Summary
パラダイムは、ラットで自動化された熟練到達タスクの訓練と分析のために提示されています。引きの試みの分析は、運動学習の個別のサブプロセスを明らかにする。
Abstract
熟練到達タスクは、一般的に健康的および病理学的条件下での運動技能学習や運動機能の研究に使用されているが、時間集約的であいまいな単純な成功率を超えて定量化することができます。ここでは、ETH Pattus、ラットにおける回転運動を引っ張り、手を記録訓練に到達する自動化された前肢用ロボットプラットフォームとリーチとプルタスクのためにトレーニング手順を説明します。行っ引っ張っ試みの動定量化は、このような速度、引っ張り軌道の空間的な変動、正中線からの偏差だけでなく、成功を引いを引っ張るなどの運動パラメータの明確な時間プロファイルの存在を明らかにする。私たちは訓練パラダイムで微調整が困難、一般的な運動機能や熟練したタスクの実行をタスクに彼らの関係を明らかにし、これらのパラメータの変化につながる方法を示しています。 、電気生理学的、薬理学的および光遺伝学技術と組み合わせることで、このパラダイムを使用することができます（脳卒中後などで ）運動学習と記憶形成だけでなく、機能の喪失と回復のメカニズムを探求します。
Introduction
運動タスクは広く運動学習、または神経学的または薬理学的動物モデルにおける運動機能の変化に関連した行動および神経の変化を評価するために使用されます。微細運動機能は、しかしながら、げっ歯類において定量化することは困難です。そのような穀物1の操作、パスタ2、またはヒマワリの種3として手先の器用さを必要とするタスクは、敏感であり、動物の広範囲の訓練を必要としません。彼らの主な欠点は、これらのタスクは、主に定性的な結果をもたらすと明確に得点することは困難であるということです。
このようなタスクに到達する単一のペレットのバリエーションとして、熟練到達タスクは、4、5を定量化することがより簡単です。しかし、これらのタスクの実行が成功の基礎となる運動学的要因は限定的にしか推論し、労働集約型フレームごとの映像aを必要とすることができますnalysis。
ロボット装置は、前肢の機能と運動能力の側面を定量化する手段として人気を得ています。いくつかの自動化された到達タスクが用意されています。このようなリニアガイド6に沿ってハンドルを引くなどの前肢の動き、7、簡単な遠位四肢運動8、または足9の回内や回外の単一の側面に関する大半の焦点。これらのデバイスはで運動機能の解析のための約束を示しているが、彼らは唯一の拡張限らに達する単一のペレット中に実行される複雑な運動行動を反映しています。
ここでは、ラット10、11内の様々な運動課題の訓練と評価のために開発された3自由度のロボット装置、ETH Pattusの使用を示します。それは、平面とリーチでラットの前肢運動の回転運動、把握、およびを記録します水平面内で行う作業を引っ張ります。ラットは、試験ケージの窓を介して到達することができます6ミリメートル径の球状のハンドル（15センチ、長さ40センチ、高さ：幅45センチメートル）を介してロボットと対話し、（押し引き水平面内で移動しました動き）と回転（回内・回外運動）。このように、従来の単一のペレット到達タスク中に実行されるものに近似の動きを実行するために、ラットを可能にします。ウィンドウは幅10mmとケージの床の上50ミリメートルの位置です。ハンドルは55ミリメートル床の上に位置しています。スライドドアのブロックは到達試験間のハンドルにアクセスし、ロボットがその開始位置に到達し、裁判が終了した後に閉じたときに表示されます。正しく実行運動後、ラットを試験ケージの反対側に食糧報酬を受け取ります。
ロボットは、ソフトウェアを介して制御および位置Oに関する情報が得られ、1000年Hzで3ロータリエンコーダからの出力を記録されています水平面、並びにその回転角のハンドルF（詳細については、11を参照して参照してください）。成功したタスクの実行に必要な条件（ 例えば 、最小はリーチとプルタスクで正中線からの距離と最大偏差を引っ張る必要）各トレーニングセッションの前に、ソフトウェアで定義されています。ハンドルの最初の標準化された基準位置は、各トレーニングセッションの開始時に、固定ホルダーが記録されています。この基準は、各試験のためにハンドルの一定の開始位置を保証する、セッション内のすべての試験のために使用されます。ケージのウィンドウへのハンドルの相対的な一定の位置決めがケージ、ロボット上のマークの位置合わせ（ 図1）によって保証されています。
到達運動のビデオ記録は、小型高速カメラ（120フレーム/秒、640×480の解像度）を使用して記録されています。カメラのビューにある小さなディスプレイは、ラットの識別番号、トレーニングセッションを示し、トライアル数と試行結果（成功または失敗）。これらのビデオは、記録された結果を確認すると、接触の前の動きに到達ハンドルの引っ張りや回転の影響を評価するために使用されます。
