Diese Arbeit wurde zum Teil von der US Army Research Laboratory und dem US Army Research Office Gewährung W911NF1110105 und NSF IOS-1147097to Jay Hegde unterstützt. Unterstützung wurde auch von einem Piloten Zuschuss zu Jay Hegde von der Vision Discovery Institute der Georgia Health Sciences University zur Verfügung gestellt. Daniel Kersten wurde durch Zuschüsse ONR N00014-05-1-0124 und NIH R01 EY015261 und teilweise durch WCU (World Class University) Programms durch das Ministerium für Bildung, Wissenschaft und Technologie durch die National Research Foundation of Korea finanziert (R31-10008 unterstützt ). Karin Hauffen wurde von der Undergraduate Research Apprenticeship Program (Urap) der US-Armee unterstützt.

Ein. Erstellen Naturalistic Virtuelle 3-D Objekte mit VM <ol><li> Um den digitalen Embryonen zu erstellen, verwenden Sie den Digital-Embryo Workshop (DEW, siehe Tabelle 1). Jeder Lauf erzeugt einen einzelnen Embryo 14, dessen Form der einzigartig für einen gegebenen Satz von Einstellungen (oder &quot;Genotyp&quot;) für den Lauf (1) verwendet ist. Die &quot;Zellen&quot; des Embryos werden als Dreiecke 14 dargestellt. <ol><li> Führen Sie das Programm so oft wie nötig, um die gewünschte Anzahl von Embryonen zu gewinnen. </li><li> Wenn komplexere Formen erwünscht sind, erhöhen die Anzahl der Wachstums-Zyklen, dh die Anzahl von Malen die Zellen des Embryos wird unterteilen. Beachten Sie, dass dies auch verlangsamen das Programm. Wenn es notwendig ist, um virtuelle Objekte als digitale Embryonen zu schaffen, verwenden Sie handelsübliche 3-D-Modellierung Werkzeuge oder erhalten virtuelle Objekte von kommerziellen Anbietern (Tabelle 1). </li></ol></li><li> Es ist generell ratsam, um die virtuelle Objekt zu speicherns in einem üblichen Dateiformat wie OBJ, so dass die Objekte leicht in einem handelsüblichen 3D-Modellierung Toolkit importiert werden. Zu diesem Zweck schreibt die DEW Objekte in OBJ Format standardmäßig. </li><li> Visuelle Reize können unter Verwendung einer oder mehrerer digitaler Embryonen mit Hilfe eines 3-D-Modellierung und Rendering-Umgebung (Tabelle 1). Verwenden Sie Standard-grafische Operationen wie Änderung der Ausrichtung, Größe, Beleuchtung, Oberflächenstruktur und Hintergrund, um die gewünschten Impulse zu erzeugen (siehe Abbildung 2). </li></ol> 2. Erstellen Naturalistic Object Kategorien mit VP <ol><li> Um Objektkategorien zu generieren, erzeugen Nachkommen (oder &quot;Kinder&quot;) des jeweiligen Vorfahren (oder &quot;Eltern&quot;) Objekt mit einer beliebigen Kombination der Prozesse in Schritt 1.1 oben (Abbildung 3) 9,10,12,13. <ol><li> Einige nachfolgend beschriebenen Methoden für die Erstellung glatte Form Variationen, wie Morphing oder Hauptkomponenten (siehe Schritte 3 und 4), Arbeit better, wenn alle Eingangs-Objekte über die gleiche Anzahl von Zellen und wenn eins-zu-eins-Entsprechung zu den Ecken der Objekte. Für die Erstellung solcher Objekte, verwenden Sie nur die VM Prozesse, die nicht die Anzahl von Zellen und wird die Eins-zu-eins-Entsprechung der Ecken zwischen den Objekten zu erhalten (siehe zB Generationen G 2 bis G 3 in Abbildung 3). Zum Beispiel ändert die Zellteilung und den programmierten Zelltod der Anzahl von Zellen, und machen es sehr viel schwieriger (wenn auch nicht unmöglich 17,18) um Eins-zu-Eins-Entsprechung zwischen den Scheitelpunkten eines vorgegebenen Paares von Objekten zu bestimmen. Beachten Sie, dass die Prozesse, die die Anzahl der Zellen zu verändern in einer gegebenen Objekt auch seine Form verändert Komplexität. Im Allgemeinen, je größer die Anzahl der Zellen, die größere Komplexität der Form des Objekts und seine Oberfläche glatter. </li><li> Falls erforderlich, virtuelle Objekte andere als digitale Embryonen können als Eingaben in VP (Abbildung 4) verwendet werden. </li></ol></li><li> Die Objekte innerhalb einer bestimmten Kategorie ist weiterhin so gewählt werden, wie eine gegebene Verteilung der Funktionen 19 zu erreichen. Zum Beispiel kann ein selektiv zu eliminieren mittelgroßen Objekten aus einer gegebenen Kategorie, um eine bimodale Verteilung der Objektgröße erzeugen. </li><li> Es gibt keine einzige Methode, die universell optimal für die Messung der verfügbaren Form Informationen für alle Kategorien ist, noch gibt es eine einzige Methode, die optimal für die Kategorisierung aller Objekte 20-22 ist. Somit muss der Experimentator wählen diese Methoden auf die Kategorien und rechnerische Ziele bei der Hand 20-22 basiert. Schritt 4 beschreibt ein üblicherweise verwendetes Verfahren zum Manipulieren verschiedener Aspekte der verfügbaren Forminformation. </li><li> Die Ähnlichkeit zwischen einem gegebenen Paar von Kategorien können objektiv gemessen werden unter Verwendung verfügbarer phylogenetischer Methoden 23,24. Zum Beispiel kann die vertikale (oder &quot;evolutionären &#39;) Abstand zwischen einem gegebenen Paar von Kategorien, wie gemessen durch hierarchische clustering Methoden in der R statistischen Toolkit, ist ein objektives Maß der Kategorie Ähnlichkeit 25,26. </li></ol> 3. Weitere Methoden für das Erstellen Form Variation: Digital Morphing <ol><li> Jedes gegebene Paar von Objekten, so dass jeder Scheitelpunkt des einen Objekts in genau eine Ecke des anderen Objekts (. Dh Objekte mit Eins-zu-Eins-Entsprechung zwischen den Scheitelpunkten) entspricht, ist unkompliziert Morphing 17,18,27-29: Darin Dabei werden glatte Variationen (oder &quot;morphs &#39;) zwischen den zwei Objekten durch reibungslos Interpolieren zwischen den entsprechenden Scheitelpunkten und Normalen (Abbildung 5) hergestellt. Abhängig von dem Paar von Objekten gewählt, Morphing in neue Kategorien oder zusätzliche Kinder innerhalb einer Kategorie führen. <ol><li> Die Objekte in 5 gezeigt wurden mit linearen Morphing 27-29. Die Objekte können verwandelt (oder verzogen) durch eine Vielzahl von anderen zur Verfügung Umformtechniken 17,18 werden. </li&gt; </ol></li><li> Um eine gewünschte Verteilung der morphed Formen zu erstellen, wählen Sie die Stützpunkte entsprechend. </li></ol> 4. Weitere Methoden für das Erstellen Form Variation: Principal Components <ol><li> Um Hauptkomponenten verwenden, um Formvarianten erzeugen, muss man zuerst die Hauptkomponenten 15. Hauptkomponenten sind spezifisch für die gegebene Menge von Objekten zur Ermittlung sie 26 verwendet. Für gute Ergebnisse, verwenden Sie mindestens 30 Objekte mit einer Eins-zu-eins-Entsprechung zwischen den Knoten 26. </li><li> Generieren Sie eine durchschnittliche Objekt aus einer gewünschten Menge von n Eingangs-Objekte, durch getrenntes Mittelung die Koordinaten und die Normalen jeder Ecke über alle Objekte. Somit wird der x einer gegebenen Knoten k von Koordinatenwerten sollte der Mittelwert der x-Koordinaten der Knoten k aller n Objekte, und so weiter. </li><li> Verwenden Sie die Matlab-Funktion princompauf Hauptkomponenten der n Objekte zu bestimmen. Dies erzeugt n-1 nicht null Eigenvektoren, zusammen mit dem entsprechenden n-1 Eigenwerte 26. </li><li> Um ein neues Objekt zu erzeugen A j aus einer gegebenen Hauptbestandteil P i, multiplizieren P i durch den Eigenwert λ i und eine gewünschte Gewicht w j und fügen Sie den durchschnittlichen Objekt: A j = + w j λ i P i </li><li> Jeder einzigartige w j erzeugt ein einzigartiges Objekt. Durch eine sanfte Variation w kann man erstellen glatte Form Variationen entlang eines vorgegebenen Hauptkomponente. </li><li> Gestalt Variationen entlang einer unabhängigen Form Dimension zu erstellen, wiederholen Sie Schritt 4,4 mit einem anderen Hauptkomponente. </li><li> Um eine gewünschte Verteilung der Formen entlang einer vorgegebenen Hauptbestandteil erstellen, verwenden Sie die gewünschte Verteilung der w. &lt;/ Li&gt; <li> Um ein mehrdimensionales Gitter von Formen zu erstellen, verwenden Sie einen Satz von