Automatiseret rotte single-pellet nå med 3-dimensionel rekonstruktion af pote og ciffer Forløbskurver
Summary
Gnaver faglært nå er almindeligt anvendt til at studere behændige færdigheder, men kræver betydelig tid og kræfter til at gennemføre opgaven og analysere adfærd. Vi beskriver en automatiseret version af dygtige nå med motion tracking og tre-dimensionelle rekonstruktion af rækkevidde forløbskurver.
Abstract
Gnaver faglært nå er almindeligt anvendt til at studere behændige færdigheder, men kræver betydelig tid og kræfter til at gennemføre opgaven og analysere adfærd. Flere automatiserede versioner af kvalificerede nå er blevet udviklet for nylig. Her beskriver vi en version, der automatisk præsenterer pellets til rotter, mens du optager high-definition video fra flere vinkler ved høje billedhastigheder (300 fps). Pote og individuelle cifre spores med DeepLabCut, en maskinlæringsalgoritme til markerless pose estimering. Dette system kan også synkroniseres med fysiologiske optagelser, eller bruges til at udløse fysiologisk indgreb (f. eks. elektrisk eller optisk stimulation).
Introduction
Mennesker er stærkt afhængige af behændige færdigheder, defineret som bevægelser, der kræver præcist koordinerede multi-fælles og ciffer bevægelser. Disse færdigheder påvirkes af en række fælles patologier i centralnervesystemet, herunder strukturelle læsioner (f. eks. slagtilfælde, tumor, demyelinerende læsioner), neurodegenerative sygdomme (f. eks. Parkinsons sygdom) og funktionelle abnormiteter i motoriske kredsløb (f. eks. dystoni). Forståelse af, hvordan behændige færdigheder læres og implementeres af centrale motorkredsløb, har derfor potentialet til at forbedre livskvaliteten for en stor befolkning. Desuden, en sådan forståelse er tilbøjelige til at forbedre motorisk ydeevne i raske mennesker ved at optimere uddannelse og rehabilitering strategier.
Dissekere de neurale kredsløb underliggende behændige færdigheder hos mennesker er begrænset af teknologiske og etiske overvejelser, der nødvendiggør brugen af dyremodeller. Ikke-menneskelige primater er almindeligt anvendt til at studere behændige lemmer bevægelser i betragtning af ligheden mellem deres motorsystemer og adfærdsmæssige repertoire til mennesker1. Men, ikke-menneskelige primater er dyre med lang generation gange, begrænse antallet af forsøgspersoner og genetiske interventioner. Selv om den neurovidenskabelige værktøjskasse, der gælder for ikke-menneskelige primater, er større end for mennesker, er mange nylige teknologiske fremskridt enten utilgængelige eller signifikant begrænsede i primater.
Gnaver faglært at nå er en komplementær tilgang til at studere behændige motoriske kontrol. Rotter og mus kan trænes til at nå til, forstå, og hente en sukker pille i en stereotyp sekvens af bevægelser homologe til menneskelige nå mønstre2. På grund af deres relativt korte generation tid og lavere boligomkostninger, samt deres evne til at erhverve kvalificeret nå over dage til uger, er det muligt at studere et stort antal i både læring og dygtighed konsolidering faser. Brugen af gnavere, især mus, letter også brugen af kraftfulde moderne neurovidenskabelige værktøjer (f. eks. optogenetik, calciumbilleddannelse, genetiske sygdomsmodeller) for at studere behændige færdigheder.
