор активности помещается 32 отдельные пробирки. Поэтому возьмите 32 пробирки и соедините их вместе с помощью резинки.
Растопите корм в стакане в микроволновой печи. Нагревайте корм примерно 10–15 секунд. Останавливайте микроволновку каждые пять секунд и слегка встряхивайте стакан с кормом, чтобы обеспечить равномерное плавление.
Убедитесь, что вся кормовая смесь расплавилась и в стакане не осталось твердых частиц пищи. Пока смесь находится в жидком состоянии, вставьте пробирки в стакан с кормом. Слегка перемещайте пробирки вверх и вниз, чтобы они были заполнены равномерно.
Дайте пище остыть и затвердеть в течение примерно одного часа. После того как пища затвердеет, извлеките пробирки из стакана вращательными движениями, чтобы они не прилипли к дну стакана. Затем снимите резинку.
Загерметизируйте конец с образцом пищи с помощью воска. Для этого сначала осторожно протрите пробирку бумажным полотенцем. Затем прижмите пробирку к воску.
Визуально проверьте качество герметизации и, при необходимости, повторите процедуру запечатывания. Используя этот метод, герметизируйте все пробирки для эксперимента. Другой конец пробирок закройте ватой.
Вата обеспечит прохождение воздуха, при этом удерживая мух внутри пробирок. Кроме того, ее легко извлекать и вставлять обратно, что будет удобно при помещении мух в пробирки для проведения эксперимента. Теперь, когда пробирки готовы, поместите в них мух для эксперимента.
Для этого перенесите мух на планшет, используя CO2. Затем с помощью кисточки осторожно поместите по одной мухе в каждую отдельную пробирку. Установите пробирку с мухой в монитор.
Система мониторинга будет записывать локомоцию мух в выходной файл в том же порядке, что и в мониторе. Подключите монитор к компьютеру и поместите его в инкубатор, поддерживающий постоянную температуру и влажность. В зависимости от эксперимента установите соответствующие условия освещения (световой/темновой режим).
Для эксперимента со сменой света и темноты на протяжении всего исследования поддерживайте мух в цикле свет-темнота. Не используйте данные первого дня измерений при анализе. Для эксперимента в условиях постоянной темноты сначала содержите мух в течение двух дней в условиях смены света и темноты для синхронизации биологических часов, а затем переведите их в режим постоянной темноты.
Не используйте в анализе измерения за первый день постоянной темноты. Перед переходом к следующему разделу рекомендуется ознакомиться с протоколом. Система мониторинга создаст один файл, содержащий данные об активности всех мух в мониторе.
Последние 32 столбца выходного файла содержат данные об активности отдельных мух. Наша программа работает с данными об активности одной особи. Поэтому разделите выходной файл на несколько отдельных файлов с активностью каждой мухи.
Каждый файл должен представлять собой TXT-файл с одним столбцом. Теперь, после подготовки файлов активности, можно приступить к анализу. Запустите функцию ModelFitPS3 в командном окне MATLAB со следующими входными параметрами.
Частота дискретизации: введите интервал времени между выборками данных в секундах. Например, если данные были получены с интервалом в 20 секунд, введите здесь 20.
В качестве интервала группировки (bin interval) укажите временной интервал в минутах, по которому будут группироваться данные для лучшей визуализации. Мы рекомендуем интервал 20 или 30 минут, но сейчас я укажу здесь 10, чтобы позже показать вам, как его легко изменить. Для параметра trend (тренд) укажите единицу, если данные демонстрируют базовый тренд, и ноль в противном случае.
В наших данных нет базового тренда. Поэтому я ввожу здесь ноль. Нажмите Enter, чтобы запустить функцию.
В появившемся окне выберите файл с данными об активности одной мухи и нажмите «Открыть». Программа рассчитает и построит график спектра мощности данных. В этом окне определите основной период в данных.
Для этого нажмите левой кнопкой мыши по пику циркадного периода или правой кнопкой мыши по пику второй гармоники, который расположен примерно на периоде, равном половине циркадного периода. В нашем случае пик второй гармоники гораздо больше и выражен четче, чем пик циркадного периода. Поэтому мы выбираем второй вариант.
Затем программа построит график данных, сгруппированных по выбранному интервалу. Как видно, при 10-минутном интервале утренний и вечерний пики визуализированы недостаточно четко. Поэтому нам необходимо изменить это значение.
Для этого просто щелкните правой кнопкой мыши в любом месте графика. В появившемся диалоговом окне введите новое значение интервала объединения в корзины (bin interval). Мы рекомендуем установить интервал объединения равным 20 минутам.
Поэтому мы вводим здесь 20. Нажмите OK. Программа немедленно перестроит график данных с новым значением интервала группировки (bin interval). Чтобы принять это значение, просто щелкните левой кнопкой мыши в любом месте графика.