Gewichten für jeden von mehreren Hauptkomponenten: <img alt="Gleichung 2" fo:src="/files/ftp_upload/3358/3358eq2highres.jpg" src="/files/ftp_upload/3358/3358eq2.jpg" /></li></ol> 5. Erstellen Haptic Versionen von 3-D Objekte <ol><li> &#39;Print-out &quot;3-D-Objekte mit Hilfe eines 3-D Prototypist (oder 3-D&quot; Drucker &quot;). Falls erforderlich, die Größe des Objekts und glätten die Oberfläche des Objekts vor dem Druck. </li></ol> 6. Ein Exemplar Anwendung: Bayesian Inference of Image Kategorie <ol><li> Eine wichtige Aufgabe in der visuellen Verarbeitung abzuleiten, zu welcher Kategorie eine bestimmte beobachtete Objekt gehört. Obwohl der genaue Mechanismus dieser Folgerung ist unbekannt, es ist sowohl Rechen-und physiologischen Beweise 9,12,13,30-32 dass es unter Verwendung der Information über bekannte Merkmale des Objekts in dem gegebenen Bild, um die Kategorie des Objektes umfasst ableiten. Hier werden wir ILLUSTRAte, wie diese Schlussfolgerungen Prozess kann in einem Bayes-Rahmen zu arbeiten, und wie digitale Embryonen kann nützlich sein für die Forschung in diesem Bereich. </li><li> Der Einfachheit halber gehen wir davon aus, dass die Kategorisierung Aufgabe binär ist und beinhaltet Unterscheidungsmerkmal Kategorie K aus der Kategorie L (Abbildung 3). Sei C die Kategorie Variable sein. Wir folgern, dass C = K oder C = L je nachdem, ob der beobachtete Bild I gehört zur Kategorie K oder L. Ein typischer Ansatz zur Kategorisierung umfasst: <ol><li> Berechnen der Wahrscheinlichkeit, dass die Kategorie K ist angesichts der Information in das Bild, bezeichnet p (C = K | I); </li><li> Berechnen der Wahrscheinlichkeit, dass die Kategorie L aufgrund von Angaben in dem Bild ist, bezeichnet p (C = L | I), und </li><li> Die Auswahl der Kategorie mit der höheren Wahrscheinlichkeit. </li></ol></li><li> Als nächstes werden wir der Einfachheit halber annehmen,dass es genau eine binäre Funktion F. Diese Funktion kann entweder in dem Bild vorhanden (bezeichnet F = 1) oder außerhalb des Bildes (bezeichnet F = 0). In diesem Beispiel wird die &#39;informative Fragment &quot;-Funktion in Abbildung 8 dargestellt. Informative Fragmente wurden zuerst von Ullman und Kollegen 33 beschrieben. Im vorliegenden Fall verwenden wir das Bild Vorlage in Abbildung 8 als Funktion dargestellt, und einen Schwellwert von 0,69. Um festzustellen, ob diese Funktion in einem gegebenen Bild (sagen wir, die am weitesten rechts Bild in der Reihe G3 in Abbildung 3) ist, verwenden wir die folgenden Schritte: <ol><li> Gleiten diese Vorlage über alle möglichen Stellen in dem Bild, und Berechnen, an jedem Ort, den absoluten Wert der normalisierten Kreuzkorrelation zwischen der Schablone und dem darunterliegenden Teilbild. </li><li> Wählen Sie die Lage des Bildes mit dem höchsten Wert (0,60 im vorliegenden Fall). </li><li> Liegt dieser Wert über der Schwelle, folgerndass die Funktion vorhanden ist, andernfalls schließen, dass es nicht vorhanden ist. In unserem Fall, da die höchste Korrelation 0,60 unter der Schwelle von 0,69 schließen wir, dass das Merkmal fehlt in diesem Bild ist. </li><li> Die Begründung der Verwendung solcher Funktionen, und die Mechanismen der Auswahl von Funktionen und die Bestimmung ihrer Schwellenwerte überschreiten den Rahmen dieses Berichts, sondern werden im Detail in Lit. beschrieben. 33, 30. </li></ol></li><li> Im Rahmen der Feature-basierten Inferenz nehmen wir an, dass alle Informationen, die Beobachter Extrakte aus dem Bild des Wertes dieses Merkmals enthalten ist, i. e, daß p (C | I). = p (C | F). Daher wird die Aufgabe, die der Bestimmung des Wertes von F in dem gegebenen Bild (anwesend oder abwesend), Berechnung von P (C = K | F) und p (C = L | F) für diesen Wert F, und Auswählen der Kategorie mit je höher Wahrkeit. </li><li> In der Bayes-Rahmen, </li></ol><img alt="Gleichung 3" fo:src="/files/ftp_upload/3358/3358eq3highres.jpg" src="/files/ftp_upload/3358/3358eq3.jpg" /> Deshalb <img alt="Gleichung 4" fo:src="/files/ftp_upload/3358/3358eq4highres.jpg" src="/files/ftp_upload/3358/3358eq4.jpg" /> und <img alt="Gleichung 5" fo:src="/files/ftp_upload/3358/3358eq5highres.jpg" src="/files/ftp_upload/3358/3358eq5.jpg" /> Beachten Sie, dass der Nenner in den beiden Gleichungen die gleiche ist. (| F C = K) und p daher, p Vergleichen (C = L | F), ist es nicht notwendig, um den Nenner zu berechnen, sondern es genügt, um die Mengen zu berechnen p (C = K | F) α p (C = K) p (F | C = K) und p (C = L | F) α p (C = L) p (C | C = L) These werden manchmal auch als &quot;normalisierte Wahrscheinlichkeiten&quot;. Der Begriff p (C) wird als &quot;Stand&quot; und der Begriff p (F | C) wird als &quot;Wahrscheinlichkeit &#39;. <ol start="6"><li> Der Einfachheit halber nehmen wir an, eine &#39;flat&#39; vor: p (C = K) = p (C = L) = 0,5. </li><li> Die Aufgabe besteht nun darin, p berechnen (F | C), die Wahrscheinlichkeit einer gegebenen Funktion Wert in einem Bild einer gegebenen Kategorie C. <ol><li> Wir werden die sechs Bilder der Kategorie L (Abbildung 3) als ein Beispiel verwenden, um p zu berechnen (F = 1 | C = L), ist die Wahrscheinlichkeit, dass die Funktion in einem Bild der Kategorie L ist. </li><li> Zu berechnen p (F = 1 | C = L), erste treffen alle Trainingsbildern, die L angehören. Ferner werden diese in 3 gezeigt. </li><li> Für jedes Bild, ob die Funktion den Wert 1 (anwesend ist) Oder 0 (fehlend), wie in (6.3.1) beschrieben - (6.3.3). In unserem Fall für die sechs Bilder in 3 gezeigt, sind die Werte: [0, 0, 1, 0, 1, 0]. </li><li> Berechne die Fraktion von Bildern, in denen das Merkmal Wert 1 ist. In unserem Fall ist es 06.02 = 0,33. </li><li> Daher p (F = 1 | C = L) = 0,33. Beachten Sie, dass genaue Schätzungen zu erhalten, sollte man mindestens 30 Bilder pro Klasse. </li><li> In ähnlicher Weise kann man berechnen, dass p (F = 0 | C = L) = 0,67, p (F = 1 | C = K) = 0,83, p (F = 0 | C = K) = 0,17. </li></ol></li><li> Angesichts dieser Werte kann Inferenz durchgeführt werden. Angenommen, dass wir ein neues Bild (Abbildung 9) gegeben, und die Aufgabe ist es, die Kategorie-Label zu bestimmen. Dies wird wie folgt durchgeführt: <ol><li> Wir bestimmen, ob das Merkmal F in dem Bild vorhanden ist, wie in (6.3.1) beschrieben - (6.3.3). In unserem Fall ist die featur vorhanden ist, so F = 1. </li><li> Unter Verwendung der Gleichungen (1) und (2), und die Werte berechnet in (6.7.5) - (6.7.6) kann man berechnen, dass p (C = K | F = 1) = 0,42 und p (C = L | F = 1) = 0,17. </li><li> Mit diesen Informationen ist es rational zu dem Schluss, dass das Bild aus der Kategorie K ist, mit relativ geringem Selbstvertrauen. </li></ol></li><li> Es könnte sein, interessant und nützlich für einen solchen Ansatz in einem biologischen System (sagen wir, psychophysisch) zu testen. In diesem Fall könnte Verhaltensstörungen Vorhersagen und verglichen werden gegen die rechnerischen Ergebnisse wie die in (6.8.2) erhalten. Um genaue Vorhersagen zu machen, gute Schätzungen von p (F | C) erforderlich sind. Solche Schätzungen können jedoch schwierig sein, für bekannte Objekte zu erhalten. Der Grund ist, dass eines Subjekts Schätzung von p (F | C) wird nicht direkt beobachtbar und es ist äußerst schwierig, da es das Motiv berechnen&#39;S vor der Exposition gegenüber natürlichen Bildern ist unkontrollierbar und unbekannt. Wenn hingegen digitale Embryonen für die Experimente verwendet werden, dann ist es möglich, genau steuern, welche Embryonen und Embryo Kategorien Gegenstand ausgesetzt ist. Dies macht es leicht, die Mengen von Interesse aus genau den gleichen Daten der Gegenstand ausgesetzt war berechnen. Die Tatsache, dass Embryonen &quot;Aussehen naturalistischen ist hilfreich, da es es wahrscheinlich, dass sich das Motiv mit der gleichen Kategorisierung Strategie mit natürlichen Kategorien macht. </li></ol>

