Method Article

Kafası kısıtlanmış farelerde uzamsal öğrenmenin ölçülmesi için açık kaynaklı bir sanal gerçeklik sistemi

DOI:

10.3791/64863

⸱

March 3rd, 2023

 ,  ,  ,  ,  ,  , 
1Division of Systems Neuroscience, New York State Psychiatric Institute, 2Department of Psychiatry, Columbia University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Burada, sanal gerçeklik (VR) kullanarak fare uzamsal öğrenimini araştırmak için basitleştirilmiş bir açık kaynaklı donanım ve yazılım kurulumu sunuyoruz. Bu sistem, bir mikrodenetleyici ağı ve kullanımı kolay bir Python grafik yazılım paketi çalıştıran tek kartlı bir bilgisayar kullanarak bir tekerlek üzerinde çalışan kafası kısıtlanmış bir fareye sanal bir doğrusal iz görüntüler.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Farelerde kafa kısıtlı davranışsal deneyler, sinirbilimcilerin yüksek çözünürlüklü elektrofizyolojik ve optik görüntüleme araçlarıyla sinir devresi aktivitesini gözlemlemelerini sağlarken, davranan bir hayvana hassas duyusal uyaranlar sağlar. Son zamanlarda, sanal gerçeklik (VR) ortamlarını kullanan insan ve kemirgen çalışmaları, VR'nin, mekansal ve bağlamsal ipuçları gibi parametreler üzerinde son derece hassas kontrol nedeniyle, hipokampus ve kortekste mekansal öğrenmenin altında yatan nöral mekanizmaları ortaya çıkarmak için önemli bir araç olduğunu göstermiştir. Bununla birlikte, kemirgen mekansal davranışları için sanal ortamlar kurmak maliyetli olabilir ve mühendislik ve bilgisayar programlamada kapsamlı bir arka plan gerektirir. Burada, araştırmacıların bir VR ortamı kullanarak kafası kısıtlanmış farelerde mekansal öğrenmeyi incelemelerini sağlayan ucuz, modüler, açık kaynaklı donanım ve yazılıma dayanan basit ama güçlü bir sistem sunuyoruz. Bu sistem, hareketi ölçmek ve davranışsal uyaranlar vermek için birleştirilmiş mikrodenetleyiciler kullanırken, kafası kısıtlanmış fareler, tek kartlı bir bilgisayarda çalışan bir grafik yazılım paketi tarafından oluşturulan sanal bir doğrusal iz ortamıyla uyum içinde bir tekerlek üzerinde çalışır. Dağıtılmış işlemeye yapılan vurgu, araştırmacıların memeli beynindeki nöral devre aktivitesi ile mekansal öğrenme arasındaki bağlantıyı belirlemek için farelerde karmaşık mekansal davranışları ortaya çıkarmak ve ölçmek için esnek, modüler sistemler tasarlamalarına olanak tanır.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Mekansal navigasyon, hayvanların yeni yerlerin özelliklerini olası ödül alanlarını bulmak ve potansiyel tehlike alanlarından kaçınmak için kullanılan bilişsel bir haritaya kodladığı etolojik olarak önemli bir davranıştır. Hafıza ile ayrılmaz bir şekilde bağlantılı olan uzamsal navigasyonun altında yatan bilişsel süreçler, hipokampus1 ve kortekste bir nöral substratı paylaşır; burada bu alanlardaki nöral devreler gelen bilgileri bütünleştirir ve daha sonra hatırlamak için ortamların ve olayların bilişsel haritalarını oluşturur2. Hipokampus 3,4'teki yer hücrelerinin ve entorinal korteks5'teki ızgara hücrelerinin keşfi, hipokampus içindeki bilişsel haritanın nasıl oluştuğuna ışık tutarken, hipokampüsün spesifik nöral alt tiplerinin, mikrodevrelerinin ve bireysel alt bölgelerinin (dentat girus ve kornu ammonis alanları, CA3-1) nasıl etkileşime girdiği ve mekansal hafıza oluşumu ve geri çağırmasına nasıl katıldığı hakkında birçok soru devam etmektedir.

İn vivo iki foton görüntüleme, duyusal nörofizyolojide hücresel ve popülasyon dinamiklerini ortaya çıkarmada yararlı bir araç olmuştur 6,7; Bununla birlikte, baş desteği için tipik gereklilik, memeli mekansal davranışını incelemek için bu yöntemin yararlılığını sınırlar. Sanal gerçekliğin (VR)8 ortaya çıkışı, hipokampus 8,9,10 ve korteks11'de uzamsal ve bağlamsal kodlamayı incelemek için kafası kısıtlanmış fareler bir top veya koşu bandı üzerinde koşarken, sürükleyici ve gerçekçi görsel uzamsal ortamlar sunarak bu eksikliği gidermiştir. Ayrıca, VR ortamlarının davranan farelerle kullanılması, sinirbilim araştırmacılarının, VR ortamının12 unsurlarını (örneğin, görsel akış, bağlamsal modülasyon) Morris su labirenti, Barnes labirenti veya delik tahtası görevleri gibi gerçek dünyadaki mekansal öğrenme deneylerinde mümkün olmayan şekillerde hassas bir şekilde kontrol ederek mekansal davranışın bileşenlerini incelemelerine izin vermiştir.

Görsel VR ortamları tipik olarak, hareketli bir 3B ortamı gerçek zamanlı olarak bir ekranda modellemek için gereken binlerce çokgeni hızlı bir şekilde hesaplama yükünü üstlenen bir bilgisayarın grafik işlem biriminde (GPU) işlenir. Büyük işleme gereksinimleri genellikle, hareket hayvanın altındaki bir koşu bandından, tekerlekten veya köpük topundan kaydedildiğinden, görsel ortamı bir monitöre, birden fazla ekrana13 veya projektör 14'e işleyen bir GPU'ya sahip ayrı bir bilgisayarın kullanılmasını gerektirir. VR ortamını kontrol etmek, işlemek ve yansıtmak için ortaya çıkan aparat, bu nedenle, nispeten pahalı, hantal ve hantaldır. Ayrıca, literatürdeki bu tür birçok ortam, hem pahalı hem de yalnızca özel bir PC'de çalıştırılabilen özel mülk yazılımlar kullanılarak uygulanmıştır.

