Yöntem makalesi

Wasabi-Alkol Tat-Koku Etkileşimini İncelemek için Hayvan Davranışsal Değerlendirmesi ve Evrişimli Sinir Ağının Entegrasyonu

DOI:

10.3791/66981

⸱

16 Ağustos 2024

 ,  ,  ,  ,  , 
1State Key Laboratory of Environmental and Biological Analysis, Department of Chemistry, Hong Kong Baptist University, 2Guangdong-Hong Kong-Macao Joint Laboratory for Contaminants Exposure and Health, School of Environmental Science and Engineering, Institute of Environmental Health and Pollution Control, Guangdong University of Technology, 3Guangdong Provincial Key Laboratory of Research and Development of Natural Drugs, and School of Pharmacy, Guangdong Medical University

Bu makalede

Özet

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

Bu makale, wasabi ile ortaya çıkan batma hissi üzerinde alkollü içecekleri koklamanın baskılayıcı yeteneğini ölçmek için bir dizi yöntemi açıklamaktadır.

Özet

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

Gıda hazırlamak için yaygın olarak kullanılan ticari wasabi macunları, tüketildiğinde tahriş edici bir his uyandıran homolog bir kemosensoriyel izotiyosiyanat (ITC) bileşiği içerir. Diyetle alınan alkollü içeceklerin koklanmasının wasabi baharatlılık hissi üzerindeki etkisi hiç araştırılmamıştır. Duyusal değerlendirme çalışmalarının çoğu, bireysel yiyecek ve içeceklere ayrı ayrı odaklanırken, wasabi tüketirken likör koklamanın koku alma çalışması hakkında araştırma eksikliği vardır. Burada, farelerin aynı anda likör kokladıklarında ve wasabi tükettiklerinde yüz ifadelerini analiz etmek için bir hayvan davranış çalışmasının ve evrişimli bir sinir ağının kullanımını birleştiren bir metodoloji geliştirilmiştir. Sonuçlar, eğitilmiş ve doğrulanmış derin öğrenme modelinin, önceden eğitim materyallerinin filtrelenmesine gerek kalmadan wasabi negatif likör pozitif grubun sınıfına ait wasabi ve alkolün birlikte işlenmesini gösteren görüntülerin %29'unu tanıdığını göstermektedir. Seçilen video çerçevesi görüntülerinden elde edilen fare yüz buruşturma ölçeği puanlarının istatistiksel analizi, likörün varlığı ve yokluğu arasında anlamlı bir fark (P < 0.01) ortaya koymaktadır. Bu bulgu, diyetle alınan alkollü içeceklerin farelerde wasabi ile ortaya çıkan reaksiyonlar üzerinde azaltıcı bir etkiye sahip olabileceğini düşündürmektedir. Bu birleştirici metodoloji, gelecekte bireysel ITC bileşik taraması ve ruh bileşenlerinin duyusal analizleri için potansiyele sahiptir. Bununla birlikte, wasabi keskinliğinin alkole bağlı baskılanmasının altında yatan mekanizmayı araştırmak için daha fazla çalışmaya ihtiyaç vardır.

Giriş

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

Yaygın olarak wasabi olarak bilinen Wasabia japonica, gıda hazırlamada tanınırlık kazanmıştır 1,2. Tüketildiğinde ortaya çıkardığı, yırtılma, hapşırma veya öksürme ile karakterize edilen yoğun duyusal deneyim iyi bilinmektedir. Wasabi'nin bu ayırt edici keskinliği, homolog bir kemosensoriyel izotiyosiyanatlar (ITC'ler) bileşiğine bağlanabilir. Ω-alkenil ve ω-metiltioalkil izotiyosiyanatlar3 olarak kategorize edilebilen uçucu organosülfür fitokimyasallarıdır. Bu bileşikler arasında alil izotiyosiyanat (AITC), yaban turpu ve hardal gibi Cruciferae familyasına ait bitkilerde bulunan en baskın doğal ITC ürünüdür4. Ticari wasabi macunları genellikle yaban turpundan hazırlanır ve AITC'yi bu ticari ürünlerin kalite kontrolü için kullanılan kimyasal bir belirteç haline getirir5.

Diyetle beslenen alkollü içecekleri wasabi ile aşılanmış yemeklerle eşleştirmek, kültürel eğilimin bir örneği olarak kabul edilebilir6. Öznel olarak, bu kombinasyon wasabi ve ruh arasındaki baharatlılığı ve ısıyı tamamlayarak genel mutfak deneyimini geliştirebilir. Hayvan kalitatif davranış değerlendirmesi (QBA), sayısal terimler kullanarak kısa veya uzun vadeli dış uyaranlara yanıt olarak deneklerdeki davranış değişikliklerini inceleyen kapsamlı bir bütün hayvan metodolojik yaklaşımıdır7. Bu yöntem, ağrı testleri, motor testleri, öğrenme ve hafıza testlerinin yanı sıra kemirgen modelleri için özel olarak tasarlanmış duygu testlerini kapsar8. Bununla birlikte, koku alma ile birlikte tat almanın sinerjik duyusal değerlendirmesini araştıran çalışmalar literatürde şimdiye kadar az sayıda kalmıştır 9,10. Kimyasal duyum üzerine yapılan çalışmaların çoğu, bireysel yiyecek ve içecek tüketimini ayrı ayrı incelemekle sınırlıdır11. Sonuç olarak, wasabi tüketirken likör koklama eylemini içeren tat-koku etkileşimi üzerine araştırma eksikliği vardır.

