Burada, iki boyutlu görüntü hareketine verilen görsel tepkilerden kaynaklanan göz hareketlerini doğrudan ölçen yarı otomatik bir nicel analiz yöntemi olan PyOKR'yi açıklıyoruz. Python tabanlı bir kullanıcı arayüzü ve analiz algoritması, önceki yöntemlere göre daha yüksek verim ve göz izleme parametrelerinin daha doğru nicel ölçümlerine olanak tanır.
Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.
Yöntem makalesi
PyOKR: Optokinetik Refleks İzleme Yeteneğini Ölçmek İçin Yarı Otomatik Bir Yöntem
Bu makalede
Özet
Özet
Görsel uyaranlara verilen davranışsal tepkilerin incelenmesi, görsel sistem işlevini anlamanın önemli bir bileşenidir. Dikkate değer bir yanıt, retinada görüntü stabilizasyonu için gerekli olan yüksek oranda korunmuş doğuştan gelen bir davranış olan optokinetik reflekstir (OKR). OKR, görüntü izleme yeteneğinin sağlam bir şekilde okunmasını sağlar ve farklı genetik geçmişlere sahip hayvanlarda görsel sistem devrelerini ve işlevini anlamak için kapsamlı bir şekilde incelenmiştir. OKR iki aşamadan oluşur: göz, görsel düzlemin kenarına kadar bir uyaranı takip ederken yavaş bir izleme aşaması ve gözün yörüngedeki konumunu sıfırlayan telafi edici bir hızlı faz sakkad. Önceki izleme kazancı niceleme yöntemleri, güvenilir olmasına rağmen, emek yoğundur ve öznel veya keyfi olarak türetilebilir. Göz izleme yeteneğinin daha hızlı ve tekrarlanabilir bir şekilde ölçülmesini sağlamak için, her türlü video-okülografi ekipmanına uyarlanabilir olmanın yanı sıra, herhangi bir yönlü uyarana yanıt olarak iki boyutlu göz izleme hareketinin nicelleştirilmesine olanak tanıyan yeni bir yarı otomatik analiz programı olan PyOKR'yi geliştirdik. Bu yöntem, otomatik filtreleme, yavaş izleme aşamalarının seçimi, dikey ve yatay göz vektörlerinin modellenmesi, uyaran hızına göre göz hareketi kazanımlarının nicelleştirilmesi ve elde edilen verilerin istatistiksel ve grafiksel karşılaştırmalar için kullanılabilir bir elektronik tablo halinde düzenlenmesini sağlar. PyPI içe aktarma yoluyla kolayca erişilebilen bu nicel ve kolaylaştırılmış analiz hattı, OKR yanıtlarının hızlı ve doğrudan ölçümünü sağlayarak görsel davranışsal yanıtların incelenmesini kolaylaştırır.
Giriş
Görüntü sabitleme, kendi kendine hareket sırasında meydana gelen küresel optik akışı telafi etmek için hassas okülomotor tepkilere dayanır. Bu stabilizasyon esas olarak iki motor tepki tarafından yönlendirilir: optokinetik refleks (OKR) ve vestibülo-oküler refleks (VOR)1,2,3. Retina boyunca yavaş küresel hareket, görüntüyü 1,2 stabilize etmek için karşılık gelen yönde refleksif göz dönüşünü ortaya çıkaran OKR'yi indükler. Yavaş faz olarak bilinen bu hareket, yeni bir yavaş faza izin vermek için gözün hızla ters yönde sıfırlandığı hızlı faz olarak bilinen telafi edici sakkadlar tarafından kesintiye uğrar. Burada, bu hızlı fazlı sakkadları göz izleme hareketleri (ETM'ler) olarak tanımlıyoruz. VOR, kafa hareketlerini telafi etmek için göz hareketlerini ortaya çıkarmak için vestibüler sistemegüvenirken, OKR, ON'un ateşlenmesi ve ardından orta beyindeki Aksesuar Optik Sisteme (AOS) sinyal gönderilmesiyleretinada başlatılır 4,5. Retina devrelerine doğrudan bağlı olması nedeniyle OKR, hem araştırma hem de klinik ortamlarda görsel izleme yeteneğini belirlemek için sıklıkla kullanılmaktadır 6,7.