Bu nedenlerden dolayı, Raspberry Pi tek kartlı bir bilgisayar kullanarak kafası kısıtlanmış farelerde mekansal öğrenme davranışlarını incelemek için açık kaynaklı bir VR sistemi tasarladık. Bu Linux bilgisayar hem küçük hem de ucuzdur, ancak VR ortamlarının çeşitli bireysel kurulumlarda ekran veya davranışsal aparatlarla entegrasyonuna izin veren 3D oluşturma için bir GPU çipi içerir. Ayrıca, Python ile yazılmış "HallPassVR" adlı bir grafik yazılım paketi geliştirdik, bu da grafik kullanıcı arayüzü (GUI) kullanılarak seçilen özel görsel özellikleri yeniden birleştirerek basit bir görsel uzamsal ortam, sanal bir doğrusal parça veya koridor oluşturmak için tek kartlı bilgisayarı kullanıyor. Bu, pekiştirmeli öğrenmeyi kolaylaştırmak için diğer duyusal uyaran modalitelerinin veya ödüllerin sunulması gibi hareketleri ölçmek ve davranışı koordine etmek için mikrodenetleyici alt sistemleriyle (örneğin, ESP32 veya Arduino) birleştirilir. Bu sistem, mekansal öğrenme davranışının altında yatan nöral devreleri incelemek için iki fotonlu görüntüleme (veya kafa fiksasyonu gerektiren diğer teknikler) sırasında kafa kısıtlı farelere görsel uzamsal VR ortamları sunmak için ucuz, esnek ve kullanımı kolay bir alternatif yöntem sunar.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu protokoldeki tüm prosedürler New York Eyalet Psikiyatri Enstitüsü Kurumsal Hayvan Bakımı ve Kullanımı Komitesi tarafından onaylanmıştır.

NOT: Tek kartlı bir bilgisayar, kafası kısıtlanmış bir farenin tekerlek üzerinde çalışmasıyla koordine edilmiş bir VR görsel ortamını görüntülemek için kullanılır. Hareket bilgileri, tekerlek aksına bağlı döner bir kodlayıcıyı okuyan bir ESP32 mikrodenetleyicisinden seri giriş olarak alınır. VR ortamı, Raspberry Pi için pi3d Python 3D paketini kullanan Raspberry Pi GPU'daki OpenGL donanım hızlandırma kullanılarak oluşturulur. İşlenen ortam daha sonra bir projektör aracılığıyla, kafası kısıtlanmış farenin görme alanı15,16 üzerinde ortalanmış kompakt bir sarma parabolik ekrana çıkarılırken, davranış (örneğin, uzamsal ödüllere yanıt olarak yalama) ikinci bir davranış ESP32 mikrodenetleyicisi ile ölçülür. Grafik yazılım paketi, bir grafik kullanıcı arayüzü (GUI) ile sanal bir koridor veya koridor boyunca tekrarlanan görsel uyaran kalıplarından oluşan sanal doğrusal iz ortamlarının oluşturulmasını sağlar. Bu tasarım kolayca parametrelendirilir, böylece beynin mekansal öğrenme sırasında yerleri ve görsel ipuçlarını nasıl kodladığını anlamayı amaçlayan karmaşık deneylerin oluşturulmasına izin verir (bkz. bölüm 4). Bu sistem için gerekli özel donanım bileşenlerine yönelik tasarımlar (yani, koşu tekerleği, projeksiyon ekranı ve baş bağlama aparatı) genel bir GitHub deposunda (https://github.com/GergelyTuri/HallPassVR) biriktirilir. Site, sistemin gelecekteki geliştirmeleriyle güncelleneceğinden, bu deponun belgelerini bu protokolle birlikte okumanız önerilir.

1. Donanım kurulumu: Koşu tekerleğinin, projeksiyon ekranının ve kafa sabitleme aparatının yapımı

NOT: Bu kurulumlar için özel bileşenler, kullanıcının 3D baskı ve lazer kesim ekipmanlarına erişimi varsa kolayca üretilebilir veya profesyonel üretim veya 3D prototipleme hizmetlerine (örneğin, eMachinehop) dış kaynak sağlanabilir. Tüm tasarım dosyaları . STL 3D dosyaları veya . DXF AutoCAD dosyaları.