Теперь программа перестроит график данных и отобразит результаты измерений только за пять дней. В этом окне выберите первый утренний пик, который будет использоваться в анализе. Иногда необходимо пропустить первые один или два дня, которые требуются мухе для адаптации к циклу свет-темнота.
Чтобы выбрать утренний пик, просто нажмите на нужный пик. Программа перестроит данные и отобразит результаты измерений только за три дня, начиная с выбранного утреннего пика. Синяя и красная вертикальные линии указывают на первый вечерний и второй утренний пики соответственно, исходя из периода, выбранного в первом окне.
В этом окне выберите точку пробирки, использованной для предварительной подгонки данных под функцию модели. Для этого нажмите на следующие точки строго в указанном порядке. Сначала нажмите на вершину первого утреннего пика.
Клик обозначается красной звездочкой внизу, указывающей место нажатия. Затем кликните на конец утреннего пика, затем на начало вечернего пика, затем на вершину вечернего пика, затем на конец вечернего пика и, наконец, на вершину утреннего пика следующего дня. Программа снова построит спектр мощности, так как окончательные параметры определяются на основе спектральной аппроксимации.
Теперь спектр построен с частотой на оси x, и циркадный пик расположен в левой части графика. Период, определенный на первом шаге, обозначен красной вертикальной линией. Чтобы выбрать точки аппроксимации, сначала примерно определите основной период.
Для этого щелкните левой кнопкой мыши по пику циркадного периода или правой кнопкой мыши по пику второй гармоники. Мы снова воспользуемся вторым вариантом. После этого внизу появится ползунок для выбора точек спектрального приближения.
Точки будут отображаться красными кругами и появятся после перемещения ползунка. Перемещайте ползунок влево и вправо, располагая точки максимально близко к вершинам спектральных пиков. После достижения наилучшего результата нажмите кнопку «Принять» (Accept), и программа аппроксимирует выбранные точки аналитическим выражением для модельного энергетического спектра.
После подбора параметров программа выведет еще два графика. Первый — энергетический спектр модели, построенный с использованием извлеченных параметров. Второй — данные, аппроксимированные моделью.
Данные представлены черной линией, а модель — красной линией. Видно, что функция близко соответствует данным, особенно в последние три дня активности. Извлеченные параметры сохранены в текстовом файле параметров аппроксимации модели.
После имени файла параметры сохраняются в следующем порядке: сначала b утреннего спада, затем b утреннего подъема, b вечернего подъема, b вечернего спада, циркадный период, затем ширина утреннего пика, деленная на циркадный период, ширина вечернего пика, деленная на циркадный период, высота утреннего пика, высота вечернего пика и ошибка аппроксимации спектрального соответствия. Помимо файла с параметрами аппроксимации модели, программа также создаст еще два файла. Первый содержит данные аппроксимации функцией модели, а второй — спектральную аппроксимацию.
Проведите данный анализ с другими файлами активности. Все извлеченные параметры сохраняются в TXT-файл параметров соответствия модели и могут быть в дальнейшем использованы для установления связи между поведенческими результатами и лежащими в их основе механизмами, которые регулируют ежедневное поведение мух под контролем модели паттерна активности.
Просмотрите полный транскрипт и получите доступ к тысячам научных видео
Обзор
В данном исследовании представлен новый метод количественного определения временных характеристик циркадных локомоторных ритмов у плодовых мушек. Путем сопоставления данных об активности мух с многопараметрической моделью формы волны в работе охарактеризованы утренние и вечерние пики суточной активности.
Основные компоненты исследования
Область науки
- Нейробиология
- Хронобиология
- Поведенческий анализ
Введение
- Циркадные часы регулируют поведенческие и молекулярные процессы у животных.
- Плодовые мушки служат модельным организмом для изучения циркадных ритмов.
- Регистрация локомоторной активности выявляет сложные паттерны поведения в ответ на циклы свет-темнота.
- Понимание этих ритмов может дать представление о более широких биологических механизмах.
Цель исследования
- Разработать математическую модель для описания паттернов активности мух.
- Количественно оценить выраженные пики активности, наблюдаемые у плодовых мушек.
- Углубить понимание механизмов циркадных ритмов за рамками традиционных моделей.
Используемые методы
- Регистрация локомоторной активности плодовых мушек дикого типа.
- Анализ паттернов активности при 12-часовом цикле свет/темнота.
- Аппроксимация данных об активности многопараметрической модельной кривой.
- Характеристика утренних и вечерних пиков активности.
Основные результаты
- Идентификация двух отчетливых пиков активности в суточном ритме.
- Демонстрация сложного бимодального паттерна локомоции мух.
- Параметры модели эффективно описывают форму и размер пиков активности.