OKR, temel görme yeteneği 2,6,8, DSGC gelişimi 9,10,11,12, okülomotor yanıtlar13 ve genetik arka planlar arasındaki fizyolojik farklılıkları7 değerlendirmek için bir araç olarak kapsamlı bir şekilde incelenmiştir. OKR, hareketli bir uyaranla sunulan başa sabitlenmiş hayvanlarda değerlendirilir14. Okülomotor tepkiler tipik olarak çeşitli video araçları kullanılarak yakalanır ve göz izleme hareketleri yatay ve dikey yönlerde OKR dalga biçimleri olarak yakalanır9. İzleme yeteneğini ölçmek için iki temel metrik tanımlanmıştır: izleme kazancı (uyaranın hızına göre gözün hızı) ve ETM frekansı (belirli bir zaman dilimi boyunca hızlı faz sakkadlarının sayısı). Kazancın hesaplanması, izleme yeteneğini tahmin etmek için gözün açısal hızını doğrudan ölçmek için tarihsel olarak kullanılmıştır; Bununla birlikte, bu hesaplamalar emek yoğundur ve video-okülografi toplama yöntemlerine ve müteakip nicelemeye dayalı olarak keyfi olarak türetilebilir. Daha hızlı OKR değerlendirmesi için, ETM frekansının sayımı, izleme keskinliğini ölçmek için alternatif bir yöntem olarak kullanılmıştır7. Bu, izleme yeteneğinin oldukça doğru bir tahminini sağlasa da, bu yöntem yavaş faz tepkisini ölçmek için dolaylı bir metriğe dayanır ve bir dizi önyargı ortaya çıkarır. Bunlar, sakkad belirlemede bir gözlemci yanlılığını, belirli bir dönem boyunca zamansal olarak tutarlı sakkadik tepkilere güvenmeyi ve yavaş faz tepkisinin büyüklüğünü değerlendiremeyi içerir.
Bu endişeleri mevcut OKR değerlendirme yaklaşımlarıyla ele almak ve OKR parametrelerinin yüksek verimli derinlemesine nicelleştirilmesini sağlamak için, OKR dalga formlarını ölçmek için yeni bir analiz yöntemi geliştirdik. Yaklaşımımız, "PyOKR" adlı erişilebilir bir Python tabanlı yazılım platformu kullanıyor. Bu yazılımı kullanarak, OKR yavaş faz tepkilerinin modellenmesi ve nicelleştirilmesi daha derinlemesine ve daha fazla parametrelendirme ile incelenebilir. Yazılım, sayısız görsel uyarana verilen yanıtların erişilebilir ve tekrarlanabilir nicel değerlendirmelerini ve ayrıca yatay ve dikey harekete yanıt olarak iki boyutlu görsel izlemeyi sağlar.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Protokol
Johns Hopkins Üniversitesi Tıp Fakültesi'nde (JHUSOM) gerçekleştirilen tüm hayvan deneyleri, JHUSOM'daki Kurumsal Hayvan Bakımı ve Kullanımı Komitesi (IACUC) tarafından onaylandı. Kaliforniya Üniversitesi, San Francisco'da (UCSF) gerçekleştirilen tüm deneyler, UCSF Kurumsal Hayvan Bakımı ve Kullanımı Programı tarafından onaylanan protokollere uygun olarak gerçekleştirildi.
1. Davranışsal veri toplama
- Dalga verileri (yani, küresel koordinatlarda gözün bakış açısının bir zaman serisi) oluşturmak için tercih edilen video-okülografi yöntemini kullanarak OKR göz hareketlerini kaydedin.
NOT: JHUSOM'da toplanan temsili veriler, daha önce tarif edildiği gibi kafa direği implantasyon cerrahisi ve video-okülografi kullanılarak elde edilmiştir 9,13 (Şekil 1). UCSF'den toplanan temsili veriler, daha önce10'da tarif edildiği gibi kafa direği implantasyon cerrahisi ve video-okülografi yöntemi ile elde edildi (Şekil 7).- Uyaran ve kayıt parametrelerini not edin: kayıt kare hızı, uyaran hızı ve yönü ve uyaran dönemleri arasındaki ve sonrasındaki süreler. Sinüzoidal uyaranlar için, uyaran dalgasının genliğini ve frekansını da not edin.