  1. Koşu tekerleği ve davranışsal kurulum (Şekil 1)
    NOT: Tekerlek, bilyalı rulmanlar aracılığıyla lazerle kesilmiş akrilik bağlantılardan asılı bir aks üzerinde ortalanmış şeffaf bir akrilik silindirden (6 çapında, 3 genişliğinde, 1/8 kalınlığında) oluşur. Tekerlek tertibatı daha sonra hafif bir alüminyum çerçeveye (t-oluklu) monte edilir ve bir optik breadboard'a güvenli bir şekilde sabitlenir (Şekil 1C-E).
    1. Tekerleğin kenarlarını ve aks bağlantılarını 1/4 akrilik levhadan lazerle kesin ve tekerlek kenarlarını akrilik çimento ile akrilik silindire tutturun. Aks flanşını tekerlek yan parçasının ortasına vidalayın.
    2. Aksı tekerlek merkezi flanşına takın, bilyalı rulmanları aks bağlantılarına oturtun ve dikey alüminyum destek çubuğuna takın.
    3. Tekerlek aksını monte edilmiş bilyalı rulmanlara takın ve döner kodlayıcının takılması için aksın 0,5-1 inçini rulmanların üzerinde bırakın.
    4. Döner kodlayıcı montajını tekerleğin karşısındaki aksın ucuna takın ve döner kodlayıcıyı takın; Ardından, tekerlek aksını döner kodlayıcı miline bağlamak için mil kuplörünü kullanın.
    5. Yalama portunu esnek kola takın ve ardından t-yuvası somunlarıyla alüminyum tekerlek çerçevesine yapıştırın. Yalama portunu solenoid valfe ve vanayı su haznesine bağlamak için 1/16 inç boru kullanın.
      NOT: Yalama portu, davranış ESP32'nin kapasitif dokunma algılama pimlerine tutturmak için lehimlenmiş bir tel ile metalden yapılmış olmalıdır.
  2. Projeksiyon perdesi
    NOT: VR ekranı, Christopher Harvey'inlaboratuvarında geliştirilen bir tasarıma dayanan küçük bir parabolik arka projeksiyon ekranıdır (tuval boyutu: 54 cm x 21,5 cm). Kullanılan LED projektörün projeksiyon açısı (keystone), daha önce kullanılan lazer projektörünkinden farklıdır; Böylece, ünite ekranın altına monte edilerek ve ayna sistemi basitleştirilerek orijinal tasarım biraz değiştirilir (Şekil 1A, B). VR ortamını kullanıcının ihtiyaçlarına göre uyarlamak için Harvey laboratuvarının belgelerini bizimkilerle birlikte okumanız şiddetle tavsiye edilir15.
    1. Projeksiyon perdesi kenarlarını siyah mat akrilik levhalarda 1/4'ten lazerle kesin. Arka projeksiyon aynasını aynalı akrilik olarak 1/4'ten lazerle kesin.
    2. Projeksiyon perdesi çerçevesini alüminyum çubuklarla birleştirin ve akrilik panelleri lazerle kesin.
    3. Yarı saydam projeksiyon perdesi malzemesini çerçevedeki parabolik yuvaya yerleştirin. Arka projeksiyon aynasını, projeksiyon perdesi çerçevesinin arkasındaki yuvaya yerleştirin.
    4. Projeksiyon perdesi çerçevesinin içindeki alt montaj plakasına bir LED projektör yerleştirin. Parabolik arka projeksiyon ekranında yansıtılan görüntünün konumunu optimize etmek için projektörü montaj cıvatalarıyla hizalayın.
    5. Gerekirse optik sensörlerin ışığının kirlenmesini önlemek için projektör kutusu ünitesini kapatın.
  3. Baş dayanağı aparatı
    NOT: Bu baş dayanağı aparatı tasarımı, metal bir kafa direğini sabitlemek için birbirine kenetlenen iki adet 3D baskılı manifolddan oluşur (Şekil 1E, F).
    1. Yüksek çözünürlüklü bir SLM 3D yazıcı kullanarak, 3D kolları tutan baş direği yazdırın.
      NOT: Reçine baskılı plastik, davranış deneyleri için kararlı kafa fiksasyonu sağlayabilir; Bununla birlikte, tek hücreli kayıt veya iki fotonlu görüntüleme gibi hassas uygulamalarda maksimum stabilite elde etmek için, işlenmiş metal parçaların (örneğin, eMachineShop) kullanılması önerilir.
    2. 3D baskılı kafa direği tutucusunu, optik montaj direklerine sahip çift eksenli bir gonyometre üzerine takın, böylece hayvanın kafası hazırlığı düzleştirmek için eğilebilir.
      NOT: Bu özellik, sonraki görüntüleme seanslarında aynı hücre popülasyonunun bulunması gerektiğinde uzun süreli in vivo görüntüleme deneyleri için vazgeçilmezdir. Aksi takdirde, kurulum maliyetini azaltmak için bu özellik atlanabilir.
    3. Baş direklerini imal et.
      NOT: Farklı karmaşıklığa (ve fiyata) sahip iki tür baş direği, bu talimatlarla birlikte Malzemeler Tablosunda verilen bağlantıya yatırılır.
      1. Deneme türüne bağlı olarak, hangi baş gönderinin uygulanacağına karar verin. Kafa çubukları paslanmaz çelikten yapılmıştır ve genellikle üretim için herhangi bir yerel makine atölyesine veya çevrimiçi servise (örneğin, eMachineShop) dış kaynak olarak verilir.