ここでは、リーチとプルタスクのバリエーションで、このロボットプラットフォームの使用を示します。このタスクは、他の当到達パラダイムと同等であり、再現性のある結果が得られる期間内にトレーニングすることができます。我々は典型的なトレーニングプロトコルだけでなく、いくつかの主要な出力パラメータを記述します。さらに、我々は、使用されるトレーニングプロトコルの小さな変化は、運動技能学習プロセス内の独立したサブプロセスを表すことができる行動の結果の変更された時間のコースをもたらすことができる方法を示しています。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
ここで紹介する実験はチューリッヒ、スイスのカントンの獣医局によって承認された国や機関の規制に従って実施しました。
1.摂食条件
注：すべてのトレーニングセッションが予定さ給電プロトコルの下で行われています。
- トレーニングが完了した後、1日1回、ラットに標準飼料を50g / kgのフィード。食品のこの量は、（体重は自由摂食体重の> 90％）、主要な重量損失を防止するのに十分であるが、再現性のある行動コンディショニングを確保するのに十分に小さいです。自分の体重は安定したまま確保するために毎日ラットを計量。
注：追加で一晩（10〜12時間）絶食は最初の報酬タッチセッション（ステップ2.3）の前に有用である可能性があります。
リーチとプルタスク2.トレーニング手順
- 準備：ラットはリーでのために彼らの新しいホームケージに慣らすすることを許可しますST動物施設に到着後一週間。この期間中に定期的にラットを処理し、新しい食品にラットを慣らすためにホームケージにほこりのない精度のペレットを与えます。これらのペレットは、訓練プロトコルを通じて報酬として使用されます。
- 慣れは：30-45分間の試験ケージにラットを置き、粉末飼料に混合給餌ボウルに30-50ペレットを、提供します。オープンケージウィンドウを閉じて、その音にラットを慣らすために時折ペレットディスペンサーを実行します。
- 2-3日のためにこれを繰り返します。
- 報酬タッチ：ケージ窓から球状のハンドルに触れることを、ラットを訓練した後、食品の報酬を取得するために、ケージの反対側に移動します。
- ハンドルは、各試験の開始時にちょうどテストケージウィンドウの外側に位置するように、ソフトウェアの設定を調整し、ケージ窓の中心とハンドルの位置を合わせます。試験はすなわち 、成功したとき</全角>は、とすぐに検出されたハンドル（任意の方向に0.25ミリメートル変位）に軽いタッチのように、音が鳴り、報酬が分配されます。ウィンドウが開いた後にはタッチが180秒間検出されなかったときに失敗したとして裁判を分類します。
- 訓練ケージにラットを入れてください。それはハンドルの近くに開催されたペレットでつかむせることで手を差し伸べるために、ラットを促します。ケージをタップして、ハンドルとフードボウルにラットの注意を向けます。
- ラットは独立して、ケージの窓を介して到達したと食品ペレットを取得するときにプロンプトを停止します。
- 60分が経過するまでのいずれか早い方、100試験（タッチ）が完了するまで続行しますか。
- 3-4日間の研修を継続し、ラットが2日間連続して30分以内に100の試験を達成する際のトレーニング（ステップ2.4）の次の段階を開始します。
注：このステップを過剰訓練しないでください。この動作はで成形することができるように、報酬タッチの目的は、ラットとロボットとの間の信頼性のある相互作用を達成することですその後のトレーニング。
- 無料プル（FP）：手を差し伸べるとロボットのハンドルを引くために、ラットを訓練。
- ハンドルは、各試験の開始時に窓から18ミリメートルに配置され、かつ成功した裁判のために中断することなく、少なくとも10ミリメートルのために引っ張られなければならないように、ソフトウェアの設定を調整します。この段階で引っ張って移動に横方向の制限はありません。
- ハンドルはウィンドウが開いた後、180秒のために移動されていないときに失敗したとして裁判を分類し、ハンドルが到達可能なワークスペース（正中線から以上12ミリメートル）の外に移動したとき、またはラットが内10mm未満を引っ張ったとき最初のタッチ後の5秒が検出されました。
- 最初のFPセッションの最初の20試験中左右の足が使用されている回数をメモしておいてください。試験の少なくとも80％で使用されている足は、好ましい足考えられます。
注：足の嗜好が既に報酬で明らかにすることができます- タッチセッション。 - 好ましい足で引っ張っ容易にするために、ウィンドウの端に位置合わせされるまで、横方向にハンドルを移動する（ すなわち右利きのラットおよびその逆のためのウィンドウの左側に、ロボット5ミリメートルを移動します）。
