Küçük Kemirgenlerde Sosyal Tercih Davranışının Dinamiklerini İzleme Sistemi

Summary

Burada açıklanan üç oda testi için bir alternatif sunan ve aynı zamanda çeşitli uyarılar çözer yeni bir otomatik deneysel sistemdir. Bu sistem, sosyal tercih ve sosyal yenilik tercihi testleri sırasında küçük kemirgen davranış dinamiklerinin titizlikle analizini sağlayan birden fazla davranışsal parametre sağlar.

Abstract

Sosyal davranışın nörobiyolojik mekanizmalarının araştırılması, hayvan modellerine tarafsız ve gözlemciden bağımsız bir şekilde uygulanabilecek davranışsal testler gerektirir. Milenyumun başlangıcından bu yana, üç odalı test, küçük kemirgenlerde sosyalliği (sosyal tercih) ve sosyal yenilik tercihini değerlendirmek için standart bir paradigma olarak yaygın olarak kullanılmıştır. Ancak, bu test, mekansal navigasyon ve davranışsal dinamiklerin ihmali bağımlılığı da dahil olmak üzere birden fazla sınırlama, muzdarip. Sunulan ve doğrulanmış burada üç oda testi için bir alternatif sunan yeni bir deneysel sistem, aynı zamanda bazı uyarılar çözme. Sistem, bireysel ve nüfus düzeylerinde birden fazla davranışsal parametreyi otomatik olarak ölçen ve analiz eden basit ve uygun fiyatlı bir deneysel cihaz ve kamuya açık açık kaynak analiz sistemi gerektirir. Herhangi bir sosyal ayrımcılık testi sırasında küçük kemirgenlerin davranış dinamiklerinin ayrıntılı analizini sağlar. Yetişkin erkek fare ve sıçanlar tarafından yapılan sosyal tercih ve sosyal yenilik tercihi testlerinde sosyal davranış dinamiklerinin analizinde sistemin etkinliğini gösteriyoruz. Ayrıca, bıyık budama gibi manipülasyonlar aşağıdaki kemirgenlerde sosyal davranışın değiştirilmiş dinamikleri ortaya çıkarmak için sistemin yeteneğini doğrulamak. Böylece, sistem küçük kemirgen modellerinde sosyal davranış ve dinamiklerin titiz bir şekilde araştırılmasına olanak sağlar ve suşlar, koşullar ve tedaviler arasında daha doğru karşılaştırmaları destekler.

Introduction

Nörogelişimsel bozuklukların (NDD) altında yatan biyolojik mekanizmaların ortaya çıkması nörobilim^1. Bu zorluğun ele alınması, kemirgenlerin davranışlarını standart ve tarafsız bir şekilde tipleyen davranışsal paradigmalar ve deneysel sistemler gerektirir. Etkili bir çalışma moy ve meslektaşları² tarafından on yıldan fazla önce yayınlanan üç odalı test sundu. O zamandan beri, bu test yaygın NDDs kemirgen modellerinde sosyal davranışı araştırmak için kullanılmıştır. Bu test kemirgenlerin iki doğuştan gelen eğilimini değerlendirir: 1) bir nesne üzerinde sosyal bir uyarıcının yakınında kalmak (sosyallik, aynı zamanda sosyal tercih [SP] olarak da adlandırılır), ve 2) yenibir sosyal uyarıcının tanıdık bir (sosyal yenilik tercihi [SNP]) 3^,4. Birkaç sonraki çalışmalar da bilgisayarlı yöntemler kullanarak üç odalı test otomatik analiz yöntemleri önerdi^5,6.

Bu test hala çeşitli uyarılar muzdarip. İlk olarak, esas olarak doğrudan bir sosyal uyarıcı ile etkileşim konunun motivasyonu yerine sosyal yer tercihi inceler, bazı gruplar da koku araştırma (koklama) zaman ölçmek rağmen, ya elle⁷ veya ticari bilgisayarlı sistemleri kullanarak^8,9,10. İkinci olarak, üç bölmeli test çoğunlukla her odada denek tarafından harcanan toplam zamanı ölçmek için kullanılır ve davranış dinamiklerini ihmal eder. Son olarak, her odada özne tarafından harcanan zaman (ya da sniffing zaman, ölçülürse) sosyal davranışın sadece bir yönü, dayanır.

Burada üç odalı cihazlara alternatif olan yeni ve uygun fiyatlı bir deneysel sistem salıyoruz. Ayrıca yukarıda belirtilen uyarılar çözerken aynı davranıştestleri performans sağlar. Sunulan davranış sistemi otomatik olarak ve doğrudan iki uyaran doğru bir kemirgen in araştırmacı davranışını ölçer. Ayrıca, davranış dinamiklerini gözlemciden bağımsız bir şekilde analiz eder. Ayrıca, bu sistem birden fazla davranışsal parametreleri ölçer ve bunları hem bireysel hem de nüfus düzeyinde analiz eder; böylece, her test sırasında sosyal davranış ve dinamikleri titiz bir analiz destekler. Ayrıca, çeşitli test aşamalarında arenanın zıt köşelerinde odaların rasgele yeniden konumlandırılması mekansal bellek veya tercih herhangi bir etkisini nötralize eder. Bu sistem, cinsiyet ayrımcılığı gibi diğer ayrımcılık testleri için de kullanılabilir. Özel cihazların üretimi kolaydır ve analiz sistemi açık kaynak kodu olarak herkese açıktır ve böylece herhangi bir laboratuvarda kullanılmasına izin verilir. Bu sistemin, sosyal tercih ve sosyal yenilik tercihi testleri sırasında farklı kürk renkleri ile kemirgen lerde sosyal davranışın birden fazla parametresini ölçebilme yeteneğini gösteriyoruz. Ayrıca, sistemin bıyık kesme gibi manipülasyonları takiben kemirgenlerde sosyal davranışın değiştirilmiş dinamiklerini ortaya çıkarabilme yeteneğini de doğrularız.

TrackRodent yazılımı: Deneysel konuyu ve uyaranlarla etkileşimlerini izlemek için MATLAB'da (2014a-2019a) üç algoritma yazıldı. Tüm algoritmalar GitHub'da yatırıldı, bulunan . Dört algoritmanın da temel amacı, uyarıcı alanlarıyla doğrudan temas bulmak için deneğin vücudunun hatlarını izlemektir.