Wasabi kaynaklı batma hissinin bir tür nosisepsiyon12 olduğuna inanıldığından, hayvan davranışsal değerlendirmeleri kemirgen hayvanlarda nosiseptif duyusal tepkileri değerlendirmek için çok uygundur 8,13,14. Farelerde nosisepsiyonu değerlendirmek için fare yüz buruşturma ölçeği (MGS) skorlaması olarak bilinen bir yöntem Langford ve ark.15,16 tarafından geliştirilmiştir. Bu davranışsal çalışma yöntemi, deneysel fareler tarafından sergilenen yüz ifadelerinin analizine dayanan, ağrı ile ilgili bir değerlendirme yaklaşımıdır. Deney düzeneği, şeffaf bir kafes ve video kaydı için 2 kamera içeren basittir. Otomatik veri yakalama için ileri teknolojileri 17,18,19 dahil ederek, davranışsal izleme sırasında hayvan refahını artıran nicel ve nitel davranışsal ölçümler elde edilebilir 20. Sonuç olarak, MGS, çeşitli dış uyaranların hayvanlar üzerindeki etkilerini kesintisiz ve ad libitum bir şekilde incelemede uygulanma potansiyeline sahiptir. Bununla birlikte, puanlama süreci, panelistler tarafından değerlendirilmek üzere yalnızca birkaç (10'dan az) video karesi görüntüsünün seçilmesini içerir ve önceden eğitim gereklidir. Çok sayıda örnek görüntünün puanlanması yoğun emek gerektiren bir işlem olabilir. Bu zaman alıcı zorluğun üstesinden gelmek için, birkaç çalışma MGS puanı21,22'yi tahmin etmek için makine öğrenimi tekniklerini kullanmıştır. Yine de, MGS'nin sürekli bir önlem olduğuna dikkat etmek önemlidir. Bu nedenle, çok sınıflı bir sınıflandırma modeli, aynı anda wasabi yutan ve likör koklayan farelerin görüntülerinin normal farelerinkine benzeyip benzemediğini belirlemek gibi mantıksal ve kategorik bir sorunu değerlendirmek için daha uygun olacaktır.

Bu çalışmada, farelerde tat-koku etkileşimini araştırmak için bir metodoloji önerilmiştir. Bu metodoloji, fare deneklerinin yüz ifadelerini analiz etmek için hayvan davranış çalışmalarını evrişimli bir sinir ağı (CNN) ile birleştirir. İki fare, normal davranışsal koşullar altında, wasabi kaynaklı nosisepsiyon deneyimi sırasında ve özel olarak tasarlanmış bir kafeste likör koklarken üç kez gözlendi. Farelerin yüz ifadeleri videoya kaydedildi ve oluşturulan çerçeve görüntüleri, bir derin öğrenme (DL) modelinin mimarisini optimize etmek için kullanıldı. Model daha sonra bağımsız bir görüntü veri seti kullanılarak doğrulandı ve deney grubundan elde edilen görüntüleri sınıflandırmak için konuşlandırıldı. Fareler wasabi tüketimi sırasında aynı anda likör kokladıklarında wasabi keskinlik baskılanmasının derecesini belirlemek için, yapay zeka tarafından sağlanan içgörüler, başka bir veri analizi yöntemi olan MGS puanlaması16 ile çapraz doğrulama yoluyla daha da doğrulandı.

Protokol

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

Bu çalışmada, hayvan davranışsal değerlendirmesi için ağırlığı 17-25 g arasında değişen 7 haftalık iki ICR erkek faresi kullanıldı. Tüm konut ve deneysel prosedürler, Hong Kong Baptist Üniversitesi Öğretim ve Araştırmada İnsan ve Hayvan Deneklerinin Kullanımı Komitesi tarafından onaylandı. Hayvan odası, 12 saatlik aydınlık-karanlık döngüsünde 25 °C sıcaklıkta ve %40-70 oda neminde tutuldu.

1. Kafes tasarımı

  1. Kafes yapımı için 3 farklı boyutta akrilonitril bütadien stiren tuğlaları hazırlayın: 8 mm x 8 mm x 2 mm, 16 mm x 16 mm x 6 mm ve 32 mm x 16 mm x 6 mm.
  2. Kafes tabanı olarak bir akrilonitril bütadien stiren plakası (312 mm x 147 mm x 2 mm) hazırlayın.
  3. Alt plaka olarak kullanılmak üzere 2 mm kalınlığında 239 mm x 107 mm şeffaf olmayan akrilik plaka hazırlayın.
  4. Üst plaka olarak kullanılmak üzere 239 mm x 107 mm kalınlığında 5 mm şeffaf akrilik plaka hazırlayın.
  5. Terminal plakası olarak kullanılmak üzere 107 mm kalınlığında 50 mm x 7 mm şeffaf akrilik plaka hazırlayın.
  6. Tuğlaları 54 mm yüksekliğe kadar istifleyerek 2 opak yan duvar inşa edin.
  7. Akrilik plakaları, Şekil 1A'da gösterildiği gibi akrilonitril bütadien stiren bazlı kafese gömün.
  8. Şekil 1B'de gösterildiği gibi, 2 mm kalınlığında beş adet 90 mm x 50 mm şeffaf akrilik plakadan yapılmış bir chows odası hazırlayın. 5 şeffaf akrilik plaka arasında yanlar için 2 plaka, üst için 1 plaka, alt için 1 plaka ve terminal için 1 plaka kullanın.
  9. 60 mm x 50 mm boyutlarında 2 mm boyutlarında şeffaf akrilik plakayı chow giriş plakası olarak hazırlayın ve chow'un haznesine yerleştirin.