- Понимание дополнительных механизмов, влияющих на поведенческие паттерны.
Выводы
- Предложенный метод обеспечивает надежную основу для анализа циркадных ритмов.
- Результаты способствуют пониманию поведенческих данных в связи с циркадными часами.
- Будущие исследования могут опираться на эту модель для изучения других аспектов циркадной биологии.
Часто задаваемые вопросы
Практическая значимость для промышленности
Количественный анализ циркадных паттернов локомоции у Drosophila позволяет снизить риски при механистической валидации мишеней, связывая поведенческие результаты с лежащими в их основе кинетическими параметрами. Данный вычислительный подход повышает прогностическую достоверность доклинических моделей, предоставляя количественные воспроизводимые показатели для анализа сигнальных путей. Метод поддерживает рабочие процессы раннего этапа поиска за счет стандартизации сложных бимодальных данных об активности в интерпретируемые параметры, что способствует кросс-функциональному взаимодействию.
Стратегическое применение в исследованиях и разработках биофармацевтики
Ранний поиск и валидация мишеней
- Научная ценность: позволяет проверить терапевтические гипотезы путем количественного определения кинетики утреннего и вечернего пиков в локомоторных ритмах мух.
- Практическая ценность: предоставляет девять независимых параметров, которые полностью описывают форму и размер пика для последовательного снижения биологических рисков.
- Стратегическая ценность: повышает прогностическую уверенность при выборе мишени за счет выяснения субстратных механизмов, выходящих за рамки колебаний основных часов.
Скрининг и разработка анализа
- Научная ценность: обеспечивает получение стандартизированных количественных данных из сложных бимодальных паттернов для надежной подготовки к скринингу соединений.
- Операционная ценность: обеспечивает воспроизводимость анализа за счет аппроксимации данных об активности по модели четырехэкспоненциальной формы волны.
- Стратегическая ценность: облегчает повторное использование платформы путем извлечения сопоставимых параметров для различных генетических или фармакологических условий.
Трансляционные и доклинические исследования
- Научная ценность: связывает поведенческие фенотипы с механистическими субстратами, лежащими в основе циркадно-регулируемых процессов в системах, имеющих значение для изучения заболеваний.
- Операционная ценность: способствует согласованию трансляционных биомаркеров путем корреляции извлеченных параметров с молекулярными показателями или показателями сигнальных путей.
- Стратегическая ценность: обосновывает решения о продвижении исследований с учетом рисков за счет снижения механистической неопределенности в доклинических моделях, основанных на локомоторной активности.
Интеграция конвейера и рабочего процесса
Данный метод интегрируется в процесс поиска новых соединений — от проверки гипотез до идентификации перспективных кандидатов — путем преобразования необработанных данных о локомоции в количественные параметры для последующего анализа.
- Открывающая биология: способствует проверке гипотез и уточнению путей посредством моделирования пиков активности как результатов кинетического взаимодействия субстратов.
- Скрининг: обеспечивает готовность анализа и количественные результаты с помощью параметров, подогнанных по модели, которые фиксируют динамику утренних и вечерних пиков.
- Аналитика: предоставляет статистические данные, включая высоту, ширину пика и скорость затухания, для сравнительного анализа условий.
- Трансляционные исследования: обеспечивают преемственность доклинических исследований, связывая поведенческие показатели с механистическим снижением рисков в путях, связанных с циркадными ритмами.
- Корпоративное повторное использование: создает многократно используемую вычислительную базу для стандартизации анализа циркадного поведения в различных проектах.
Операционное и корпоративное воздействие
- Научная ценность: Повышение точности прогнозирования за счет механистического понимания бимодальной регуляции активности, выходящей за рамки транскрипционных часов.
- Практическая ценность: Стандартизация и воспроизводимость благодаря аппроксимации форм волн локомоторной активности с использованием девятипараметрической модели.
- Стратегическая ценность: Улучшение принятия решений о целесообразности дальнейших исследований (go/no-go) за счет снижения биологической неоднозначности поведенческих фенотипов.
- Влияние на портфель проектов: Приоритизация с учетом рисков на основе количественного анализа вклада утреннего и вечернего пиков активности.
Особенности реализации
- Требуется опыт в области циркадной биологии, а также навыки спектрального анализа и подбора параметров моделей в MATLAB.
- Метод зависит от инфраструктуры мониторинга активности и систем инкубации с контролируемым режимом освещения/темноты.
- Необходима межкомандная стандартизация протоколов группировки данных (биннинга), коррекции тренда и выбора пиков.
- При применении модели к нестандартным линиям мух или специфическим условиям окружающей среды следует учитывать особенности адаптации.
- Существуют практические ограничения, такие как чувствительность к базовым трендам и начальным переходным периодам адаптации в данных о локомоторной активности.