Gövde tabanlı algoritma: Bu algoritma, beyaz arka plan (BlackMouseBodyBased), koyu arka plan üzerinde beyaz bir fare (WhiteMouseBodyBased) veya koyu arka plan (WhiteRatBodyBased) üzerinde bir beyaz fare nin hatlarını izlemek üç sürümü vardır ). Yazılımın grafik kullanıcı arabirimi (GUI), deneycinin fare veya sıçan kullanarak bir deneme seçmesini ve ardından doğru kodu seçmesini gerektirir. Algoritmanın her sürümü için iki isteğe bağlı kod vardır: biri çözümlemesi gerçekleştirirken ekranda izleme işlemini sunan, diğeri de (dolayısıyla daha hızlı çalışır ve "hızlı" olarak adlandırılır). Örneğin, BlackMouseBodyBased algoritması için ilgili kodların adları şunlardır: "BlackMouseBodyBased23_7_14" ve "BlackMouseBodyBased23_7_14_Fast". "Hızlı" ile biten tüm algoritmalar izlemeyi çevrimiçi göstermez ve kullanıcıların verileri doğrudan sonuç dosyasına (.mat dosyası) kaydetmeleri gerekir. Tüm gövde tabanlı algoritmalar, nesnenin gövdesini algılamak için tek bir eşik ("yazılım GUI'sinde düşük eşik") ayarlanması gerekir.

Kafa yönlülük tabanlı algoritma: sadece siyah fareler için kullanılabilen ikinci algoritma, kafa yönlülüğünü belirlemeye ek olarak, vücut tabanlı algoritmaya dayanır. Bu algoritma, öznenin başının "uyaran" alanlarıyla etkileşimlerini algılayarak, öznenin bu alanlarla rastgele temaslarından kaynaklabilen yanlış pozitiflerden kaçınır. Bu algoritma için, fare gövdesi konturlarının iki algılama eşiği tanımlanır: siyah farelerin parlak kuyruğunu içeren yüksek eşik ve kuyruksuz gövdeyi içeren düşük eşik. Bundan sonra, algoritma alt eşiği kullanarak algılanan sınırlara bir elipsoid sığar ve fare kafası ve kuyruğunun konumunu tanımlar (ikisi arasında ayrım olmadan). Kuyruk ve baş arasındaki son ayrımcılık, daha yüksek eşik tarafından tanımlanan sınırlara dayanır.

Kablolu hayvan algoritması: Üçüncü algoritma, hayvana bağlı kablolardan (elektrik kablosu veya optik fiber) kaynaklanan yapıları en aza indirmeyi ve bir kabloya bağlıyken hayvanın davranışlarının analizini sağlamayı amaçlamaktadır. Bu algoritmanın sadece siyah fareler ve beyaz fareler için kodları vardır. Fare kodu yalnızca düşük bir eşik gerektirirken fareler için kod deneycinin hem düşük hem de yüksek eşikleri tanımlamasını gerektirir.

Protocol

Açıklanan tüm yöntemler Hayfa Üniversitesi Kurumsal Hayvan Bakım ve Kullanım Komitesi (IACUC) tarafından onaylanmıştır.

1. Deneysel Kurulum

1. Arena
   1. Bir akustik odanınortasına (60 cm x 65 cm x 80 cm, iç kısmı 2 cm kalınlığında köpükle kaplanmış 2 cm kalınlığında ahşaptan yapılmış) beyaz veya siyah (hayvanın rengine bağlı olarak) pleksiglas bir kutu (37 cm x 22 cm x 35 cm) yerleştirerek fareler için deneysel arenayı kurun. Işık için, akustik haznenin etrafındaki köpükten (kapının yanı sıra) bir şerit (2 cm genişliğinde, odanın tavanının 10 cm altında) çıkarın ve kırmızı veya beyaz ampuller içeren bir LED şerit takın. Yansımaları önlemek için ışığın arenanın etrafında mümkün olduğunca düzgün olduğundan emin olun.
   2. Fareler için yukarıda açıklanana benzer bir arenayı, Sprague-Dawley (SD) sıçanlarının büyüklüğüne uygun farklı boyutlarda inşa edin(Şekil 1G). Bir akustik haznenin ortasına siyah pleksiglas bir kutu (50 cm x 50 cm x 40 cm) yerleştirin (90 cm x 60 cm x 85 cm, iç kısmı 2 cm kalınlığında köpükle kaplanmış 2 cm kalınlığında ahşaptan yapılmış).
2. Odalar
   1. Fareler için, 6 mm kalınlığındapleksicamdan iki siyah veya beyaz (kürk rengine bağlı olarak) üçgen bölmeler (12 cm izosceles, 35 cm yüksekliğinde, zeminkapalı) oluşturun. Onları arenanın rastgele seçilmiş iki zıt köşesinde bulun(Şekil 1B,E). Her odanın alt kısmına epoksi tutkal kullanarak, kafes aracılığıyla uyarıcı ile doğrudan etkileşime izin vermek için metal bir kafes(18mm x 6 cm; 1 cm delik) saplayın (Şekil 1C,F). Her odayı, nesnelere ipucu vermeden bir videoda diğerlerinden ayrımcılığa izin verecek şekilde işaretleyin (örnekler için Şekil 1B,E'ye bakın).
      NOT: Her oda sonunda bir sosyal uyarıcı (fare) veya nesne (plastik oyuncak, 5 cm x 5 cm x 5 cm, farklı bir şekil ve renk ile içerecektir; Şekil 1C,I insets). Epoksi tutkal kokusu kullanmadan önce en az bir hafta buharlaşmasına izin verin.
   2. Sıçanlar için, iki siyah üçgen oda (20,5 cm izosceles, 40 cm yükseklik, 6 mm kalınlığında pleksiglas yapılmış, zeminkapalı) oluşturmak ve arenanın iki rasgele seçilmiş köşelerinde yerleştirin(Şekil 1H), her bir metal örgü ile (25 cm x 7 cm; 2,5 cm x 1 cm delik) alt kısmını kapsayan(Şekil 1I).
3. Akustik odanın üst kısmında geniş açılı lensle donatılmış yüksek kaliteli monokromatik bir kamera yerleştirin ve ticari yazılım kullanarak nesnenin davranışlarının net bir şekilde görüntülenmesini ve kaydedilmesini sağlamak için bir bilgisayara bağlayın (öneriler için Malzemeler Tablosu'na bakın).

2. Davranış Salkımı

NOT: Adım 2.1-2.7 fareler için davranış salkımı açıklar. Farelerle ilgili özel talimatlar için bölüm 2.8'e bakın.

