Sporing rotter i Operant Conditioning Chambers ved hjælp af en alsidig hjemmelavet videokamera og DeepLabCut
Summary
Denne protokol beskriver, hvordan man opbygger et lille og alsidigt videokamera, og hvordan man bruger videoer fra det til at træne et neuralt netværk til at spore placeringen af et dyr inde i operant conditioning kamre. Dette er et værdifuldt supplement til standardanalyser af datalogs fra operant conditioning tests.
Abstract
Operant conditioning kamre bruges til at udføre en bred vifte af adfærdsmæssige tests inden for neurovidenskab. De registrerede data er typisk baseret på udløsning af håndtag og næse-poke sensorer til stede inde i kamrene. Mens dette giver en detaljeret visning af, hvornår og hvordan dyr udfører visse reaktioner, kan det ikke bruges til at evaluere adfærd, der ikke udløser nogen sensorer. Som sådan er det sjældent muligt at vurdere, hvordan dyr positionerer sig og bevæger sig inde i kammeret. For at få disse oplysninger, forskere generelt nødt til at optage og analysere videoer. Producenter af operant conditioning kamre kan typisk forsyne deres kunder med høj kvalitet kamera opsætninger. Men, disse kan være meget dyrt og ikke nødvendigvis passer kamre fra andre producenter eller andre adfærdsmæssige test opsætninger. Den nuværende protokol beskriver, hvordan man opbygger en billig og alsidig videokamera ved hjælp af hobby elektronik komponenter. Den beskriver endvidere, hvordan man bruger billedanalysesoftwarepakken DeepLabCut til at spore status for et stærkt lyssignal samt en rottes position i videoer indsamlet fra et operant conditioning kammer. Førstnævnte er en stor hjælp, når du vælger korte segmenter af interesse for videoer, der dækker hele testsessioner, og sidstnævnte gør det muligt at analysere parametre, der ikke kan fås fra de datalogs, der produceres af operantkamrene.
Introduction
Inden for adfærdsmæssig neurovidenskab, forskere almindeligt bruger operant conditioning kamre til at vurdere en bred vifte af forskellige kognitive og psykiatriske træk i gnavere. Mens der er flere forskellige producenter af sådanne systemer, de typisk deler visse attributter og har en næsten standardiseret design1,2,3. Kamrene er generelt firkantede- eller rektangelformede, med en væg, der kan åbnes for at placere dyr inde, og en eller to af de resterende vægge, der indeholder komponenter såsom håndtag, næse-poke åbninger, belønning bakker, svar hjul og lys af forskellig art1,2,3. De lys ogsensorer,der er til stede i kamrene , anvendes både til at styre testprotokollen og sporedyrenes adfærd 1,2,,3,4,5. De typiske operantkonditioneringsanlæg giver mulighed for en meget detaljeret analyse af, hvordan dyrene interagerer med de forskellige operanda og åbninger, der findes i kamrene. Generelt kan alle tilfælde, hvor sensorer udløses, registreres af systemet, og fra disse data kan brugerne få detaljerede logfiler, der beskriver, hvad dyret gjorde under specifikke trin i testen4,5. Mens dette giver en omfattende repræsentation af et dyrs ydeevne, kan det kun bruges til at beskrive adfærd, der direkte udløser en eller flere sensorer4,5. Som sådan er aspekter vedrørende , hvordan dyret positionerer sig selv og bevæger sig inde i kammeret i forskellige faser aftesten,ikke godtbeskrevet 6,7,8,9,10. Dette er uheldigt, da sådanne oplysninger kan være værdifulde for fuldt ud at forstå dyrets adfærd. For eksempel kan det bruges til at præcisere, hvorfor visse dyr klarer sig dårligt på en given test6, til at beskrive de strategier, som dyr kan udvikle til at håndtere vanskeligeopgaver 6,,7,,8,,9,10, eller at værdsætte den sande kompleksitet angiveligt simple adfærd11,12. For at opnå sådanne artikulere oplysninger, forskere almindeligvis henvende sig til manuel analyseaf videoer 6,7,8,9,10,11.
Når du optager videoer fra operant conditioning kamre, valget af kameraet er kritisk. Kamrene er almindeligt placeret i isolation sengebåse, med protokoller ofte gør brug aftrin,hvor ingen synligt lys skinner3,6,7,8,9. Derfor er brugen af infrarød (IR) belysning i kombination med et IR-følsomt kamera nødvendig, da det giver synlighed selv i komplet mørke. Endvidere er den plads, der er til rådighed til at placere et kamera inde i isolationskabinen, ofte meget begrænset, hvilket betyder, at man har stor fordel af at have små kameraer, der bruger objektiver med et bredt synsfelt (f.eks. fiskeøjelinser)9. Mens producenter af operant conditioning systemer ofte kan levere høj kvalitet kamera opsætninger til deres kunder, kan disse systemer være dyrt og ikke nødvendigvis passer kamre fra andre producenter eller opsætninger til andre adfærdsmæssige tests. Men en bemærkelsesværdig fordel i forhold til at bruge enkeltstående videokameraer er, at disse opsætninger ofte kan interface direkte med operant conditioning systemer13,14. Gennem dette, kan de sættes op til kun at registrere specifikke begivenheder i stedet for fuld test sessioner, som i høj grad kan støtte i den analyse, der følger.