<ol>
	<li>Palmeri, T. J., Gauthier, I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Visual+object+understanding.">Visual object understanding.</a> Nat. Rev. Neurosci. 5, 291-303 (2004).</li><li>Seger, C. A., Miller, E. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Category+learning+in+the+brain.">Category learning in the brain.</a> Annu. Rev. Neurosci. 33, 203-219 (2010).</li><li>Fahle, M., Poggio, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Perceptual Learning. , (2002).</li><li>Ashby, F. G., Maddox, W. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Human+category+learning.">Human category learning.</a> Annu. Rev. Psychol. 56, 149-178 (2005).</li><li>Gauthier, I., Tarr, M. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Becoming+a+"Greeble"+expert:+exploring+mechanisms+for+face+recognition.">Becoming a "Greeble" expert: exploring mechanisms for face recognition.</a> Vision Res. 37, 1673-1682 (1997).</li><li>Op de Beeck, H. P., Baker, C. I., DiCarlo, J. J., Kanwisher, N. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Discrimination+training+alters+object+representations+in+human+extrastriate+cortex.">Discrimination training alters object representations in human extrastriate cortex.</a> J. Neurosci. 26, 13025-13036 (2006).</li><li>Cui, M. L., Copsey, L., Green, A. A., Bangham, J. A., Coen, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Quantitative+control+of+organ+shape+by+combinatorial+gene+activity.">Quantitative control of organ shape by combinatorial gene activity.</a> PLoS Biol. 8, e1000538 (2010).</li><li>Green, A. A., Kennaway, J. R., Hanna, A. I., Bangham, J. A., Coen, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Genetic+control+of+organ+shape+and+tissue+polarity.">Genetic control of organ shape and tissue polarity.</a> PLoS Biol. 8, e1000537 (2010).</li><li>Hegd&#233;, J., Bart, E., Kersten, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Fragment-based+learning+of+visual+object+categories.">Fragment-based learning of visual object categories.</a> Curr. Biol. 18, 597-601 (2008).</li><li>Bart, E., Hegd&#233;, J., Kersten, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Fragment-based+learning+of+visual+categories.">Fragment-based learning of visual categories.</a> , 121-12 (2008).</li><li>Ball, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Nature's patterns : a tapestry in three parts. , (2009).</li><li>Vuong, Q. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Visual+categorization:+when+categories+fall+to+pieces.">Visual categorization: when categories fall to pieces.</a> Curr. Biol. 18, 427-429 (2008).</li><li>Kromrey, S., Maestri, M., Hauffen, K., Bart, E., Hegde, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Fragment-based+learning+of+visual+object+categories+in+non-human+primates.">Fragment-based learning of visual object categories in non-human primates.</a> PLoS One. 5, e15444 (2010).</li><li>Brady, M. J., Kersten, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Bootstrapped+learning+of+novel+objects.">Bootstrapped learning of novel objects.</a> J. Vis. 3, 413-422 (2003).</li><li>Blanz, V., Vetter, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+morphable+model+for+the+synthesis+of+3D+faces.">A morphable model for the synthesis of 3D faces.</a> SIGGAPH. 26, 187-194 (1999).</li><li>Freedman, D. J., Riesenhuber, M., Poggio, T., Miller, E. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Categorical+representation+of+visual+stimuli+in+the+primate+prefrontal+cortex.">Categorical representation of visual stimuli in the primate prefrontal cortex.</a> Science. 291, 312-316 (2001).</li><li>Lerios, A., Garfinkle, C. D., Levoy, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Feature-based+volume+metamorphosis.">Feature-based volume metamorphosis.</a> SIGGRAPH. , 449-456 (1995).</li><li>Bronstein, A. M., Bronstein, M. M., Kimmel, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Numerical geometry of non-rigid shapes. , (2008).</li><li>Lotka, A. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Natural+Selection+as+a+Physical+Principle.">Natural Selection as a Physical Principle.</a> Proc. Natl. Acad. Sci. U.S.A. 8, 151-154 (1922).</li><li>Duda, R. O., Hart, P. E., Stork, D. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Pattern classification. , (2001).</li><li>Bishop, C. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Pattern recognition and machine learning. , (2006).</li><li>Theodoridis, S., Koutroumbas, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Pattern recognition. , (2006).</li><li>Sokal, R. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Biometry+:+The+principles+and+practice+of+statistics+in+biological+research.">Biometry : The principles and practice of statistics in biological research.</a> , (2011).</li><li>Tuffery, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Data mining and statistics for decision making. , (2011).</li><li>Crawley, M. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Statistical Computing: An Introduction to Data Analysis using S-Plus. , (2002).</li><li>Venables, W. N., Ripley, B. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Modern Applied Statistics with S. , (2003).</li><li>Beier, T., Neely, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Feature-based+image+metamorphosis.">Feature-based image metamorphosis.</a> SIGGRAPH. 26, 35-42 (1992).</li><li>Kent, J. R., Carlson, W. E., Parent, R. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Shape+transformation+for+polyhedral+objects.">Shape transformation for polyhedral objects.</a> SIGGRAPH. 26, 47-54 (1992).</li><li>Gomes, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Warping and morphing of graphical objects. , (1999).</li><li>Ullman, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Object+recognition+and+segmentation+by+a+fragment-based+hierarchy.">Object recognition and segmentation by a fragment-based hierarchy.</a> Trends Cogn. Sci. 11, 58-64 (2007).</li><li>Kobatake, E., Tanaka, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Neuronal+selectivities+to+complex+object+features+in+the+ventral+visual+pathway+of+the+macaque+cerebral+cortex.">Neuronal selectivities to complex object features in the ventral visual pathway of the macaque cerebral cortex.</a> J. Neurophysiol. 71, 856-867 (1994).</li><li>Serre, T., Wolf, L., Poggio, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Proceedings of 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR). , (2005).</li><li>Ullman, S., Vidal-Naquet, M., Sali, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Visual+features+of+intermediate+complexity+and+their+use+in+classification.">Visual features of intermediate complexity and their use in classification.</a> Nat. Neurosci. 5, 682-687 (2002).</li><li>Davis, M. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Computer graphics. , (2011).</li><li>Lengyel, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Mathematics for 3D game programming and computer graphics, third edition. , (2011).</li><li>Gilbert, S. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Developmental biology. , (2010).</li><li>Gilbert, S. F., Epel, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Ecological developmental biology : integrating epigenetics, medicine, and evolution. , (2009).</li><li>Hegd&#233;, J., Thompson, S. K., Brady, M. J., Kersten, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Object+Recognition+in+Clutter:+Cortical+Responses+Depend+on+the+Type+of+Learning.">Object Recognition in Clutter: Cortical Responses Depend on the Type of Learning.</a> Frontiers in Human Neuroscience. 6, 170 (2012).</li><li>Mervis, C. B., Rosch, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Categorization+of+natural+objects.">Categorization of natural objects.</a> Annual Review of Psychology. 32, 89-115 (1981).</li><li>Futuyma, D. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Evolution. , (2009).</li></ol>

Keine Interessenskonflikte erklärt.