- Toplanan dalga verilerini bir . Yatay ve dikey (azimut ve yükseklik) dalga verilerini içeren CSV dosyası.
- Dalga verilerini sekmeyle ayrılmış olarak düzenleyin. Yatay veri (epxWave) ve dikey veri (epyWave) içeren iki sütunlu CSV dosyası.
2. Analiz yazılımının kurulumu
- Python'u indirin ve yükleyin.
- Grafik denetimi için Spyder'ı Anaconda aracılığıyla yükleyin.
- Spyder'da grafiklerin düzgün çalıştığından emin olmak için Araçlar > Tercihler > Ipython Console > Graphics > Graphics Backend'e gidin. Satır İçi'ni Otomatik olarak ayarlayın.
- Python ile yeni bir Anaconda ortamı oluşturun.
- PyOKR'yi pip ile PyPi aracılığıyla kurun Paket bağımlılıklarıyla birlikte en yeni sürümü yüklemek için PyOKR'yi kurun (Ek Kodlama Dosyası 1 ve Ek Kodlama Dosyası 2)
- Bir Windows bilgisayar kullanılıyorsa, PyOKR import OKR_win dan o olarak çalıştırın ve ardından o.run().
- Bir Mac bilgisayar kullanılıyorsa, PyOKR import OKR_osx dan o olarak çalıştırın ve ardından o.run() çalıştırın.
3. Dalga verilerinin analizi
- Analizin başlatılması ve dosya içe aktarma
- Kullanıcı arabirimini açmak için bir .py komut dosyasında o.run() komutunu çalıştırın.
- Dosya altında, kullanıcının istenen dalga dosyasını seçmesine izin verecek bir tarayıcı açmak için Aç işlevini veya Ctrl+O [iOS komutu] komutunu kullanın.
- Dosya altında, son analizlerin dışa aktarılacağı bir çıktı klasörünün seçilmesine izin verecek bir klasör tarayıcısı açmak için Klasörü Dışa Aktar düğmesini veya Ctrl+E komutunu kullanın.
- Çıktı dosyasının altına son analiz dosyası adını AnimalGenotype_AnimalNumber_Analysis gibi önerilen bir biçimde girin.
- Dosya altında Set Subject komutunu veya tek bir hayvan için veri kümesini başlatmak üzere Ctrl+S komutunu kullanarak programı tek bir hayvan için ayarlayın.
- Dalga dosyası parametrelerinin tanımı
- Uyaran parametrelerini ayarlamaya başlamak için, dört ana yönden birini seçerek Uyaran yönünü seç altında yönlülüğü tanımlayın. Sinüzoidal uyaranlar için, sinüzoidal dalganın başlangıç yönünü tanımlayan ana yön ile buna göre (Yatay) veya (Dikey) içeren birini seçin.
- Uyaran türünü seç altında Uyaran türünü Tek Yönlü, Salınımlı veya Eğik olarak ayarlayın.
- Yönlülüğü ayarladıktan sonra, kendi uyaran konumu veri kümesini içe aktarın (Kendi uyaran vektör verilerini içe aktarın) veya parametrelere dayalı olarak otomatik olarak bir vektör oluşturun (Parametrelerden uyaran vektörü oluşturun). Bir uyaran vektörünü içe aktarıyorsanız, 3.2.3.1 ile devam edin ve ardından adım 3.3'e atlayın. Bir uyaran vektörü oluşturuyorsanız, sonraki adımlarla devam edin.
- Kişinin kendi vektör verilerini içe aktarıyorsa, uyaranın uzaklık değerlerini (yani, uyaranın her bir bitişik edinim çerçevesi arasında ne kadar hareket ettiğini açıklayan bir zaman serisi) adım 3.2.1'de açıklanan formatta içe aktarın. Ek olarak, PyOKR v1.1.2'den itibaren içe aktarılan uyaran değerini alt kümelere ayırma işlevi eklenmediğinden, tüm veri kümesini tek tek dönemlere bölmek yerine tek bir dönem olarak analiz edin.