注：このラットのための以下のすべてのトレーニングセッションのためのケージにこれと同じ位置にハンドルを置きます。ケージの壁に、ロボット上のマークによって正確な配置を確保します。 - 100試験が完了するまで訓練ケージや電車の中でラットを入れるか、60分が経過するまで、どちらが最初に来ます。
注：ラットは十分アウトに達していない場合、それはハンドルの近くに開催されたペレットでつかむせることで、それを促します。ラットは繰り返し失敗した後にプルしようとして停止することがあります。ケージをタップし、それらをピンセットで開催されたペレットのためにつかむか、彼らのモチベーションを復元するためにペレットを分配しましょう。 - 2.4で説明したようにのみFPのトレーニングを含む実験のために、トレーニングを続けます。
NOTEは：通常、1-2 FPセッションが報酬touchからSP（ストレートプル）訓練への移行を支援するために必要とされています。これらのFPセッションの目標は、だけではなくタッチに、グラブを手を差し伸べると、ハンドルを引くために、ラットを慣らすことです。目標は、次のトレーニングのステップに移行する場合の報酬タッチトレーニングと同じように、それはないオーバー電車に重要です。
- ハンドルは、各試験の開始時に窓から18ミリメートルに配置され、かつ成功した裁判のために中断することなく、少なくとも10ミリメートルのために引っ張られなければならないように、ソフトウェアの設定を調整します。この段階で引っ張って移動に横方向の制限はありません。
- ストレートプル（SP）：正中線から2mm以上を逸脱することなくハンドルを引くために、ラットを訓練。
注：正中線がないケージ窓の中間点に、ロボットの開始位置を基準に定義されます。このように、ケージ窓の中点で終わる引っ張っ試みは、正中線から2mm以上を外れ引い軌道になります。- 引き運動がいずれかの側に正中線から2mm以上を逸脱しないだけで試験がトーンとペレットによって報われるように、ソフトウェアの設定を調整します。ステップ2.4で説明したように他のすべてのパラメータを保持します。
- 100試験が完了するまで訓練ケージや電車の中でラットを入れるか、60分が経過するまで、どちらが最初に来ます。
注：ラットは非常に攪拌となり、後に繰り返し失敗した試行を引くしようとして停止することがあります。到達タスクに彼らの注意をリダイレクトするためにケージをタップし、それらをピンセットで開催されたペレットのためにつかむか、彼らのモチベーションを復元するためにペレットを分配しましょう。 - ラットはプラトー性能に到達するまでトレーニングを続ける、または実験の目的に応じたトレーニング期間を適応させます。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
ここでは、雄のロングエバンスラット（10-12週齢）を使用して、リーチとプルタスクの3バリエーションを示しています。フリープル（FP）群（N = 6）において、ラットを横制限なく22日間のロボットのハンドルを引っ張るように訓練しました。ストレートプル1（SP1）群（N = 12）の動物は、正中線から2mm以上を逸脱することなく、ハンドルを引っ張るように訓練しました。これらの動物は、報酬タッチストレートプルトレーニングに（ステップ2.3）（ステップ2.5）から直接移行しました。 FPおよびSP1の両方の動物の場合、ハンドルがケージ窓の中心に配置しました。これらの結果は、以前にLambercy らに掲載されました。 10 SP2群のラット（N = 7）は、ストレートプルの訓練に移行する前に、2 FP-研修を受けました。ハンドルが引っ張られた場合にハンドルは正中線から2mm以上を外れると同じように、やや困難な作業である結果として、このグループのケージウィンドウの端に揃えましたケージ窓の中間点に。
全てのラットは、容易にロボットマニピュランダム（ 図2A）と対話することを学びます。 （ すなわち、ハンドルが少なくとも10ミリメートルを引かれる引き試行回数）有効引っ張るの数は急速に増加し、FPとSP1で2〜3日後に安定したプラトーレベルに達しました。有効な試行回数は、SP2ラットにおけるSPの訓練を通して、セッション毎の有効引っ張るの安定した数で、その結果、SP2のFPセッション中に同程度の割合で増加しています。高原のパフォーマンスは、すべてのトレーニングパラダイムに高く、ハンドル位置と正中線からのずれの許容量の限界のようなタスクのパラメータとは無関係です。
SP1ラット（ すなわち正中線の2mm以内のまま有効引っ張るの割合）5-4訓練セッション（ 図2B）の後にプラトー成功率に到達します。 SP2ラットを示します遅い進行とストレートプルタスクのこのバージョンが正常に実行を達成することがより困難であることを示し、11セッション後にプラトーの成功率に達します。最終的な成功率は、SP1およびSP2の類似しています。
