Acquisto automatico di ratti a pellet con ricostruzione tridimensionale delle traiettorie di paw e cifre
Summary
Il roditore è comunemente usato per studiare abilità abili, ma richiede tempo e sforzi significativi per implementare il compito e analizzare il comportamento. Descriviamo una versione automatizzata di persone che raggiungono con il tracciamento del movimento e la ricostruzione tridimensionale delle traiettorie di raggiungimento.
Abstract
Il roditore è comunemente usato per studiare abilità abili, ma richiede tempo e sforzi significativi per implementare il compito e analizzare il comportamento. Diverse versioni automatizzate di raggiungere qualificati sono stati sviluppati di recente. Qui, descriviamo una versione che presenta automaticamente pellet ai ratti durante la registrazione di video ad alta definizione da più angolazioni ad alte frequenze di fotogrammi (300 fps). La zampa e le singole cifre vengono monitorate con DeepLabCut, un algoritmo di apprendimento automatico per una stima della posa senza marcatori. Questo sistema può anche essere sincronizzato con registrazioni fisiologiche, o essere utilizzato per innescare interventi fisiologici (ad esempio, stimolazione elettrica o ottica).
Introduction
Gli esseri umani dipendono fortemente dall’abilità abile, definita come movimenti che richiedono movimenti multi-joint e digit coordinati con precisione. Queste competenze sono influenzate da una serie di patologie comuni del sistema nervoso centrale, tra cui lesioni strutturali (ad esempio ictus, tumore, lesioni demielinanti), malattie neurodegenerative (ad esempio, morbo di Parkinson) e anomalie funzionali (ad es. distonia). Comprendere come le abilità abili vengono apprese e implementate dai circuiti motori centrali ha quindi il potenziale per migliorare la qualità della vita di una grande popolazione. Inoltre, tale comprensione è probabile che migliori le prestazioni motorie nelle persone sane ottimizzando le strategie di formazione e riabilitazione.
Dissezionare i circuiti neurali alla base dell’abilità abile nell’uomo è limitato da considerazioni tecnologiche ed etiche, che richiedono l’uso di modelli animali. I primati non umani sono comunemente usati per studiare i movimenti degli arti abili data la somiglianza dei loro sistemi motori e il repertorio comportamentale agli esseri umani1. Tuttavia, i primati non umani sono costosi con tempi di lunga generazione, limitando il numero di soggetti di studio e interventi genetici. Inoltre, mentre la cassetta degli attrezzi neuroscientifica applicabile ai primati non umani è più grande che per gli esseri umani, molti recenti progressi tecnologici non sono disponibili o significativamente limitati nei primati.
La portata abile dei roditori è un approccio complementare allo studio del controllo motorio abile. Ratti e topi possono essere addestrati a raggiungere, afferrare e recuperare un pellet di zucchero in una sequenza stereotipata di movimenti omologhi omologi ai modelli di raggiungimento dell’uomo2. A causa del loro tempo relativamente breve di generazione e dei costi di alloggio più bassi, così come la loro capacità di acquisire competenze che raggiungono da giorni a settimane, è possibile studiare un gran numero di materie sia durante le fasi di apprendimento che di consolidamento delle competenze. L’uso di roditori, in particolare topi, facilita anche l’uso di potenti strumenti neuroscientifici moderni (ad esempio, optogenetica, imaging del calcio, modelli genetici della malattia) per studiare abilità abile.