2. Hayvan davranış değerlendirmesi

  1. 2 adet 7 haftalık ICR erkek farenin ev yavruları düzenli bir kafeste birlikte.
  2. 2 farenin yavrularına 1 haftalık bir adaptasyon süresi boyunca gıda peletlerine ve musluk suyuna ücretsiz erişim sağlayın.
  3. 1 hafta sonra, 2 farenin yavrularını bir şişe etanol (~% 40 v / v) ile tanıtın.
    NOT: İçme kısıtlanırken sağlanan sulu etanolü yalnızca ad libitum bazında koklamalarına veya solumalarına izin verildiğinden emin olun.
  4. 9-10 haftalık fare modelini ve Şekil 1A'da gösterilen şeffaf hücre kafesini kullanarak davranışsal deneyler yapın.
  5. Tüm akrilik plakaları ve akrilonitril bütadien stiren plakaları sökün ve iyice temizleyin. En az 3 kez ultra saf suyla durulayarak başlayın ve ardından kağıt havlu kullanarak kurulayın. Ardından, üzerlerine %75 etanol püskürtün ve ardından lens kağıdı ile temizleyin. Son olarak, en az 15 dakika kurumaya bırakın.
  6. Davranışsal deneyin her tekrarından önce fareleri tartın ve vücut ağırlıklarını kaydedin.
  7. 1 g ticari wasabi ve 4,5 g fıstık ezmesi tartarak wasabi ve fıstık ezmesi karışımını taze olarak hazırlayın. Bunları fermuarlı bir plastik torbada karıştırın.
    NOT: Wasabi içindeki izotiyosiyanatların uçuculuğu nedeniyle, ticari wasabi'nin -20 °C dondurucuda saklanması önemlidir.
  8. Şekil 0.5B, C'de gösterildiği gibi, yemek giriş plakasına iki adet 1 g fıstık ezmesi macunu veya wasabi ve fıstık ezmesi karışımı tartın ve sağlayın.
  9. Her video kayıt oturumu sırasında 1 farenin yiyeceğe ad libitum erişimine sahip olmasını sağlamak için hazırlanan yemek giriş plakasını Şekil 2B, C'de gösterildiği gibi yemek odasına yerleştirin.
  10. Şekil 30B, C'de gösterildiği gibi eşzamanlı solumayı kolaylaştırmak için alttaki oluğu saf su veya likör (~%42 v/v etanol) olmak üzere saf su veya likör (~% 1 v/v etanol) ile doldurun.
  11. Her terminalde bulunan telefon standına yerleştirilmiş 2 akıllı telefondaki kameraları kullanarak kayda başlayın.
    NOT: Videoların teknik özellikleri şu şekildedir: çerçeve genişliği, 1920; çerçeve yüksekliği, 1080; veri hızı, 20745 kbps; kare hızı, saniyede 30,00 kare (fps).
  12. Eğitimli 2 fare yavrusunu, tasarlanan hayvan davranışsal çalışma platformuna üstten dikkatlice yerleştirin ve kafesi hemen üst plaka ile sabitleyin.
    NOT: Bu adımın 15 saniye içinde tamamlandığından emin olun.
  13. Her videoyu 2-3 dakika boyunca kaydedin.
    NOT: Fıstık ezmesi-wasabi karışımının hazırlanmasından video kaydının tamamlanmasına kadar deneyin tüm süresinin 5 dakika ile sınırlı olduğundan emin olun.
  14. Tüm deneyi 3 kez tekrarlayın.
    NOT: Deneyin her bir kopyasının en az 6 saat boyunca ayrıldığından emin olun.
  15. Farklı senaryoları taklit edin.
    NOT: Örneğin, bu çalışmada 4 farklı senaryo ile 4 grupta bir çift fare kullanılmış ve yukarıda anlatılan deney ortamı kullanılarak taklit edilmiştir. Bu senaryolar, arka plan çalışması için Senaryo A'yı, pozitif kontrol çalışması için Senaryo B'yi, wasabi-alkol tat-koku etkileşimi çalışması için Senaryo C'yi ve negatif kontrol çalışması için Senaryo D'yi içerir. Tablo 1'de bu senaryoların bir özeti verilmiştir.

3. Görüntü tanıma

Görüntü işleme 23,24,25 ile ilgili birçok çalışmaya benzer şekilde, bir CNN eğitimi ile bir sınıflandırma modeli elde edilmiştir. DL işlemleri için betik, Jupyter Notebook (anaconda3) üzerinde Python v.3.10'da yazılmıştır. Aşağıdaki GitHub deposunda mevcuttur: git@github.com:TommyNHL/imageRecognitionJove.git. CNN'yi oluşturmak ve eğitmek için numpy v.1.21.5, seaborn v.0.11.2, matplotlib v.3.5.2, cv2 v.4.6.0, sklearn v.1.0.2, tensorflow v.2.11.0 ve keras v.2.11.0 dahil olmak üzere açık kaynaklı kitaplıklar kullanıldı. Bu kütüphaneler, CNN'yi görüntü tanıma için geliştirmek ve eğitmek için gerekli araçları ve işlevselliği sağladı.

