MouseWalker를 사용하여 척수 손상 마우스 모델에서 운동 기능 장애 정량화

요약

마우스워커(MW) 툴박스를 사용하여 자유롭게 걷는 쥐의 운동 패턴을 정량적으로 설명하는 실험 파이프라인이 제공되며, 초기 비디오 녹화 및 추적에서 정량화 후 분석에 이르기까지 다양합니다. 생쥐의 척수 타박상 손상 모델은 MW 시스템의 유용성을 입증하기 위해 사용됩니다.

초록

걷기 및 달리기와 같은 복잡하고 고도로 조정 된 운동 프로그램의 실행은 척추 및 척추 상 회로의 리드미컬 한 활성화에 달려 있습니다. 흉부 척수 손상 후 업스트림 회로와의 통신이 손상됩니다. 이는 결국 조정 상실로 이어지고 회복 가능성이 제한됩니다. 따라서 약물이나 치료법 투여 후 회복 정도를 더 잘 평가하기 위해서는 척수 손상 동물 모델에서 보행, 사지 협응 및 기타 운동 행동의 미세한 측면을 정량화할 수 있는 새롭고 보다 상세하며 정확한 도구가 필요합니다. 설치류의 자유 보행 행동을 정량적으로 평가하기 위해 수년에 걸쳐 여러 분석법이 개발되었습니다. 그러나 일반적으로 보행 전략, 발자국 패턴 및 조정과 관련된 직접적인 측정이 부족합니다. 이러한 단점을 해결하기 위해 fTIR(Frustrated Total Internal Reflection) 통로와 추적 및 정량화 소프트웨어를 결합한 업데이트된 버전의 MouseWalker가 제공됩니다. 이 오픈 소스 시스템은 여러 그래픽 출력과 운동학적 매개변수를 추출하도록 조정되었으며 정량화 후 도구 세트는 제공된 출력 데이터를 분석할 수 있습니다. 이 원고는 또한 이미 확립된 행동 테스트와 결합된 이 방법이 척수 손상 후 운동 결손을 정량적으로 설명하는 방법을 보여줍니다.

서문

네 팔다리의 효과적인 조정은 네 발 달린 동물에만 국한된 것이 아닙니다. 인간의 앞다리-뒷다리 협응력은 수영 및 걷는 동안 속도 변경과 같은 여러 작업을 수행하는 데 여전히 중요합니다¹. 고유 수용성 피드백 회로(proprioceptive feedback circuit)5 뿐만 아니라, 다양한 사지 운동학(limb kinematic)² 및^{운동 프로그램(}motor program)^1,3,4은 인간과 다른 포유류 사이에서 보존되며, 척수 손상^(SCI)6,7,8 과 같은 운동 장애에 대한 치료 옵션을 분석할 때 고려되어야 한다.

걷기 위해서는 앞다리와 뒷다리의 여러 척추 연결이 적절하게 연결되고 리드미컬하게 활성화되어야 하며, 이를 위해서는 뇌의 입력과 체성 감각 시스템의 피드백이 필요합니다 ^2,9,10. 이러한 연결은 각각 앞다리와 뒷다리의 경추 및 요추 수준에 위치한 중앙 패턴 생성기(CPG)에서 절정에 이릅니다^1,9,10. 종종 SCI 후, 신경 연결성의 붕괴와 억제성 신경교 흉터(¹²)의 형성은 운동 기능의 회복을 제한하며, 결과는 손상 중증도에 따라 전체 마비에서 사지 그룹의 제한된 기능에 이르기까지 다양하다. SCI 후 운동 기능을 정확하게 정량화하는 도구는 회복을 모니터링하고 치료 또는 기타 임상 개입의 효과를 평가하는 데 중요합니다⁶.

SCI의 마우스 타박상 모델에 대한 표준 메트릭 분석은 Basso 마우스 척도(BMS)^13,14로, 오픈 필드 경기장에서 몸통 안정성^, 꼬리 위치, 발바닥 스테핑 및 앞다리-뒷다리 협응을 고려하는 비모수 점수입니다. BMS는 대부분의 경우 매우 신뢰할 수 있지만 자연 변동성을 설명하고 편향을 줄이기 위해 동물 움직임의 모든 각도를 관찰하려면 최소 두 명의 숙련된 평가자가 필요합니다.

