Wasabi-Alkol Tat-Koku Etkileşimini İncelemek için Hayvan Davranışsal Değerlendirmesi ve Evrişimli Sinir Ağının Entegrasyonu
16 Ağustos 2024
Bu makale, wasabi ile ortaya çıkan batma hissi üzerinde alkollü içecekleri koklamanın baskılayıcı yeteneğini ölçmek için bir dizi yöntemi açıklamaktadır.
Alkollü içeceklerin kokusunu almanın wasabi'nin yanığını hafifletip hafifletemeyeceğini görmek istiyoruz. Bu yüzden, bu tat-koku etkileşimini keşfetmek için hayvan davranışsal çalışmasını ve derin öğrenmeyi içeren bir yöntem geliştirdik. Davranışsal veri toplama için özel kafes tasarımımızı ve sağlam bir derin öğrenme modelini kullanarak, wasabi ve alkolün birlikte tedavisini gösteren görüntülerin% 29'unun wasabi negatif, sıvı pozitif olarak sınıflandırıldığını ve alkolün wasabi'nin etkilerine karşı koyabileceğini düşündürdüğünü bulduk.
Çalışmamız, alkolün wasabi'nin neden olduğu rahatsızlığı neden bastırabileceği sorusunu gündeme getiriyor. Bu etkileşimi yönlendiren altta yatan fizyolojik mekanizmayı anlamak, gelecekteki araştırmaların odak noktası olacaktır. Başlamak için, tuğlaları 54 milimetre yüksekliğe kadar istifleyerek iki opak yan duvar inşa edin.
Akrilik plakaları akrilonitril bütadien stiren bazlı kafese gömün. İki milimetre kalınlığında beş adet 90 milimetre x 50 milimetre şeffaf akrilik plakadan yapılmış bir chows odası hazırlayın. Daha sonra, bir chow giriş plakası olarak şeffaf bir akrilik plaka hazırlayın ve chows haznesine yerleştirin.
Dokuz ila 10 haftalık bir fare modeli kullanarak davranışsal deneyler yaptıktan sonra, tüm akrilik ve akrilonitril bütadien stiren plakalarını sökün. Plakaları en az üç kez ultra saf suyla durulayın. Ve sonra kağıt havlu kullanarak kurulayın.
Ardından, üzerlerine %75 etanol püskürtün ve ardından lens kağıdı ile temizleyin. Son olarak, en az 15 dakika kurumaya bırakın. Şimdi, fareleri tartın ve davranışsal deneyin her tekrarından önce vücut ağırlıklarını kaydedin.
Wasabi ve fıstık ezmesi karışımı hazırlamak için bir gram ticari wasabi ve 4,5 gram fıstık ezmesi tartın. Bunları sıkıştırılmış bir plastik torba içinde karıştırın. Yemek giriş plakasına iki adet 0,5 gramlık fıstık ezmesi macunu veya wasabi ve fıstık ezmesi karışımı tartın ve sağlayın.
Hazırlanan chow giriş plakasını chows haznesine yerleştirin. Ardından, eşzamanlı solumayı kolaylaştırmak için altındaki oluğu saf su veya likör olmak üzere 30 mililitre sıvı ile doldurun. Her terminalde bulunan telefon standlarına yerleştirilmiş iki akıllı telefondaki kameraları kullanarak kayda başlayın.
İki eğitimli fare kumu arkadaşını, tasarlanan hayvan davranışsal çalışma platformuna üstten dikkatlice yerleştirin ve kafesi hemen üst plaka ile sabitleyin. Başlamak için, özel olarak tasarlanmış bir kafeste likör koklarken wasabi kaynaklı nosisepsiyon deneyimi sırasında farelerin davranışlarını kaydedin. Sağlanan Step1_ExtractingAndSavingVideoFrameImages adlı Jupyter Notebook'u kullanma.
ipynb, model eğitimi için bir veri kümesi oluşturmak üzere toplanan video kliplerden bir dizi video karesi görüntüsünü dışa aktarın. Görüntüleri yalnızca sağlanan macunu tüketen en az bir fare ile seçin. Veri artırma gerçekleştirmek için Jupyter Notebook'ta sağlanan Step2_DataAugmentation adlı betiği uygulayın.
IPYNB oluşturulan görüntüleri yatay olarak çevirmek için. 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.
CNN modellemede kullanılan görüntü verilerini önceden işlemek için betiği Step3_CNNmodeling_TrainTest adlı Jupyter Notebook'ta çalıştırın. Görüntü yeniden boyutlandırma, siyah renk dönüştürme ve görüntü sinyali normalleştirme dahil olmak üzere IPYNB. Eğitim materyallerini dahili eğitim ve test veri kümelerine sekize iki şeklinde rastgele bölün.
Ardından, CNN mimarisini başlatın. İncelenecek senaryo sayısına göre CNN çıktılarının sayısını tasarlayın. CNN mimarisi oluşturmak için en uygun hiper parametre kombinasyonunu benimseyin.
Ardından, sağlanan Jupyter Notebooks Step4_CNNmodel_ExternalValOriginal açın. ipynb ve Step5_CNNmodel_ExternalValFlipped.ipynb. Hayvan davranış deneyinin ikinci tekrarından bağımsız görüntüleri kullanarak elde edilen modeli doğrulayın.