Roditore difficile raggiungere è stato utilizzato per decenni per studiare il normale controllo motorio e come è influenzato da patologie specifiche come ictus e morbo di Parkinson3. Tuttavia, la maggior parte delle versioni di questo compito sono di lavoro e dispendiosa in termini di tempo, mitigando i benefici dello studio dei roditori. Le implementazioni tipiche comportano il posizionamento dei roditori in una camera di raggiungendo con uno scaffale davanti a una stretta fessura attraverso la quale il roditore deve raggiungere. Un ricercatore posiziona manualmente i pellet di zucchero sullo scaffale, attende che l’animale raggiunga e poi ne posiziona un altro. I raggiunti sono segnati come successi o fallimenti sia in tempo reale che tramite recensione video4. Tuttavia, il semplice punteggio raggiunge come successi o fallimenti ignora i dati cinematici ricchi che possono fornire informazioni su come (anziché semplicemente se) raggiungere è compromessa. Questo problema è stato affrontato implementando una revisione dettagliata del raggiungimento di video per identificare e raggiungere in modo semi-quantitativo i sottomovimenti5. Mentre questo ha aggiunto alcuni dati riguardanti la cinematica di copertura, ha anche aumentato significativamente il tempo e lo sforzo dello sperimentatore. Inoltre, alti livelli di coinvolgimento dello sperimentatore possono portare a incoerenze nella metodologia e nell’analisi dei dati, anche all’interno dello stesso laboratorio.
Più recentemente, sono state sviluppate diverse versioni automatizzate di raggiungere esperti. Alcuni si attaccano alla gabbia di casa6,7, eliminando la necessità di trasferire gli animali. Questo riduce lo stress sugli animali ed elimina la necessità di acclimatarli ad una camera di raggiungendo specializzata. Altre versioni consentono il tracciamento delle zampe in modo che i cambiamenti cinematici nell’ambito di interventi specifici possano essere studiati8,9,10o avere meccanismi per determinare automaticamente se i pellet sono stati buttati giù dallo scaffale11. I compiti automatizzati di raggiungere qualificati sono particolarmente utili per l’allenamento ad alta intensità, come può essere necessario per la riabilitazione dopo un infortunio12. I sistemi automatizzati consentono agli animali di eseguire un gran numero di partecipanti per lunghi periodi di tempo senza richiedere un intenso coinvolgimento dei ricercatori. Inoltre, i sistemi che consentono il tracciamento delle zampe e il punteggio automatico dei risultati riducono il tempo dedicato al ricercatore nell’analisi dei dati.
Abbiamo sviluppato un sistema automatizzato di raccolta dei ratti con diverse caratteristiche specializzate. In primo luogo, utilizzando un piedistallo mobile per portare il pellet in “posizione di raggiungimento” dal basso, otteniamo una vista quasi libera dell’arto anteriore. In secondo luogo, un sistema di specchi consente più viste simultanee della portata con una singola telecamera, consentendo la ricostruzione tridimensionale (3D) delle traiettorie di velocità utilizzando una telecamera ad alta risoluzione ad alta velocità (300 fps). Con il recente sviluppo di robusti algoritmi di apprendimento automatico per il tracciamento del movimento senza marcatori13, ora tracciamo non solo la zampa ma le singole nocche per estrarre la portata dettagliata e afferrare la cinematica. In terzo luogo, un frame-grabber che esegue l’elaborazione video semplice consente l’identificazione in tempo reale di fasi di raggiungimento distinte. Queste informazioni vengono utilizzate per attivare l’acquisizione video (l’acquisizione video continua non è pratica a causa delle dimensioni del file), e possono anche essere utilizzate per attivare interventi (ad esempio, optogenetica) in momenti precisi. Infine, i singoli fotogrammi video sono attivati da impulsi di logica a transistor-transistor (TTL), che consentono al video di essere sincronizzato con precisione con le registrazioni neurali (ad esempio, elettrofisiologia o fotometria). Qui, descriviamo come costruire questo sistema, addestrare i ratti per eseguire il compito, sincronizzare l’apparato con sistemi esterni e ricostruire le traiettorie di portata 3D.