SCI 후 운동 성능을 정량적으로 평가하기 위한 다른 분석법도 개발되었습니다. 이들은 회전 실린더⁽¹⁵)에 소요되는 시간을 측정하는 로타로드 테스트를 포함한다; 놓친 난간 수와 긍정적 인 사다리 잡기^16,17의 수를 측정하는 수평 사다리; 그리고 동물이 좁은 빔을 건널 때 걸리는 시간과 실패 횟수를 측정하는 빔 워킹 테스트(¹⁸). 운동 결손의 조합을 반영함에도 불구하고 이러한 테스트 중 어느 것도 앞다리-뒷다리 협응에 대한 직접적인 운동 정보를 생성하지 않습니다.

보행 행동을 구체적이고 철저하게 분석하기 위해 보행 주기와 보행 전략을 재구성하기 위한 다른 분석법이 개발되었습니다. 한 가지 예는 동물의 잉크로 칠한 발이 흰 종이¹⁹ 위에 패턴을 그리는 발자국 테스트입니다. 실행은 간단하지만 보폭과 같은 운동학적 매개변수를 추출하는 것은 번거롭고 부정확합니다. 또한, 스텝 사이클의 지속 시간 또는 레그 타임 조정과 같은 동적 매개변수의 부족은 적용을 제한합니다. 실제로 이러한 동적 매개변수는 투명한 표면을 통과하는 설치류의 프레임별 비디오를 분석해야만 얻을 수 있습니다. SCI 연구를 위해 연구자들은 걸음 주기를 재구성하고 각 다리 관절의 각도 변화를 측정하는 것을 포함하여 트레드밀을 사용하여 측면 보기에서 보행 행동을 분석했습니다 4,20,21. 이 접근법은 매우 유익할 수 있지만⁶, 특정 팔다리 세트에 초점을 맞추고 조정과 같은 추가적인 보행 기능이 부족하다.

이러한 격차를 메우기 위해 Hamers와 동료들은 좌절 된 내부 반사 (fTIR) ²²를 사용하는 광학 터치 센서를 기반으로 정량적 테스트를 개발했습니다. 이 방법에서 빛은 내부 반사를 통해 유리를 통해 전파되고 발을 누르면 산란되어 마지막으로 고속 카메라로 캡처됩니다. 보다 최근에, 마우스워커(MouseWalker)라고 불리는 이 방법의 오픈 소스 버전이 이용가능하게 되었고, 이 접근법은 fTIR 통로를 추적 및 정량화 소프트웨어 패키지(²³)와 결합한다. 이 방법을 사용하여 사용자는 걸음 수, 공간 및 보행 패턴, 발자국 위치 지정, 앞다리-뒷다리 협응을 포함한 많은 정량적 매개변수뿐만 아니라 발자국 패턴(잉크 발 분석⁶ 모방) 또는 신체 축에 대한 자세 단계와 같은 시각적 출력을 추출할 수 있습니다. 중요한 것은 오픈 소스 특성으로 인해 MATLAB 스크립트 패키지를 업데이트하여 새로운 파라미터를 추출할 수 있다는 것입니다.

여기에서 이전에 게시된 MouseWalker²³ 시스템 어셈블리가 업데이트됩니다. 최상의 비디오 품질, 추적 조건 및 매개변수 획득을 달성하는 데 필요한 모든 단계와 함께 설정 방법에 대한 설명이 제공됩니다. MouseWalker(MW) 출력 데이터 세트의 분석을 향상시키기 위해 추가 사후 정량화 도구도 공유됩니다. 마지막으로, 이 도구의 유용성은 척수 손상(SCI) 맥락에서 일반적인 운동 성능, 특히 보행 주기 및 앞다리-뒷다리 협응에 대한 정량화 가능한 값을 얻음으로써 입증됩니다.

프로토콜

모든 취급, 수술 및 수술 후 관리 절차는 라이선스 0421/000/000/2022에 따라 유럽 공동체 지침(지침 2010/63/EU) 및 동물 관리에 관한 포르투갈 법률(DL 113/2013)에 따라 Instituto de Medicina 분자 내부 위원회(ORBEA) 및 포르투갈 동물 윤리 위원회(DGAV)의 승인을 받았습니다. 9주령의 암컷 C57Bl/6J 마우스를 본 연구에 사용하였다. 동물의 수를 최소화하고 연구에 사용된 동물의 고통을 줄이기 위해 모든 노력을 기울였습니다. MATLAB 스크립트와 MW 소프트웨어의 독립 실행형 버전은 오픈 소스이며 GitHub에서 사용할 수 있습니다.
리포지토리(https://github.com/NeurogeneLocomotion/MouseWalker). MW 소프트웨어는 MATLAB R2012b에서 개발되었지만 MATLAB R2022b에서 실행되도록 조정되었습니다. 그림 1 은 MW의 분석 워크플로를 보여줍니다.