2. Elektronik donanım/yazılım kurulumu (tek kartlı bilgisayar, ESP32 mikrodenetleyicileri, Şekil 2)

  1. Tek kartlı bilgisayarı yapılandırın.
    NOT: Malzeme Tablosunda (Raspberry Pi 4B) bulunan tek kartlı bilgisayar, VR ortamı oluşturmayı kolaylaştırmak için yerleşik bir GPU'ya ve deney kontrolü/izleme ve VR projeksiyonu için iki HDMI bağlantı noktasına sahip olduğu için bu kurulum için idealdir. Bu özelliklere sahip diğer tek kartlı bilgisayarlar potansiyel olarak değiştirilebilir, ancak aşağıdaki talimatlardan bazıları Raspberry Pi'ye özgü olabilir.
    1. Tek kartlı bilgisayar görüntüleyici uygulamasını PC'ye indirin ve işletim sistemini (şu anda Raspberry Pi OS r.2021-05-07) microSD karta (16+ GB) yükleyin. Kartı takın ve tek kartlı bilgisayarı önyükleyin.
    2. Tek kartlı bilgisayarı pi3d Python 3D kütüphanesi için yapılandırın: (menü çubuğu) Raspberry Pi Yapılandırması > Tercihler.
      1. Devre Dışı Bırak > Ekran Karartma > Görüntüle'ye tıklayın.
      2. Etkinleştir > Seri Bağlantı Noktası > Arayüzler'e tıklayın.
      3. GPU Belleği > 256 (MB) > Performans'a tıklayın.
    3. Pi3d için Python görüntü kitaplığı paketini yükseltin: (terminal)> sudo pip3 install pillow --upgrade.
    4. Tek kartlı bilgisayar için pi3d Python 3D paketini yükleyin: (terminal)> sudo pip3 install pi3d.
    5. Projektör için HDMI çıkış seviyesini artırın: (terminal)> sudo nano /boot/config.txt, uncomment config_hdmi_boost=4, kaydedin ve yeniden başlatın.
    6. Entegre geliştirme ortamını (IDE) arduino.cc/en/software'den (örneğin, arduino-1.8.19-linuxarm.tar.gz) indirin ve yükleyin, bu da kodu döner kodlayıcıya ve davranış ESP32 mikrodenetleyicilerine yüklemek için gereklidir.
    7. IDE'ye ESP32 mikrodenetleyici desteğini yükleyin:
      1. Dosya > Tercihleri'ne tıklayın > Ek Pano Yöneticisi URL'leri = https://raw.githubusercontent.com/espressif/arduino-esp32/gh-pages/package_esp32_index.json
      2. ESP32 (Espressif tarafından) > Araçlar > Panolar > Panolar Yöneticisi'ne tıklayın. v.2.0.0'ı yükleyin (yükleme şu anda v2.0.4'te başarısız oluyor).
    8. VR sırasında fare davranışının kaydedilmesi ve çevrimiçi olarak çizilmesi için gerekli olan İşleme IDE'sini https://github.com/processing/processing4/releases'den (örneğin, processing-4.0.1-linux-arm32.tgz) indirin ve yükleyin.
      NOT: Arduino ve İşleme ortamları, istenirse VR tek kartlı bilgisayardan ayrı bir PC'de çalıştırılabilir.
  2. Döner kodlayıcı ESP32 bağlantılarını kurun.
    NOT: Tekerlek aksına bağlı döner kodlayıcı, bir ESP32 mikrodenetleyicisi ile sayılan fare hareketi ile tekerlek dönüşünü ölçer. Konum değişiklikleri daha sonra grafik yazılım paketini kullanarak sanal ortamdaki hareketi kontrol etmek için tek kartlı bilgisayar GPIO seri portuna ve ödül bölgelerini kontrol etmek için ESP32 davranışına gönderilir (Şekil 2).
    1. Döner kodlayıcı bileşeni ile döner ESP32 arasındaki kabloları bağlayın. Döner kodlayıcılar genellikle dört telden oluşur: +, GND, A ve B (dörtlü kodlayıcılar için iki dijital hat). Bunları jumper kabloları aracılığıyla ESP32 3.3 V, GND, 25, 26'ya bağlayın (ekli kod durumunda).
    2. Seri RX/TX kablolarını döner ESP32 ile davranış ESP32 arasına bağlayın. Döner ESP32 Serial0 RX/TX (alma/iletme) ile ESP32 davranışının Serial2 bağlantı noktası arasında basit bir iki telli bağlantı kurun (TX/RX, pin 17, 16; OMwSmall PCB'nin sağındaki Serial2 bağlantı noktasına bakın). Bu, hareket bilgilerini döner kodlayıcıdan ödül bölgeleri gibi uzamsal bölgeler için davranış kurulumuna taşıyacaktır.
    3. Seri RX/TX kablolarını döner ESP32 ile tek kartlı bilgisayar GPIO (veya doğrudan USB bağlantısı) arasına bağlayın. Tek kartlı bilgisayar GPIO pimleri 14, 15 (RX/TX) ile döner ESP32 Serial2 (TX/RX, pimler 17, 16) arasında iki telli bir bağlantı kurun. Bu, hareket bilgilerini döner kodlayıcıdan tek kartlı bilgisayarda çalışan grafik yazılım paketine taşıyacaktır.
      NOT: Bu adım yalnızca döner ESP32 bir USB üzerinden bağlanmamışsa (yani, "/dev/ttyS0" konumunda bir GPIO seri bağlantısıdır) gereklidir, ancak HallPassVR_wired.py kodu aksi takdirde "/dev/ttyUSB0" kullanacak şekilde değiştirilmelidir. Bu kablolu bağlantı, gelecekteki sürümlerde kablosuz Bluetooth bağlantısıyla değiştirilecektir.
    4. İlk döner kodlayıcı kodunu yüklemek için döner ESP32 USB'yi tek kartlı bilgisayar USB'sine (veya IDE'yi çalıştıran başka bir bilgisayara) takın.
  3. Davranışsal donanımla ESP32 bağlantılarının davranışını ayarlayın (OpenMaze PCB aracılığıyla ).
    NOT: ESP32 mikrodenetleyici davranışı, tasarımları OpenMaze web sitesinde (www.openmaze.org) bulunan ESP32, "OMwSmall" için genel bir PCB "koparma tahtası" aracılığıyla bağlanan VR olmayan tüm hayvan etkileşimlerini (VR olmayan uyaranlar ve ödüller sunmak, fare yalamalarını tespit etmek) kontrol edecektir. PCB, sıvı ödülleri vermek için kullanılan solenoid valfler gibi elektromekanik bileşenleri sürmek için gerekli elektronik bileşenleri içerir.
    1. 12 V sıvı solenoid valfi OMwSmall PCB'nin en solundaki ULN2803 IC çıkışına bağlayın (örnek kurulum ve kodda pim 12). Bu IC, ESP32 mikrodenetleyicisinin davranışı üzerindeki bir GPIO çıkışı tarafından kontrol edilen ödül solenoid valfine 12 V güç açar.
    2. Yalama bağlantı noktasını ESP32 dokunmatik girişine bağlayın (örneğin, örnek kodda T0, GPIO4). ESP32, ESP32 kodunun VR davranışı sırasında farenin bağlı metal yalama portunu yalamasını algılamak için kullandığı belirli pimlerde yerleşik kapasitif dokunma algılamasına sahiptir.
    3. Seri RX/TX kablolarını davranış ESP32 Serial2 (pimler 16, 17) ile döner kodlayıcı ESP32 Serial0 arasına bağlayın (bkz. adım 2.2.2).
    4. Farklı deneysel paradigmalar (örneğin, ödül bölgelerinin sayısı/konumu) için ESP32 davranışına yeni programlar yüklemek ve birlikte verilen İşleme çizimini kullanarak davranış verilerini yakalamak için USB'yi tek kartlı bilgisayarın USB bağlantı noktasına (veya başka bir bilgisayara) takın.
    5. Ödül solenoid valfinin gücünü sağlamak için 12 V DC duvar adaptörünü ESP32 OMwSmall PCB davranışındaki 2,1 mm silindirik jak konektörüne takın.
    6. Tek kartlı bilgisayarın HDMI #2 çıkışını projektörün HDMI bağlantı noktasına takın; bu, tek kartlı bilgisayar GPU'su tarafından oluşturulan VR ortamını projeksiyon ekranına taşıyacaktır.
    7. (isteğe bağlı) Senkronizasyon kablosunu (pin 26) bir nöral görüntüleme veya elektrofizyolojik kayıt kurulumuna bağlayın. Sistemleri milisaniyeye yakın hassasiyetle hizalamak için her 5 saniyede bir 3,3 V transistör-transistör-mantık (TTL) sinyali gönderilecektir.
  4. Yazılımı ayarlayın: IDE'yi kullanarak ürün yazılımını/yazılımı ESP32 (Şekil 2B) döner kodlayıcıya ve davranış ESP32'ye (Şekil 2E) yükleyin ve VR Python yazılımını tek kartlı bilgisayara indirin. Bkz. https://github.com/GergelyTuri/HallPassVR/software.
    1. Döner kodlayıcı ESP32'yi önce tek kartlı bilgisayarın USB bağlantı noktasına takın - bu, işletim sistemi tarafından otomatik olarak "/dev/ttyUSB0 " olarak adlandırılacaktır.
    2. Döner kodlayıcı kodunu yükleyin: IDE'de RotaryEncoder_Esp32_VR.ino dosyasını açın ve ardından ESP32 Geliştirme Modülü > Araçlar > Anakartlar altında ESP32'yi seçin. Araçlar > Bağlantı Noktası > /dev/ttyUSB0'a tıklayarak ESP32 bağlantı noktasını seçin ve ardından Karşıya Yükle'ye tıklayın.
    3. ESP32 davranışını tek kartlı bilgisayarın USB bağlantı noktasına takın - bu, işletim sistemi tarafından "/dev/ttyUSB1" olarak adlandırılacaktır.
    4. Davranış sırası kodunu ESP32 davranışına yükleyin (IDE, ESP32 Geliştirme Modülü zaten seçili), ardından Araçlar > Bağlantı Noktası > /dev/ttyUSB1'e tıklayın ve Yükle: wheel_VR_behavior.ino'ya tıklayın.
    5. IDE'deki (Araçlar > Bağlantı Noktası > /dev/ttyUSB0 veya /dev/ttyUSB1) içindeki her ESP32 için seri bağlantı noktasını seçip döner karttan ( USB0) veya davranış kartından (USB1) seri çıkışı gözlemlemek için Araçlar > Seri Monitör'e (baud hızı: 115.200) tıklayarak seri bağlantıları test edin. USB0 üzerinde döner ESP32'den ham hareket çıkışını veya USB1'de ESP32 davranışından biçimlendirilmiş hareket çıkışını görmek için tekerleği döndürün.
    6. Grafik yazılım paketi Python kodunu https://github.com/GergelyTuri/HallPassVR/tree/master/software/HallPassVR'den indirin (/home/pi/Documents adresine). Bu klasör, pi3d Python3 paketi daha önce doğru şekilde yüklenmişse grafik yazılım paketini çalıştırmak için gerekli tüm dosyaları içerir (adım 2.1).