Protocol
Representative Results
Discussion
Il roditore è diventato uno strumento standard per studiare la fisiologia e la fisiopatologia del sistema motorio. Abbiamo descritto come implementare un ratto automatizzato abile compito di raggiungere che permette: formazione e test con supervisione minima, 3-D zampa e ricostruzione della traiettoria cifra (durante la raggiungimento, presa, e la ritrazione zampa), l’identificazione in tempo reale del zampa durante la raggiungimento e la sincronizzazione con l’elettronica esterna. È adatto per correlare la cinematica …
Disclosures
The authors have nothing to disclose.
Acknowledgements
Gli autori desiderano ringraziare Karunesh Ganguly e il suo laboratorio per consigli sul compito di raggiungere, e Alexander e Mackenzie Mathis per il loro aiuto nell’adattamento di DeepLabCut. Questo lavoro è stato sostenuto dal National Institute of Neurological Disease and Stroke (numero di sovvenzione K08-NS072183) e dall’Università del Michigan.
Materials
| clear polycarbonate panels | TAP Plastics | cut to order (see box design) | |
| infrared source/detector | Med Associates | ENV-253SD | 30" range |
| camera | Basler | acA2000-340kc | 2046 x 1086 CMV2000 340 fps Color Camera Link |
| camera lens | Megapixel (computar) | M0814-MP2 | 2/3" 8mm f1.4 w/ locking Iris & Focus |
| camera cables | Basler | #2000031083 | Cable PoCL Camera Link SDR/MDR Full, 5 m – Data Cables |
| mirrors | Amazon | ||
| linear actuator | Concentrics | LACT6P | Linear Actuator 6" Stroke (nominal), 110 Lb Force, 12 VDC, with Potentiometer |
| pellet reservoir/funnel | Amico (Amazon) | a12073000ux0890 | 6" funnel |
| guide tube | ePlastics | ACREXT.500X.250 | 1/2" OD x 1/4" ID Clear. Extruded Plexiglass Acrylic Tube x 6ft long |
| pellet delivery rod | ePlastics | ACRCAR.250 | 0.250" DIA. Cast Acrylic Rod (2' length) |
| plastic T connector | United States Plastic Corp | #62065 | 3/8" x 3/8" x 3/8" Hose ID Black HDPE Tee |
| LED lights | Lighting EVER | 4100066-DW-F | 12V Flexible Waterproof LED Light Strip, LED Tape, Daylight White, Super Bright 300 Units 5050 LEDS, 16.4Ft 5 M Spool |
| Light backing | ePlastics | ACTLNAT0.125X12X36 | 0.125" x 12" x 36" Natural Acetal Sheet |
| Light diffuser films | inventables | 23114-01 | .007×8.5×11", matte two sides |
| cabinet and custom frame materials | various (Home Depot, etc.) | 3/4" fiber board (see protocol for dimensions of each structure) | |
| acoustic foam | Acoustic First | FireFlex Wedge Acoustical Foam (2" Thick) | |
| ventilation fans | Cooler Master (Amazon) | B002R9RBO0 | Rifle Bearing 80mm Silent Cooling Fan for Computer Cases and CPU Coolers |
| cabinet door hinges | Everbilt (Home Depot | #14609 | continuous steel hinge (1.4" x 48") |
| cabinet wheels | Everbilt (Home Depot | #49509 | Soft rubber swivel plate caster with 90 lb. load rating and side brake |
| cabinet door handle | Everbilt (Home Depot | #15094 | White light duty door pull (4.5") |
| computer | Hewlett Packard | Z620 | HP Z620 Desktop Workstation |
| Camera Link Frame Grabber | National Instruments | #781585-01 | PCIe-1473 Virtex-5 LX50 Camera Link – Full |
| Multifunction RIO Board | National Instruments | #781100-01 | PCIe-17841R |
| Analog RIO Board Cable | National Instruments | SCH68M-68F-RMIO | Multifunction Cable |
| Digital RIO Board Cable | National Instruments | #191667-01 | SHC68-68-RDIO Digital Cable for R Series |
| Analog Terminal Block | National Instruments | #782536-01 | SCB-68A Noise Rejecting, Shielded I/O Connector Block |