Nützlichkeit der VM und VP in Cognitive Science Research Wir haben zuvor die Nützlichkeit VM und VP im Detail l9 ,10,12-14 beschrieben. Kurz gesagt, ist VM, insbesondere die digitale Embryo Methodik, nützlich, weil es eine prinzipielle und flexible Methode für die Erstellung von Roman, aber naturalistischen 3-D Objekte 14 zur Verfügung stellt. Ähnlich stellt VP eine prinzipielle Methode zur Erstellung naturalistischen Kategorien 9,10,12,13. Es ist erwähnenswert, dass das Objekt Kategorien von VP teilen viele Eigenschaften mit Objektkategorien in der Natur, einschließlich der Tatsache, dass die Kategorien zu sein in der Natur hierarchische neigen, und die Funktion Schwankungen innerhalb und zwischen den Kategorien entstehen unabhängig von der Experimentator und die Algorithmen zur Klassifizierung generiert sie 39. Aktuelle Einschränkungen und Future Directions Drei aktuelle Grenzen unserer Protokoll und die Richtungen für die zukünftige Arbeit, die sie vorschlagen,Besonders hervorzuheben sind: Erstens, simulieren sowohl VM und VP biologische Prozesse. Während wir zeigen, dass nicht-biologische virtuelle Objekte als Substrate für diese Prozesse verwendet werden können, sind die zugrundeliegenden Prozesse noch biologisch motiviert. Allerdings natürliche Objekte - unterziehen Formveränderungen durch nicht-biologische Kräfte - biologischen und nicht-biologischen gleichermaßen. Zum Beispiel kann Felsen in Form durch geologische Prozesse wie Erosion oder Sedimentation ändern. Neue Kategorien von Rock kann von anderen derartigen geologischen Prozessen entstehen. Es sollte relativ einfach sein, diese Prozesse in das Repertoire der verfügbaren Formänderung Algorithmen integrieren. Der zweite wichtige Einschränkung unseres Protokolls ist, dass seine aktuellen Repertoire der dynamischen Formänderungen eher begrenzt. Es ist wünschenswert, um eine größere Anordnung von Formveränderungen, wie biologische Bewegung oder Bewegungen durch externe Kräfte wie Wind, Wasser oder Schwerkraft zu integrieren. Wir erwarten, dass es will relativ einfach sein, um die bekannten Computer-Animation-Algorithmen tragen solche dynamische Form Änderungen zu implementieren. Der dritte wichtige Einschränkung unserer Protokolls ist, dass VM derzeit nicht enthalten viele andere bekannte morphogenetischen Prozesse einschließlich, vor allem, Gastrulation 36. Es wird auch nicht einige bekannte Beschränkungen, wie beispielsweise die Tatsache, dass die Morphogenese in Pflanzen vollständig durch Wachstum vermittelt wird, mit wenig oder keiner Zellbewegung möglich, weil der Zellwände 36 einzuarbeiten. Ebenso übernimmt die VP keine anderen bekannten phylogenetischen Prozesse wie genetische Drift 40. Die Bewältigung dieser Einschränkungen würde sehr helfen, erleichtern die Nutzung unseres Protokolls in Entwicklungs-, ökologischen und evolutionären Simulationen.

<table border="1"><tbody><tr><td> Name des toolkit / Geräte </td><td> Unternehmen / Autor </td><td> Katalog # </td><td> Kommentare </td></tr><tr><td> Digitale Embryo Workshop (DEW) </td><td> Mark Brady und Dan Gu </td><td></td><td> Dieses benutzerfreundliche, menügeführte Tool kann kostenlos heruntergeladen als Download 1 werden vom <a href="http://www.hegde.us/DigitalEmbryos" target="_blank">http://www.hegde.us/DigitalEmbryos</a> . Derzeit nur für Windows. </td></tr><tr><td> Digitale Embryo Werkzeuge für Cygwin </td><td> Jay Hegde und Karin Hauffen </td><td></td><td> Dies ist eine lose Sammlung von nicht-so-user-friendly-Programme. Sie sollen von der Kommandozeilen-Schnittstelle des Cygwin Linux-Emulator für Windows ausgeführt werden. Diese Programme können als Download 2 heruntergeladen werden <a href="http://www.hegde.us/DigitalEmbryos" target="_blank">http://ww</a>w.hegde.us / DigitalEmbryos. Die Cygwin-Schnittstelle selbst kann kostenlos heruntergeladen werden von <a href="http://www.cygwin.com" target="_blank">www.cygwin.com</a> . </td></tr><tr><td> Autodesk 3ds Max, Montreal, Quebec, Kanada </td><td> Autodesk Media and Entertainment </td><td> 3DS Max </td><td> Dies ist ein 3-D-Modellierung, Animation und Rendering-Toolkit mit einem flexiblen Plugin-Architektur und einem integrierten Skriptsprache. Für die meisten der gängigen Betriebssystemen. </td></tr><tr><td> MATLAB </td><td> Mathworks Inc., Natick, MA, USA </td><td> MATLAB </td><td> Dies ist ein numerischer Computing-Umgebung und Programmiersprache mit vielen nützlichen Add-On-Funktionen. Für die meisten der gängigen Betriebssystemen. </td></tr><tr><td> R statistischen Toolkit </td><td> R Project for Statistical Computing </td><td> R </td><td> Heruntergeladen werden kann kostenlos von <a href="http://www.r-project.org/" target="_blank">http://www.rp</a>roject.org /. Für die meisten der gängigen Betriebssystemen. </td></tr><tr><td> OpenGL </td><td> Khronos Group </td><td> OpenGL </td><td> Diese Cross-Sprache, plattformübergreifende grafische Toolkit kann kostenlos heruntergeladen werden von <a href="http://www.opengl.org" target="_blank">www.opengl.org</a> . </td></tr><tr><td> V-Flash Personal Printer </td><td> 3D Systems Inc., Rock Hill, SC, USA </td><td> V-Flash </td><td> Dies ist ein guter Wert für alle 3-D-Druck-Anwendungen in diesem Bericht beschrieben. Die Print-Materialien auch von 3D Systems vended, Inc. Weniger teure Modelle sind in Open-Source-Form aus RepRap (rapmanusa.com) und MakerGear. Teureren Modellen (&gt; $ 30 K) sind von Objet Geometries, 3DS Systems, Z-Corp, Dimension Printing etc. zur Verfügung </td></tr><tr><td> <a href="http://www.TurboSquid.com" target="_blank">TurboSquid.com</a> </td><td> TurboSquid Inc., New York, LA </td><td> (Verschiedene Objekte) </td><td> Verschiedene virtuelle 3-D-Objekte können von dieser Seite kostenlos oder gegen eine Gebühr heruntergeladen werden. </td></tr><tr><td></td><td></td><td></td><td> Tabelle 1. Table Of Spezifische Toolkits und Ausrüstung. </td></tr></tbody></table>

creating objects and object categories for studying perception and perceptual learning

Um quantitativ zu untersuchen Objektwahrnehmung es die Wahrnehmung von biologischen Systemen oder Maschinen, muss man Objekte und Objektgruppen Kategorien mit genau definierbaren, vorzugsweise naturalistischen, Eigenschaften 1 zu schaffen. Weiterhin für Studien über Lernvorgangs, ist es nützlich, um neue Objekte und Objektteile Positionen (oder Objektklassen) mit solchen Eigenschaften 2 zu erstellen. Viele innovative und nützliche Methoden existieren derzeit für die Erstellung neuer Objekte und Objektkategorien 3-6 (siehe auch refs. 7,8). Im Allgemeinen jedoch, die bestehenden Methoden haben drei Arten von Mängeln. Zuerst werden Formvariationen allgemein durch den Experimentator 5,9,10 auferlegt, und kann daher von der Variabilität der natürlichen Kategorien, und eignen sich für eine bestimmte Erkennungs-Algorithmus. Es wäre wünschenswert, wenn die Variationen entstehen unabhängig von der externally auferlegten Zwängen. Zweitens müssen die bestehenden Methoden Schwierigkeit der Erfassung der Form der Komplexität von natürlichen Objekten 11-13. Wenn das Ziel ist, natürliches Objekt der Wahrnehmung zu untersuchen, ist es wünschenswert, für Objekte und Objektkategorien naturalistisch sein, um so mögliche confounds und Sonderfälle zu vermeiden. Drittens ist es im Allgemeinen schwierig, zur quantitativen Messung der verfügbaren Informationen in den Stimuli durch herkömmliche Verfahren erzeugt. Es wäre wünschenswert, um Objekten und Objektkategorien schaffen, wo die verfügbaren Informationen genau gemessen werden kann und, soweit erforderlich, systematisch manipuliert (oder &quot;abgestimmten&quot;). Dies erlaubt es, die Aufgabe zugrunde Erkennungsaufgaben quantitativ formulieren. Hier beschreiben wir eine Reihe von Algorithmen oder Methoden, die alle drei der oben genannten Kriterien erfüllen. Virtuelle Morphogenese (VM) entwickelt neuartige, naturalistische virtuellen 3-D-Objekte als &quot;digitale Embryonen durchSimulation der biologische Prozess der Embryogenese 14. Virtuelle Phylogenese (VP) entwickelt neuartige, naturalistische Objektkategorien durch Simulation den evolutionären Prozess der natürlichen Selektion 9,12,13. Objekte und Objektkategorien durch diese Simulationen erstellt wurden, können weiter durch verschiedene Morphing-Methoden manipuliert werden, um systematische Variationen der Formeigenschaften 15,16 generieren. Die VP und Morphing Methoden können auch angewendet werden, im Prinzip, um neue virtuelle Gegenstände als digitale Embryonen oder virtuellen Versionen von Objekten der realen Welt 9,13. Virtuelle Objekte auf diese Weise erstellt wurden, können als visuelle Bilder mit einem herkömmlichen grafischen Toolkit, mit dem gewünschten Manipulationen Oberflächenstruktur, Beleuchtung, Größe, Sicht-und Hintergrund gerendert werden. Die virtuellen Objekte können auch &quot;gedruckt&quot; werden als haptische Objekte mit einem herkömmlichen 3-D Prototypist. Wir beschreiben auch einige Implementierungen dieser Rechenalgorithmen zu illus helfentrieren den potentiellen Nutzen der Algorithmen. Es ist wichtig, um die Algorithmen von deren Implementation unterscheiden. Die Implementierungen sind Demonstrationen ausschließlich als &quot;proof of principle&quot; der zugrunde liegenden Algorithmen angeboten. Es ist wichtig zu beachten, daß im allgemeinen eine Umsetzung eines Rechenalgorithmus oft Einschränkungen, dass der Algorithmus selbst nicht. Zusammen repräsentieren diese Methoden eine Reihe von leistungsfähigen und flexiblen Tools für die Untersuchung Objekterkennung und perzeptuellen Lernen durch biologische und Rechensysteme gleichermaßen. Mit entsprechenden Erweiterungen, können diese Methoden auch als nützlich erweisen bei der Untersuchung der Morphogenese und Phylogenese.