3. Grafik yazılım paketinin çalıştırılması ve test edilmesi

NOT: Bir VR doğrusal parça ortamı başlatmak, VR yazılımı ve davranış ESP32 kodundaki mesafeleri kalibre etmek ve birlikte verilen İşleme dili çizimi ile farenin çalışma ve yalama davranışının edinilmesini ve çevrimiçi çizimini test etmek için grafik yazılım paketi GUI'yi çalıştırın.

  1. Tek kartlı bilgisayarda terminal penceresini açın ve HallPassVR klasörüne gidin (terminal:> cd /home/pi/Documents/HallPassVR/HallPassVR_Wired)
  2. VR GUI: (terminal)> python3 HallPassVR_GUI.py çalıştırın (GUI penceresi açılacaktır, Şekil 3A).
  3. Grafik yazılım GUI
    1. Parça boyunca üç desenin her biri için liste kutusundan dört öğe (resim) seçip ekleyin (veya aşağıda önceden depolanmış deseni seçin ve ardından Yükle'ye tıklayın) ve ardından Oluştur'a tıklayın.
      NOT: Yeni görüntü dosyaları (.jpeg), GUI çalıştırılmadan önce HallPassVR/HallPassVR_wired/images/ELEMENTS klasörüne yerleştirilebilir.
    2. Açılır menülerden zemin ve tavan görüntülerini seçin ve bu örnek kod için parçanın uzunluğunu 2 m olarak ayarlayın (davranış ESP32 kodunda ve İşleme kodunda milimetre [mm] cinsinden trackLength'e eşit olmalıdır).
    3. İsterseniz bu kalıbı adlandırın (HallPassVR_wired/images/PATH_HIST dizininde saklanacaktır).
    4. Başlat düğmesine tıklayın (başka bir yere tıklamadan önce VR penceresinin başlamasını bekleyin). VR ortamı Ekran #2'de görünecektir (projeksiyon ekranı, Şekil 3B, C).
  4. Davranışsal verileri/hareketi elde etmek ve çizmek için İşleme çizimini çalıştırın.
    1. İşleme IDE'sinde VRwheel_RecGraphSerialTxt.pde dosyasını açın.
    2. Hayvanı değiştirin = "yourMouseNumber"; değişkenini ayarlayın ve sessionMinutes'i davranışsal oturumun dakika cinsinden uzunluğuna eşit olarak ayarlayın.
    3. İşleme IDE'sindeki Çalıştır düğmesine tıklayın.
    4. Tekerlek dönerken sanal doğrusal pistteki geçerli fare konumunu, ödül bölgeleri ve her 30 saniyede bir güncellenen yalamaların, turların ve ödüllerin çalışan histogramlarıyla birlikte göstermesi gereken İşleme grafiği penceresini kontrol edin (Şekil 3D). Test için çalışan farenin benzetimini yapmak için koşu tekerleğini elle ilerletin veya ilk kurulum için bir test faresi kullanın.
    5. Grafik penceresine tıklayın ve davranışsal verileri almayı durdurmak için klavyedeki q tuşuna basın. Davranışsal olayların ve zamanların bir metin dosyası (sessionMinutes geçtiğinde veya kullanıcı çıkmak için q tuşuna bastığında kaydedilir.
      NOT: Çıktı .txt dosyalarının küçük boyutu nedeniyle, tek kartlı bilgisayarın SD kartında en az birkaç bin davranış kaydının saklanabileceği tahmin edilmektedir. Veri dosyaları daha sonra analiz edilmek üzere bir başparmak sürücüsüne kaydedilebilir veya yerel bir ağa bağlıysa, veriler uzaktan yönetilebilir.
  5. VR parça uzunluğu ile davranış izi uzunluğunu kalibre edin.
    1. VR koridorunu ve fare konumunu gözlemlerken tekerleği elle ilerletin (İşleme grafiğinde). VR koridoru, fare davranış grafiğinin sonuna ulaşmadan önce/sonra sona ererse, parça iki sistemde aynı anda sıfırlanana kadar VR parça uzunluğunu kademeli olarak (santimetre [cm] cinsinden HallPassVR_wired.py, corridor_length_default) artırın/azaltın.
      NOT: Kod şu anda 256 konumlu bir dörtlü döner kodlayıcı kullanılarak 6 inç çapında bir koşu tekerleği için kalibre edilmiştir, bu nedenle kullanıcının diğer yapılandırmaları hesaba katmak için VR (HallPassVR_wired.py, corridor_length_default, santimetre [cm] cinsinden) ve davranış kodunu (wheel_VR_behavior.ino, trackLength, milimetre [mm] cinsinden) değiştirmesi gerekebilir. Bununla birlikte, davranışsal konum, sistemler arasındaki yazışmaları sürdürmek için her VR turunda sıfırlanır.

4. Fare eğitimi ve mekansal öğrenme davranışı

NOT: Fareler baş sabitleme için implante edilir, baş dayanağına alıştırılır ve daha sonra direksiyonda koşmak ve kademeli olarak sıvı ödülleri için tutarlı bir şekilde yalamak üzere eğitilir ("rastgele yiyecek arama"). Tutarlı koşu ve yalama elde eden fareler daha sonra sanal doğrusal pistte görsel bir ipucunun ardından tek bir ödül bölgesinin sunulduğu VR ortamını kullanarak mekansal bir gizli ödül görevi üzerinde eğitilir. Uzamsal öğrenme daha sonra ödül bölgesinden hemen önceki pozisyonlar için artan yalama seçiciliği olarak ölçülür.