Den nuværende protokol beskriver, hvordan man opbygger en billig og alsidig videokamera ved hjælp af hobby elektronik komponenter. Kameraet bruger et fiskeøjeobjektiv, er følsomt over for IR-belysning og har et sæt IR-lysdioder (IR LED’er), der er knyttet til det. Desuden er det bygget til at have en flad og slank profil. Sammen gør disse aspekter den ideel til optagelse af videoer fra de fleste kommercielt tilgængelige operant conditioning kamre samt andre adfærdsmæssige test opsætninger. Protokollen beskriveryderligere,hvordan man behandler videoer opnået med kameraet, og hvordan man bruger softwarepakken DeepLabCut15,16 til at hjælpe med at udtrække videosekvenser af interesse samt spore et dyrs bevægelser deri. Dette delvist omgår draw-back for at bruge en stand-alone kamera over de integrerede løsninger, som operant producenter af konditioneringssystemer, og tilbyder et supplement til manuel scoring af adfærd.
Der er gjort en indsats for at skrive protokollen i et generelt format for at fremhæve, at den overordnede proces kan tilpasses videoer fra forskellige operant conditioning tests. For at illustrere visse nøglebegreber bruges videoer af rotter, der udfører 5-valg seriel reaktionstidstest (5CSRTT)17 som eksempler.
Protocol
Representative Results
Discussion
Denne protokol beskriver, hvordan man opbygger et billigt og fleksibelt videokamera, der kan bruges til at optage videoer fra operant conditioning kamre og andre adfærdsmæssige test opsætninger. Det viser yderligere, hvordan man bruger DeepLabCut til at spore et stærkt lyssignal i disse videoer, og hvordan det kan bruges til at hjælpe med at identificere korte videosegmenter af interesse i videofiler, der dækker hele testsessioner. Endelig beskriver det, hvordan man bruger sporing af en rotte hoved til at supplere …
Disclosures
The authors have nothing to disclose.
Acknowledgements
Dette arbejde blev støttet af tilskud fra den svenske hjernefond, den svenske Parkinsonfond og de svenske regeringsmidler til klinisk forskning (M.A.C.) samt Wenner-Gren-fondene (M.A.C,E.K.H.C), Åhlén foundation (M.A.C. og fonden Blanceflor Boncompagni Ludovov, født Bildt (S.F).
Materials
| 32 Gb micro SD card with New Our Of Box Software (NOOBS) preinstalled | The Pi hut (https://thpihut.com) | 32GB | |
| 330-Ohm resistor | The Pi hut (https://thpihut.com) | 100287 | This article is for a package with mixed resistors, where 330-ohm resistors are included. |
| Camera module (Raspberry Pi NoIR camera v.2) | The Pi hut (https://thpihut.com) | 100004 | |
| Camera ribbon cable (Raspberry Pi Zero camera cable stub) | The Pi hut (https://thpihut.com) | MMP-1294 | This is only needed if a Raspberry Pi zero is used. If another Raspberry Pi board is used, a suitable camera ribbon cable accompanies the camera component |
| Colored LEDs | The Pi hut (https://thpihut.com) | ADA4203 | This article is for a package with mixed colors of LEDs. Any color can be used. |
| Female-Female jumper cables | The Pi hut (https://thpihut.com) | ADA266 | |
| IR LED module (Bright Pi) | Pi Supply (https://uk.pi-supply.com) | PIS-0027 | |
| microcomputer motherboard (Raspberry Pi Zero board with presoldered headers) | The Pi hut (https://thpihut.com) | 102373 | Other Raspberry Pi boards can also be used, although the method for automatically starting the Python script only works with Raspberry Pi zero. If using other models, the python script needs to be started manually. |
| Push button switch | The Pi hut (https://thpihut.com) | ADA367 | |
| Raspberry Pi power supply cable | The Pi hut (https://thpihut.com) | 102032 | |
| Raspberry Pi Zero case | The Pi hut (https://thpihut.com) | 102118 | |
| Raspberry Pi, Mod my pi, camera stand with magnetic fish eye lens and magnetic metal ring attachment | The Pi hut (https://thpihut.com) | MMP-0310-KIT |
References
- Pritchett, K., Mulder, G. B. Operant conditioning. Contemporary Topics in Laboratory Animal Science. 43 (4), (2004).