Gnaver faglært nå har været brugt i årtier til at studere normal motorisk kontrol og hvordan det er påvirket af specifikke patologier som slagtilfælde og Parkinsons sygdom3. Men de fleste versioner af denne opgave er arbejdskraft og tidskrævende, afbøde fordelene ved at studere gnavere. Typiske implementeringer indebærer at placere gnavere i et nå kammer med en hylde foran en smal slot, hvorigennem gnaver skal nå. En forsker placerer manuelt sukker piller på hylden, venter på, at dyret når frem, og placerer derefter en anden. Når er scoret som succeser eller fiaskoer enten i realtid eller ved video review4. Men blot scoring når som succeser eller fiaskoer ignorerer rige kinematiske data, der kan give indsigt i, hvordan (i modsætning til blot, om) nå er svækket. Dette problem blev løst ved at implementere detaljeret gennemgang af at nå videoer for at identificere og delvist kvantificere score nå under bevægelser5. Mens dette tilføjet nogle data vedrørende Reach kinematik, det også betydeligt øget eksperimententer tid og kræfter. Desuden kan høje niveauer af eksperimententer involvering føre til uoverensstemmelser i metodologi og dataanalyse, selv inden for samme laboratorium.
For nylig er flere automatiserede versioner af kvalificerede nå blevet udviklet. Nogle vedhæfte til hjemmet bur6,7, eliminerer behovet for at overføre dyr. Dette både reducerer stress på dyrene og eliminerer behovet for at akkliere dem til en specialiseret nå kammer. Andre versioner tillader Paw tracking, så kinematiske ændringer under specifikke interventioner kan undersøges8,9,10, eller har mekanismer til automatisk at afgøre, om pellets blev slået fra hylden11. Automatiserede kvalificerede opgaver er især nyttige til træning med høj intensitet, hvilket kan være nødvendigt for rehabilitering efter en skade12. Automatiserede systemer gør det muligt for dyr at udføre et stort antal rækker over lange perioder uden at kræve intensiv forsker involvering. Endvidere, systemer, der tillader Paw tracking og automatiseret resultat scoring reducere forsker tid brugt udfører dataanalyse.
Vi udviklede en automatiseret rotte kvalificeret nå system med flere specialiserede funktioner. For det første, ved at bruge en bevægelig piedestal til at bringe pellet i “nå position” nedefra, får vi en næsten uhindret udsigt over forbimb. For det andet giver et system af spejle mulighed for flere samtidige visninger af rækkevidden med et enkelt kamera, så tre-dimensionelle (3-D) rekonstruktion af REACH-forløbskurver ved hjælp af en høj opløsning, høj hastighed (300 fps) kamera. Med den seneste udvikling af robuste maskinlæringsalgoritmer til markerless motion tracking13, sporer vi nu ikke kun pote, men individuelle knoer for at udtrække detaljeret rækkevidde og forstå kinematik. For det tredje giver en frame-grabber, der udfører enkel video behandling, mulighed for realtids identifikation af særskilte række faser. Disse oplysninger bruges til at udløse video erhvervelse (kontinuerlig video erhvervelse er ikke praktisk på grund af filstørrelse), og kan også bruges til at udløse interventioner (f. eks optogenetik) på præcise øjeblikke. Endelig udløses individuelle videorammer af transistor-transistor Logic (TTL)-impulser, hvilket gør det muligt at synkronisere videoen præcist med neurale optagelser (f. eks. Elektrofysiologi eller fotometri). Her beskriver vi, hvordan man opbygger dette system, træner rotter til at udføre opgaven, synkroniserer apparatet med eksterne systemer og rekonstruerer 3-D Reach-forløbskurver.
Protocol
Representative Results
Discussion
Gnaver faglært nå er blevet et standard værktøj til at studere motorisk system fysiologi og patofysiologi. Vi har beskrevet, hvordan man implementerer en automatiseret rotte faglært nå opgave, der tillader: uddannelse og testning med minimal overvågning, 3-D pote og ciffer bane rekonstruktion (under nå, greb, og pote tilbagetrækning), real-time identifikation af pote under nå, og synkronisering med ekstern elektronik. Det er velegnet til at korrelere forbimb kinematik med fysiologi eller til at udføre præcist…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Forfatterne vil gerne takke Karunesh Ganguly og hans laboratorium for rådgivning om den dygtige nå opgave, og Alexander og Mackenzie Mathis for deres hjælp til at tilpasse DeepLabCut. Dette arbejde blev støttet af National Institute of neurologisk sygdom og slagtilfælde (Grant nummer K08-NS072183) og University of 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).
