一种用于小鼠疼痛研究中时间同步行为和大脑动力学的自动斜视方法

摘要

该协议提供了一种以与神经生理学措施的时间锁定兼容的方式跟踪啮齿动物随时间推移的自动斜视的方法。预计该协议对研究偏头痛等疼痛疾病机制的研究人员有用。

摘要

自发性疼痛一直难以实时跟踪和以防止人为偏见的方式进行量化。对于头痛的指标尤其如此，例如偏头痛等疾病。斜视已成为一种可以随时间测量的连续可变指标，并且可有效预测此类分析中的疼痛状态。本文提供了一种使用 DeepLabCut （DLC） 自动化和量化具有自由旋转头部运动的受限小鼠的斜视（眼睑之间的欧几里得距离）的方案。该协议能够将斜视的无偏量化与神经生理学等机械测量配对并直接与其进行比较。我们提供了对成功所需的 AI 训练参数的评估，这些参数通过区分斜视和非斜视期来定义。我们证明了以亚秒分辨率可靠地跟踪和区分 CGRP 诱导的偏头痛样表型中的斜视的能力。

引言

偏头痛是全球最普遍的脑部疾病之一，影响超过 10 亿人¹。偏头痛的临床前小鼠模型已成为研究偏头痛机制的一种信息丰富的方法，因为这些研究比人类研究更容易控制，从而能够对偏头痛相关行为进行因果研究²。此类模型已证明对偏头痛诱导化合物（如降钙素基因相关肽 （CGRP））具有强烈且可重复的表型反应。在啮齿动物模型中对偏头痛相关行为进行稳健测量的需求仍然存在，尤其是那些可能与成像和电生理学方法等机械指标相结合的模型。

偏头痛样脑状态的表型特征是存在厌光、爪痛觉过敏、面部对有害刺激的痛觉过敏和面部鬼脸³。这种行为是通过在光线（厌光）和爪或面部触摸敏感阈值（爪痛觉过敏和面部痛觉过敏）中花费的总时间来衡量的，并且仅限于长时间（几分钟或更长时间）的单次读数。通过服用偏头痛诱导化合物（如 CGRP）可以在动物中引发偏头痛样行为，模仿人类偏头痛患者³ 所经历的症状（即证明表面有效性）。此类化合物在人体中给药时也会产生偏头痛症状，证明了这些模型的构建有效性⁴。在药理学上减弱行为表型的研究导致了与偏头痛治疗相关的发现，并进一步证实了这些模型（即证明预测效度）

研究方案

注意：这些实验中使用的所有动物均根据爱荷华大学机构动物护理和使用委员会 （IACUC） 批准的协议进行处理。

1. 准备数据采集设备

1. 确保所有必要设备的可用性：确保用于运行 DLC 的推荐硬件至少具有 8 GB 内存。有关硬件和软件的信息，请参阅 材料表 。
   注意：数据可以以任何格式收集，但必须在分析之前转换为 DLC 可读的格式。最常见的格式是 AVI 和 MP4。
2. 配置至少一个摄像头，以便可以检测到动物的一只眼睛。如果双眼都可见，请执行其他过滤，因为这可能会干扰跟踪。有关此处提供的数据的此类筛选示例，请参阅第 10 节。
3. 使用 Deeplabcut.github.io/DeepLabCut/docs/installation 中找到的包安装 DLC。
4. 在相机设置中，包括一个与鼠标成侧角 （~90°） 的相机。为了遵循这个例子，以 10 Hz 采样，小鼠受到约束，但可以自由地访问它们相对于身体的全部头部运动。与相机保持 2 到 4 英寸的距离。

2. 设置 DLC

1. 安装 DLC 后，创建要使用的环境。为此，请使用以下命令使用 chang....

讨论

该协议为使用基于机器学习的工具提供了一种易于访问的深入方法，这些工具可以以接近人类的精度区分斜视，同时保持与先前方法相同（或更好）的时间分辨率。首先，它使更广泛的受众更容易获得对自动斜视的评估。与以前的模型相比，我们评估自动斜视的新方法有几项改进。首先，它通过使用较少的实际有助于斜视量化的点，提供了比 ASM 更稳健的指标。这样可以?.......

材料

Name	Company	Catalog Number	Comments
CUDA toolkit 11.8
cuDNN SDK 8.6.0
Intel computers with Windows 11, 13th gen
LabFaceX 2D Eyelid Tracker Add-on Module for a Free Roaming Mouse:	FaceX LLC	NA	Any camera that can record an animal's eye is sufficient, but this is our eye tracking hardware.
NVIDIA GPU driver that is version 450.80.02 or higher
NVIDIA RTX A5500, 24 GB DDR6	NVIDIA	[490-BHXV]	Any GPU that meets the minimum requirements specified for your version of DLC, currently 8 GB, is sufficient. We used NVIDIA GeForce RTX 3080 Ti GPU
Python 3.9-3.11
TensorFlow version 2.10