1. Tüm hayvanların kafeslerinin (denekler: 2-4 aylık erkek fareler; uyaranlar: 21-30 günlük yavru fareler) davranışsal deneye başlamadan önce deney odasında en az 1 saat kaldığından emin olun.
2. Alışma süresini takiben, iki zıt köşede rastgele arenaya iki boş oda yerleştirin. Alışkanlık 15 dakika için arenanın ortasında konu yerleştirin. Bu süre zarfında, her biri alışma için arenanın dışında bulunan farklı bir odaya iki sosyal uyarıcı yerleştirin. Başka bir odaya bir nesne (plastik bir oyuncak, 5 cm x 5 cm x 5 cm, farklı bir şekil ve renk ile) yerleştirin.
3. Sosyal tercih (SP) testini gerçekleştirmek için video kaydını başlatın ve testin sonuna kadar kaydı tutun.
4. İki boş odayı çıkarın ve hemen nesneyi ve sosyal uyaranlardan birini ayrı bir odaya yerleştirin. Bu odaları, alışma sırasında boş olan arenanın zıt köşelerinde rastgele bulun. SP testinin 5 dakikası için deneğin uyaranlarla etkileşime geçmesine izin verin. Testin sonunda, kaydı durdurun.
5. SP testini takiben, uyarıcı içeren odaları arenadan çıkarın ve konuyu boş arenada 15 dakika bekletin.
6. Sosyal yenilik tercihi (SNP) testini gerçekleştirmek için, video kaydını başlatın ve arenaya iki oda yerleştirin: biri SP testinde kullanılan aynı sosyal uyarıcıyı (tanıdık uyarıcı) ve diğeri de yeni sosyal uyarıcıyı içeren. Bu odaları arenanın iki zıt köşesine rastgele yerleştirin ve bu konumların SP testi için kullanılmadığından emin olun. Konunun SNP testinin 5 dakikası için uyaranlarla etkileşime geçmesine izin verin.
7. SNP testinin sonunda, video kaydını durdurun, konuyu ve odaları arenadan çıkarın ve konuyu ev kafesine geri yerleştirin. Uyaranları bir sonraki deney için (başka bir nesneyle) odalara bırakın veya ev kafeslerine geri getirin. Arenayı ve odaları akan suyla temizleyin ve ardından %10 etanol verin ve kurudu.
8. Sıçanlar için davranışsal paradigma
   1. Sıçanlar için, 2.1-2.7 adımlarında açıklanan davranışsal paradigmayı iki değişiklikle tekrarlayın: 1) sıçan deneklerini ele almak ve deneyden önce 2 gün (her gün 10 dakika) için odalara sosyal uyaranları alışmak; ve 2) sıçanlar sosyal uyaranlara maruz kalma daha uzun bir süre vermek için 15 dakika için SP testi uzatmak. Daha sonra, SP testinin analizini ilk 5 dakika ile sınırlandırın.
      NOT: Tek bir oturumun yürütülebilmesi için en az bir arena ve beş oda gereklidir.

3. Davranış Analizi için TrackRodent GUI kullanma

NOT: TrackRodent GUI için Şekil 2A'nın üst paneline bakın.

1. MATLAB'ı açın (2014a-2019a ile test edin) ve TrackRodent klasörünü seçin.
2. Her klasöre sağ tıklayarak ve Yola Ekle'yi seçerek tüm alt klasörleri çalışma yoluna ekleyin | Seçili Klasörler ve Alt Klasörler.
3. Komut penceresinde TrackRodent yazın ve Enter tuşuna basın.
4. Yükle oturumu dosya (AVI) seçerek tek bir dosya veya birden çok video dosyası (AVI veya MP4 biçimi) yükleyin.
5. Video klibin kare kare incelenmesine izin veren bir film denetçisi, listedeki ilk dosya için hemen açılır (Şekil 2A). Video klibi incelemek ve analiz edilecek segmentin ilk ve son karelerini tanımlamak için kullanın. Daha sonra gerekli olacak bu çerçevelerin numaralarını kaydedin. Bittiğinde pencereyi kapatın.
6. Ek video dosyalarını incelemek için, filmi incele tuşuna basarak ve belirli bir video dosyası seçerek istediğiniz zaman video denetçisini açın.
7. Test edilen türleri seçin (fare veya sıçan; fare varsayılandır).
8. Konunun ve arenanın renklerine (siyah veya beyaz) uygun olarak izlemeyi kesintiye uğratabilecek tüm alanları hariç tinleyin.
   1. Belirli bir alanı dışlamak için Dışla alanınıdışla'ya basın ve imleç çapraz şekle döndükten sonra, dışlanma için alanın her köşesini işaretleyin. Bittiğinde, fareye sağ tıklayın, ardından işaretli alanın ortasını çift sol tıklatın. Dışlanan alan ekranda kırmızı bir gölge haline gelecektir. Gerektiği kadar alanı hariç tutmak için bu yordamı yineleyin.
9. Bir alanı dışlamadan kaldırmak için dışlanmış alanı kaldır'abasın , ardından (çaprazimleç kullanarak) dışlanmadan kaldırılacak alana tıklayın.
10. Her odayı bir 'uyarıcı' alanı olarak tanımlamak için, konu tarafından incelenmesinin otomatik olarak algılanması için, uygun kutuyu işaretleyerek 'uyarıcı' alanının şeklini çokgen veya eliptik olarak seçin, ardından Stimulus X tuşuna basarak ("X"in 1, 2 veya 3'ü temsil ettiği yer) tuşuna basın. 'Uyarıcı' alanları dışlanan alanlara benzer şekilde işaretleyin, bu da daha sonra renk olarak sarı yayılacaktır. Belirli bir 'uyarıcı' alanın konumunu değiştirmek için Stimulus X'e yeniden basın ve yeni alan konumunu işaretleyin (bu işlem konumu otomatik olarak günceller).
    NOT: Tüm dosyalar için tutarlı bir şekilde farklı uyaran numarasını seçin (yani tüm SP test dosyaları için uyarıcı 1 olarak nesne).
11. Nesnenin arena içindeki belirli bir sanal bölmede varlığını izlemek için,'bölme' alanının (çokgen veya eliptik) şeklini seçin, ardından X Bölmesi'ne ("X"in 1, 2, 3, 4 veya 5'i temsil ettiği yer) basın. 'Bölme' alanlarını dışlanmış veya uyaran alanlara benzer şekilde işaretleyin, bu da daha sonra mavi renkte olacak. Belirli bir 'bölme' alanının konumunu değiştirmek için, Bölmesi X'e yeniden basın ve yeni alan konumunu işaretleyin (bu durum konumu otomatik olarak günceller).
12. Listeden istenen algoritmayı seçin (Video için BlackMouseBodyBased kullanıldı) (Şekil 2B'dekimevcut algoritmalara bakın).
13. GUI'nin ilgili düzeltme kutularına analiz için başlangıç ve bitiş karelerinin numaralarını yazın.
14. Nesne gövdesini algılamak için bir eşik seçin.
    NOT: Çoğu algoritma yalnızca "Düşük" eşiğini kullanırken, baş yönlülük tabanlı algoritmalar da "Yüksek" eşiğini kullanır. "Düşük" eşiği için, kuyruk olmadan fare/fare gövdesini içeren bir düzey seçin (mümkün olduğunca yüksek" eşiği de kuyruğu içermelidir. Baş yönlülük tabanlı algoritmalar kullanılması durumunda, yazılım kuyruk konumuna zıt olarak baş konumunu belirleyecektir.
    NOT: Yazılım daha sonra seçilen eşik kullanılarak algılanan küçük nesneleri yok sayar.
15. Belirli bir eşik için konu kenarlıklarının otomatik olarak algılanmasını değerlendirmek için, ilgili eşik alanına bir değer ekleyin ve klavyeden Enter tuşuna basın.
16. Birden çok dosya seçerken, bir sonraki dosyaya geçin (üstteki İleri düğmesini kullanarak) ve her dosya için uygun tanımları seçin. Tamamlandığında, GUI'nin üst kısmındaki Önceki ve Sonraki düğmelerini kullanarak, her biri arasında hareket ederek tüm dosyaların parametrelerini ve alan konumlarını doğrulayın.
    NOT: Tüm alanların ve parametrelerin tanımları belirli bir dosyaya özgür.
17. Seçili tüm dosyaların davranış analizini başlatmak için ilk dosyaya geçin ve Başlat'a basın.
18. Çözümlemenin sonunda, film dosyalarının aynı dizininde her film için bir sonuç dosyası (.mat dosyası) kaydedilir.
    NOT: Algoritmanın yavaş (hızlı olmayan) sürümü kullanılırsa, gui'nin Kaydet çözümlenmiş film geçiş düğmesi işaretlenmedikçe, vücut kütlesinin merkezinin beyaz bir çaprazı olan filmin bir sürümünü de kaydeder. Filmin bu sürümü (orijinal filmle aynı adla, 'analiz edilmiş film' ekiyle aynı dizinde kaydedilmiştir) sistem tarafından gerçekleştirilen otomatik algılamanın kalitesini değerlendirmek için çevrimdışı kullanılabilir.