  1. Baş implantasyon sonrası cerrahi: Bu prosedür bu derginin başka bir yerinde ve diğerlerinde ayrıntılı olarak açıklanmıştır, bu nedenle özel talimatlar için bu literatüre bakın 7,17,18,19,20,21.
  2. Su tarifesi
    1. İlk kullanımdan 24 saat önce su kısıtlaması yapın (aşağıya bakın) ve her alışkanlık veya baş kısıtlama davranışı seansından sonra ad libitum su tüketimine izin verin. Alışkanlık sırasında üç gün boyunca su mevcudiyeti süresini kademeli olarak yaklaşık 5 dakikaya düşürün ve bireysel farelerin miktarını, vücut ağırlıkları kısıtlama öncesi ağırlıklarının% 80'inin altına düşmeyecek şekilde ayarlayın. Her hayvanın ağırlığını günlük olarak izleyin ve ayrıca dehidrasyon belirtileri için her farenin durumunu gözlemleyin22. Kısıtlama öncesi vücut ağırlığının% 80'ini koruyamayan veya susuz görünen fareler çalışmadan çıkarılmalı ve serbest su mevcudiyeti verilmelidir.
      NOT: Su kısıtlaması, fareleri sıvı ödüller kullanarak direksiyon üzerinde koşmaya motive etmek ve mekansal yalamayı pist boyunca öğrenilen yerlerin bir göstergesi olarak kullanmak için gereklidir. Kurumsal kılavuzlar, bu prosedür için özel talimatlar konusunda farklılık gösterebilir, bu nedenle kullanıcı, su kısıtlaması sırasında hayvan sağlığını ve refahını sağlamak için bireysel kurumsal hayvan bakım komitelerine danışmalıdır.
  3. Kullanım: İmplante edilen fareleri insan temasına alıştırmak için günlük olarak tutun, ardından sınırlı ad libitum suyu takviye olarak uygulanabilir (1-5 dakika / gün, 2 gün ila 1 hafta).
  4. Baş dayanağına alışkanlık
    1. Fareleri, baş sabitleme stresini azaltmak için ara sıra su damlalarıyla ödüllendirirken, baş bağlama aparatına yerleştirerek artan süreler boyunca baş desteğine alıştırın.
    2. 5 dakikalık kafa fiksasyonu ile başlayın ve fareler 30 dakikaya kadar fiksasyonu tolere edene kadar süreyi günde 5 dakikalık artışlarla artırın. Fareleri, mücadele ediyor veya çok az hareket ediyor gibi görünüyorlarsa, sabitleme aparatından çıkarın. Bununla birlikte, fareler genellikle birkaç seans içinde kendiliğinden direksiyon üzerinde koşmaya başlar, bu da eğitimin bir sonraki aşamasına hazır oldukları anlamına gelir.
      NOT: Baş desteği altında tekrar tekrar mücadele eden veya ödüller için koşmayan ve yalayan fareler, eğitimin önceki aşamalarına gerilemeli ve bu tür üç iyileştirici döngü boyunca ilerleyemezlerse çalışmadan çıkarılmalıdır (bakınız Tablo 1).
  5. Koşma/yalama eğitimi (rastgele yiyecek arama)
    NOT: VR ortamında mekansal öğrenme görevini gerçekleştirmek için, fareler önce direksiyonda koşmayı öğrenmeli ve ara sıra ödüller için sürekli olarak yalamalıdır. İşlevsel davranış parametrelerindeki ilerleme, davranış ESP32 mikrodenetleyicisi aracılığıyla kontrol edilir.
    1. İşlevsel olmayan ödüllerle rastgele yiyecek arama
      1. Grafik yazılımı GUI programını rastgele görsel öğelerden oluşan bir yolla çalıştırın (kullanıcı seçimi, bkz. adım 3.3).
      2. Fareleri çalıştırmak ve yalamak üzere koşullandırmak için davranış programını birden çok işlenmeyen ödülle (kod değişkenleri: isOperant=0, numRew=4, isRandRew=1) ESP32 davranışına yükleyin. Fareler seans başına en az 20 tur koşana kadar fareleri 20-30 dakikalık oturumlarda çalıştırın ve rastgele yerlerde (bir ila dört seans) sunulan ödüller için yalayın.
    2. Alternatif turlarda operant ödüllerle rastgele yiyecek arama
      1. Davranış programını altOpt=1 (alternatif operant/non-operant turları) ile yükleyin ve fareleri hem operant olmayan hem de operant ödül bölgeleri (bir ila dört oturum) için yalayana kadar eğitin.
    3. Tamamen işlevsel rastgele yiyecek arama
      1. Davranış programını dört işlenmiş rastgele ödül bölgesi (davranış ESP32 kod değişkenleri: isOperant=1, numRew=4, isRandRew=1) ile karşıya yükleyin. Bu eğitim adımının sonunda, fareler tutarlı bir şekilde çalışmalı ve tüm pist uzunluğu boyunca test yalamaları gerçekleştirmelidir (bir ila dört seans; Şekil 4A).
  6. Uzamsal öğrenme
    NOT: Pist boyunca karanlık panellere sahip 2 m uzunluğunda bir koridor ve ortada görsel bir ipucu olarak tek bir yüksek kontrastlı görsel uyaran paneli (0,9-1,1 m konum) seçerek, tek bir görsel ipucundan biraz uzakta tek bir gizli ödül bölgesi ile uzamsal bir öğrenme deneyi gerçekleştirin,uzamsal koku alma ipuçlarıyla yapılan son deneylere benzer 20 . Farelerin, sanal doğrusal iz ortamındaki görsel ipucundan uzakta bulunan bir ödül bölgesinde (1,5-1,8 m konumda) yalamaları gerekir.
    1. Grafik yazılım programını, ortasında tek bir görsel ipucu bulunan karanlık bir koridorun yolu ile çalıştırın (örneğin, satranç tahtası, bkz. adım 3.3, Şekil 3A).
    2. Tek bir gizli ödül bölgesi olan davranış programını ESP32 davranışına yükleyin (davranış ESP32 kod değişkenleri: isOperant=1, isRandRew=0, numRew=1, rewPosArr[]= {1500}).
    3. Fareyi yavaşça kafa sabitleme aparatına yerleştirin, yalama ağzını farenin ağzının hemen önündeki bir konuma ayarlayın ve fare tekerleğini projeksiyon perdesi bölgesinin ortasına yerleştirin. Son ayarlamalardan sonra farenin başının ekrandan ~ 12-15 cm uzakta olduğundan emin olun.
    4. İşleme çiziminde hayvanın adını ayarlayın ve ardından davranışsal verileri almaya ve çizmeye başlamak için İşleme IDE'sinde çalıştır'a basın (bkz. adım 3.4).
    5. Tek bir gizli ödül bölgesi ve tek bir görsel ipucu VR koridoru ile fareyi 30 dakikalık oturumlar boyunca çalıştırın.
    6. Çevrimdışı: .txt veri dosyasını Çizim İşleme klasöründen indirin ve uzamsal yalama davranışını analiz edin (örneğin, Matlab'da procVRbehav.m ve vrLickByLap.m dosyalarıyla birlikte).
      NOT: Fareler başlangıçta tüm sanal pist üzerinde test yalamaları ("rastgele yiyecek arama") gerçekleştirmeli ve daha sonra VR görsel ipucunu takiben yalnızca ödül yerinin yakınında seçici olarak yalamaya başlamalıdır (Şekil 4).