SPの訓練中に、引っ張っ軌道は正中線からの偏差を減少によって証明されるように、次第にまっすぐになる（ すなわち、測定軌跡と正中線との間の領域）と、SP1、SP2の両方で成功引っ張る（ 図3、 図5A）の数の増加が生じます。正中線からのずれ量は、SP1ラットにおけるよりも高いレベルで安定するが、興味深いことに、FPラットの軌跡を引く平均は、同様に22日間の訓練期間中にまっすぐになります。これは、ロボットのハンドルがケージ窓の中心に位置しているときに自然引っ張っ軌跡が比較的直線的であることを示しています。ハンドルはwが整列されている場合ウィンドウの端i番目の、しかし、シクシク泣いているの軌跡が湾曲しており、正中線からのずれがSP2-FPセッション中に安定しています。 SP2グループ内の正中線からの偏差は、おそらくオフセンターハンドルの配置の結果として、SP1群よりも高いままです。
引き軌跡（ すなわち 95％信頼区間の大きさ）の変動は、FPとSP1で急速に低下し、3-4トレーニングセッション（ 図5B）の後に、これらのグループで同等のレベルに達しました。興味深いことに、SP2の動物は変動性のこの減少を示さないと連続SPセッション中に比較的低い変動で引っ張ったが、SP2-FPセッション中軌道変動の急激な減少を示してください。
同様に、両方の意味とピーク初期のトレーニングセッション（FP、SP1およびSP2-FP）の間に速度上昇を引っ張ったが、SP2-SPセッション中に安定している（ 図S 5C、5D）。平均引上げ速度がSP2セッション中に変更されませんが、引上げ速度プロファイルは、トレーニング（ 図4）を介してはるかに少ない変数になります。これはsubmovementsの数（引き運動の加速及び減速のすなわち数、 図5E）および停止（引上げ速度がゼロになる、すなわち試験、 図5F）と試行回数の両方に反映されています。初期SP1およびSP2-FPセッション中に強い減少、両方submovementsの数と停止と試行回数の後、22セッションの訓練期間を通してSP1およびSP2で減少し続けます。 FPのラットでは、停止とsubmovementsと試行回数は、最初は急速にも同様に減少するが、両方のストレートプル群よりも高いレベルで安定させ、継続的な改善を示していません。興味深いことに、スピードを引くこと（ 図4試験の結果に密接に関連していないようです
成功し、一般的にストレートプルタスクを実行することを学ぶしないラットの約5％がハンドルを引くことを学ぶが、ストレート（ 図6）を引くことができないでください。これらの動物は、低い成功率が得られ、正中線から一貫して高い偏差を示します。 SP2-FPセッション中にここに提示動物中のパフォーマンスが正常にタスクを取得んSP2動物のものとそうでない場合と同等です。
図 1：ロボットマニピュランダムの概要とポジショニングを処理します。 （A）訓練ケージとの位置合わせのためのロボットマニピュやマークを示す技術的な図面。 （B）は、トレーニングセッションの開始時に一定の基準位置に保持されたハンドル。 （C）は、STで無料の開始位置にハンドル引っ張り試験の芸術。 この図の拡大版をご覧になるにはこちらをクリックしてください。
図 2：リーチとプルタスクの典型的な学習曲線。 （A）有効な入門FP-との自由プルタスクで試行を引っ張っ（FP、N = 6）、ストレートプル入門FP-セッションなしのタスク（SP1、N = 12）とストレートプルタスク（SP2、N = 7）セッション（SP2-FP）。値が（SP2）とし、（SP1）入門FP-セッションせずにまっすぐ引いて、タスクの有効な試行の割合などの試みを引っ張っ成功±SEM（B）平均値です。数値は、平均値±SEMである。この図の拡大版をご覧になるにはこちらをクリックしてください。
図 3：引っ張る軌道はSP 2 タスク のトレーニングを通じて漸進的に真っ直ぐと少ない変数になります 。 （黒）の成功、（灰色）失敗し、平均（緑）の軌跡を代表動物のための最初と最後のストレートプルトレーニングセッションのために示されています。点線は、成功した試験が実行された内幅4mmゾーンを示します。赤い点は、ハンドルの開始位置を示しています。緑色の点は、試行を引っ張ってまっすぐ10ミリメートルの理論上のエンドポイントを示しています。 この図の拡大版をご覧になるにはこちらをクリックしてください。
図 4：<有効な試みの引張方向で/ strong>の平均速度は、トレーニングを通してわずかに増加し、最終（B）トレーニングセッションにまず（A）から少ない変数になります。試みを引っ張っ平均（緑）、成功（黒）の個々の引上げ速度プロファイルおよび失敗した（灰色）は、SP2のタスクを実行する代表的な動物のために示されています。 この図の拡大版をご覧になるにはこちらをクリックしてください。