VM kann verwendet werden, um eine nahezu unbegrenzte Versorgung mit neuartigen 3-D-Formen erzeugen. Einige Vorbild digitalen Embryonen mit Hilfe des VM-Algorithmus werden in der untersten Teil der Abbildung 1 dargestellt. Jedes dieser 16 Embryonen, die durch Verwendung der &#39;growEmbryos.exe &quot;-Programm in den digitalen Embryo Werkzeuge für Cygwin (siehe Tabelle 1) für 40 Wachstum generiert wurden Zyklen. Alle anderen Wachstumsparameter wurden intern durch das Programm gesetzt. Die meisten dieser Parameter konstant waren (dh, von einer identischen Embryo zum nächsten). Einige Parameter, wie die Position und Stärke des Morphogens Quellen waren Zufallsparameter intern vom Programm unabhängig für jeden Lauf gesetzt. Die Form Variationen unter diesen 16 Embryonen ergaben sich ausschließlich als Folge der Schwankungen in diesen zufälligen Parameter. Einige Beispiele von Oberflächentexturierung 34,35 Verwendung einiger willkürlich gewählten Texturen sind in 2A gezeigt. Visuelle Szenen einerrbitrary Komplexität kann unter Verwendung eines kommerziell erhältlichen 3-D Rendering-Modellierung und Umwelt, wie in 2B gezeigt. Ein Vertreter &quot;Stammbaum&quot; von VP mit digitalen Embryonen erzeugt wird in Abbildung 3 gezeigt. Vergleichbare Bäume können auch unter Verwendung digitaler Objekte außer Embryonen werden, wie in Abbildung 4 dargestellt. Beachten Sie, dass in jedem Fall werden die Objekte, die einen gemeinsamen Vorfahren geradehin eine Kategorie, obwohl der Experimentator kann auch wählen, eine Kategorie wie jede andere Gruppe von Objekten definieren. Es ist erwähnenswert, aus Abbildung 4, dass unsere aktuelle Implementierung der VM und VP-Algorithmen, um relativ glatte, gekrümmte Oberflächen, um gezackte oder flache Objekte im Gegensatz zu produzieren tendiert. Es ist auch erwähnenswert, dass dies vermutlich ist die Begrenzung unserer Implementierung dieser Algorithmen und nicht die Algorithmen selbst kann, da biolological Prozesse produzieren Zielts mit flachen Oberflächen und zerklüftete Konturen (zB., Rosenblatt). Die 5 und 6 veranschaulichen die Ergebnisse von zwei typischen Verfahren, die neben verwendet werden kann, oder anstelle der VP zum Erstellen prinzipiellen Abweichungen in Form und Objekt Objektkategorien. Der obere Teil der Abbildung 7 zeigt visuelle Darstellungen von zwei digitalen Embryonen und der untere Teil der Abbildung 7 zeigt die entsprechende Ausdrucke von einer handelsüblichen 3-D Prototypist erzeugt. Die 8 und 9 veranschaulichen die in Abschnitt 6 zur Verwendung Bildfragmente um eine gegebene visuelle Objekt kategorisieren beschrieben. <img alt="Abbildung 1" fo:content-width="4in" fo:src="/files/ftp_upload/3358/3358fig1highres.jpg" src="/files/ftp_upload/3358/3358fig1.jpg" /> Abbildung 1. Virtuelle Morphogenese. </strong&gt; Die Bodenplatte zeigt eine Art von Roman naturalistischen, virtuelle 3-D-Objekte als &quot;digitale Embryonen&quot; 14. Morphogen-vermittelte Zellteilung, Zellwachstum, Bewegung und den programmierten Zelltod 7,8,36,37: Digital Embryonen können durch die Simulation eines oder mehrere der einige der wichtigsten Prozesse der biologischen Embryogenese erzeugt werden. Jeder Lauf beginnt mit einem Ikosaeder (gezeigt in der oberen Platte), und erzeugt einen eindeutigen Embryo, in Abhängigkeit von den VM Parametereinstellungen (oder der &quot;Genotyp&quot;) dieser Embryos. So haben die 16 Embryonen in der Bodenplatte verschiedenen Formen, weil sie alle haben verschiedene Genotypen. Beachten Sie, dass einfachere oder komplexere Formen können nach Bedarf erzeugt werden (zB um optimal zu stimulieren Neuronen auf einem gegebenen Niveau des visuellen Hierarchie) durch Manipulieren des Genotyps des Embryos. Alle vorgenannten embryogenetische Prozesse außer programmierten Zelltod waren Erzeugen die Embryonen gezeigt simuliert. Simulierte programmierten Zelltod ist insbesonderenützlich zum Erstellen gezielte Vertiefungen (nicht dargestellt). <img alt="Abbildung 2" fo:content-width="3.6in" fo:src="/files/ftp_upload/3358/3358fig2highres.jpg" src="/files/ftp_upload/3358/3358fig2.jpg" /> Abbildung 2. Erstellen visueller Reize mit digitalen Embryonen. Wie jede virtuelle 3-D-Objekt, digital Embryonen können grafisch manipuliert werden, um visuelle Szenen von beliebiger Komplexität mit allen gängigen 3-D grafisches Toolkit erstellen. Diese Abbildung zeigt einige gemeinsame Manipulationen. (A) Die gleichen digitalen Embryo ist strukturiert mit vielen verschiedenen Texturen und beleuchtet von einer unsichtbaren Lichtquelle oben links. (B) A getarnt Szene durch Größenanpassung und Neuausrichtung der digitalen Embryo und erstellt digital indem sie gegen den gleichen Hintergrund war es gemasert mit. Der digitale Embryo kann in &#39;plain view&#39; in der rechten unteren Quadranten gefunden werden. Weitere Beispiele von visuellen Reizen creBedienung des Gerätes über digitale Embryonen, siehe Lit.. 9,10,12-14,38. <img alt="Abbildung 3" fo:content-width="5in" fo:src="/files/ftp_upload/3358/3358fig3highres.jpg" src="/files/ftp_upload/3358/3358fig3.jpg" /> Abbildung 3. Erstellung von digitalen Embryo Kategorien mit VP. Die VP Algorithmus simuliert biologische Evolution, dass in beiden Fällen neue Objekte und Objektgruppen Kategorien vererbbare hervorgehen Varianten reichern sich selektiv. In jeder Generation G i, zeugen ausgewählten Embryonen, was zu Generation G i +1. Die Nachkommen erben die Form Merkmale ihrer Eltern, aber zufließen Formvarianten der eigenen (wie durch kleine Variationen in ihren Genotyp bestimmt) wie sie sich entwickeln. Diese Abbildung zeigt einen &quot;Stammbaum&quot; der drei Generationen von Nachkommen ausgehend von einem einzigen gemeinsamen Vorfahren, ein Ikosaeder. Man beachte, dass in diesem Fall die Form Komplexität steigt von der Ikosaeder zu generierendenIonen-G 1, aber nicht von G 1 weiter. Dies liegt daran Anstieg der Zellzahlen (dh., Zellteilung) von der Ikosaeder zu Generation G 1 erlaubt wurde, aber nicht von G 1 weiter. Im Allgemeinen neigt die Zellteilung Gestalt Komplexität zu erhöhen, während andere Prozesse, wie morphogenetischen Zellbewegung und Zellwachstum Form verändern, ohne die Gesamtkomplexität des Form. <img alt="Abbildung 4" fo:content-width="6in" fo:src="/files/ftp_upload/3358/3358fig4highres.jpg" src="/files/ftp_upload/3358/3358fig4.jpg" /> Abbildung 4. VP Verwendung virtueller Objekte außer digitalen Embryonen. Diese Figur hilft veranschaulichen die allgemeine Prinzip, dass virtuelle Objekte andere als digitale Embryonen als Eingabe für VP verwendet werden. Der VP-Algorithmus in seiner jetzigen Form kann auf jedem virtuellen 3-D-Objekt, dessen Oberfläche besteht ausschließlich aus Dreiecken zu betreiben. Generation G 1 comprised (von links nach rechts) ein Kürbis, Diamant, Gesichtsmaske, Apfel, Rock und Kakteen. Beachten Sie, dass die Objekte in der Generation G 1 in dieser Figur nicht einen gemeinsamen Vorfahren, weil VP nicht erfordert. Objekte in G 2 und G 3 stellen die Nachfahren der Fels in G 1. Keine Zellteilungen wurden in irgendeiner Generation erlaubt, so dass alle Formabweichungen ausschließlich von der Bewegung und / oder das Wachstum der einzelnen &quot;Zellen&quot; des gegebenen Objekts entstand. <img alt="Abbildung 5" fo:content-width="6.5in" fo:src="/files/ftp_upload/3358/3358fig5highres.jpg" src="/files/ftp_upload/3358/3358fig5.jpg" /> Abbildung 5. Verwendung Morphing auf glatten Variationen in Form zu erstellen. Morphing beinhaltet unter zwei vorgegebenen Objekten (ganz links und ganz rechts in dieser Figur Embryo) und die Berechnung der Zwischen-Objekte (intervenierenden Embryonen) durch Interpolieren zwischen den entsprechenden Ecken der beiden designiertend Objekte. Im gezeigten Fall wurden alle Scheitelpunkte mit dem gleichen interpolierten skalaren Faktor, was zu einem linearen Morphing. Es ist jedoch auch möglich, die Gegenstände nichtlinear morphen (nicht dargestellt). Morphing ist rechnerisch einfach, wenn es eine exakte Eins-zu-Eins-Entsprechung zwischen den Scheitelpunkten von zwei Objekten, wie in dem Fall gezeigt. Jedoch ist es möglich, im Prinzip Morph zwischen zwei bestimmten virtuellen Objekte unabhängig davon, ob ihre Ecken entsprechen genau, obwohl es keine eindeutigen prinzipielle Methode dafür 17,18. <img alt="Abbildung 6" fo:content-width="6in" fo:src="/files/ftp_upload/3358/3358fig6highres.jpg" src="/files/ftp_upload/3358/3358fig6.jpg" /> Abbildung 6. Mit Hauptkomponenten auf glatten Variationen in Form zu erstellen. (A) Durchschnittliche Embryo. Dieser Embryo ist der arithmetische Mittelwert von 400 Embryonen (200 jeweils aus den Kategorien K und L inAbbildung 3). Hauptkomponenten berechnet wurden, wie in Schritt 4.3 beschrieben. Beachten Sie, dass die Hauptkomponenten voneinander unabhängige, abstrakte Form Abmessungen der 400 Embryonen darstellen (nicht dargestellt) 25,26. 400 Embryonen ergeben 399 Nicht-Null-Hauptkomponenten 25,26, die zusammen für alle die Varianz oder die Form Informationen zur Verfügung kollektiv in den Embryonen. Vereinbarungsgemäß werden die Hauptkomponenten in absteigender Reihenfolge ihrer Eigenwerte, oder der Anteil der gesamten Varianz erklären sie 25,26 angeordnet. In diesem Fall werden die ersten beiden Hauptkomponenten jeweils einen Anteil von 73% und 19% der Forminformation in den 400 Embryonen. (B) Embryonen, die unterschiedliche Gewichte (oder genauer gesagt, gewichtete Eigenwerte) der Principal Component 1 repräsentieren. Die Gewichte von +2 (ganz links) bis -2 (ganz rechts) in gleichen Schritten von -0,2 variiert. (C) Embryonen, die verschiedene Gewichte von Principal Compon stellenent 2. Die Gewichte auch von +2 (ganz links) bis -2 (ganz rechts) in gleichen Schritten von -0,2 variiert. Beachten Sie, dass die Manipulation Hauptkomponenten nicht ausschließlich manipulieren beliebige bestimmten Körperteil des Embryos (zB., Die Flügel des Embryos in dem gezeigten Fall). Jedoch, falls erforderlich, Karosserieteilen von virtuellen 3-D-Objekte können in beliebiger benutzerdefinierte Mode unter Verwendung der meisten der im Handel erhältlichen 3-D Modellierungsumgebungen (nicht dargestellt) manipuliert werden. <img alt="Abbildung 7" fo:content-width="4in" fo:src="/files/ftp_upload/3358/3358fig7highres.jpg" src="/files/ftp_upload/3358/3358fig7.jpg" /> Abbildung 7. Erstellen haptische Objekte. Virtuelle 3-D-Objekte können &quot;gedruckt&quot; werden als haptische Objekte mit einem Standard, kommerziell erhältlichen 3-D &#39;Drucker&#39; oder Prototypist. Diese Abbildung zeigt digitale Embryonen als visuelle Objekte (obere Reihe) oder wie die entsprechenden haptischen Objekte (untere Reihe) gerendert. Die haptische Objekte shown in dieser Figur wurden gedruckt werden etwa 6 cm breit (Maßstabsbalken = 1 cm), obwohl die Gegenstände in viel kleinere oder größere Größen gedruckt werden kann. <img alt="Abbildung 8" src="/files/ftp_upload/3358/3358fig8.jpg" /> Abbildung 8. Eine Vorlage für ein Beispiel informativen Fragment. In diesem Beispiel hat die Schablone einen Schwellenwert von 0,69 zugeordnet. <img alt="Abbildung 9" fo:content-width="2.5in" fo:src="/files/ftp_upload/3358/3358fig9highres.jpg" src="/files/ftp_upload/3358/3358fig9.jpg" /> Abbildung 9. Ein neues Bild für die das Objekt Kategorie nicht bekannt ist und bestimmt werden muss.