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu açık kaynaklı sanal gerçeklik davranış kurulumu, yalama davranışını, kafası kısıtlanmış fareler sanal bir doğrusal iz ortamında gezinirken mekansal öğrenmenin bir okuması olarak ölçmemize izin verdi. 4 aylıkken her iki cinsiyetten yedi C57BL / 6 fare, sınırlı bir su programına yerleştirildi ve ilk önce VR olmadan rastgele mekansal ödüller ("rastgele yiyecek arama") için direksiyonda koşarken düşük seviyelerde sürekli yalamak üzere eğitildi. Performansları başlangıçta 2 m rastgele koridor desenine sahip VR projeksiyon ...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Fareler için bu açık kaynaklı VR sistemi, yalnızca döner ve davranışlı ESP32 mikrodenetleyicileri ile IDE seri monitörü (adım 2.4.5) kullanılarak doğrulanabilen tek kartlı bilgisayar (adım 2) arasında seri bağlantılar düzgün bir şekilde yapılırsa çalışacaktır. Bu protokolden başarılı davranışsal sonuçlar elde etmek için (adım 4), fareler cihaza alışmalı ve sıvı ödüller için direksiyonda rahatça çalışmalıdır (adım 4.3-4.5). Bu, yeterli (ancak aşırı olmayan) su kısıtlaması gerektirir, çünkü ev kafesinde ad libitum...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Clay Lacefield, bu protokolde kullanılan OMwSmall PCB için ücretsiz tasarımlar sağlayan OpenMaze.org'in kurucusu ve geliştiricisidir.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Harvey laboratuvarından Noah Pettit'e bu yazıdaki protokolü geliştirirken tartışma ve önerileri için teşekkür ederiz. Bu çalışma, NINDS R56NS128177 (R.H., C.L.) ve NIMH R01MH068542 (R.H.) 'ye ek olarak BBRF Genç Araştırmacı Ödülü ve NIMH 1R21MH122965 (G.F.T.) tarafından desteklenmiştir.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
1/4 " çap alüminyum çubukMcMaster-Carr9062K263" uzunluk tekerlek aksı için
1/4"-20 kapak vidaları, 3/4" uzunluğunda (x2)Amazon.comB09ZNMR41VBaş direği tutucularını optik direklere takmak için
2" x7" T-oluklu alüminyum çubuk (x2)8020.net1020tekerlek/hayvan montaj çerçevesi
6" çap, 3" genişliğinde akrilik silindir (1/8" kalın)Kanal Plastikleri33210090702Koşu tekerleği (canalplastics.com'de kesilmiş özel genişlik
8-32 x 1/2 "soket başlı vidalarMcMaster-Carr92196A194kafa direği tutucusunu optik direğe sabitleme 
Ayarlanabilir kol (14 inç), Amazon.comyalama musluğunu tutmak/ayarlamak içinB087BZGKSL
Analiz kodu (MATLAB)github.com/GergelyTuri/HallPassVR/software/Analysis kodundaözel yazılı
Aks montaj flanşı, 1/4" IDPololu1993tekerleği aksa monte etmek için
Bilyalı rulman (5/8" OD, 1/4" ID, x2)McMaster-Carr57155K324tekerlek aksını çerçeveye monte etmek için
Davranış ESP32 kodugithub.com/GergelyTuri/HallPassVR/software/Arduino kodunda / Davranış kartındaözel yazılmış
Siyah opak mat akrilik levhalar (1/4" kalınlığında)Kanal Plastikleri32918353422github.com/GergelyTuri/HallPassVR/hardware/VR ekran montajında lazer kesim dosya
Şeffaf akrilik levha (1/4" kalınlığında)Kanal Plastikleri32920770574tekerlek aksamında lazer kesim dosyası github.com/GergelyTuri/HallPassVR/hardware/VR
ESP32 devKitC v4 (x2)Amazon.comdavranış için B086YS4Z3F mikrodenetleyici ve döner kodlayıcı
ESP32 kalkanıOpenMaze.orgOMwSmallaçıklaması www.openmaze.org (https://claylacefield.wixsite.com/openmazehome/copy-of-om2shield). ZIP gerber dosyaları: https://github.com/claylacefield/OpenMaze/tree/master/OM_PCBs
Bağlantı elemanları ve braketler 8020.net4138, 3382,3280tekerlek çerçevesi montajları için
gonyometrelerEdmund Optics66-526, 66-527davranış için isteğe bağlı.
HallPassVR python kodunugithub.com/GergelyTuri/HallPassVR/software/HallPassVR'daözel yazılmış
Baş direk tutucuözel tasarım, github.com/GergelyTuri/HallPassVR/hardware/VR kafa montajında 3D tasarım dosyası, Kelepçe
LED projektörTexas InstrumentsDLPDLCR230NPEVMveya diğer küçük LED projektör
Lick emzikVWR20068-638(veya ~ 16 G metal hipodermik boru)
M 2.5 x 6 ayar vidalarıMcMaster-Carr92015A097sabitleme baş direği 
Mat beyaz difüzyon kağıdıAmazon.comekran malzemesi
Metal başlık direkleriözel tasarımgithub.com/GergelyTuri/HallPassVR/hardware/VR kafa montajında 3D tasarım dosyası / kafa direği tasarımları
hattını oluşturmak içinçeşitli boru ve boru adaptörleri (1/16 "ID)
Optik breadboardThorlabskullanıcının gereksinimlerine göre
Optik direkler, 1/2" çap (2x)Kafa sabitleme kurulumu içinThorlabsTR4
İşleme kodugithub.com/GergelyTuri/HallPassVR/software/Processing kodundaözel yazılmış
Raspberry Pi 4Braspberry.com, adafruit.comHallPassVR ortamının oluşturulması için tek kartlı bilgisayar.
Kafa sabitleme kurulumu içindik açılı kelepçeThorlabsRA90
Döner kodlayıcı (dörtlü, 256 adımlı)Tekerlek dönüşünü ölçmek içinDigiKeyENS1J-B28-L00256L
Döner kodlayıcı ESP32 koduözel yazılmışdosya / Döner kodlayıcı
SCIGRIP 10315 akrilik çimentoAmazon.com
Şaft kuplörüMcMaster-Carr9861T426döner enkoder milini aksla birleştirmek için
Gümüş ayna akrilik levhalarKanal Plastikleri32913817934github.com/GergelyTuri/HallPassVR/hardware/VR ekran montajında lazer kesim eğesi
Solenoid valfParker003-0137-900su ödüllerini yönetmek için
) dosya, dosya görüntülemek için ince ayar kafası, dosya,, , , , Su dosya github.com/GergelyTuri/HallPassVR/software/Arduino kodunda ,