図 5： 初級FP-セッション（SP 1、N = 12）とストレートプルタスク（SP 2 なし 無料で測定されたパラメータの概要を引っ張る（FP、N = 6）タスク、ストレートプルタスク
6 "SRC =" /ファイル/ ftp_upload / 54970 / 54970fig6.jpg "/>
図 6：正常にSP 2 タスクを 実行するために学習しない動物の例 。 （A）最初と最後のトレーニングセッションに軌道を引っ張ります。 （黒）の成功、（灰色）失敗し、平均（緑）の軌跡を代表動物のための最初と最後のストレートプルトレーニングセッションのために示されています。点線は、成功した試験が実行された内幅4mmゾーンを示します。赤い点は、ハンドルの開始位置を示しています。緑色の点は、試行を引っ張ってまっすぐ10ミリメートルの理論上のエンドポイントを示しています。研修期間中有効と成功引っ張っ試みを示す（B）の学習曲線。 この図の拡大版をご覧になるにはこちらをクリックしてください。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
熟練到達タスクは、一般的な病理学的条件6の下で運動スキルの獲得だけでなく、運動機能の障害を研究するために使用されています。行動に達するの信頼性と明確な分析は、運動技能の獲得、ならびに損失および神経疾患の動物モデルにおける機能のその後の回復に関与する神経生理学的プロセスの基礎となる細胞メカニズムの研究のために不可欠です。ここに示された結果は、引き運動の空間的および時間的な側面は、運動技能訓練中に個別のプロファイルを示す方法を示しています。これらは、プロセス7、12の学習運動技能内の異なるサブプロセスを反映することができます。
ここに提示した結果では、我々はそのようなハンドルの異なる開始位置として訓練プロトコルであっても、小さな変化、（SP2 対 SP1）を示し、変更された移動パラメータプロファイルになります。 ADDによって私たちの以前に公開されたトレーニングプロトコル10にストレートプルトレーニングの前に2 FPセッションをる、我々はまっすぐ引っ張ってスキルから引っ張って学習の効果を解離することができました。また、この改良されたトレーニングプロトコル（SP2）プラトーパフォーマンスレベルである前に、それは介入のための時間を可能にするよう運動学習のメカニズムを研究するための、より有利である浅い学習曲線を持つタスクで結果におけるロボットのハンドルのオフセンターの配置達しました。また、直ちに成功率に反映されないが、運動技能4のさらなる改良を示すことが困難タスクに関連する要因のタスクの実行に関連する要因を識別することが可能です。 submovementsの数に反映さ引き上げ運動の円滑な実行は、真っ直ぐ引っ張り、熟練の尺度と考えることができます。これとは対照的に、運動の空間的な変動は、有効引っ張るの数として急速に低下しますリーチとプルタスクの3つのバージョンすべてで増加するが、直接ストレートプルタスクの成功を引っ張るとは関係ありませんし、成功した試験のために必要な正しい動きではなく、かつて熟練したタスクの実行に関する一般的な運動機能や収束を反映している可能性がありますタスクのルールが学習されています。
私たちのロボットのリーチとプルタスクの実行が著しく信頼性と動物の再現性があります。すべての訓練を受けた動物は、無料のプルタスクを取得し、過半数（動物90〜95％）はストレートプルタスクを知ることができます。ストレート有効な引き試行の高い数字を実行し続ける引上げ中に一貫して低い成功率を示しても動物。これらは失敗したが、有効な試みが完全に記録されています。古典的な熟練到達タスクでの試みに達すること一般的に不完全な到達運動になりませんでした。成功したタスクの買収に関連した動きの面を分析することだけが可能ではないが、アルそうパラメータは故障の原因とその動きを評価します。
ここに提示さ測定が動きを引っ張っについての詳細な情報を与える一方で、リーチとプル前肢の動きのすべての側面がキャプチャされません。有効な引き試みの終わりに先立って、最初のタッチにしたり、ハンドルのリリース後に発生到達行動の変更はすべて記録されていないため、同等の精度で分析することができません。例えば、引き上げ運動の前に試みをつかんの数は、それらが機能回復モデルに関して関連であっても、測定されません。高速ビデオ録画の分析は、この付加的な情報を提供します。運動追跡13,14のための前述の方法は、この目的のために適合させることができます。