  1. Sağlanan Step1_ExtractingAndSavingVideoFrameImages.ipynb adlı Jupyter Notebook'u kullanarak model eğitimi için bir veri kümesi oluşturmak üzere toplanan video kliplerden bir dizi video çerçevesi görüntüsünü dışarı aktarın.
  2. Görüntüleri yalnızca sağlanan macunu tüketen en az 1 fare ile seçin. Seçilen görüntülerin örnekleri Ek Şekil 1, Ek Şekil 2, Ek Şekil 3, Ek Şekil 4, Ek Şekil 5, Ek Şekil 6 ve Ek Şekil 7'de verilmiştir.
  3. Jupyter Notebook'ta sağlanan Step2_DataAugmentation.ipynb adlı betiği uygulayarak oluşturulan görüntüleri yatay olarak çevirerek veri büyütme gerçekleştirin.
  4. Harici bağımsız CNN modeli doğrulaması için her saniye çoğaltmasından görüntü verilerini ayırın. Dahili model eğitimi ve testi için her birinci ve üçüncü çoğaltmadan elde edilen görüntüleri kullanın.
  5. Görüntü yeniden boyutlandırma, siyah renk dönüştürme ve görüntü sinyali normalleştirme dahil olmak üzere Step3_CNNmodeling_TrainTest.ipynb adlı Jupyter Notebook'ta komut dosyasını çalıştırarak CNN modellemesinde kullanılan görüntü verilerini önceden işleyin.
  6. Eğitim materyallerini dahili eğitim ve test veri kümelerine rastgele 8:2 oranında bölün.
  7. CNN mimarisini başlatın. CNN'nin çıktı sayısını, incelenecek senaryo sayısına göre tasarlayın.
    NOT: Örneğin, bu çalışmada sinir ağı 3 sınıfı sınıflandırmak için belirlenmiştir. Sınıf ağırlığındaki veri dengesizliğini işlemek için komut dosyasının derlendiğinden emin olun.
  8. CNN yapımı için dahili test numunelerinde minimum kayıp sağlayan hiper parametre kombinasyonunu bulun.
  9. CNN mimarisi oluşturmak için en uygun hiper parametre kombinasyonunu benimseyin.
  10. Sağlanan Jupyter Notebooks Step4_CNNmodel_ExternalValOriginal.ipynb ve Step5_CNNmodel_ExternalValFlipped.ipynb'yi açın. Hayvan davranış deneyinin ikinci kopyasından bağımsız (orijinal ve ters çevrilmiş) görüntüleri kullanarak elde edilen modeli doğrulayın.
  11. Jupyter Notebook Step6_CNNmodel_Application.ipynb kullanarak deney grubundan oluşturulan video çerçevesi görüntülerini sınıflandırmak için elde edilen ve doğrulanan modeli dağıtın.
    NOT: Örneğin, bu çalışmada senaryo C'dir.

4. Manuel fare yüz buruşturma ölçeği puanlaması

NOT: CNN model tahmini tarafından sağlanan içgörüleri doğrulamak için, daha önce Langford ve arkadaşları tarafından geliştirilen ve doğrulanan başka bir yöntem uygulanmıştır16. Bu yöntem, MGS'nin 5 spesifik fare yüz eylem birimine (AU) dayalı olarak puanlanmasını içerir: orbital sıkılaştırma, burun şişkinliği, yanak şişkinliği, kulakların dışa doğru sıkılması ve bıyık değişimi. Her AU'ya, AU'nun yokluğunu, orta düzeyde varlığını veya bariz varlığını gösteren sırasıyla 0, 1 veya 2 puanı atanır. Bu puanlama sistemi, farelerin yaşadığı nosisepsiyon veya rahatsızlık seviyesini değerlendirmek için her bir AU'nun ölçülmesine ve ölçeklendirilmesine izin verir.

  1. Her video klip için macunu yutan littermatların 3 video karesi görüntüsünü yakalayın. Her karenin en az 3 saniye ayrıldığından emin olun.
  2. "ShuffleSlides.pptm" (Ek Dosya 1) adlı sağlanan şablon dosyasını kullanarak ve katıştırılmış Makro kodunu çalıştırarak farklı senaryo sınıflarından görüntüleri sırayla kör kod oluşturun ve rastgele yeniden sıralayın.
  3. Örnek görüntüleri puanlamak için en az 10 panelist davet edin.
  4. MGS'yi kullanarak görüntü örneklerini puanlamak için panelistleri eğitin. Panelistlere MGS ile ilgili orijinal makaleyi ve el kitabını içeren eğitim materyalleri sağlayın15,16.
  5. Yakalanan bir çerçevedeki her bir hayvan deneğinin MGS puanını, karşılık gelen 5 yüz AU'sunun tüm puan puanlarının ortalamasını alarak hesaplayın. MGS skorunu ortalama ± standart ölçüm hatası (SEM) olarak sunun.
  6. Bonferroni'nin çoklu karşılaştırma post-hoc testi ile tek yönlü varyans analizi (ANOVA) ile farklı senaryo sınıfları arasında istatistiksel olarak anlamlı farklılıklar olup olmadığını belirleyin.
    NOT: P < 0,05 değeri istatistiksel olarak anlamlı kabul edilir.

Sonuçlar

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

Bu çalışmanın temel amacı, farelerde tat-koku etkileşimini araştırmak için sağlam bir çerçeve oluşturmaktır. Bu çerçeve, tahmine dayalı bir sınıflandırma modeli geliştirmek için yapay zeka ve QBA kullanımını içerir. Ek olarak, DL'den elde edilen içgörüler, dahili bağımsız bir analiz için nicel bir MGS değerlendirmesi ile çapraz doğrulanır. Bu metodolojinin birincil uygulaması, fareler diyet alkollü içeceklerini kokladığında wasabi ile indüklenen nosisepsiyonun baskılanma derecesini incelemektir.

Wasabi-negatif likör-pozitif grup sınıfına ait wasabi-alkol ortak tedavi görüntülerinin )'unun derin öğrenme modeli ile tanınması
Ticari wasabi macunu tüketimi üzerine insanlarda yüz aşırı reaksiyonu meydana gelebilir. Benzer bir deneyim farelerde de gözlemlenebilir (Ek Video 1). Nosisepsiyon duyusu, kemirgenlerdeki yüz ifadeleri ile iyi bir şekilde ilişkili olduğundan, ticari wasabi içeren veya içermeyen yemler sağlandığında tepkilerini belirlemek için 2 littermatın davranışları izlendi. Bu çalışmada, DL teknikleri kullanılarak bir CNN eğitimi verilmiştir. Her senaryo için 3 kopya gerçekleştirildiğinden, 1. ve 3. kopyalardan elde edilen görüntü materyalleri, CNN modeli hiperparametrelerinin ayarlanması ve modellemesi, dahili eğitim ve test için kullanıldı. Bu çalışmada CNN mimarisinin evrimi Tablo 2'de detaylandırılmıştır. CNN'nin optimize edilmiş mimarisi, 268 x 268 piksel çözünürlüğe sahip bir giriş katmanından ve ardından her biri 8 filtreye sahip 4 iki boyutlu evrişim katmanından oluşuyordu. Ek olarak, 3 sınıflı sınıflandırma görevi için 2 havuzlama katmanı, 2 bırakma katmanı, bir düzleştirme katmanı ve 2 yoğun katman dahil edildi. CNN mimarisi için Ek Dosya 2'ye bakın.

