Metode til at vurdere virkningen af uddannelse på motoriske færdigheder er et nyttigt redskab. Desværre kan de fleste adfærdsmæssige vurderinger være arbejdskraftintensive og/eller dyre. Vi beskriver her en robot metode til at vurdere, om der er færdigheder (REACH-to-fatte) i mus.
Vi beskriver en metode til at introducere naive mus til en ny, omfattende (REACH-to-fatte) opgave. Mus er anbragt enkeltvis i bure med en frontal slot, der gør det muligt for musen at nå ud af sit bur og hente mad pellets. Minimal fødevare restriktion er ansat til at tilskynde musene til at udføre madhentning fra slottet. Da musene begynder at associere kommer til slottet for mad, er pillerne manuelt trukket væk for at stimulere udvidelse og pronation af deres pote til at forstå og hente pellet gennem den forreste slot. Når musene begynder at nå frem til pellets, når de ankommer til slotspillet, kan den adfærdsmæssige analyse udføres ved at måle den hastighed, hvormed de med held forstår og henter den ønskede pellet. De er derefter introduceret til en auto-træner, der automatiserer både processen med at levere mad pellets til musen til at forstå, og optagelsen af vellykkede og mislykkedes at nå og fatte forsøg. Dette giver mulighed for indsamling af at nå data for flere mus med minimal indsats, der skal anvendes i eksperimentel analyse efter behov.
Metoder til eksperimentelt teste en motorisk færdighed præ-og post-neurologisk skade samt moduere timing, beløb, og typen af motor uddannelse er vigtige for Translationel forskning. I løbet af de sidste ti år, mus, på grund af den ledsagende lethed af genetisk manipulation, er blevet et populært model system til at belyse mekanismerne i motor læring præ-og post-skade. Men, adfærdsmæssige assays i mus er ikke blevet optimeret på samme måde, som sådanne assays har været for andre pattedyr (især rotter). Desuden er der vigtige forskelle mellem adfærden af en mus og en rotte, der kraftigt tyder på uddannelse af de to arter i forskellige manerer1,2.
Faglærte forkaste bevægelser bruger en hånd/pote til at placere mad i munden, til at manipulere et objekt, eller til at bruge et værktøj. Faktisk er det at nå at forstå forskellige objekter i hverdagen en grundlæggende funktion i øvre lemmer, og Reach-to-Eat-loven er en form for afgørelse, som mange pattedyr bruger. Mange af de genetiske, fysiologiske og anatomiske forandringer, der underbygger en kompetence erhvervelse, er blevet veldefineret i felt3. Ved at omsætte prækliniske fund til kliniske resultater, har man brug for en relevant test, der er effektiv og reproducerbar. Undersøgelser af gnaver og menneskelige rækker viser, at det er ens for mennesker og dyr4. Disse ligheder tyder derfor på, at en omfattende afprøvning kan tjene som en translationel model for undersøgelse af motorisk indlæring samt for funktionsnedsættelser og behandling af sygdomme hos mennesker. Derfor kan en evaluering af det i mus tilbyde et kraftfuldt værktøj i Translationel forskning, der studerer både sundheds-og sygdomstilstande4.
Desværre kan den omfattende opgave i mus, selv for en mindre laboratorie indstilling, være omstændelig og tidskrævende. For at afhjælpe dette problem beskriver vi her en automatiseret version af den omfattende opgave. Den beskrevne opgave kræver mus til at forlænge en enkelt pote gennem musens hjem bur frontal slot, udtale den udvidede pote, forstå mad pellet belønning, og trække pellet tilbage til bur interiør til forbrug. De resulterende data præsenteres som enten en stor succes eller fiasko. Denne automatisering registrerer dataene og reducerer den byrde og tid, hvormed forskerne skal engagere sig i opgaven.
Vores Auto-træner evaluerer på en automatiseret måde forbimb Reach-to-Grib. For at nå dette endepunkt er mange af de parametre, der er beregnet til at overføre musen, herunder pellet placering, pellet størrelse og Trænings kriterier, blevet itteret over flere år og tilpasset fra tidligere protokoller2,5 ,6. Avancement her er automatisering af opgaven ved hjælp af en robot, der tillader hjem-bur boliger. Hjem-bur bolige…
The authors have nothing to disclose.
Auto-Training-enheden blev konstrueret af Jason Dunthorn, URI Tasch og Dan Tasch at Step Analysis, LLC, med design input support og instruktioner fra Robert Hubbard, Richard O’Brien og Steven Zeiler.
Teresa Duarte fra Champalimaud-centret for det ukendte gav værdifuld indsigt og ideer til at beskrive og kategorisere musehandlinger.
ABS Filament | Custom 3D Printed | N/A | utilized for pellet holder, frame, arm and funnel |
ABS Sheet | McMaster-Carr | 8586K581 | 3/8" thickness; used for platform compononents, positioning stand guides and base |
Adruino Mini | Adruino | A000087 | nano version also compatiable as well as other similar microcontrollers |
Bench-Top Adjustable-Height Positioning Stand | McMaster-Carr | 9967T43 | 35 lbs. load capacity |
Clear Acrylic Round Tube | McMaster-Carr | 8532K14 | ID 3/8" |
Low-Carbon Steel Wire | McMaster-Carr | 8855K14 | 0.148" diameter |
Pellet Dispenser | Lafayette Instrument: Neuroscience | 80209-45 | with 45 mg interchangeable pellet size wheel and optional stand |
Photointerrupter Breakout Board | SparkFun | BOB-09322 ROHS | designed for Sharp GP1A57HRJ00F |
Reflective Object Sensor | Fairchild Semiconductor | QRD1113 | phototransistor output |
Servo Motor | SparkFun | S8213 | generic metal gear (micro size) |
Transmissive Photointerrupter | Sharp | GP1A57HRJ00F | gap: 10 mm, slit: 1.8 mm |