また、当社の録音は、ハンドルのラットのグリップの品質に関する情報を提供していません。の回転足の回内または回外運動を示す、ハンドル、高速ビデオとの組み合わせでいくつかの洞察を提供することができます。回転グリップは、特にラット脳卒中モデルで影響を受けているので、図9に示すように 、15は 、 図16に示すように 、今後の実験は、ここで提示リーチ・アンドプルタスクは、脳卒中後の運動障害を捕捉しているか、有効決定するために必要とされています。
ここで紹介するタスクは、従来の単一のペレット到達タスクを模倣するように設計されました：必要な引っ張る距離は、これらのタスクの窓とペレットとの間の典型的な距離に基づいており、水平面内のハンドルの自由な移動は、ラットの自然な足の軌道の測定を可能にされています有効な試験で10ミリメートルの距離にわたって。
同様に、ハンドルはロボットのワークスペースの外に移動され、無効な試験では（ 例えば 、ハンドルは引き上げ中脇通される）または引っ張ら距離が不十分な場合に放出されたとき、ハンドルを床に落としていなくても、単一のペレット到達タスクでドロップされたペレットと類似していると解釈できます。
この設計は、単一の単純な動きを測定することを目的とした自動化タスクよりも引っ張り運動の複数の側面をキャプチャします。しかし、それはまた、引っ張り、回転運動との間の相互作用を可能にし、動物を補償するための機会を与えてくれます。運動機能の回復時の代償運動への洞察は貴重であるだけでなく、結果の解釈を複雑にすることができます。
リーチとプルタスクの取得における重要なステップは、訓練の報酬タッチ段階の成功コンディショニングです。ラットとロボット間で信頼性の高い相互作用することなく、任意の更なるトレーニングの手順は実行し、確実に定量化することは困難です。しかし、過渡的な訓練ステップ中にラットを過度に訓練するないことも同様に重要です。同時にimals以上3-4日のご褒美・タッチトレーニングセッション中のパフォーマンスの向上を表示し続けることができる、過圧密その後のリーチとプルトレーニングの行動の効果的な整形を防ぐことができます。
ハンドルの一定の配置が正しく実行し、ここで提示ロボットリーチとプルタスクを使用して得られた任意のデータの信頼性解析のために不可欠です。ロボットの残りの部分へと正中線にハンドルの位置は、ソフトウェア定義ですが、ケージのウィンドウへのハンドルの位置関係は、簡単に横のどちらかに移動することによって変更されます。ここでは、ウィンドウの端または中央のいずれかとハンドルの位置合わせは、作業取得を変化させ、運動技能学習の基礎となるプロセスを研究するために使用することができる方法を示しています。研修期間中のハンドルの不定のアライメントは、しかし、交絡効果や歩留まり信頼性のない行動の読み出しをご紹介します。
ここに記載されたプロトコルにおいて、ラットsが私達の前の単一のペレットに達する実験4、17と同様の100試験、から構成される毎日のセッション中に訓練されています。自動化されたトレーニングのセットアップとのセッションあたりの試行回数は、容易に研究者の一部に非常に多くの努力を必要とすることなく、増加させることができます。セッションあたりの試行の高い数値が低い個体内変動をもたらすことができるが、学習及び回復の速度でトレーニングセッションごとの試行回数を増加させる効果を考慮しなければなりません。また、満腹感や疲労などの要因は、より関連になり、非常に長いトレーニングセッションでのパフォーマンスを妨げる可能性があります。
学習能力の運動技能の歪みや性別の違いがラット4、18、19に記載されているが、我々は両方の雄スプラーグ-ドーリーANで信頼性の高い性能を得ていますDのLong-Evansラット。 （4-5ヶ月齢）古い動物は若い人（8-10週）よりも一般的に遅く、試験の間に長い間隔を示しています。食品ペレットをショ糖 - 水の報酬と交換されたときにまた、我々は古い動物でパフォーマンスの低下を観察しました。引きに報酬-touchからの移行時に液体報酬を受け取る古い動物は、問題が発生します。これは、ヨーグルトまたは落花生油などのより味の良い液体報酬を使用してより良い結果をもたらすことができる場合には加齢に関連報酬好みによって引き起こされ得ます。固形食品の報酬が使用されているときに我々はこれらの動物で信頼性の高い学習行動を観察んが代わりに、古い動物の行動は、（到達従来のペレットに比べて）より抽象的な到達タスクを理解することの難しさを示している可能性があります。古い動物の使用は、脳卒中またはneurodeのモデルに（ すなわち望ましい実験を設計するときにこのように、選択された報酬の効果が特に考慮すべきです生成的な疾患）。
我々はまだETH Pattusを使用して、運動技能学習における性差を検討していません。彼らの学習戦略が男性と異なる場合がありますが、雌ラットは、SPまたはFPのタスクを取得することができないことはほとんどありません。発情周期は雌ラットで背骨の密度に影響を与えるものの、学習曲線と一次運動野における学習関連の可塑性への影響は20に制限されています。
