Automatisierte Ratte Single-Pellet Erreichen mit 3-dimensionalen Rekonstruktion von Pfoten- und Digit-Trajektorien
Summary
Nagetier qualifizierte sausen wird häufig verwendet, um geschickte Fähigkeiten zu studieren, erfordert aber viel Zeit und Mühe, um die Aufgabe zu implementieren und das Verhalten zu analysieren. Wir beschreiben eine automatisierte Version des geschickten Erreichens mit Bewegungsverfolgung und dreidimensionaler Rekonstruktion von Reichweitenbahnen.
Abstract
Nagetier qualifizierte sausen wird häufig verwendet, um geschickte Fähigkeiten zu studieren, erfordert aber viel Zeit und Mühe, um die Aufgabe zu implementieren und das Verhalten zu analysieren. In jüngster Zeit wurden mehrere automatisierte Versionen von Fachkräften entwickelt. Hier beschreiben wir eine Version, die Ratten automatisch Pellets präsentiert, während sie High-Definition-Videos aus mehreren Winkeln mit hohen Bildraten (300 fps) aufzeichnet. Die Pfote und einzelne Ziffern werden mit DeepLabCut nachverfolgt, einem maschinellen Lernalgorithmus für die markerlose Posenschätzung. Dieses System kann auch mit physiologischen Aufzeichnungen synchronisiert oder zur Auslösung physiologischer Eingriffe (z. B. elektrischer oder optischer Stimulation) verwendet werden.
Introduction
Der Mensch ist stark von geschicktem Geschick abhängig, definiert als Bewegungen, die präzise aufeinander abgestimmte mehrgelenke und ziffernförmige Bewegungen erfordern. Diese Fähigkeiten werden durch eine Reihe von häufigen Erkrankungen des zentralen Nervensystems beeinflusst, einschließlich struktureller Läsionen (z. B. Schlaganfall, Tumor, demyelinisierende Läsionen), neurodegenerative Erkrankungen (z. B. Parkinson-Krankheit) und funktionelle Anomalien (z. B. Dystonie). Zu verstehen, wie geschickte Fähigkeiten von zentralen Motorkreisläufen erlernt und umgesetzt werden, hat daher das Potenzial, die Lebensqualität einer großen Bevölkerung zu verbessern. Darüber hinaus dürfte ein solches Verständnis die motorische Leistung bei gesunden Menschen verbessern, indem sie Trainings- und Rehabilitationsstrategien optimiert.
Die Sezieren der neuronalen Schaltkreise, die der Geschicklichkeit beim Menschen zugrunde liegen, wird durch technologische und ethische Überlegungen begrenzt, was die Verwendung von Tiermodellen erfordert. Nichtmenschliche Primaten werden häufig verwendet, um geschickte Gliedmaßenbewegungen zu studieren, da ihre motorischen Systeme und ihr Verhaltensrepertoire mit dem Menschen vergleichbar sind1. Nichtmenschliche Primaten sind jedoch mit langen Erzeugungszeiten teuer, was die Anzahl der Studienteilnehmer und genetische Interventionen begrenzt. Während die neurowissenschaftliche Toolbox für nichtmenschliche Primaten größer ist als für den Menschen, sind viele technologische Fortschritte in jüngster Zeit entweder nicht verfügbar oder bei Primaten erheblich begrenzt.
Nagetier-Fachkräfte erreichen ist ein komplementärer Ansatz, um geschickte Motorsteuerung zu studieren. Ratten und Mäuse können trainiert werden, um ein Zuckerpellet in einer stereotypen Abfolge von Bewegungen zu erreichen, zu greifen und zurückzuholen, die homologe zu menschlichen Reichweitemustern2sind. Aufgrund ihrer relativ kurzen Erzeugungszeit und niedrigeren Wohnkosten sowie ihrer Fähigkeit, über Tage bis Wochen qualifizierte Fachkräfte zu erwerben, ist es möglich, eine große Anzahl von Fächern sowohl in Lern- als auch in Qualifikationskonsolidierungsphasen zu studieren. Der Einsatz von Nagetieren, insbesondere Mäusen, erleichtert auch den Einsatz leistungsstarker moderner neurowissenschaftlicher Werkzeuge (z. B. Optogenetik, Kalziumbildgebung, genetische Modelle von Krankheiten), um geschickte Fähigkeiten zu studieren.