Bu çalışmadaki model, 35.486 görüntüden oluşan bir veri seti kullanılarak eğitilmiş ve 7 dönem boyunca 8.872 görüntü üzerinde test edilmiştir. Kayıp, hassasiyet-geri çağırma oranı, hassasiyet ve duyarlılık (veya geri çağırma) gibi metrikler dahil olmak üzere eğitilen modelin eğitim sırasındaki performansı, dahili eğitim ve test veri kümelerinde Ek Şekil 8A-D'de görülebilir. Model, hem dahili eğitim hem de test setleri için doğruluğunu, hassasiyetini ve hassasiyetini 1 olarak gösterdi. Bu, modelin tahminlerinin hem iç eğitim hem de test veri kümelerindeki görüntülerin gerçek sınıflarıyla uyumlu olduğunu gösterir. Model eğitiminden sonra, 2. kopyadan alınan görüntüler, aşırı uyumun elde edilen CNN modeli için bir sorun olmadığından emin olmak ve bağımsız olarak doğrulamak için kullanıldı. Model, arka plan çalışmasında (senaryo A) 4.820 görüntü, pozitif kontrol çalışmasında 3.900 görüntü (senaryo B) ve negatif kontrol çalışmasında (senaryo D) 2.731 görüntü için 1 doğruluk, kesinlik ve duyarlılık değerleriyle tahmin sağlamlığını sergiledi. Elde edilen tahmine dayalı model, ruhu koklayan ve wasabi içeren fıstık ezmesi tüketen farelerin (senaryo C) video çerçeve görüntülerini farklı çalışma senaryolarına, yani Senaryo A, B ve D'ye sınıflandırmak için kullanıldı. Sonuçlar, görüntülerin %0 ve )'unun sırasıyla arka plan çalışması (senaryo A, saf su ve wasabi içermeyen fıstık ezmesi mevcut) ve negatif kontrol çalışması (senaryo D, Çin ruhu ve wasabi içermeyen fıstık ezmesi mevcut) sınıflarına göre kategorize edildiğini, görüntülerin q'inin ise pozitif kontrol grubu sınıfları olarak sınıflandırıldığını (saf su ve wasabi-fıstık ezmesi karışımının mevcut olduğu senaryo C) olarak sınıflandırıldığını göstermektedir. Bu bulgular, diyet likörünün varlığının farelerde wasabi ile uyarılan nosisepsiyonunu azaltabileceğini ima etmektedir. Makinenin sağlanan eğitim materyallerinden ne öğrendiğini değerlendirmek için, her bir evrişim katmanı için özellik haritaları oluşturuldu. Ek Şekil 9A-D'de gösterildiği gibi, makinenin dikkatinin gözler, orbital, burun, yanak ve vücut kenarları, kulaklar gibi çeşitli yüz özelliklerine ve ayrıca yemlerin temas yüzeyine odaklandığı gözlemlendi. Bu gözlemlere dayanarak, başka bir veri analiz yöntemi olan MGS gerçekleştirilmiştir. MGS, farelerin yüz AU'larına odaklanarak, alkollü içeceklerin wasabi kaynaklı nosisepsiyona sunulmasının baskılanma yeteneğinin istatistiksel bir değerlendirmesine ve daha fazla doğrulanmasına izin verir.

Manuel fare yüz buruşturma ölçeği puanlaması, makine öğrenimi tahminlerini istatistiksel olarak doğrular.
Wasabi ile uyarılmış nosisepsiyonun yoğunluğu, 0 ile 2 arasında değişen skorlar atayan MGS skoru kullanılarak değerlendirildi, skor 0 en az şiddetli olanı ve skor 2 en şiddetli yanıtı gösterdi. Bu çalışmada, 24 farenin MGS skorları (yani, seçilen 12 görüntüde Ek Şekil 10, Ek Şekil 11, Ek Şekil 12, Ek Şekil 13 olarak sunuldu) 22 eğitimli panelist tarafından değerlendirildi. Üçlü deneylerle 2 farenin littermatının analizi, parti içi hassasiyetlerin ve partiler arası hassasiyetlerin sırasıyla% 0 -% 25 ve% 9 -% 33 arasında değişen nispi standart türemeye sahip olduğunu gösterdi. Bu, MGS puanlama sürecinde iyi bir hassasiyet ve tutarlılık olduğunu gösterir. Fıstık ezmesi verilen farelerin (Şekil 3A, 0.73 ± 0.04) ve wasabi ve fıstık ezmesi karışımı verilen farelerin MGS skorları arasında anlamlı bir fark gözlendi (Şekil 3B, 1.59 ± 0.11). Bu, hayvan davranışsal çalışması için deney kurulumunu doğrular ve wasabi'nin nosiseptif tepkileri indüklemedeki etkinliğini doğrular. Sağlanan alkollü içeceğin altından salınan alkol buharı (alkolün ~% 42 v / v'si) tahriş edici olsa da, MGS skoru (Şekil 3D, 0.86 ± 0.16) kontrol grubuna kıyasla anlamlı bir fark göstermedi (Şekil 3A, 0.73 ± 0.04). Bununla birlikte, wasabi-fıstık ezmesi karışımı ile sağlanan farelerin (Şekil 3B, 1.59 ± 0.11) ve wasabi tüketimi sırasında alkol buharına maruz kalanların (Şekil 3C, 0.95 ± 0.07) MGS skorları arasında <0.05) P değeri ile anlamlı bir fark gözlenmiştir. Bu bulgular, wasabi ve alkollü içeceklerin birlikte uygulanmasının, yapay zeka perspektifiyle uyumlu olarak wasabi kaynaklı tahrişi potansiyel olarak azaltabileceğini düşündürmektedir. Muhtemelen etanolün varlığına atfedilebilecek wasabi keskinliğinin bastırılmasına katkıda bulunan, sağlanan Çin ruhu içindeki etkili bileşeni araştırmak için daha fazla araştırma yapılması gerekmektedir.