4. Sonuçlar Sunumu için TrackRodent GUI kullanma

NOT: Sonuç sunumu için Şekil 2 A'nın alt paneline bakın.

1. Her film dosyasının sonuçlarını incelemek için, Yükle sonuçları dosyasına basın ve davranış çözümlemesi tarafından oluşturulan .mat dosyalarını seçin.
2. Aşağıdaki analizlerden herhangi birini incelemek için geçiş düğmeleri arasında hareket edin: Fare konum takibi (Şekil 2A); Oturum boyunca bölümler işgal ('bölmeler' tanımlanmışsa, gösterilmez); Oturum boyunca uyarıcı keşfi (Şekil 2C); Bölmelerde toplam süre ('bölmeler' tanımlanmışsa, gösterilmez); ve toplam uyarıcı arama süresi (Şekil 2D).
   NOT: 'Uyarıcı' alanlar, yazılımın konu etkileşimini değerlendirdiği alanlardır, 'Bölme' alanları ise yazılımın nesnenin varlığını izlediği alanlardır. Çözümlemeyi Durdur düğmesini kullanarak çözümlemeyi durdurmak, oluşturulan sonuçları otomatik olarak son çözümlenen çerçeveye kaydeder. Çoğu bilgisayar için, aynı anda en fazla 20 film yüklemek ve analiz etmek mümkün olmalıdır (bilgisayar performansına bağlı olarak).

5. Nüfus Analizi için TrackRodentPopulationSummary GUI kullanma (Şekil 2E)

1. MATLAB'ı açın (2014a-2019a ile test edin) ve TrackRodent klasörünü seçin.
2. Komut penceresinde TrackRodentPopulationSummary yazın ve Entertuşuna basın.
3. Sonuçları seç dosyalarını seç'e basarak birden çok TrackRodent sonuç dosyalarını (.mat biçimi) yükleyin.
4. Analiz için Son karenumaralarını doldurun , Test adı, Stimulus 1 adı, ve Stimulus 2 adı.
5. Tüm uygun kutuları işaretleyerek isteğe bağlı analizler listesinden istenilen analizleri seçin.
6. Tek bir elektronik tablo dosyası olarak denetlenen analizlerin tüm sonuçlarını ayıklamak için uygun kutuyu işaretleyerek bir speadsheet için Dışa Aktarma sonuçlarını seçin.
7. Başlat'a basın ve analiz tamamlanana kadar bekleyin.
   NOT: Bu analiz sonuçlandırır. Yazılım, tüm davranışsal TrackRodent yazılımı kullanılarak analiz edildi göz önüne alındığında, istenilen kadar çok film dosyasının sonuçlarını analiz etmek için kullanılabilir. Yazılım tarafından gerçekleştirilen analiz, video kaydının 30 Hz kare hızında olduğunu varsayar. Farklı bir kare hızı nın kullanılması durumunda, zamanı 30 ile çarpın ve doğru değere (ler) dönüştürmek için kayıt için kullanılan kare hızına bölün.

Representative Results

C57BL/6J farelerde sosyal tercih testi için sistemi kullanma
Şekil 1 deneysel kurulumun üç versiyonunu göstermektedir. İlk sürüm(Şekil 1A-C),C57BL/6J fareler gibi koyu kürk rengindeki fareler için tasarlanmıştır. İkinci(Şekil 1D-F)BALB/c veya ICR (CD-1) fareler gibi parlak kürk renkleriolan fareler için planlanmıştır. Üçüncüsü daha büyüktür(Şekil 1G-I)ve SD sıçanlar gibi parlak kürk renkleri olan sıçanlar için tasarlanmıştır. İncelenen ilk olgular naif yetişkin (8-12 haftalık), grup lu (kafes başına iki ila beş hayvan) erkek C57BL/6J farelerdi. Sosyal uyaranlar çocuk (21-30 günlük), grup-housed (kafes başına iki ila altı hayvan), erkek C57BL/6J fareler vardı. Nesne uyaranları farklı renklere sahip kokusuz plastik oyuncaklardı (Şekil 1C,I'dekiinsets). Deneylerin video dosyaları TrackRodent yazılımı (vücut tabanlı algoritma, şekil 2A'dakiörnekleştirilmiş ekran resmi ve GUI'ye bakınız), 1) gövde merkezine ve 2) vücut konturlarının uyaran içeren bölmelerle teması yla otomatik ve sürekli olarak izlenen tracked kullanılarak analiz edilmiştir.