Watch this Scientific Journal Video about Creating Objects and Object Categories for Studying Perception and Perceptual Learning at JoVE.com

Creating Objects and Object Categories for Studying Perception and Perceptual Learning

Wir beschreiben eine neuartige Methodik zur Schaffung naturalistischen 3-D Objekte und Objektgruppen Kategorien mit genau definierten Funktion Variationen. Wir verwenden Simulationen der biologischen Prozesse der Morphogenese und Phylogenese zu neuen, naturalistischen virtuellen 3-D-Objekte und Objekt-Rubriken, die dann als visuelle Bilder oder haptische Objekte gerendert werden können.

Erstellen von Objekten und Objekt Kategorien für Studium Wahrnehmung und Perceptual Learning

In order to quantitatively study object perception, be it perception by biological systems or by machines, one needs to create objects and object ...

creating-objects-object-categories-for-studying-perception-perceptual

Research

JoVE Journal

Neuroscience

11.7K Aufrufe.  Georgia Health Sciences University. Wir beschreiben eine neuartige Methodik zur Schaffung naturalistischen 3-D Objekte und Objektgruppen Kategorien mit genau definierten Funktion Variationen. Wir verwenden Simulationen der biologischen Prozesse der Morphogenese und Phylogenese zu neuen, naturalistischen virtuellen 3-D-Objekte und Objekt-Rubriken, die dann als visuelle Bilder oder haptische Objekte gerendert werden können.

Serie: Creating Objects and Object Categories for Studying Perception and Perceptual Learning

C. elegans Positive Butanone Learning, Short-term, and Long-term Associative Memory Assays

The memory of experiences and learned information is critical for organisms to make choices that aid their survival. C. elegans navigates its environment through neuron-specific detection of food and chemical odors1, 2, and can associate nutritive states with chemical odors3, temperature4, and the pathogenicity of a food source5.
Here, we describe assays of C. elegans associative learning and short- and long-term associative memory. We modified an aversive olfactory learning paradigm6 to instead produce a positive response; the assay involves starving ~400 worms, then feeding the worms in the presence of the AWC neuron-sensed volatile chemoattractant butanone at a concentration that elicits a low chemotactic index (similar to Toroyama et al.7). A standard population chemotaxis assay1 tests the worms' attraction to the odorant immediately or minutes to hours after conditioning.
After conditioning, wild-type animals' chemotaxis to butanone increases ~0.6 Chemotaxis Index units, its "Learning Index". Associative learning is dependent on the presence of both food and butanone during training. Pairing food and butanone for a single conditioning period ("massed training") produces short-term associative memory that lasts ~2 hours. Multiple conditioning periods with rest periods between ("spaced training") yields long-term associative memory (&lt;40 hours), and is dependent on the cAMP Response Element Binding protein (CREB),6 a transcription factor required for long-term memory across species.8
Our protocol also includes image analysis methods for quick and accurate determination of chemotaxis indices. High-contrast images of animals on chemotaxis assay plates are captured and analyzed by worm counting software in MatLab. The software corrects for uneven background using a morphological tophat transformation.9 Otsu's method is then used to determine a threshold to separate worms from the background.10 Very small particles are removed automatically and larger non-worm regions (plate edges or agar punches) are removed by manual selection. The software then estimates the size of single worm by ignoring regions that are above a specified maximum size and taking the median size of the remaining regions. The number of worms is then estimated by dividing the total area identified as occupied by worms by the estimated size of a single worm.
We have found that learning and short- and long-term memory can be distinguished, and that these processes share similar key molecules with higher organisms.6,8 Our assays can quickly test novel candidate genes or molecules that affect learning and short- or long-term memory in C. elegans that are relevant across species.

C. elegans Positive Butanone Learning, Short-term, and Long-term Associative Memory Assays

Here we describe methods to test C. elegans associative learning and short- and long-term associative memory. These population assays employ the worms abilities to chemotax toward volatile odorants, and form positive associations upon pairing food with the chemoattractant butanone. Increasing the number of conditioning periods induces long-term memory.