Zaten kullanılabilir olan kod örneği. Geçerli gönderimle ilişkili görüntü tanıma gerçekleştirmek için tüm kodlar genel bir GitHub Deposunda mevcuttur: git@github.com:TommyNHL/imageRecognitionJove.git. Herhangi bir güncelleme, bu çalışmanın son DOI'sinin bir alıntısıyla GitHub Deposunda da yayınlanacaktır.

figure-results-1
Şekil 1: Ağrı ile ilgili hayvan davranış çalışması için deney düzeneği. (A) Telefona yerleştirilen 2 akıllı telefondaki kameraları kullanarak 2 farenin yüz ifadelerini videoya kaydetmek için tüm kurulum her terminalde duruyor. (B) Ad libitum bazında 2 fareye iki adet 0.5 g fıstık ezmesi macunu veya wasabi ve fıstık ezmesi karışımı sağlamak için kullanılan yemek odası ve 30 mL sıvı (su veya ~% 42 v / v likör) eşzamanlı soluma için macunların altındaki oluğa dolduruldu. (C) 30 mL sıvı ile doldurulmuş ve 2 macun wasabi-fıstık ezmesi karışımı içeren oluğa daha yakından bir bakış. Karışım, 1 g ticari wasabi'nin 4.5 g fıstık ezmesi içinde karıştırılmasıyla hazırlandı. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-results-2
Şekil 2: Evrişimli sinir ağı modelinin mimarisi ve girdi ve çıktısı. Arka plan çalışması için senaryo A, pozitif kontrol çalışması için senaryo B ve negatif kontrol çalışması için senaryo D olmak üzere 3 farklı senaryodan görüntüler eğitim için kullanılmıştır. Wasabi-alkol-alkol-koku etkileşim çalışması için senaryo C'nin görüntüleri, model eğitiminden sonra senaryo A, B veya D olarak sınıflandırıldı. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-results-3
Şekil 3: Farklı chows sağlanan farelerin fare yüz buruşturma ölçeği (MGS) skorları. MGS skoru 0 ile 2 arasındadır, 0 skoru en az şiddetli olanı ve en şiddetli için skor 2'dir. Referans MGS ölçeği Langford ve ark. (2010)16. (A) tüketmek için fıstık ezmesi verilen farelerin yüz buruşturması 0.73 ± 0.04; (B) yutmak için wasabi ve fıstık ezmesi karışımı (4,5 g fıstık ezmesinde 1 g ticari wasabi) 1,59 ± 0,11 puan aldı; (C) yutmak için wasabi ve fıstık ezmesi karışımı, alkolün solunması sağlanan ruhun altından (~% 42 v / v alkol) elde edilirken, 0.95 ± 0.07 puan aldı; (D) alkolün solunması altından, sağlanan ispirto 0.86 ± 0.16 puan alırken, tüketim için fıstık ezmesi. *, P < 0.05; **, P < 0.01; ns

Tartışma

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

Bu çalışmada tat-koku etkileşimini incelemek için önerilen yöntem, Langford ve ark.16 tarafından geliştirilen farelerde ağrının yüz ifadesi için orijinal davranışsal kodlama yöntemine dayanmaktadır. Yakın zamanda yayınlanan birkaç makale, otomatik fare yüzü izleme ve ardından MGS puanlaması 21,26,27,28 için CNN'yi tanıttı. CNN'leri uygulamak, bir tahmin modelini eğitmek için kullanılabilecek bir dizi video çerçevesi görüntüsünün oluşturulması için olduğu gibi, yalnızca orijinal yönteme göre bir avantaj sunar. Buna karşılık, orijinal yöntem, MGS için öznellik ve önyargı getirebilecek sınırlı sayıda görüntünün önceden seçilmesini gerektiriyordu.

Daha önce yayınlanmış CNN tabanlı yöntemler arasında, kan dolaşımına doğrudan ağrıya neden olan bir ajan enjeksiyonu üzerine sıkıntı veya rahatsızlık derecesini değerlendirmek için geliştirilmiştir26,28. Bu ilaç giriş yaklaşımının bir dezavantajı, farenin yüz profilini yakalamayan video çerçevesi görüntülerini filtrelemek için önemli miktarda çaba gerekmesidir. Bu çalışmada nosisepsiyona neden olan ticari wasabi ad libitum bazında verilmiştir. Fıstık ezmesi, uçucu bileşen AITC'yi maskelemenin yanı sıra, video kaydı sırasında yüz profillerinin yakalanmasını kolaylaştırarak, net bir önden görünüm hareketi sunmak için fare deneklerini çekebilir. Ayrıca, bu yaklaşım, iğne batırılmasından kaynaklanan ağrıdan kaynaklanan herhangi bir potansiyel girişimi ortadan kaldırır. Bununla birlikte, farelerin yutma hareketinin, burun şişkinliği ve yanak şişkinliği için MGS skorlamasını etkileyebileceğini not etmek önemlidir. Bunu ele almak için, farelere saf fıstık ezmesi verilerek bir temel kontrol deneyi yapılmalıdır.