Analiz aşağıdaki prosedürleri içeriyordu. Bir film dosyası yükledikten ve analizden dışlanacak alanları grafiksel olarak tanımladıktan sonra, deneyci grafiksel olarak her biri ayrı bir odadan oluşan iki alanı 'uyaranlar' olarak tanımlamıştır(Şekil 2A, sarımsı alanlar). Kullanıcılar ayrıca en fazla beş alanı sanal 'bölmeler' olarak tanımlayabilir. Daha sonra, kullanıcılar olası algoritmalar listesinden "BlackMouseBodyBased23_7_14_Fast" algoritmasını seçerler(Şekil 2B). Başlat çözümlemesi düğmesine bastıktan sonra, yazılım hayvan konumu çerçevesini kare kare takip etti ve arenadaki fare konumu izini gösterdi(Şekil 2A, mavi çizgi). Bu analiz sırasında yazılım, konunun 'uyaran' alanları ve vücut çevresi arasındaki bağlantıları da izlemiş(Şekil 2C). Bu tür temas olayları araştırmacı olarak tanımlanmış ve her uyarıcı için araştırma süresini ve hiçbir araştırma davranışının görüntülenmediği süreyi hesaplamak için hizmet vermiştir(Şekil 2D). Analiz edilen filmi gösteren Şekil 2C,D'de de görüldüğü gibi, sosyal uyarıcı olan 'stimulus 2' için daha yüksek araştırma süresi gözlenmiştir, bu durumda 'uyarıcı 1' olarak tanımlanan nesneile karşılaştırıldığında.

C57BL/6J farelerde sosyal tercih testinin nüfus analizi
TrackRodent yazılımının deney grubunun tüm video dosyalarını analiz etmesine izin verdikten sonra, bu yazılımın tüm olası analizleri seçilirken "TrackRodentPopulationSummary" GUI(Şekil 2E)kullanılarak bu grup için bir popülasyon analizi gerçekleştirildi. 58 C57BL/6J yetişkin erkek fare ile yapılan SP testi için bu analizlerin farklı çıktıları Şekil 3'tegösterilmiştir , tam olarak bilgisayar ekranında göründükleri gibi, tüm hata çubukları SEM'i betimletir. Bu sonuçların istatistiksel analizleri daha önce¹¹olarak yayınlanmıştır.

Deneklerin popülasyonunun iki uyarıcının her birine (eşcinsel çocuk sosyal uyarıcı ve bir nesne) yönelik ortalama toplam araştırma süresi Şekil 3A'dagösterilmiştir ve bu da öznenin toplumsal uyarıcıya karşı açık bir tercihini betimletir. Algoritma basit olmasına rağmen, araştırma süresi ile eğitimli bir gözlemci tarafından elle ölçülen zaman ile yazılım tarafından hesaplanan değer arasında mükemmel bir korelasyon gözlenmiştir (r² = 0.91, p < 10^-6, Pearson korelasyon). Bu tercihin dinamiği Şekil 3B'degörülebilir ve her uyarıcı için ortalama araştırma süresi 20 s'lik kutularda zaman boyunca çizilir. Görüldüğü gibi, sosyal tercih oturum boyunca konular tarafından korunur, erken aşamalarında biraz daha güçlü görünüyordu rağmen.

Şekil 3C, her uyaran için kısa (≤6 s), orta (>6 s, ≤19 s) ve uzun (>19 s) nöbetlerine göre kategorize edilen her uyarıcının toplam araştırma süresiyle birlikte araştırma süresini ve toplam araştırma süresini gösteriştir. Her uyarıcının 1 s kutudaki nöbet süresine göre araştırma süresinin dağılımı Şekil 3D'degösterilmiştir. Şekil 3C,D'degösterildiği gibi, kısa nöbetlerde uyaranlar arasında fark yoktur, orta ve uzun müsabakalar ise net sosyal tercihler göstermiştir. Bu sonuçlar, C57BL/6J farelerde kısa nöbetlerin merakı yansıttığını, uzun nöbetlerin ise konu ile uyaranlar arasındaki etkileşimi yansıttığını göstermektedir. Her kategori (kısa, orta ve uzun nöbetler) ve toplam araştırma süresi için göreceli araştırma süresi (RDI, [sosyal-nesne]/[sosyal+nesne]) değerleri Şekil 3E'degösterilmiştir. Gösterildiği gibi, en yüksek RDI değeri uzun nöbetleri ile elde edilir, en iyi konuların sosyal tercihlerini yansıttığını düşündürmektedir.

Test sırasında araştırma müsabakasının dinamiklerini analiz etmek için, her kategori için zaman içinde dağılımlar ayrı ayrı çizildi. Kısa(Şekil 3F)ve orta(Şekil 3G)araştırma nöbetlerinin zaman içinde dağılımları bu nöbetlerin zaman içinde kademeli olarak azaldığını göstermektedir. Buna karşılık, uzun nöbetlerin benzer bir analizi(Şekil 3H)test boyunca kademeli bir artış gösterir. Bu eğilim aynı zamanda ortalama nöbet süresinin dağılımı ile de yansıtılır(Şekil 3I),zaman içinde kademeli bir artış gösteren. Böylece, denekler daha sonra uyaranlarla daha fazla etkileşim sergilerken, daha sonra lar daha çok merak uyandırMış gibi görünüyorlar. Bu son dakika boyunca, kısa nöbetleri doğru analiz doğal bir önyargı olduğu unutulmamalıdır, çünkü uzun nöbetleri yapay oturumun sonunda sona erdi. Bu nedenle, soruşturma nöbetleri zaman ders göz önüne alındığında, son dakika göz ardı edilmelidir.

Ayrıca, aynı uyarıcıya yönelik ardışık araştırma nöbetleri arasındaki aralıkları da analiz ettik (yani, deneğin her soruşturma maçının bitiminden sonra aynı uyarıcıya geri dönmesi için gereken süre). Bu parametre, deneğin aynı uyarıcıya geri dönme ve araştırma dürtüsünün yansıyor. Burada aralıklar, Şekil 3J'dekiher uyarıcı için toplam zaman aralıklarıyla birlikte gösterilen kısa (≤5 s), orta (>5 s, ≤20 s) ve uzun (>20 s) nöbetleri olarak da sınıflandı. Şekil 3K'dagösterilen 1 s kutusundaki aralıkların histogramı . Şekil 3J,K'dagösterildiği gibi, sosyal uyarıcının araştırılması arasındaki aralıklar nesnenin araştırmaları arasındaki aralıklardan çok daha kısaydı. Buna göre, uzun aralıktaki aralıkların RDI değerleri en yüksek mutlak değeri elde etti (Şekil 3L); bu nedenle, sosyal tercihi değerlendiren, zaman bağımsız bir değişken olarak kullanılabilirler. Her kategori için ayrı ayrı çizilen aralıkların zaman içinde dağılımları(Şekil 3M-O)kısa ve orta aralıklarda kademeli bir azalma ve soruşturma nöbetleri arasında uzun aralıklarda ters bir değişiklik düşündürmektedir, bu da büyük olasılıkla soruşturma ların genel uzadığını yansıtır. Araştırma nöbetlerinin dağılımına benzer şekilde, aralıkların son dakikası kısa değerlere karşı önyargılıdır ve göz ardı edilmelidir.