C. elegans Positive Butanone Learning, kurzfristige und langfristige Assoziative Speicher Assays

The memory of experiences and learned information is critical for organisms to make choices that aid their survival. C. elegans navigates its environment ...

Forschung

Neurowissenschaften

Using Affordable LED Arrays for Photo-Stimulation of Neurons

Standard slice electrophysiology has allowed researchers to probe individual components of neural circuitry by recording electrical responses of single cells in response to electrical or pharmacological manipulations1,2. With the invention of methods to optically control genetically targeted neurons (optogenetics), researchers now have an unprecedented level of control over specific groups of neurons in the standard slice preparation. In particular, photosensitive channelrhodopsin-2 (ChR2) allows researchers to activate neurons with light3,4. By combining careful calibration of LED-based photostimulation of ChR2 with standard slice electrophysiology, we are able to probe with greater detail the role of adult-born interneurons in the olfactory bulb, the first central relay of the olfactory system. Using viral expression of ChR2-YFP specifically in adult-born neurons, we can selectively control young adult-born neurons in a milieu of older and mature neurons. Our optical control uses a simple and inexpensive LED system, and we show how this system can be calibrated to understand how much light is needed to evoke spiking activity in single neurons. Hence, brief flashes of blue light can remotely control the firing pattern of ChR2-transduced newborn cells.

Adult-born neurons expressing ChR2 can be manipulated in slice electrophysiological preparations in order to examine their contribution towards the function of olfactory neural circuits.

Mit Affordable LED Arrays für Photo-Stimulation von Neuronen

Standard slice electrophysiology has allowed researchers to probe individual components of neural circuitry by recording electrical responses of single ...

Selective Viral Transduction of Adult-born Olfactory Neurons for Chronic in vivo Optogenetic Stimulation

Local interneurons are continuously regenerated in the olfactory bulb of adult rodents1-3. In this process, called adult neurogenesis, neural stem cells in the walls of the lateral ventricle give rise to neuroblasts that migrate for several millimeters along the rostral migratory stream (RMS) to reach and incorporate into the olfactory bulb. To study the different steps and the impact of adult-born neuron integration into preexisting olfactory circuits, it is necessary to selectively label and manipulate the activity of this specific population of neurons. The recent development of optogenetic technologies offers the opportunity to use light to precisely activate this specific cohort of neurons without affecting surrounding neurons4,5. Here, we present a series of procedures to virally express Channelrhodopsin2(ChR2)-YFP in a temporally restricted cohort of neuroblasts in the RMS before they reach the olfactory bulb and become adult-born neurons. In addition, we show how to implant and calibrate a miniature LED for chronic in vivo stimulation of ChR2-expressing neurons.

Selective Viral Transduction of Adult-born Olfactory Neurons for Chronic in vivo Optogenetic Stimulation

Adult-born neurons of the olfactory bulb can be optogenetically controlled using Channelrhodopsin2-expressing lentiviral injection in the rostral migratory stream and chronic photostimulation with an implanted miniature LED.

Selektive Viral Transduktion von Adult-geboren olfaktorischen Neuronen für chronische In vivo Optogenetische Stimulation

Local interneurons are continuously regenerated in the olfactory bulb of adult rodents1-3. In this process, called adult neurogenesis, neural stem cells ...

MPI CyberMotion Simulator: Implementation of a Novel Motion Simulator to Investigate Multisensory Path Integration in Three Dimensions

Path integration is a process in which self-motion is integrated over time to obtain an estimate of one's current position relative to a starting point 1. Humans can do path integration based exclusively on visual 2-3, auditory 4, or inertial cues 5. However, with multiple cues present, inertial cues - particularly kinaesthetic - seem to dominate 6-7. In the absence of vision, humans tend to overestimate short distances (&lt;5 m) and turning angles (&lt;30&deg;), but underestimate longer ones 5. Movement through physical space therefore does not seem to be accurately represented by the brain.
Extensive work has been done on evaluating path integration in the horizontal plane, but little is known about vertical movement (see 3 for virtual movement from vision alone). One reason for this is that traditional motion simulators have a small range of motion restricted mainly to the horizontal plane. Here we take advantage of a motion simulator 8-9 with a large range of motion to assess whether path integration is similar between horizontal and vertical planes. The relative contributions of inertial and visual cues for path navigation were also assessed.
16 observers sat upright in a seat mounted to the flange of a modified KUKA anthropomorphic robot arm. Sensory information was manipulated by providing visual (optic flow, limited lifetime star field), vestibular-kinaesthetic (passive self motion with eyes closed), or visual and vestibular-kinaesthetic motion cues. Movement trajectories in the horizontal, sagittal and frontal planes consisted of two segment lengths (1st: 0.4 m, 2nd: 1 m; &plusmn;0.24 m/s2 peak acceleration). The angle of the two segments was either 45&deg; or 90&deg;. Observers pointed back to their origin by moving an arrow that was superimposed on an avatar presented on the screen.
Observers were more likely to underestimate angle size for movement in the horizontal plane compared to the vertical planes. In the frontal plane observers were more likely to overestimate angle size while there was no such bias in the sagittal plane. Finally, observers responded slower when answering based on vestibular-kinaesthetic information alone. Human path integration based on vestibular-kinaesthetic information alone thus takes longer than when visual information is present. That pointing is consistent with underestimating and overestimating the angle one has moved through in the horizontal and vertical planes respectively, suggests that the neural representation of self-motion through space is non-symmetrical which may relate to the fact that humans experience movement mostly within the horizontal plane.

An efficient way to gain insight into how humans navigate themselves in three dimensions is described. The method takes advantage of a motion simulator capable of moving observers in ways unattainable by traditional simulators. Results confirm that movement in the horizontal plane is underestimated, while vertical movement is overestimated.

MPI CyberMotion Simulator: Implementierung eines neuartigen Motion Simulator zu Multisensorische Pfadintegration in drei Dimensionen erforschen

Path integration is a process in which self-motion is integrated over time to obtain an estimate of one's current position relative to a starting point 1. ...

High-resolution Functional Magnetic Resonance Imaging Methods for Human Midbrain

Functional MRI (fMRI) is a widely used tool for non-invasively measuring correlates of human brain activity. However, its use has mostly been focused upon measuring activity on the surface of cerebral cortex rather than in subcortical regions such as midbrain and brainstem. Subcortical fMRI must overcome two challenges: spatial resolution and physiological noise. Here we describe an optimized set of techniques developed to perform high-resolution fMRI in human SC, a structure on the dorsal surface of the midbrain; the methods can also be used to image other brainstem and subcortical structures.
High-resolution (1.2 mm voxels) fMRI of the SC requires a non-conventional approach. The desired spatial sampling is obtained using a multi-shot (interleaved) spiral acquisition1. Since, T2* of SC tissue is longer than in cortex, a correspondingly longer echo time (TE ~ 40 msec) is used to maximize functional contrast. To cover the full extent of the SC, 8-10 slices are obtained. For each session a structural anatomy with the same slice prescription as the fMRI is also obtained, which is used to align the functional data to a high-resolution reference volume.
In a separate session, for each subject, we create a high-resolution (0.7 mm sampling) reference volume using a T1-weighted sequence that gives good tissue contrast. In the reference volume, the midbrain region is segmented using the ITK-SNAP software application2. This segmentation is used to create a 3D surface representation of the midbrain that is both smooth and accurate3. The surface vertices and normals are used to create a map of depth from the midbrain surface within the tissue4.
Functional data is transformed into the coordinate system of the segmented reference volume. Depth associations of the voxels enable the averaging of fMRI time series data within specified depth ranges to improve signal quality. Data is rendered on the 3D surface for visualization.
In our lab we use this technique for measuring topographic maps of visual stimulation and covert and overt visual attention within the SC1. As an example, we demonstrate the topographic representation of polar angle to visual stimulation in SC.

This article describes techniques to perform high-resolution functional magnetic resonance imaging with 1.2 mm sampling in human midbrain and subcortical structures using a 3T scanner. Use of these techniques to resolve topographic maps of visual stimulation in the human superior colliculus (SC) is given as an example.

Hochauflösende Functional Magnetic Resonance Imaging Methods for Human Mittelhirn

Functional MRI (fMRI) is a widely used tool for non-invasively measuring correlates of human brain activity. However, its use has mostly been focused upon ...

Optical Recording of Suprathreshold Neural Activity with Single-cell and Single-spike Resolution

Signaling of information in the vertebrate central nervous system is often carried by populations of neurons rather than individual neurons. Also propagation of suprathreshold spiking activity involves populations of neurons. Empirical studies addressing cortical function directly thus require recordings from populations of neurons with high resolution. Here we describe an optical method and a deconvolution algorithm to record neural activity from up to 100 neurons with single-cell and single-spike resolution. This method relies on detection of the transient increases in intracellular somatic calcium concentration associated with suprathreshold electrical spikes (action potentials) in cortical neurons. High temporal resolution of the optical recordings is achieved by a fast random-access scanning technique using acousto-optical deflectors (AODs)1. Two-photon excitation of the calcium-sensitive dye results in high spatial resolution in opaque brain tissue2. Reconstruction of spikes from the fluorescence calcium recordings is achieved by a maximum-likelihood method. Simultaneous electrophysiological and optical recordings indicate that our method reliably detects spikes (&gt;97% spike detection efficiency), has a low rate of false positive spike detection (&lt; 0.003 spikes/sec), and a high temporal precision (about 3 msec) 3. This optical method of spike detection can be used to record neural activity in vitro and in anesthetized animals in vivo3,4.