（リーチとプルタスクで所定の軌道からの偏差、例えば、限定された量）が必要動きが多少正確であってもよいし、ロボットを妨害または補助することができる：ロボットのタスクは、いくつかの方法で変更することができます任意の1または3次元（ハンドルの水平面と回転角の長さ方向または横の動き）のすべてで実行運動。この論文で提示リーチ・アンドプルタスクのバリエーション以外は、運動技能Lを設計することが可能ですハンドルの例の回転角度、最大移動速度、または加速度プロファイルのための臨床試験の成功を定義するタスクを獲得。
タスクのパラメータの簡単なバリエーションを可能にする以外にも、ここで紹介する実験では、空間的にケージの反対側に分配される与えられた報酬、からモータアクションを分離します。報酬のサイズを適応すると、タスクの難易度21に影響を与えることなく、古典的な到達タスクでは不可能です （小さな食物ペレットが大きい方より把握することはより困難である）、またそれは、独立して、動物のスキルレベルの報酬の機会を変更することが可能です。ロボットのタスクを使用して、モータの動作のために得られた報酬は、スキル、現在のパフォーマンスに基づいて変えることができる、または、動機などの要因を評価するために変えることができます。
結論として、自動化されたトレーニングは、運動学的運動解析と組み合わせて自動化され、客観的な方法を提供し、密接に従来の熟練到達タスクを模倣するが、両方の成功の追加データが得られ、引っ張っ試みを失敗した運動技能学習を研究するため。このアプローチは、リーチとプルの動きや、得られた食品の報酬との増強または妨害を目的とした、電気生理学的、薬理学的または光遺伝学的介入と組み合わせた調査の新しい道を開きます。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
著者らは、開示することは何もありません
Acknowledgments
この研究は、スイス国立科学財団、ベティと脳研究ETH FoundationのデビッドKoetser財団によってサポートされていました。
Materials
| Name | Company | Catalog Number | Comments |
| ETH Pattus | ETH Pattus was made by the Rehabilitation Engineering Laboratory of Prof. Gassert at ETH Zurich. | ||
| Training cage | The plexiglass training cage was made in-house. | ||
| Pellet dispenser | Campden Instruments | 80209 | |
| 45-mg dustless precision pellets | Bio-Serv | F0021-J | |
| GoPro Hero 3+ Silver Edition | digitec.ch | 284528 | Small highspeed camera |
| Small display | Adafruit Industries | #50, #661 | 128 x 32 SPI OLED display controlled via an Arduino Uno microcontroller and Labview software |
| LabVIEW 2012 | National Instruments | 776678-3513 | ETH Pattus is compatible with more recent Labview versions. |
| Matlab 2014b | The Mathworks | MLALL |
References
- Irvine, K. -A., et al. A novel method for assessing proximal and distal forelimb function in the rat: the Irvine, Beatties and Bresnahan (IBB) forelimb scale. JoVE. (46), (2010).
- Ballermann, M., Metz, G. A., McKenna, J. E., Klassen, F., Whishaw, I. Q. The pasta matrix reaching task: a simple test for measuring skilled reaching distance, direction, and dexterity in rats. J Neurosci Meth. 106 (1), 39-45 (2001).