Ayrıca deneklerde gözlenen geçişleri bir uyarıcıdan diğerine analiz ettik. Bu çizim Şekil3P'degörüntülenir, hangi konu yeni bir uyarıcı araştırmaya başladı her zaman noktası mavi bir nokta ile işaretlenir, her satır ayrı bir konuyu temsil eder ve kırmızı çizgi ortalama geçiş oranını temsil eder. Bilindiği gibi, geçiş oranı testin ilk 2 dakikasında en yüksek (~1,5 geçiş/dk) idi ve yavaş yavaş zirvenin %50'sinden daha azına düşürüldü. Aynı eğilim, ortalama geçiş hızının zaman içinde dağılımından da belirgindir (Şekil 3Q).

Son olarak, her bir konu için test sırasında sosyal uyarıcıya(Şekil 3R)ve nesneye(Şekil 3S)doğru araştırma maçlarının ısı haritaları gösterilir ve renkler müsabaka süresini işaretler ( Şekil3S). Sonuçlar, C57Bl/6J farelerde SP testinin kabaca erken bir keşif aşamasına (yüksek geçiş hızı ve kısa araştırma nöbetleri ile karakterize) ve geç etkileşim fazına (düşük geçiş hızı ve uzun araştırma nöbetleri ile karakterize) bölündüğüne işaret eder.

SD sıçanlarda sosyal yenilik tercih testinin nüfus analizi
Şekil 4, 59 SD sıçan tarafından yapılan SNP testi için yukarıdaki analizin aynısını göstermektedir. Tipik olarak, roman vstercihi . tanıdık sosyal uyaranlar yeni bir sosyal uyarıcı vskarşı tercih daha zayıftır . sp testinde fareler tarafından sergilenen bir nesne (Şekil 3). Bununla birlikte, sosyal yenilik tercihi tüm parametreler tarafından açıkça yansıtılır. Özellikle, farelerde SP testinden yukarıda belirtildiği gibi, uzun araştırma nöbetleri ve uzun aralıklar, en yüksek mutlak RDI değerleri(Şekil 4E,L; SNP testi için RDI değerlerinin [tanıdık-roman] /[tanıdık+roman] olarak tanımlandığı unutulmamalıdır.

Bıyık kaybı hem C57BL/6J farelerde hem de SD sıçanlarda sosyal tercihi bozar
Somatosensoriyel manipülasyonun sosyal davranış dinamiği üzerindeki etkilerini değerlendirmek amacıyla, 29 C57BL/6J fare ve 33 SD sıçan tarafından tamamlanan SP testinin analizi yapıldı (testten 3-7 gün önce yapıldı). Daha sonra, bu sonuçlar kontrol hayvanları ile karşılaştırıldı. Şekil 5A-F'degösterildiği gibi, bıyık lı fareler, iki uyarıcı arasındaki araştırma süresi farkının olmaması (Şekil 5A ile Şekil 5Darasındaki araştırma süresi nin eksikliği) ve sosyal uyarıcıya yönelik uzun araştırma nöbetlerinin kaybı (Şekil 5B ile Şekil 5Earasında karşılaştırın) tarafından yansıtılan sosyal uyarıcıyı nesne üzerinde tercih etmediler. İlginçtir ki, bıyık kesilmiş fareler de kontrol fareleri ile karşılaştırıldığında geçiş oranlarının arttığını göstermiştir (Şekil 5C ile Şekil 5Fkarşılaştırın).

Bu veriler, bıyık lı farelerin sosyal uyarıcıyla etkileşimsüresini belirgin bir şekilde azalttığını göstermektedir. Farelerin aksine, bıyık lı sıçanlar sosyal tercihlerini kaybetmediler(Şekil 5G-L). Ancak, testin ilk dakikasında, daha az uzun araştırma nöbetleri olduğunda (Şekil 5H ile Şekil 5Karasında) ve daha birçok geçiş olduğunda (Şekil 5I ile Şekil 5L'yikarşılaştırın) davranışlarını önemli ölçüde değiştirdiler. Böylece, bıyık budama önemli ölçüde SP testinde hem sıçan ve farelerin davranışını değiştirdi, ancak iki tür arasında çok farklı bir şekilde. Bu sonuçlar, sıçan ve sıçanların sosyal etkileşimlerinde bıyık bağımlı somatosensoriyel stimülasyon için ayrı bir rol göstermektedir.