Nagetier-Fachkräfte erreichen wird seit Jahrzehnten verwendet, um normale motorische Kontrolle zu studieren und wie es von bestimmten Pathologien wie Schlaganfall und Parkinson-Krankheit betroffen ist3. Die meisten Versionen dieser Aufgabe sind jedoch arbeits- und zeitintensiv und mindern die Vorteile des Studiums von Nagetieren. Typische Umsetzungen beinhalten das Platzieren von Nagetieren in einer Durchgangskammer mit einem Regal vor einem schmalen Schlitz, durch den das Nagetier gelangen muss. Ein Forscher legt Zuckerpellets manuell ins Regal, wartet auf das Erreichen des Tieres und legt dann ein anderes. Erreicht wird als Erfolge oder Misserfolge entweder in Echtzeit oder per Video-Rezension4bewertet. Das einfache Scoring von Reichweiten als Erfolge oder Misserfolge ignoriert jedoch reiche kinematische Daten, die einen Einblick in das (im Gegensatz zu der bloßen Frage) des Erreichens geben können. Dieses Problem wurde durch die Implementierung einer detaillierten Überprüfung der Erreichen von Videos angegangen, um die Teilsätze5zu identifizieren und semiquantitativ zu bewerten. Während dies einige Daten über Die Kinematik hinzugefügt, es auch deutlich erhöht Experimentator Zeit und Aufwand. Darüber hinaus kann ein hohes Maß an Experimentierbeteiligung zu Inkonsistenzen bei der Methodik und Datenanalyse führen, selbst innerhalb desselben Labors.
In jüngerer Zeit wurden mehrere automatisierte Versionen von qualifizierten Erreichen entwickelt. Einige befestigen sich am hauseigenen Käfig6,7, wodurch die Notwendigkeit, Tiere zu übertragen, entfallen. Dies reduziert sowohl die Belastung der Tiere als auch die Notwendigkeit, sie an eine spezialisierte Zusendekammer zu akklimatisieren. Andere Versionen ermöglichen Pfotenverfolgung, so dass kinematische Veränderungen unter bestimmten Interventionen untersucht werden können8,9,10, oder haben Mechanismen, um automatisch zu bestimmen, ob Pellets aus dem Regal geworfen wurden11. Automatisierte qualifizierte Aufgaben sind besonders nützlich für hochintensives Training, wie es für die Rehabilitation nach einer Verletzung erforderlich sein kann12. Automatisierte Systeme ermöglichen es Tieren, eine große Anzahl von Reichweiten über lange Zeiträume durchzuführen, ohne dass eine intensive Beteiligung von Forschern erforderlich ist. Darüber hinaus reduzieren Systeme, die Pfotenverfolgung und automatisierte Ergebnisbewertung ermöglichen, die Zeit, die forscher für die Datenanalyse aufgewendet werden.
Wir haben ein automatisiertes Ratten-Fachkräfte-Greifsystem mit mehreren speziellen Funktionen entwickelt. Erstens erhalten wir mit einem beweglichen Sockel, um das Pellet von unten in “Erreichbare Position” zu bringen, einen nahezu ungehinderten Blick auf das Vorderglied. Zweitens ermöglicht ein System von Spiegeln mehrere gleichzeitige Ansichten der Reichweite mit einer einzigen Kamera, wodurch eine dreidimensionale (3-D) Rekonstruktion von Reichweitenbahnen mit einer hochauflösenden, hochschnellen (300 fps) Kamera ermöglicht wird. Mit der jüngsten Entwicklung robuster Machine Learning-Algorithmen für markerloses Bewegungstracking13verfolgen wir nun nicht nur die Pfote, sondern auch einzelne Knöchel, um detaillierte Reichweiten zu extrahieren und Kinematik zu erfassen. Drittens ermöglicht ein Framegrabber, der eine einfache Videoverarbeitung durchführt, die Echtzeit-Identifikation verschiedener Erreichensphasen. Diese Informationen werden verwendet, um die Videoaufnahme auszulösen (kontinuierliche Videoerfassung ist aufgrund der Dateigröße nicht praktikabel) und können auch verwendet werden, um Interventionen (z. B. Optogenetik) in genauen Momenten auszulösen. Schließlich werden einzelne Videoframes durch Transistor-Transistor-Logik(TTL)-Impulse ausgelöst, so dass das Video präzise mit neuronalen Aufnahmen (z.B. Elektrophysiologie oder Photometrie) synchronisiert werden kann. Hier beschreiben wir, wie man dieses System baut, Ratten trainiert, um die Aufgabe auszuführen, das Gerät mit externen Systemen zu synchronisieren und 3D-Reichweiten zu rekonstruieren.
Protocol
Representative Results
Discussion
Nagetier-Fachkräfte sind zu einem Standardwerkzeug geworden, um die Physiologie des Motorsystems und die Pathophysiologie zu studieren. Wir haben beschrieben, wie eine automatisierte Ratten-Fachkräfte-Reichweite-Aufgabe implementiert werden kann, die es ermöglicht: Training und Tests mit minimaler Überwachung, 3-D-Pfote und Ziffernbahn-Rekonstruktion (beim Greifen, Greifen und Zurückziehen der Pfote), Echtzeit-Identifikation der Pfote während des Erreichens und Synchronisation mit externer Elektronik. Es eignet sic…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Die Autoren danken Karunesh Ganguly und seinem Labor für die Beratung bei der kompetenten Aufgabe und Alexander und Mackenzie Mathis für ihre Hilfe bei der Anpassung von DeepLabCut. Diese Arbeit wurde vom National Institute of Neurological Disease and Stroke (Grant-Nummer K08-NS072183) und der University of Michigan unterstützt.
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).