Hayvan davranışsal çalışması için belirli CNN tabanlı algoritmalarda, eğitim görüntülerinden yalnızca fare yüz eylem birimlerinin bir alt kümesi seçilir ve yakalanacak şekilde programlanır21,22. Bu hesaplama yöntemleri, nosisepsiyon hissi ile ilişkili önceden tanımlanmış özelliklere dayanırken, bireysel fare deneklerine özgü diğer önemli özellikleri potansiyel olarak ihmal eder. Sonuç olarak, bilgi kaybına yol açabilir. Buna karşılık, bu çalışma, bir CNN modelini eğitmek için tüm fare yüzü görüntüsünü kullanarak farklı bir yaklaşım benimsiyor. Bu yalnızca görüntü kullanımı (IOU) tabanlı yöntemin görüntü sınıflandırması25 için daha verimli olduğu gösterilmiştir. Bu nedenle, bu çalışmada önerilen CNN modelleme yaklaşımı, önce bölge açıklaması olmadan tüm görüntüyü kullanarak bir CNN modelini eğiten ve daha sonra modeli manuel insan değerlendirmesi yoluyla doğrulayan bazı önerilen yöntemlere benzer27,29. Bu yaklaşım, görüntülerde daha fazla bilgi tutabilir ve öznellik girişini önleyebilir.

Bununla birlikte, bu çalışmadaki deney düzeneğinin bir sınırlaması, fare deneklerinin bireysel habitatlardan ziyade 2'li yavrular olarak barındırılmasıdır. Farelerin sosyal hayvanlar olduğu ve tipik olarak grup ortamlarında geliştiği göz önüne alındığında, bu karar kasıtlıydı. İlginç bir bulgu, hayvan eğitimi döneminde, 3 kafesten 1 kafeste sadece 2 yavrunun Çin ruhunun varlığına adapte olmak için eğitilmiş olmasıdır. Sonuç olarak, yalnızca bu 2 yavru üzerinde sadece üçlü deneyler yapıldı. CNN modellemesi için eğitim materyalleri için, her 2 littermatı da içeren ayrı bir görüntü, herhangi bir segmentasyon yapılmadan ayrı bir örnek olarak alınmıştır. Bu yaklaşım, yavrular arasındaki etkileşimi yakalamamıza ve davranışlarını yüz ifadeleriyle birlikte toplu olarak analiz etmemize olanak sağladı.

Görüntü tabanlı MGS skorlama yöntemine benzer şekilde, bu çalışmada önerilen yöntemin kedigiller ve atlar gibi diğer hayvan türlerine de aktarılabilir olması beklenmektedir30,31. Önerilen metodolojiyi uygulayarak, bilgisayarla görme uygulamasıyla birlikte gıdayı indükleyen bir chows giriş yöntemi, özellikle çeşitli hayvanlarda tat-koku etkileşimi için hayvan davranış çalışmasını kolaylaştırmak için bir yaklaşım olabilir.

Açıklamalar

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

Yazarlar herhangi bir çıkar çatışması olmadığını beyan ederler.

Teşekkürler

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

Z. Cai, Kwok Yat Wai Çevresel ve Biyolojik Analiz Kürsüsünün kurulması için Kwok Chung Bo Fun Yardım Fonu'ndan gelen mali desteği kabul eder.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Mutlak etanol (EtOH)VWR Kimyasalları BDHCAS # 64-17-5
Akrilonitril bütadien stiren tuğlalarıJiahuifeng Amiral Gemisi Mağazasıhttps://shop.paizi10.com/jiahuifeng/chanpin.html
Akrilonitril bütadien stiren plakalarıJiahuifeng Amiral Gemisi Mağazasıhttps://shop.paizi10.com/jiahuifeng/chanpin.html
Alil izotiyosiyanat (AITC)Sigma-AldrichCAS # 57-06-7
Susuz dimetil sülfoksitSigma-AldrichCAS # 67-68-5
Çin ruhuYanghe Qingcihttps://www.chinayanghe.com/article/45551.html
Ticari wasabiS & B GIDA A.Ş.
Formik asit (FA)VWR Kimyasalları BDHCAS # 64-18-6
GraphPad Prizma 5GraphPadhttps://www.graphpad.com
HPLC sınıfı asetonitril (ACN)VWR Kimyasalları BDHCAS # 75-05-8
HPLC dereceli metanol (MeOH)VWR Kimyasalları BDHCAS # 67-56-1
Microsoft Excel 2016Microsofthttps://www.microsoft.com 
Microsoft PowerPoint 2016Microsofthttps://www.microsoft.com
Milli-Q su sistemiMillipore https://www.merckmillipore.com
Fare: ICRLaboratuvar Hayvanları Hizmetleri Merkezi (Hong Kong Çin Üniversitesi, Hong Kong, Çin)N/A
Fıstık ezmesiSkippyhttps://www.peanutbutter.com/peanut-butter/creamy
Python v.3.10Python Yazılım Vakfıhttps://www.python.org 
Şeffaf akrilik plakalarTaobao Storehttps://item.taobao.com/item.htm?_u=32l3b7k63381&id=60996545797
0& spm=a1z09.2.0.0.77572e8dFPM
EHU
https://www.sbfoods-worldwide.com