Şekil 1: Deneysel kurulum. (A) Siyah kürklü fareler için tasarlanmış deneysel arenanın şematik bir tasviri. (B) Arenada c57BL/6J konu faresi gösteren loş kırmızı ışık kullanarak, yukarıdan arenanın bir resmi. (C) Beyaz bir odanın meshed alanını gösteren ve deneğin bir uyarıcıyla etkileşime girdiği (inset: fareler için kullanılan bir nesne uyarıcının resmi). (D-F) Paneller A-C, deneysel bir arena ve parlak kürk lü fareler için tasarlanmış odaları gösterildiği gibi. (G-I) Paneller A-C gösterildiği gibi, deneysel bir arena ve parlak kürk ile sıçanlar için tasarlanmış odaları (inset [I]: sıçanlar için kullanılan bir nesne uyarıcı resmi). Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 2: TrackRodent yazılımı. (A) TrackRodent yazılımını çalıştıran bir bilgisayarın ekranı. Sol: analiz edilen filmin başındaki video görüntüsü (deneyci tarafından seçilen ilk kare), c57BL/6J konusunun etiketli 'uyaran' alanlarını ve izlenen hareket yolunu gösterir. Sağ: yazılım GUI. (B) GUI ile kullanılacak yazılımın isteğe bağlı kodlarının listesi. Bu kodların her biri farklı bir deneysel duruma uygundur. (C) Gui'nin Sonuçlar sunumu bölümünde oturum boyunca Uyaran keşif seçeneği seçildiğinde, A panelinde gösterilen özel deneyin analizi. Bu çizim (her karede) öznenin 'stimulus 1' veya 'stimulus 2' ile temas edip etmediğini gösterir. Sunulan durumda, 'uyarıcı 2'ye yönelik açık bir tercih, bu uyarıcıya yönelik tespit edilen araştırma nöbetlerinin sayısı nın ve süresinin daha yüksek olması yla belirgindir. (D) Gui'nin Sonuç sunumu bölümünde Toplam uyarıcı arama süresi seçeneği seçildiğinde A ve C panellerinde gösterilen deneyin analizi. Burada da, 'uyarıcı 2'ye yönelik açık bir tercih, bu uyarıcıya yönelik daha yüksek bir araştırma süresinden belirgindir. (E) TrackRodentPopulationSummary yazılımının GUI'si, her biri TrackRodent yazılımı kullanılarak analiz edilen bir hayvan popülasyonunun sonuçlarının analizini ve çizilmesini sağlar (bu tür analizlerin sonuçları için Şekil 3'e bakınız). Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 3: TrackRodent yazılımını kullanarak SP testi sırasında C57BL/6J farelerin araştırma davranışlarınıanaliz etmek. Bu rakam, SP testini gerçekleştiren 58 C57BL/6J yetişkin erkek fare popülasyonu için kullanılan TrackRodentPopulationSummary yazılımının(Şekil 2E)tüm isteğe bağlı analizlerinin çeşitli çizimlerini göstermektedir. Çeşitli çizimler, bilgisayar ekranında göründükleri gibi benzer bir sıra ve şekilde görüntülenir (her çizimin ayrıntılı bir açıklaması için temsili sonuçlar bölümüne bakın). (A) Uyaranların toplam araştırma süresi, (B) Zaman boyunca uyaranların araştırılması, (C) Kısa vs uzun nöbetler - toplam süre, (D) 1s bin histogram nöbetleri, (E) Kısa vs uzun nöbetler - RDI, (F) <6 s zaman boyunca nöbetleri, (G) 6−19 s zaman boyunca nöbetleri, (H) >19 s zaman boyunca nöbetleri, (I) Zaman boyunca ortalama nöbet süresi, (J) Kısa vs uzun aralıklar - toplam süre, (K) 1 s bin histogram aralıkları, Uzun vs (Kısavs aralıklar - RDI, (M) <5 s zaman aralıkları, (N) zaman boyunca 5−20 s aralıkları, (O) >20 s zaman aralıkları, (P) uyarıcılar arasındaki geçişler - raster plot, (Q) Zaman boyunca uyaranlar arasında geçiş, (R) Sosyal nöbet süresinin ısı-haritası, (S) Nesne ile müsabaka süresinin ısı-haritası. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 4: TrackRodent yazılımını kullanarak SNP testi sırasında SD sıçanların araştırma davranışlarını analiz etmek. SNP testini gerçekleştiren 59 SD yetişkin erkek sıçan popülasyonu için kullanılan TrackRodentPopulationSummary yazılımının(Şekil 2E)tüm isteğe bağlı analizlerinin arsaları. Çeşitli çizimler, bilgisayar ekranında göründükleri gibi benzer bir sıra ve şekilde görüntülenir (her çizimin ayrıntılı bir açıklaması için temsili sonuçlar bölümüne bakın). (A-Q) Şekil 3'teaçıklandığı gibi . (R) Aşina ile müsabaka süresinin ısı-haritası, (S) Roman ile bout süresinin ısı-haritası. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 5: Fare ve sıçanların bıyık kesmesi sosyal davranışı farklı bir şekilde bozar. (A) Erkek C57BL/6J fareler için SP testi sırasında ortalama araştırma süresinin (20 s kutusu cinsinden ölçülür) çizimi (n = 58). (B) Sosyal ve nesne uyaranları için A panelinde gösterilen SP testi boyunca toplam uzun (>19 s) araştırma süresinin dağılımı (1 dk) dır. Nesneye göre sosyal uyarıcıya yönelik uzun araştırma ların çok daha uzun süre devam edilebilere dikkat edin. (C) (A)'da gösterilen SP testi süreboyunca geçiş hızının dağılımı (1 dk) dır. (D-F) A-C panellerinde gösterildiği gibi, 29 farenin bıyıkları testten yaklaşık 1 hafta önce kesilmişti. Bu hayvanlar sosyal tercihlerini yitirmiş,(D)genel araştırma süresi ve (E) dağılımı nın uzun nöbetleri ile yansıtılır. Ayrıca, sosyal uyarıcı ile daha az sürekli etkileşimdüşündüren, geçişler (F) daha yüksek bir genel oranı gösterdi. (G-I) A-C panellerinde gösterildiği gibi, 60 SD sıçan SP testini gerçekleştirdi. Farelere göre farelere göre farklı dinamiklere dikkat edin, testin erken evresinde (2 dk) daha düşük geçiş hızları ve uzun araştırma süreleri ile. (J-L) Panellerde gösterildiği gibi G-H, 33 sıçan bıyık kesilmiş edildi. Farelerin yaptığı gibi bıyık budaması sonrasında farelerin sosyal tercihlerini kaybetmemiş olsalar da, testin ilk 2 dakikasındaki sosyal davranışlarının dinamikleri değiştirildi ve daha fazla geçiş ve daha az uzun nöbetler görüldü. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Discussion

Burada açıklanan ve üç odalı cihaz^2,5'ealternatif olarak tasarlanan deneysel sistem, bazı sınırlamaları çözerken aynı testlerin yapılmasına olanak sağlamaktadır. Dikdörtgen arenanın iki zıt köşesinde yer alan üçgen odaların kullanımı, konu-uyarıcı etkileşim alanını iyi tanımlanmış bir düzlemle sınırlar ve böylece araştırma davranışının hassas otomatik analizini sağlar. Bir avantajı analiz yazılımı (TrackRodent) her test için birden fazla davranış parametreleri hesaplamak için kullanılmasıdır. Ayrıca, paradigmanın çeşitli aşamalarında arenanın rastgele zıt köşelerinde odaların yeniden konumlandırılmasına ve mekansal navigasyon becerilerinin herhangi bir etkisini nötralize etmesine olanak sağlar.