Jupyter Notebook Step6_CNNmodel_Application.ipynb kullanarak deney grubundan oluşturulan video çerçevesi görüntülerini sınıflandırmak için elde edilen ve doğrulanan modeli dağıtın. MGS skoru, wasabi ve fıstık ezmesi karışımı verilen farelerde, sadece fıstık ezmesi verilenlere kıyasla önemli ölçüde artmıştır. MGS skoru, kontrol grubu ile alkol buharına maruz kalan fareler arasında anlamlı bir fark göstermedi.
Wasabi ve fıstık ezmesi ile sağlanan farelerin MGS skoru, alkol buharına maruz kaldıklarında maruz kalmayanlara kıyasla önemli ölçüde azalmıştır.
Genel Bakış
Bu makale, alkollü içeceklerin alkollü içeceklerin wasabi tarafından oluşturulan batırma hissini ölçme yöntemlerinin bir setini açıklar. Çalışma, tat ve koku arasındaki etkileşimi, özellikle alkolün wasabi nedeniyle meydana gelen rahatsızlığı nasıl hafifletebileceğini araştırır.
Çalışmanın Temel Bileşenleri
Bilim Alanı
- Sinirbilim
- Davranış çalışmaları
- Koku araştırması
Arka Plan
- Wasabi, yoğun yanma hissi ile bilinir.
- Alkollü içecekler bu hisste potansiyel bir baskılayıcı etkiye sahip olabilir.
- Tat ve koku arasındaki etkileşimi anlamak duyusal araştırmalar için çok önemlidir.
- Önceki çalışmalar bu özel etkileşimi kapsamlı bir şekilde araştırmamıştır.
Çalışmanın Amacı
- Alkollü içecekleri koklamanın wasabi nedeniyle oluşan yanma hissini hafifletip hafifletmediğini belirlemek.
- Bu tat-koku etkileşimini incelemek için bir yöntem geliştirmek.
- Gözlemlenen etkilerin arkasındaki fizyolojik mekanizmaları keşfetmek.
Kullanılan Yöntemler
- Wasabi ve alkole karşı tepkileri değerlendirmek için yapılan hayvan davranış çalışması.
- Davranışsal verileri analiz etmek için derin öğrenme modeli.
- Veri elde etmek için özel kafes tasarımı.
- Eş zamanlı tedavi etkilerini değerlendirmek için görüntü sınıflandırması.
Ana Sonuçlar
- Görüntülerin %29'u, alkol ile eş zamanlı tedavi edildiğinde wasabi-negatif, sıvı-pozitif sınıflandırması göstermiştir.
- Bulgular, alkolün wasabi'nin etkilerini karşılayabileceğini düşündürmektedir.
- Çalışma, bu etkileşimin altta yatan mekanizmaları hakkında sorular gündeme getirmektedir.
- Gelecekteki araştırmalar bu fizyolojik mekanizmaları anlamaya odaklanacak.
Sonuçlar
- Alkol, wasabi nedeniyle meydana gelen rahatsızlığın baskılanması için potansiyel bir etkiye sahiptir.
- Çalışma, tat-koku etkileşimlerinin daha fazla araştırılması için bir temel sağlamaktadır.
- Bu etkileşimleri anlamak, duyusal bilimler için önemli sonuçlar doğurabilir.
Sıkça Sorulan Sorular
Executive Industry Relevance
Integrating animal behavioral assessment with convolutional neural networks (CNNs) enables quantitative evaluation of complex taste-smell interactions, supporting mechanistic de-risking in early discovery. This approach provides predictive confidence for sensory modulation hypotheses and informs portfolio decisions on novel chemosensory targets. The methodology is positioned to advance screening of individual isothiocyanate compounds and spirit components for translational sensory research.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of chemosensory pathways underlying taste-smell interactions.
- Supports biological de-risking by quantifying behavioral responses to compound co-exposure.
- Facilitates predictive confidence in target selection for sensory modulation.
Screening & Assay Development
- Prepares validated animal behavioral systems for downstream compound screening.
- Standardizes quantitative grimace scale outputs for reproducible assay development.
- Enables scalable image-based screening using deep learning classification.
Translational & Preclinical Research
- Aligns behavioral outputs with translational sensory endpoints relevant to human experience.
- Supports continuity from mechanistic discovery to preclinical validation of sensory modulators.
- Provides risk-adjusted data for advancing candidate compounds targeting chemosensory pathways.
Pipeline & Workflow Integration
This methodology bridges early discovery and preclinical research by enabling hypothesis-driven behavioral testing and quantitative image analytics.
- Discovery Biology: Supports hypothesis testing of taste-smell interactions and pathway clarification for chemosensory targets.
- Screening: Delivers reproducible, quantitative grimace scale measurements for compound evaluation.
- Analytics: Provides statistical outputs and CNN-based classification to compare experimental conditions.
- Translational Research: Connects animal behavioral data to sensory endpoints relevant for translational studies.
- Enterprise Reuse: Establishes a reusable platform for screening diverse chemosensory compounds and mixtures.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in sensory modulation research.
- Operational Value: Standardizes behavioral data acquisition and deep learning analytics for scalable workflows.
- Strategic Value: Informs go/no-go decisions and enhances capital efficiency in early-stage sensory target programs.
- Portfolio Impact: Enables risk-adjusted prioritization of chemosensory modulators for advancement.
Implementation Considerations
- Requires expertise in animal behavioral analysis and deep learning model development.
- Needs infrastructure for high-resolution video capture and computational image processing.
- Demands cross-team standardization of behavioral scoring and data annotation protocols.
- Adaptation may be needed for different animal models or sensory modalities.
- Statistical rigor and replication are essential for robust cross-study comparisons.