| Digital Terminal Block | National Instruments | #782536-01 | SCB-68A Noise Rejecting, Shielded I/O Connector Block |
| 24 position relay rack | Measurement Computing Corp. | SSR-RACK24 | Solid state relay backplane (Gordos/OPTO-22 type relays), 24-channel |
| DC switch | Measurement Computing Corp. | SSR-ODC-05 | Solid state relay module, single, DC switch, 3 to 60 VDC @ 3.5 A |
| DC Sense | Measurement Computing Corp. | SSR-IDC-05 | solid state relay module, single, DC sense, 3 to 32 VDC |
| DC Power Supply | BK Precision | 1671A | Triple-Output 30V, 5A Digital Display DC Power Supply |
| sugar pellets | Bio Serv | F0023 | Dustless Precision Pellets, 45 mg, Sucrose (Unflavored) |
| LabVIEW | National Instruments | LabVIEW 2014 SP1, 64 and 32-bit versions | 64-bit LabVIEW is required to access enough memory to stream videos, but FPGA coding must be performed in 32-bit LabVIEW |
| MATLAB | Mathworks | Matlab R2019a | box calibration and trajectory reconstruction software is written in Matlab and requires the Computer Vision toolbox |
References
- Chen, J., et al. An automated behavioral apparatus to combine parameterized reaching and grasping movements in 3D space. Journal of Neuroscience Methods. , (2018).
- Sacrey, L. A. R. A., Alaverdashvili, M., Whishaw, I. Q. Similar hand shaping in reaching-for-food (skilled reaching) in rats and humans provides evidence of homology in release, collection, and manipulation movements. Behavioural Brain Research. 204, 153-161 (2009).
- Whishaw, I. Q., Kolb, B. Decortication abolishes place but not cue learning in rats. Behavioural Brain Research. 11, 123-134 (1984).
- Klein, A., Dunnett, S. B. Analysis of Skilled Forelimb Movement in Rats: The Single Pellet Reaching Test and Staircase Test. Current Protocols in Neuroscience. 58, 8.28.1-8.28.15 (2012).
- 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. Behavioural Brain Research. 41, 49-59 (1990).
- Zeiler, S. R., et al. Medial premotor cortex shows a reduction in inhibitory markers and mediates recovery in a mouse model of focal stroke. Stroke. 44, 483-489 (2013).
- Fenrich, K. K., et al. Improved single pellet grasping using automated ad libitum full-time training robot. Behavioural Brain Research. 281, 137-148 (2015).
- Azim, E., Jiang, J., Alstermark, B., Jessell, T. M. Skilled reaching relies on a V2a propriospinal internal copy circuit. Nature. , (2014).
- Guo, J. Z. Z., et al. Cortex commands the performance of skilled movement. Elife. 4, e10774 (2015).
- Nica, I., Deprez, M., Nuttin, B., Aerts, J. M. Automated Assessment of Endpoint and Kinematic Features of Skilled Reaching in Rats. Frontiers in Behavioral Neuroscience. 11, 255 (2017).
- Wong, C. C., Ramanathan, D. S., Gulati, T., Won, S. J., Ganguly, K. An automated behavioral box to assess forelimb function in rats. Journal of Neuroscience Methods. 246, 30-37 (2015).
- Torres-Espín, A., Forero, J., Schmidt, E. K. A., Fouad, K., Fenrich, K. K. A motorized pellet dispenser to deliver high intensity training of the single pellet reaching and grasping task in rats. Behavioural Brain Research. 336, 67-76 (2018).
- Mathis, A., et al. DeepLabCut: markerless pose estimation of user-defined body parts with deep learning. Nature Neuroscience. 21, 1281-1289 (2018).
- Ellens, D. J., et al. An automated rat single pellet reaching system with high-speed video capture. Journal of Neuroscience Methods. 271, 119-127 (2016).