Ayrıca, her aşamada boş bırakılan arenanın iki köşesi, konuya dinlenmek ve bakım için uygun bir yer sunmakta ve yanlış pozitif sonuçları en aza indirerek onu odalardan uzaklaştırmaktadır. Böylece sistem, SP ve SNP testleri sırasında her uyarıcıyı araştırmak için deneğin motivasyonunun doğrudan değerlendirilmesine olanak tanır. Ayrıca, videoların davranış analizi TrackRodent yazılımı tarafından otomatik bir şekilde yapıldığından, bir deneyci analiz için birden fazla film yükleyebilir, her biri için doğru parametreleri tanımlayabilir ve yazılımın bir gecede işlenmesine izin verebilir ve bu da değerli zamandan tasarruf sağlar. Özellikle, sistem sosyal ayrımcılık testi her türlü için kullanılabilir, erkek ve kadın sosyal uyaranlar arasında ayrımcılık veya farklı suşları uyaranları gibi. Ayrıca, bu sistem kullanılarak izlenebilen konuların boyutunda (üst/alt) sınır yoktur; bu nedenle, gençler veya obez hayvanlar ile kullanılabilir. Bu deneysel sistem ucuz ve üretmek için basit, ve analiz için kullanılan bilgisayar kodları kamuya açık kaynak kodları olarak kullanılabilir, herhangi bir laboratuvar kolayca yöntemi benimsemek için izin.

Sistemdeki araştırma davranışının otomatik olarak algılanması, bir deneğin vücut konturları ile deneyci tarafından 'uyaran' olarak tanımlanan alanların her biri arasındaki fiziksel temasın saptanması üzerine kuruludur. Bu nedenle, denek kafa yerine gövdesi ile 'uyaran' alana dokunursa, bu olay araştırmacı (yani yanlış pozitif) olarak kabul edilir. Bu amaçla, öznenin başını tanımlayan ve yalnızca kafa ile 'uyaranlar' arasındaki teması hesaba katan baş-yönlülük tabanlı algoritma oluşturuldu. Ancak, bu algoritma vücut tabanlı algoritmalar önemli ölçüde daha yavaş çalışır; bu nedenle, deneysel koşullar gerektirmedikçe, çok sayıda filmin analizi için önerilmez.

Benzer sonuçlar gözlendi (%1.1 fark, n = 11 deneyler, 5 dk her biri, veri gösterilmez) iki algoritma arasında; bu nedenle, vücut tabanlı algoritmalar en sık kullanılmıştır. Burada büyük hayvan gruplarının analizleri sunulsa da, sistemin ölçtüğü toplam araştırma süresine bağlı olarak iki uyarıcı arasındaki istatistiksel olarak anlamlı bir farkın gözlemlenebilmek için çok daha küçük bir grup boyutuna ihtiyaç duyulduğu unutulmamalıdır. Örneğin, güç hesaplamaları farelerin SP ve SNP testleri için sırasıyla sadece beş ve sekiz hayvanın örnek boyutlarının gerekli olduğunu ortaya koymuştur (α = 0.05, güç = 0.8). Ancak, burada sosyal davranışların tüm dinamiklerinin gözlemlemesini sağlamak için önemli ölçüde daha büyük hayvan grupları kullanılmıştır.

Sistem, deneycinin nesnenin vücut konturlarının tespiti için eşiğin el ile tanımlanmasını gerektirir. Kullanılacak doğru eşiğin bulunması biraz deneyim gerektirebilir; bu nedenle, bu sistemde kullanılan algoritmaların çoğu düzenli, daha yavaş sürümleri var. Bu sürümler analiz edilen filmi sunar ve hızlı sürümleri çevrimiçi sunuyu etkinleştirmezken, araştırma olaylarını çevrimiçi olarak algılar. Yeni kullanıcıların düzgün çalıştığından emin olmak için normal sürümleri ve monitör analizlerini çevrimiçi olarak kullanmaları ve "hızlı" algoritmaları yalnızca analiz prosedürü ile deneyim topladıktan sonra kullanmaları önerilir.

Bu sistemin üç odalı teste göre bir avantajı, araştırma davranışının birden fazla parametresini ölçerek daha ayrıntılı analizleri desteklemesidir. Bu avantaj iki yönlüdür. İlk olarak, deneyci tercihini belirlemek için yalnızca toplam araştırma süresine güvenmek zorunda değildir. Bir uyarıcının diğerine tercih edildiğini tespit ederken, uzun araştırma nöbetleri ve uzun aralıkların toplam araştırma süresinden daha hassas olduğu saptanmıştır. Bu parametrelerle ilgili olarak, testin son dakikasındaki değerlerinin aşağı doğru önyargılı olduğu unutulmamalıdır, çünkü 5 dk oturumun sonunda uzun araştırma nöbetleri ve aralıkları erken sonlandırılır.

İkinci olarak, çoklu parametreler çeşitli manipülasyonlar aşağıdaki sosyal araştırma dinamikleri ince değişikliklerin tespit sağlar. Örneğin, C57BL/6J erkek farelerin bıyık budalaştma sonrasında sosyal tercihlerini kaybettikleri bulunmuştur. Buna karşılık, SD erkek sıçanlar sosyal tercihlerini korudular, ancak testin erken evresinde daha kısa araştırma nöbetleri ve daha yüksek geçiş ler ile gösterildiği gibi sosyal davranış dinamiklerini değiştirdiler. Genel olarak, bu veriler bıyık budanma aşağıdaki sosyal etkileşimler için sıçan ve farelerin eğiliminde bir azalma göstermektedir. Bu nedenle, bu sistem çeşitli manipülasyonlara karşı son derece hassas olabilecek sosyal davranış dinamiklerinin titiz bir analizini destekler.

Özetle, burada sosyal araştırma davranış dinamiklerinin otomatik analizini destekleyen yeni, basit ve uygun fiyatlı bir deneysel sistem sunduk. Bu sistem, çeşitli suşlarda ve genetik olarak değiştirilmiş küçük kemirgenlerin sosyal davranış açıklarının ayrıntılı analizini kolaylaştıracaktır. Ayrıca, burada gösterilen araştırma nöbetlerinin kesin tespiti, denekler elektrik kablolarına veya optik liflere bağlıyken bu sistemin davranışanaliz etme yeteneği ile birleştiğinde, kayıt içeren deneylerde kullanılmasına olanak sağlar. sosyal davranış ile ilişkili beyin aktivitesi.

Materials

Name	Company	Catalog Number	Comments
Flea3 1.3 MP Mono USB3 Vision	FLIR (formerly PointGrey)	FL3-U3-13Y3M-C	Monochromatic Camera
FlyCap 2.0	FLIR (formerly PointGrey)	FlyCapture 2.13.3.61X64	Video recording software
Home 5 minute Epoxy glue	Devocon	20845	For gluing the metal mesh to the Plexiglas stimuli chambers
Matlab 2014-2019	MathWorks	R2014a - R2019a	Programming environment
Plexiglas boards (6 mm thickBlack or white)	Melina (1990) LTD, Israel	NaN	For arena and stimuli chambers construction
Red led strips (60 leds per meter) connected to a 12 V power supply	2012topdeal eBay supplier	NaN	For illumination of the acoustic chamber