Kaynaklar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Isshiki, K., Tokuoka, K., Mori, R., Chiba, S. Preliminary examination of allyl isothiocyanate vapor for food preservation. Biosci Biotechnol Biochem. 56 (9), 1476-1477 (1992).
  2. Li, X., Wen, Z., Bohnert, H. J., Schuler, M. A., Kushad, M. M. Myrosinase in horseradish (Armoracia rusticana) root: Isolation of a full-length cDNA and its heterologous expression in Spodoptera frugiperda insect cells. Plant Sci. 172 (6), 1095-1102 (2007).
  3. Depree, J. A., Howard, T. M., Savage, G. P. Flavour and pharmaceutical properties of the volatile sulphur compounds of Wasabi (Wasabia japonica). Food Res Int. 31 (5), 329-337 (1998).
  4. Hu, S. Q., Wei, W. Study on extraction of wasabi plant material bio-activity substances and anti-cancer activities. Adv Mat Res. 690 - 693, 1395-1399 (2013).
  5. Lee, H. -K., Kim, D. -H., Kim, Y. -S. Quality characteristics and allyl isothiocyanate contents of commercial wasabi paste products. J Food Hyg Saf. 31 (6), 426-431 (2016).
  6. Bacon, T. Wine, wasabi and weight loss: Examining taste in food writing. Food Cult Soc. 17 (2), 225-243 (2014).
  7. Fleming, P. A., et al. The contribution of qualitative behavioural assessment to appraisal of livestock welfare. Anim Prod Sci. 56, 1569-1578 (2016).
  8. Shi, X., et al. Behavioral assessment of sensory, motor, emotion, and cognition in rodent models of intracerebral hemorrhage. Front Neurol. 12, 667511(2021).
  9. Stevenson, R. J., Prescott, J., Boakes, R. A. Confusing tastes and smells: How odours can influence the perception of sweet and sour tastes. Chem Senses. 24 (6), 627-635 (1999).
  10. Pfeiffer, J. C., Hollowood, T. A., Hort, J., Taylor, A. J. Temporal synchrony and integration of sub-threshold taste and smell signals. Chem Senses. 30 (7), 539-545 (2005).
  11. Simons, C. T., Klein, A. H., Carstens, E. Chemogenic subqualities of mouthfeel. Chem Senses. 44 (5), 281-288 (2019).
  12. Andrade, E. L., Luiz, A. P., Ferreira, J., Calixto, J. B. Pronociceptive response elicited by TRPA1 receptor activation in mice. Neuroscience. 152 (2), 511-520 (2008).
  13. Palazzo, E., Marabese, I., Gargano, F., Guida, F., Belardo, C., Maione, S. Methods for evaluating sensory, affective and cognitive disorders in neuropathic rodents. Curr Neuropharmacol. 19 (6), 736-746 (2020).
  14. Topley, M., Crotty, A. M., Boyle, A., Peller, J., Kawaja, M., Hendry, J. M. Evaluation of motor and sensory neuron populations in a mouse median nerve injury model. J Neurosci Methods. 396, 109937(2023).
  15. Langford, D. J., et al. Mouse Grimace Scale (MGS): The Manual. , https://www.nc3rs.org.uk/sites/default/files/documents/Guidelines/MGS%20Manual.pdf (2015).
  16. Langford, D. J., et al. Coding of facial expressions of pain in the laboratory mouse. Nat Methods. 7 (6), 447-449 (2010).
  17. Liu, H., Fang, S., Zhang, Z., Li, D., Lin, K., Wang, J. MFDNet: Collaborative poses perception and matrix Fisher distribution for head pose estimation. IEEE Trans Multimedia. 24, 2449-2460 (2022).
  18. Liu, T., Wang, J., Yang, B., Wang, X. NGDNet: Nonuniform Gaussian-label distribution learning for infrared head pose estimation and on-task behavior understanding in the classroom. Neurocomputing. 436, 210-220 (2021).
  19. Liu, T., Liu, H., Yang, B., Zhang, Z. LDCNet: Limb direction cues-aware network for flexible human pose estimation in industrial behavioral biometrics systems. IEEE Trans Industr Inform. 20 (6), 8068-8078 (2023).
  20. Grant, E. P., et al. What can the quantitative and qualitative behavioural assessment of videos of sheep moving through an autonomous data capture system tell us about welfare. Appl Anim Behav Sci. 208, 31-39 (2018).
  21. Vidal, A., Jha, S., Hassler, S., Price, T., Busso, C. Face detection and grimace scale prediction of white furred mice. Mach Learn Appl. 8, 100312(2022).
  22. Zylka, M. J., et al. Development and validation of Painface, A software platform that simplifies and standardizes mouse grimace analyses. J Pain. 24 (4), 35-36 (2023).
  23. Liu, H., Zhang, C., Deng, Y., Liu, T., Zhang, Z., Li, Y. F. Orientation cues-aware facial relationship representation for head pose estimation via Transformer. IEEE Trans Image Process. 32, 6289-6302 (2023).
  24. Liu, H., Liu, T., Chen, Y., Zhang, Z., Li, Y. F. EHPE: Skeleton cues-based Gaussian coordinate encoding for efficient human pose estimation. IEEE Trans Multimedia. , (2022).
  25. Liu, H., et al. TransIFC: Invariant cues-aware feature concentration learning for efficient fine-grained bird image classification. IEEE Trans Multimedia. , (2023).
  26. Akkaya, I. B., Halici, U. Mouse face tracking using convolutional neural networks. IET Comput Vis. 12 (2), 153-161 (2018).
  27. Andresen, N., et al. Towards a fully automated surveillance of well-being status in laboratory mice using deep learning: Starting with facial expression analysis. PLoS One. 15 (4), e0228059(2020).
  28. Ernst, L., et al. Improvement of the mouse grimace scale set-up for implementing a semi-automated Mouse Grimace Scale scoring (Part 1). Lab Anim. 54 (1), 83-91 (2020).
  29. Tuttle, A. H., et al. A deep neural network to assess spontaneous pain from mouse facial expressions. Mol Pain. 14, 1744806918763658(2018).
  30. Lencioni, G. C., de Sousa, R. V., de Souza Sardinha, E. J., Corrêa, R. R., Zanella, A. J. Pain assessment in horses using automatic facial expression recognition through deep learning-based modeling. PLoS One. 16 (10), e0258672(2021).
  31. Steagall, P. V., Monteiro, B. P., Marangoni, S., Moussa, M., Sautié, M. Fully automated deep learning models with smartphone applicability for prediction of pain using the Feline Grimace Scale. Sci Rep. 13, 21584(2023).

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

Hayvan Davran al masWasabi Alkol Etkile imiFare Y z Buru turma l e iDerin renme ModeliDuyusal De erlendirmeG r nt Veri Art r mDavran sal DeneyKoku al mas

İlgili makaleler