Nous voulons voir si l’odeur des boissons alcoolisées pourrait soulager la brûlure du wasabi. Nous avons donc développé une méthode qui impliquait l’étude du comportement animal et l’apprentissage profond pour explorer cette interaction goût-odeur. En utilisant notre conception de cage spécialisée pour l’acquisition de données comportementales et un modèle d’apprentissage profond robuste, nous avons constaté que 29 % des images représentant le co-traitement du wasabi et de l’alcool étaient classées comme négatives pour le wasabi et positives pour les liquides, ce qui suggère que l’alcool peut contrecarrer les effets du wasabi.
Notre étude soulève la question suivante : pourquoi l’alcool peut-il supprimer l’inconfort causé par le wasabi ? La compréhension du mécanisme physiologique sous-jacent à l’origine de cette interaction sera au cœur des recherches futures. Pour commencer, construisez deux murs latéraux opaques en empilant des briques à une hauteur de 54 millimètres.
Intégrez les plaques acryliques dans la cage à base d’acrylonitrile butadiène styrène. Préparez une chambre à manger composée de cinq plaques acryliques transparentes de 90 millimètres sur 50 millimètres d’une épaisseur de deux millimètres. Ensuite, préparez une plaque acrylique transparente comme plaque d’introduction de chow et placez-la dans la chambre à chows.
Après avoir mené des expériences comportementales à l’aide d’un modèle de souris âgé de neuf à 10 semaines, démontez toutes les plaques d’acrylique et d’acrylonitrile butadiène styrène. Rincez les plaques à l’eau ultra-pure au moins trois fois. Et puis séchez-les à l’aide d’essuie-tout.
Ensuite, vaporisez-les avec de l’éthanol à 75 %, puis nettoyez-les avec du papier pour lentilles. Enfin, laissez-les sécher à l’air libre pendant au moins 15 minutes. Maintenant, pesez les souris et notez leur poids corporel avant chaque réplication de l’expérience comportementale.
Pour préparer un mélange de wasabi et de beurre de cacahuète, pesez un gramme de wasabi commercial et 4,5 grammes de beurre de cacahuète. Mélangez-les dans un sac en plastique zippé. Pesez et fournissez deux pâtes de 0,5 gramme de beurre d’arachide ou un mélange de wasabi et de beurre d’arachide sur l’assiette d’introduction de la nourriture.
Placez l’assiette d’introduction de chow préparée dans la chambre à chows. Ensuite, remplissez le sillon en dessous avec 30 millilitres de liquide, soit de l’eau pure ou de la liqueur, pour faciliter l’inhalation simultanée. Commencez l’enregistrement à l’aide des appareils photo de deux smartphones placés sur les supports de téléphone de chaque terminal.
Placez soigneusement deux compagnons de litière de souris entraînés dans la plate-forme d’étude du comportement animal conçue par le haut et fixez rapidement la cage avec la plaque supérieure. Pour commencer, enregistrez le comportement des souris pendant l’expérience de nociception induite par le wasabi lors de l’inhalation d’alcool dans une cage spécialement conçue. À l’aide du bloc-notes Jupyter fourni nommé Step1_ExtractingAndSavingVideoFrameImages.
ipynb, exportez une série d’images vidéo à partir des clips vidéo collectés afin de générer un ensemble de données pour l’entraînement du modèle. Sélectionnez uniquement les images avec au moins une souris consommant la pâte fournie. Pour effectuer l’augmentation des données, implémentez le script fourni dans le bloc-notes Jupyter nommé Step2_DataAugmentation.
ipynb pour retourner horizontalement les images générées. Réservez les données d’image de chaque seconde répliquée pour la validation du modèle CNN indépendant externe. Utilisez les images de chaque première et troisième réplique pour l’entraînement et les tests internes du modèle.
Pour prétraiter les données d’image utilisées dans la modélisation CNN, exécutez le script dans le Jupyter Notebook nommé Step3_CNNmodeling_TrainTest. iPynb, y compris le redimensionnement de l’image, la conversion des couleurs noires et la normalisation du signal d’image. Divisez les supports de formation en ensembles de données de formation et de test internes de manière aléatoire à huit contre deux.
Ensuite, initialisez l’architecture CNN. Concevez le nombre de sorties CNN en fonction du nombre de scénarios à examiner. Adoptez la combinaison optimale d’hyperparamètres pour la construction de l’architecture CNN.
Ensuite, ouvrez le Step4_CNNmodel_ExternalValOriginal Jupyter Notebooks fourni. ipynb et Step5_CNNmodel_ExternalValFlipped.ipynb. Validez le modèle atteint à l’aide des images indépendantes de la deuxième réplique de l’expérience comportementale animale.
Déployez le modèle obtenu et validé pour classer les images de trame vidéo générées à partir du groupe expérimental à l’aide de Jupyter Notebook Step6_CNNmodel_Application.ipynb. Le score MGS a considérablement augmenté chez les souris ayant reçu un mélange de wasabi et de beurre de cacahuète par rapport à celles ayant reçu uniquement du beurre de cacahuète. Le score MGS n’a montré aucune différence significative entre le groupe témoin et les souris exposées à la vapeur d’alcool.
Le score MGS des souris ayant reçu du wasabi et du beurre de cacahuète a considérablement diminué lorsqu’elles étaient exposées à la vapeur d’alcool par rapport à celles non exposées.
