Metode for å vurdere effekten av trening på motoriske ferdigheter er et nyttig verktøy. Beklageligvis, høyst opptreden vurderingen kan arbeidskrevende og/eller dyr. Vi beskriver her en robot metode for å vurdere prehension (Reach-to-Grip) dyktighet i mus.
Vi beskriver en metode for å innføre naive mus til en roman prehension (Reach-to-Grip) oppgave. Mus er plassert enkeltvis i bur med en frontal slot som tillater musen til å nå ut av buret sitt og hente mat pellets. Minimal mat begrensning er ansatt for å oppmuntre musene til å utføre mat henting fra sporet. Som musene begynner å assosiere kommer til sporet for mat, er pellets manuelt trekkes bort for å stimulere forlengelse og pronasjon av deres labb å gripe og hente pellet gjennom frontal sporet. Når musene begynner å komme for pellets som de kommer til sporet, den atferdsmessige analysen kan utføres ved å måle hastigheten som de klarer å forstå og hente ønsket pellet. De blir deretter introdusert til en auto-trener som automatiserer både prosessen med å gi mat pellets for musen til å gripe, og innspillingen av vellykkede og mislykkede nå og fatte forsøk. Dette gjør det mulig å samle inn data for flere mus med minimal innsats, slik at de kan brukes i eksperimentelle analyser etter behov.
Metoder for å eksperimentelt teste en motoriske ferdigheter pre-og post-nevrologiske skader samt modulere timing, beløp, og type motor trening er viktig å translational forskning. I løpet av det siste tiåret, har mus, på grunn av ledsager enkel genetisk manipulasjon, blitt en populær modell system der for å belyse mekanismer for motor læring før og etter skade. Men, atferds analyser i mus har ikke blitt optimalisert på samme måte som slike analyser har vært for andre pattedyr (spesielt rotter). Videre er det viktige forskjeller mellom oppførselen til en mus og en rotte som sterkt tyder på trening de to artene i ulike manerer1,2.
Dyktige prehensile bevegelser bruker en hånd/labb til å plassere mat i munnen, for å manipulere et objekt, eller å bruke et verktøy. Faktisk, nå å forstå ulike objekter i dagliglivet er en fundamental funksjon av øvre lemmer og Reach-to-Eat handling er en form for prehension at mange pattedyr bruk. Mange av de genetiske, fysiologiske og anatomiske endringer underbygger prehensile ferdighets oppkjøp har vært godt definert i feltet3. Ved å oversette prekliniske funn til kliniske utfall, trenger man en relevant test som er effektiv og reproduserbar. Studier av gnager og menneskelig rekkevidde viser at prehension atferd er lik hos mennesker og dyr4. Følgelig, disse likhetene tyder på at prehension testing kan tjene som en translational modell for å undersøke motorisk læring samt nedsatt funksjonsevne og behandlinger av menneskelig sykdom. Derfor kan evaluering av prehension i mus tilby et kraftig verktøy i translational forskning som studerer både helse-og sykdomstilstander4.
Dessverre kan den prehension oppgaven i mus, selv for en småskala laboratorium innstilling, være arbeidskrevende og tidkrevende. For å lindre dette problemet, beskriver vi her en automatisert versjon av den prehension oppgaven. Det beskrevet oppgave behøver mus å forlenge en enkelt pote igjennom det musen ‘ hjem bur frontal sprekk, pronate det utbygget pote, ta fatt i maten pellet belønne, og rykk det pellet rygg å byrået indre for fortæringen. De resulterende dataene presenteres enten som en prehension suksess eller fiasko. Dette automatisering registrerer dataene og reduserer byrden og tiden som forskerne må engasjere oppgaven.
Vår Auto-trener evaluerer forlemen rekkevidde-til-tak (prehension) på en automatisert måte. For å oppnå dette endepunktet, har mange av parametrene som er utformet for muse prehension oppgaven, inkludert pellet plassering, pellet størrelse og opplærings kriterier, blitt iterated over flere år og tilpasset fra tidligere protokoller2,5 ,6. Den avansement her er automatisering av oppgaven ved hjelp av en robot som gjør hj…
The authors have nothing to disclose.
Den auto-trening enheten ble konstruert av Jason Dunthorn, URI Täsch, og Dan Täsch på Step analyse, LLC, med design input støtte og instruksjoner levert av Robert Hubbard, Richard o ‘ Brien, og Steven Zeiler.
Teresa Duarte av Champalimaud Centre for Unknown gitt verdifull innsikt og ideer om å beskrive og kategorisere musen nå handlinger.
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 |