- Uyaran parametreleri altında, veri toplama için kullanılan uyaranın parametrelerini ayarlayın.
- Baş ve Kuyruk ile belirli bir denemenin başında (baş) ve sonunda (kuyruk) uyaran olmadığı sürenin uzunluğunu ayarlayın.
- Bir uyaranın gösterildiği süreyi, ardından uyaransız geçen süreyi ve belirli bir denemedeki toplam dönem sayısını sırasıyla Dönem Uzunluğu, Uyaran Sonrası Uzunluk ve Dönem Sayısı ile ayarlayın.
- Tek yönlü ve eğik uyaranlar için, Yatay Hız ve Dikey Hız ile uyaran hızını saniyede derece olarak ayarlayın.
- Yakalama kare hızı ile toplama kamerasının yakalama hızını ayarlayın.
- Sinüzoidal uyaranlar için, salınım uyaranlarını Frekans ve Genlik ile modellemek için sinüzoidal dalgayı oluşturun.
- Parametrelendirmeden sonra Parametrelerden uyaran vektörü oluştur ile yukarıda girilen uyaran bilgilerinden uygun modeli yapınız.
- Toplam dalga dosyasını taramak için Dönem seç'i kullanarak girilen uyaran için belirli bir dönem seçin.
- İzleme aşamalarının denetimli seçimi
- Yavaş izleme bölgelerini belirlemek için, maksimum hız değişikliklerine dayalı olarak potansiyel sakkadları etiketleyecek olan Filtrelenmemiş Veriler veya Filtrelenmiş Veriler'e tıklayarak Ön ayarlama ile hızlı faz sakkadlarını otomatik olarak seçin.
- Filtrelenmemiş Veriler altında, sakkadların mavi bir nokta ile doğru bir şekilde seçildiğini onaylayın. Otomatik seçim doğru değilse, Sol Fare Tuşu (LMB) ile noktaları manuel olarak kaldırın veya Sağ Fare Tuşu (RMB) ile nokta ekleyin. Hızlı faz sakkadları yeterince seçildiğinde, noktaları Orta Fare Tuşu (MMB) ile kaydedin ve grafiği kapatın.
- Otomatik filtreleme isteniyorsa, bir Z-Skoru Eşiği ayarlayın ve sakkadları otomatik olarak filtrelemek için Filtrelenmiş Veriler'e tıklayın. Gerekirse, herhangi bir gürültüyü gidermek için adım 3.3.2'de açıklananla aynı manuel gözetimi kullanın.
- Uygun sakkad seçiminden sonra, çıkarılacak bölgeyi seçmek için Nokta Ayarı'na basın. Daha önce adım 3.3.2'de açıklandığı gibi benzer bir kontrol şeması aracılığıyla üst ve alt noktaları değiştirin. LMB veya RMB ile üst (yeşil) noktaları düzenleyin ve Shift+LMB veya Shift+RMB ile alt (kırmızı) noktaları düzenleyin. Puanlar düzgün bir şekilde yerleştirildiğinde, puanları kaydetmek için MMB'yi kullanın.
NOT: Mac kullanıyorsanız, alt ve üst nokta ayarı iki ayrı düğmededir ve adım 3.3.2'de açıklananla aynı kontrol şemasını izler.
- Yavaş izleme aşamalarının analizi
- Tek tek yavaş fazlara takılacak polinom modelini tanımlamak için Polinom Sırasını Ayarla'yı kullanarak polinom modelinin sırasını ayarlayın.
NOT: Tek yönlü veya eğik uyaranlar için, izleme kazancını hesaplamak için doğrusallık gerektiğinden varsayılan değer 1'dir. Sinüzoidal uyaranlar için, dalganın eğrisini modellemek için varsayılan olarak 15 olan daha yüksek bir düzen gereklidir. - İzlemeyi analiz etmek için, seçilen yavaş fazlar için yavaş faz modellerini (Şekil 2) oluşturmak için Nihai Analiz'i seçin (bkz. Şekil 2A-D) ve dönem boyunca ortalama mesafeleri, hızları ve izleme kazançlarını hesaplayın (Şekil 2E).