Understanding the function of the vertebrate central nervous system requires recordings from many neurons because cortical function arises on the level of populations of neurons. Here we describe an optical method to record suprathreshold neural activity with single-cell and single-spike resolution, dithered random-access scanning. This method records somatic fluorescence calcium signals from up to 100 neurons with high temporal resolution. A maximum-likelihood algorithm deconvolves the underlying suprathreshold neural activity from the somatic fluorescence calcium signals. This method reliably detects spikes with high detection efficiency and a low rate of false positives and can be used to study neural populations in vitro and in vivo.

Optische Aufnahme überschwellige neuronale Aktivität mit Single-Cell-und Single-Spike Auflösung

Signaling of information in the vertebrate central nervous system is often carried by populations of neurons rather than individual neurons. Also ...

Mapping Cortical Dynamics Using Simultaneous MEG/EEG and Anatomically-constrained Minimum-norm Estimates: an Auditory Attention Example

Magneto- and electroencephalography (MEG/EEG) are neuroimaging techniques that provide a high temporal resolution particularly suitable to investigate the cortical networks involved in dynamical perceptual and cognitive tasks, such as attending to different sounds in a cocktail party. Many past studies have employed data recorded at the sensor level only, i.e., the magnetic fields or the electric potentials recorded outside and on the scalp, and have usually focused on activity that is time-locked to the stimulus presentation. This type of event-related field / potential analysis is particularly useful when there are only a small number of distinct dipolar patterns that can be isolated and identified in space and time. Alternatively, by utilizing anatomical information, these distinct field patterns can be localized as current sources on the cortex. However, for a more sustained response that may not be time-locked to a specific stimulus (e.g., in preparation for listening to one of the two simultaneously presented spoken digits based on the cued auditory feature) or may be distributed across multiple spatial locations unknown a priori, the recruitment of a distributed cortical network may not be adequately captured by using a limited number of focal sources.
Here, we describe a procedure that employs individual anatomical MRI data to establish a relationship between the sensor information and the dipole activation on the cortex through the use of minimum-norm estimates (MNE). This inverse imaging approach provides us a tool for distributed source analysis. For illustrative purposes, we will describe all procedures using FreeSurfer and MNE software, both freely available. We will summarize the MRI sequences and analysis steps required to produce a forward model that enables us to relate the expected field pattern caused by the dipoles distributed on the cortex onto the M/EEG sensors. Next, we will step through the necessary processes that facilitate us in denoising the sensor data from environmental and physiological contaminants. We will then outline the procedure for combining and mapping MEG/EEG sensor data onto the cortical space, thereby producing a family of time-series of cortical dipole activation on the brain surface (or "brain movies") related to each experimental condition. Finally, we will highlight a few statistical techniques that enable us to make scientific inference across a subject population (i.e., perform group-level analysis) based on a common cortical coordinate space.

We use magneto- and electroencephalography (MEG/EEG), combined with anatomical information captured by magnetic resonance imaging (MRI), to map the dynamics of the cortical network associated with auditory attention.

Mapping Kortikale Dynamics Mit Simultaneous MEG / EEG und anatomisch eingeschränkt Minimum-Norm Schätzungen: ein Auditory Achtung Beispiel

Magneto- and electroencephalography (MEG/EEG) are neuroimaging techniques that provide a high temporal resolution particularly suitable to investigate the ...

Drosophila Adult Olfactory Shock Learning

Drosophila have been used in classical conditioning experiments for over 40 years, thus greatly facilitating our understanding of memory, including the elucidation of the molecular mechanisms involved in cognitive diseases1-7. Learning and memory can be assayed in larvae to study the effect of neurodevelopmental genes8-10 and in flies to measure the contribution of adult plasticity genes1-7. Furthermore, the short lifespan of Drosophila facilitates the analysis of genes mediating age-related memory impairment5,11-13. The availability of many inducible promoters that subdivide the Drosophila nervous system makes it possible to determine when and where a gene of interest is required for normal memory as well as relay of different aspects of the reinforcement signal3,4,14,16.
Studying memory in adult Drosophila allows for a detailed analysis of the behavior and circuitry involved and a measurement of long-term memory15-17. The length of the adult stage accommodates longer-term genetic, behavioral, dietary and pharmacological manipulations of memory, in addition to determining the effect of aging and neurodegenerative disease on memory3-6,11-13,15-21.
Classical conditioning is induced by the simultaneous presentation of a neutral odor cue (conditioned stimulus, CS+) and a reinforcement stimulus, e.g., an electric shock or sucrose, (unconditioned stimulus, US), that become associated with one another by the animal1,16. A second conditioned stimulus (CS-) is subsequently presented without the US. During the testing phase, Drosophila are simultaneously presented with CS+ and CS- odors. After the Drosophila are provided time to choose between the odors, the distribution of the animals is recorded. This procedure allows associative aversive or appetitive conditioning to be reliably measured without a bias introduced by the innate preference for either of the conditioned stimuli. Various control experiments are also performed to test whether all genotypes respond normally to odor and reinforcement alone.

Drosophila Adult Olfactory Shock Learning

The method to measure adult Drosophila associative memory is described. The assay is based on the ability of the fly to associate an odor presented with a negative reinforcer (electric shock) and then recall this information at a later time, allowing memory to be measured.

Drosophila Erwachsene olfaktorischen Schock Learning

Drosophila have been used in classical conditioning experiments for over 40 years, thus greatly facilitating our understanding of memory, including the ...

Whole Mount Immunolabeling of Olfactory Receptor Neurons in the Drosophila Antenna

Odorant molecules bind to their target receptors in a precise and coordinated manner. Each receptor recognizes a specific signal and relays this information to the brain. As such, determining how olfactory information is transferred to the brain, modifying both perception and behavior, merits investigation. Interestingly, there is emerging evidence that cellular transduction and transcriptional factors are involved in the diversification of olfactory receptor neuron. Here we provide a robust whole mount immunological labeling method to assay in vivo olfactory receptor neuron organization. Using this method, we identified all olfactory receptor neurons with anti-ELAV antibody, a known pan-neural marker and Or49a-mCD8::GFP, an olfactory receptor neuron specifically expressed in Nba neuron using anti-GFP antibody.

Whole Mount Immunolabeling of Olfactory Receptor Neurons in the Drosophila Antenna

Herein we describe the process of whole mount immunostaining of Drosophila antennae, which enables us to better understand the molecular mechanisms involved in the diversification of olfactory receptor neurons (ORN)s.

Ganze Berge Immunmarkierung der olfaktorischen Rezeptorneuronen in der<em&gt; Drosophila</em&gt; Antennen

Odorant molecules bind to their target receptors in a precise and coordinated manner. Each receptor recognizes a specific signal and relays this ...

Electrophysiological Method for Recording Intracellular Voltage Responses of Drosophila Photoreceptors and Interneurons to Light Stimuli In Vivo

Voltage responses of insect photoreceptors and visual interneurons can be accurately recorded with conventional sharp microelectrodes. The method described here enables the investigator to measure long-lasting (from minutes to hours) high-quality intracellular responses from single Drosophila R1-R6 photoreceptors and Large Monopolar Cells (LMCs) to light stimuli. Because the recording system has low noise, it can be used to study variability among individual cells in the fly eye, and how their outputs reflect the physical properties of the visual environment. We outline all key steps in performing this technique. The basic steps in constructing an appropriate electrophysiology set-up for recording, such as design and selection of the experimental equipment are described. We also explain how to prepare for recording by making appropriate (sharp) recording and (blunt) reference electrodes. Details are given on how to fix an intact fly in a bespoke fly-holder, prepare a small window in its eye and insert a recording electrode through this hole with minimal damage. We explain how to localize the center of a cell's receptive field, dark- or light-adapt the studied cell, and to record its voltage responses to dynamic light stimuli. Finally, we describe the criteria for stable normal recordings, show characteristic high-quality voltage responses of individual cells to different light stimuli, and briefly define how to quantify their signaling performance. Many aspects of the method are technically challenging and require practice and patience to master. But once learned and optimized for the investigator's experimental objectives, it grants outstanding in vivo neurophysiological data.

Electrophysiological Method for Recording Intracellular Voltage Responses of Drosophila Photoreceptors and Interneurons to Light Stimuli In Vivo

Sharp microelectrodes enable accurate electrophysiological characterization of photoreceptor and visual interneuron output in living Drosophila. Here we show how to use this method to record high-quality voltage responses of individual cells to controlled light stimulation. This method is ideal for studying neural information processing in insect compound eyes.

Elektrophysiologische Verfahren zur Aufzeichnung von intrazellulärer Spannung Antworten von<em&gt; Drosophila</em&gt; Fotorezeptoren und Inter auf Lichtreize<em&gt; In Vivo</em