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Lisman, J., et al. Viewpoints: How the hippocampus contributes to memory, navigation and cognition. Nature Neuroscience. 20 (11), 1434-1447 (2017).
  2. Buzsaki, G., Moser, E. I. Memory, navigation and theta rhythm in the hippocampal-entorhinal system. Nature Neuroscience. 16 (2), 130-138 (2013).
  3. O'Keefe, J., Dostrovsky, J. The hippocampus as a spatial map. Preliminary evidence from unit activity in the freely-moving rat. Brain Research. 34 (1), 171-175 (1971).
  4. O'Keefe, J. Place units in the hippocampus of the freely moving rat. Experimental Neurology. 51 (1), 78-109 (1976).
  5. Fyhn, M., Molden, S., Witter, M. P., Moser, E. I., Moser, M. B. Spatial representation in the entorhinal cortex. Science. 305 (5688), 1258-1264 (2004).
  6. Letzkus, J. J., et al. A disinhibitory microcircuit for associative fear learning in the auditory cortex. Nature. 480 (7377), 331-335 (2011).
  7. Lacefield, C. O., Pnevmatikakis, E. A., Paninski, L., Bruno, R. M. Reinforcement learning recruits somata and apical dendrites across layers of primary sensory cortex. Cell Reports. 26 (8), 2000-2008 (2019).
  8. Dombeck, D. A., Harvey, C. D., Tian, L., Looger, L. L., Tank, D. W. Functional imaging of hippocampal place cells at cellular resolution during virtual navigation. Nature Neuroscience. 13 (11), 1433-1440 (2010).
  9. Gauthier, J. L., Tank, D. W. A dedicated population for reward coding in the hippocampus. Neuron. 99 (1), 179-193 (2018).
  10. Rickgauer, J. P., Deisseroth, K., Tank, D. W. Simultaneous cellular-resolution optical perturbation and imaging of place cell firing fields. Nature Neuroscience. 17 (12), 1816-1824 (2014).
  11. Yadav, N., et al. Prefrontal feature representations drive memory recall. Nature. 608 (7921), 153-160 (2022).
  12. Priestley, J. B., Bowler, J. C., Rolotti, S. V., Fusi, S., Losonczy, A. Signatures of rapid plasticity in hippocampal CA1 representations during novel experiences. Neuron. 110 (12), 1978-1992 (2022).
  13. Heys, J. G., Rangarajan, K. V., Dombeck, D. A. The functional micro-organization of grid cells revealed by cellular-resolution imaging. Neuron. 84 (5), 1079-1090 (2014).
  14. Harvey, C. D., Collman, F., Dombeck, D. A., Tank, D. W. Intracellular dynamics of hippocampal place cells during virtual navigation. Nature. 461 (7266), 941-946 (2009).
  15. Pettit, N., et al. Harvey Lab Mouse VR. , Available from: https://github.com/Harvey/Lab/mouseVR (2021).
  16. Pettit, N. L., Yap, E. L., Greenberg, M. E., Harvey, C. D. Fos ensembles encode and shape stable spatial maps in the hippocampus. Nature. 609 (7926), 327-334 (2022).
  17. Turi, G. F., et al. Vasoactive intestinal polypeptide-expressing interneurons in the hippocampus support goal-oriented spatial learning. Neuron. 101 (6), 1150-1165 (2019).
  18. Ulivi, A. F., et al. Longitudinal two-photon imaging of dorsal hippocampal CA1 in live mice. Journal of Visual Experiments. (148), e59598(2019).
  19. Wang, Y., Zhu, D., Liu, B., Piatkevich, K. D. Craniotomy procedure for visualizing neuronal activities in hippocampus of behaving mice. Journal of Visual Experiments. (173), e62266(2021).
  20. Tuncdemir, S. N., et al. Parallel processing of sensory cue and spatial information in the dentate gyrus. Cell Reports. 38 (3), 110257(2022).
  21. Dombeck, D. A., Khabbaz, A. N., Collman, F., Adelman, T. L., Tank, D. W. Imaging large-scale neural activity with cellular resolution in awake, mobile mice. Neuron. 56 (1), 43-57 (2007).
  22. Guo, Z. V., et al. Procedures for behavioral experiments in head-fixed mice. PLoS One. 9 (2), 88678(2014).
  23. Jordan, J. T., Gonçalves, J. T. Silencing of hippocampal synaptic transmission impairs spatial reward search on a head-fixed tactile treadmill task. bioRxiv. , (2021).
  24. Urai, A. E., et al. Citric acid water as an alternative to water restriction for high-yield mouse behavior. eNeuro. 8 (1), (2021).
  25. Saleem, A. B., Diamanti, E. M., Fournier, J., Harris, K. D., Carandini, M. Coherent encoding of subjective spatial position in visual cortex and hippocampus. Nature. 562 (7725), 124-127 (2018).
  26. Ravassard, P., et al. Multisensory control of hippocampal spatiotemporal selectivity. Science. 340 (6138), 1342-1346 (2013).
  27. Aghajan, Z. M., et al. Impaired spatial selectivity and intact phase precession in two-dimensional virtual reality. Nature Neuroscience. 18 (1), 121-128 (2015).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Virtual Reality SystemSpatial LearningHead Restrained MiceOpen Source HardwareBehavioral ExperimentsNeural Circuit ActivityLocomotion MeasurementVisual StimuliSingle Board ComputerReward Conditioning

Related Articles