- Seçili bölgelerin iki boyutlu (2B) veya üç boyutlu (3B) grafiğini görüntülemek için sırasıyla 2B grafiği görüntüle veya 3B grafiği görüntüle'yi seçin.
- Adım 3.4.2'de oluşturulan toplanan değerleri kaydetmek için Dönem ekle'yi seçin. Belirli bir hayvan için eklenen tüm değerlerin yanı sıra toplanan denemelerin ortalamalarını görüntülemek için Geçerli veri kümesini görüntüle'yi seçin.
- Bir dönem eklendikten sonra, 3.3.1 ile 3.4.4 arasındaki adımları izleyerek Dönem Seç ile dosyanın geri kalanında geçiş yapın.
- Bir dalga dosyası tamamen analiz edildikten sonra, yeni dosyalar açarak, uygun parametreleri ayarlayarak ve bunları buna göre analiz ederek belirli bir hayvan için diğer tüm dosyalar için bu işlemi tekrarlayın. Her dosya için 3.2.1-3.4.5 adımlarını tekrarlayarak, belirli bir hayvan için tüm dalga verilerini içeren son bir veri kümesi oluşturun.
- Tek tek yavaş fazlara takılacak polinom modelini tanımlamak için Polinom Sırasını Ayarla'yı kullanarak polinom modelinin sırasını ayarlayın.
- Verilerin nihai olarak dışa aktarılması
- Belirli bir hayvan için veri analizi tamamlandıktan ve tüm yönler veya uyaranlar analiz edildikten sonra, veri kümesini Verileri dışarı aktar aracılığıyla dışa aktarın.
NOT: Ham veri kümesi, Çıktı dosyası adına göre dışa aktarılacak ve Çıktı Klasörü tarafından ayarlanan yol boyunca, her bir uyaran parametresi için toplam ortalamayla birlikte ayrı dönem verilerini içeren bir CSV olarak kaydedilecektir. - Tek bir hayvanı dışarı aktardıktan sonra, Ctrl+S ile veri kümesini yeniden başlatın ve ardından yeni bir hayvanı analiz etmek için önceki tüm adımları yineleyin.
- Gerekirse, Analiz sekmesi altındaki Verileri Sırala komutunu kullanarak daha kolay analiz için birden fazla hayvan için toplanan tüm çıktı verilerini yeniden düzenleyin.
NOT: Bu işlev, grafiklerin ve istatistiksel karşılaştırmaların daha kolay oluşturulmasını sağlamak için çıktı klasöründe depolanan tüm analiz edilen hayvan dosyaları için tüm ortalama değerleri derleyecek ve sıralayacaktır. Sıralama, v1.1.2'den itibaren dosyaların adlandırılmasına bağlıdır. Her dosya için adım 3.1.4'te açıklandığı gibi önerilen adlandırma şemasını kullanın (örneğin, WT_123_Analysis).
- Belirli bir hayvan için veri analizi tamamlandıktan ve tüm yönler veya uyaranlar analiz edildikten sonra, veri kümesini Verileri dışarı aktar aracılığıyla dışa aktarın.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Sonuçlar
Yukarıda açıklanan analiz yöntemini doğrulamak için, vahşi tip farelerden ve bilinen bir izleme açığına sahip koşullu nakavt mutantından toplanan dalga izleri üzerindeki OKR izleme kazancını ölçtük. Ek olarak, analiz yöntemimizin daha geniş uygulanabilirliğini test etmek için, farklı bir video-okülografi toplama yöntemi kullanılarak elde edilen ayrı bir vahşi tip fare kohortundan elde edilen izleri analiz ettik. Sakkadların otomatik olarak filtrelenmesi, OKR veri işlemeyi ve analizini kolaylaştırır (...
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Tartışma
PyOKR, göz hareketlerine yansıyan görsel tepkileri incelemek için çeşitli avantajlar sağlar. Bunlar, parametrelendirme ve değişken uyaran hızlarını dahil etme yeteneğine ek olarak doğruluk, erişilebilirlik ve veri toplama seçeneklerini içerir.