- Clemensson, E. K. H., Novati, A., Clemensson, L. E., Riess, O., Nguyen, H. P. The BACHD rat model of Huntington disease shows slowed learning in a Go/No-Go-like test of visual discrimination. Behavioural Brain Research. 359, 116-126 (2019).
- Asinof, S. K., Paine, T. A. The 5-choice serial reaction time task: a task of attention and impulse control for rodents. Journal of Visualized Experiments. (90), e51574 (2014).
- Coulbourn instruments. Graphic State: Graphic State 4 user’s manual. Coulbourn instruments. , 12-17 (2013).
- Med Associates Inc. Med-PC IV: Med-PC IV programmer’s manual. Med Associates Inc. , 21-44 (2006).
- Clemensson, E. K. H., Clemensson, L. E., Riess, O., Nguyen, H. P. The BACHD rat model of Huntingon disease shows signs of fronto-striatal dysfunction in two operant conditioning tests of short-term memory. PloS One. 12 (1), (2017).
- Herremans, A. H. J., Hijzen, T. H., Welborn, P. F. E., Olivier, B., Slangen, J. L. Effect of infusion of cholinergic drugs into the prefrontal cortex area on delayed matching to position performance in the rat. Brain Research. 711 (1-2), 102-111 (1996).
- Chudasama, Y., Muir, J. L. A behavioral analysis of the delayed non-matching to position task: the effects of scopolamine, lesions of the fornix and of the prelimbic region on mediating behaviours by rats. Psychopharmacology. 134 (1), 73-82 (1997).
- Talpos, J. C., McTighe, S. M., Dias, R., Saksida, L. M., Bussey, T. J. Trial-unique, delayed nonmatching-to-location (TUNL): A novel, highly hippocampus-dependent automated touchscreen test of location memory and pattern separation. Neurobiology of Learning and Memory. 94 (3), 341 (2010).
- Rayburn-Reeves, R. M., Moore, M. K., Smith, T. E., Crafton, D. A., Marden, K. L. Spatial midsession reversal learning in rats: Effects of egocentric cue use and memory. Behavioural Processes. 152, 10-17 (2018).
- Gallo, A., Duchatelle, E., Elkhessaimi, A., Le Pape, G., Desportes, J. Topographic analysis of the rat’s behavior in the Skinner box. Behavioural Processes. 33 (3), 318-328 (1995).
- Iversen, I. H. Response-initiated imaging of operant behavior using a digital camera. Journal of the Experimental Analysis of Behavior. 77 (3), 283-300 (2002).
- Med Associates Inc. Video monitor: Video monitor SOF-842 user’s manual. Med Associates Inc. , 26-30 (2004).
- . Coulbourn Instruments Available from: https://www.coulbourn.com/product_p/h39-16.htm (2020)
- Mathis, A., et al. DeepLabCut: markerless pose estimation of user-defined body parts with deep learning. Nature Neuroscience. 21 (9), 1281-1289 (2018).
- Nath, T., Mathis, A., Chen, A. C., Patel, A., Bethge, M., Mathis, M. W. Using DeepLabCut for 3D markerless pose estimation across species and behaviors. Nature Protocols. 14 (7), 2152-2176 (2019).
- Bari, A., Dalley, J. W., Robbins, T. W. The application of the 5-chopice serial reaction time task for the assessment of visual attentional processes and impulse control in rats. Nature Protocols. 3 (5), 759-767 (2008).
- . Raspberry Pi foundation Available from: https://thepi.io/how-to-install-raspbian-on-the-raspberry-pi/ (2020)
- . Pi-supply Available from: https://learn.pi-supply.com/make/bright-pi-quickstart-faq/ (2018)
- . Python Available from: https://wiki.python.org/moin/BeginnersGuide/NonProgrammers (2020)
- . MathWorks Available from: https://mathworks.com/academia/highschool/ (2020)
- . Cran.R-Project.org Available from: https://cran.r-project.org/manuals.html (2020)
- Liu, Y., Tian, C., Huang, Y. . Critical assessment of correction methods for fisheye lens distortion. The international archives of the photogrammetry, remote sensing and spatial information sciences. , (2016).
- Pereira, T. D., et al. Fast animal pose estimation using deep neural networks. Nature Methods. 16 (1), 117-125 (2019).
- Graving, J. M., et al. DeepPoseKit, a software toolkit for fast and robust animal pose estimation using deep learning. Elife. 8 (47994), (2019).
- Geuther, B. Q., et al. Robust mouse tracking in complex environments using neural networks. Communications Biology. 2 (124), (2019).