- Kemble, E. D., Wimmer, S. C., Konkler, A. P. Effects of varied prior manipulatory or consummatory behaviours on nut opening, predation, novel foods consumption, nest building, and food tablet grasping in rats. Behav Proc. 8 (1), 33-44 (1983).
- Buitrago, M. M., Ringer, T., Schulz, J. B., Dichgans, J., Luft, A. R. Characterization of motor skill and instrumental learning time scales in a skilled reaching task in rat. Behav Brain Res. 155 (2), 249-256 (2004).
- Whishaw, I. Q., Pellis, S. M. The structure of skilled forelimb reaching in the rat: A proximally driven movement with a single distal rotatory component. Behav Brain Res. 41 (1), 49-59 (1990).
- Hays, S. A., et al. The isometric pull task: a novel automated method for quantifying forelimb force generation in rats. J Neurosci Meth. 212 (2), 329-337 (2013).
- Sharp, K. G., Duarte, J. E., Gebrekristos, B., Perez, S., Steward, O., Reinkensmeyer, D. J. Robotic Rehabilitator of the Rodent Upper Extremity: A System and Method for Assessing and Training Forelimb Force Production after Neurological Injury. J Neurotrauma. 33 (5), 460-467 (2016).
- Hays, S. A., et al. The bradykinesia assessment task: an automated method to measure forelimb speed in rodents. J Neurosci Meth. 214 (1), 52-61 (2013).
- Meyers, E., et al. The supination assessment task: an automated method for quantifying forelimb rotational function in rats. J Neurosci Meth. 266, 11-20 (2016).
- Lambercy, O., et al. Sub-processes of motor learning revealed by a robotic manipulandum for rodents. Behav Brain Res. 278, 569-576 (2015).
- Vigaru, B. C., et al. A robotic platform to assess, guide and perturb rat forelimb movements. IEEE Trans. Neural Syst. Rehabil. Eng. 21 (5), 796-805 (2013).
- Klein, A., Sacrey, L. -A. R., Whishaw, I. Q., Dunnett, S. B. The use of rodent skilled reaching as a translational model for investigating brain damage and disease. Neurosci Biobehav Rev. 36 (3), 1030-1042 (2012).
- Gharbawie, O. A., Whishaw, I. Q. Parallel stages of learning and recovery of skilled reaching after motor cortex stroke: "Oppositions" organize normal and compensatory movements. Behav Brain Res. 175 (2), 249-262 (2006).
- Palmér, T., Tamtè, M., Halje, P., Enqvist, O., Petersson, P. A system for automated tracking of motor components in neurophysiological research. J Neurosci Meth. 205 (2), 334-344 (2012).
- Alaverdashvili, M., Whishaw, I. Q. A behavioral method for identifying recovery and compensation: Hand use in a preclinical stroke model using the single pellet reaching task. Neurosci Biobehav Rev. 37 (5), 950-967 (2013).
- Alaverdashvili, M., Whishaw, I. Q. Compensation aids skilled reaching in aging and in recovery from forelimb motor cortex stroke in the rat. Neurosci. 167 (1), 21-30 (2010).
- Molina-Luna, K., et al. Dopamine in motor cortex is necessary for skill learning and synaptic plasticity. PloS one. 4 (9), (2009).
- VandenBerg, P. M., Hogg, T. M., Kleim, J. A., Whishaw, I. Q. Long-Evans rats have a larger cortical topographic representation of movement than Fischer-344 rats: A microstimulation study of motor cortex in naı̈ve and skilled reaching-trained rats. Brain Res Bull. 59 (3), 197-203 (2002).
- Whishaw, I. Q., Gorny, B., Foroud, A., Kleim, J. A. Long-Evans and Sprague-Dawley rats have similar skilled reaching success and limb representations in motor cortex but different movements: some cautionary insights into the selection of rat strains for neurobiological motor research. Behav Brain Res. 145 (1-2), 221-232 (2003).
- Harms, K. J., Rioult-Pedotti, M. S., Carter, D. R., Dunaevsky, A. Transient Spine Expansion and Learning-Induced Plasticity in Layer 1 Primary Motor Cortex. J Neurosci. 28 (22), 5686-5690 (2008).
- Metz, G. A., Whishaw, I. Q. Skilled reaching an action pattern: stability in rat (Rattus norvegicus) grasping movements as a function of changing food pellet size. Behav Brain Res. 116 (2), 111-122 (2000).