Doğrudan göz izleme kazancı değerlendirmesi, hızlı fazlı sakkadların (ETM'ler) geleneksel manuel sayımından daha doğrudan bir nicel ölçüm olan göz hareketinin doğru bir karakterizasyonunu sağlar. Yararlı olmasına rağmen, sakkad sayımı, gerçek izleme hare...
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Açıklamalar
Yazarların herhangi bir çıkar çatışması yoktur.
Teşekkürler
Bu çalışma R01 EY032095 (ALK), VSTP doktora öncesi bursu 5T32 EY7143-27 (JK), F31 EY-033225 (SCH), R01 EY035028 (FAD ve ALK) ve R01 EY-029772 (FAD) tarafından desteklenmiştir.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Malzemeler
| Ad | Şirket | Katalog numarası | Yorumlar |
|---|---|---|---|
| C57BL/6J fareler | Jackson Labs | 664 | |
| Igor Pro | WaveMetrics | RRID: SCR_000325 | |
| MATLAB | MathWorks RRID: SCR_001622 | ||
| Optokinetik refleks kayıt odası - JHUSOM | Özel yapım | N/A | Al-Khindi ve ark.(2022)9 ve Kodama ve ark. (2016)13 |
| Optokinetik refleks kayıt odası - UCSF | Özel yapım | N/A | Harris ve Dunn, 201510 |
| Python | Python Software Foundation'da | RRID: SCR_008394 | |
| Tbx5 flox/+ mice | B. Bruneau | N/ | A'dan Hediye Al-Khindi ve ark.(2022)9 |
| Tg (Pcdh9-cre) NP276Gsat / Mmucd | MMRRC | MMRRC Stok # 036084-UCD; RRID: MMRRC_036084-UCD |
Kaynaklar
- Stahl, J. S. Using eye movements to assess brain function in mice. Vision Res. 44 (28), 3401-3410 (2004).
- Kretschmer, F., Tariq, M., Chatila, W., Wu, B., Badea, T. C. Comparison of optomotor and optokinetic reflexes in mice. J Neurophysiol. 118, 300-316 (2017).
- Bronstein, A. M., Patel, M., Arshad, Q. A brief review of the clinical anatomy of the vestibular-ocular connections - How much do we know. Eye. 29 (2), 163-170 (2015).
- Simpson, J. I. The accessory optic system. Ann Rev Neurosci. 7, 13-41 (1984).
- Hamilton, N. R., Scasny, A. J., Kolodkin, A. L. Development of the vertebrate retinal direction-selective circuit. Dev Biol. 477, 273-283 (2021).
- Dobson, V., Teller, D. Y. Visual acuity in human infants: a review and comparison of behavioral and electrophysiological studies. Vision Res. 18 (11), 1469-1483 (1978).
- Cahill, H., Nathans, J. The optokinetic reflex as a tool for quantitative analyses of nervous system function in mice: Application to genetic and drug-induced variation. PLoS One. 3 (4), e2055(2008).
- Cameron, D. J., et al. The optokinetic response as a quantitative measure of visual acuity in zebrafish. J Vis Exp. (80), e50832(2013).
- Al-Khindi, T., et al. The transcription factor Tbx5 regulates direction-selective retinal ganglion cell development and image stabilization. Curr Biol. 32 (19), 4286-4298 (2022).
- Harris, S. C., Dunn, F. A. Asymmetric retinal direction tuning predicts optokinetic eye movements across stimulus conditions. eLife. 12, 81780(2015).
- Sun, L. O., et al. Functional assembly of accessory optic system circuitry critical for compensatory eye movements. Neuron. 86 (4), 971-984 (2015).
- Yonehara, K., et al. Congenital Nystagmus gene FRMD7 is necessary for establishing a neuronal circuit asymmetry for direction selectivity. Neuron. 89 (1), 177-193 (2016).
- Kodama, T., Du Lac, S. Adaptive acceleration of visually evoked smooth eye movements in mice. J Neurosci. 36 (25), 6836-6849 (2016).
- Stahl, J. S., Van Alphen, A. M., De Zeeuw, C. I. A comparison of video and magnetic search coil recordings of mouse eye movements. J Neurosci Methods. 99 (1-2), 101-110 (2000).
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Yeniden basım ve izinler