1. 마우스워커(MW) 장치 설정

1. 앞서 설명한 대로 MW 장치를 조립합니다²³, 또는 실험 설계의 특정 요구에 적응합니다(설정에 대한 자세한 내용은 재료 표 및 보충 그림 1 참조).
   알림: 걷는 경기장은 쥐와 같은 더 큰 동물을 수용할 수 있도록 더 넓게 만들 수 있습니다.
2. 동물이 걷는 플렉시 유리가 깨끗하고 흠집이 없는지 확인하십시오. 부드러운 청소용 천을 사용하고 플렉시 유리를 손상시킬 수 있는 고농도의 암모니아 또는 에탄올과 같은 유기 용제의 사용을 최소화하십시오(3% 과산화수소, 7% 에탄올 또는 플렉시 유리에 적합하고 적절한 소독제 권장). 필요한 경우 플렉시 유리를 교체하십시오.
3. fTIR 신호를 기록하는 데 도움이 되므로 많은 양의 빛을 캡처하기 위해 빠른 렌즈와 큰 조리개(즉, 더 작은 F-스톱 값)로 고속 카메라를 설정합니다( 재료 표 참조).
   참고: 렌즈는 특히 이미지 가장자리에서 광학 왜곡을 발생시키지 않아야 합니다. 광학 왜곡은 알려진 패턴(예: 줄무늬 또는 사각형)을 기록한 다음 ImageJ/FIJI²⁴ 에서 블록의 크기를 측정하여 테스트할 수 있습니다(선 도구를 사용한 다음 분석 > 측정 클릭). 예를 들어 1cm 크기의 정사각형은 이미지 중앙과 가장자리 모두에서 동일한 픽셀 치수를 가져야 합니다. 변형은 5%보다 작아야 합니다.
4. 배경 조명 상자에서 여러 가지 빛깔의 LED 조명 스트립을 켭니다.
5. 통로 라이트 박스에서 백색 LED 라이트 스트립을 켭니다.
   알림: 컬러 LED를 사용하여 풋프린트/본체/배경을 쉽게 구분할 수도 있습니다(²⁵ ).
6. 실내 조명이 꺼진 상태에서 배경 조명 상자와 통로의 조명 강도를 확인합니다. 필요한 경우 전위차계 또는 반투명 플라스틱을 사용하여 강도를 조정하십시오. 픽셀 강도가 동물의 몸< 배경 < 발자국의 순서로 증가하도록 최적화해야 합니다.
   1. 동물의 몸/배경/발자국의 픽셀 강도를 확인하려면 ImageJ/FIJI²⁴에서 이미지 시퀀스를 열고 분석 > 측정을 클릭합니다. 발자국 신호는 발자국의 경계(즉, 발가락 및 발바닥)가 정의되는 것을 방지하기 때문에 과포화되어서는 안 됩니다(보충 그림 2).
7. 비디오 녹화 소프트웨어에서 보도의 이미지 대비를 조정합니다. 대비는 LED 스트립의 조명을 어둡게 하거나 높이거나 카메라 렌즈 조리개를 조정하는 두 가지 방법으로 조정할 수 있습니다.
8. 렌즈를 동일한 높이와 45° 반사 거울의 중앙에 있고 통로에 수직(90°)으로 올바르게 배치합니다. 이렇게 하면 좌우 통로를 따라 일정하게 비례하는 이미지가 생성됩니다.
   참고: 여러 녹화 세션에서 카메라 위치(거리, 높이 및 방향)를 변경하지 마십시오. 필요한 경우 삼각대를 놓을 바닥을 표시하십시오. 이렇게 하면 이미지 기능이 유지됩니다.
9. 플렉시 유리 표면에 렌즈의 초점을 맞춥니다. 이것은 플렉시 유리 표면에 닿는 손상되지 않는 물체를 사용하여 테스트 할 수 있습니다.
   알림: F-스톱 렌즈 값이 낮을수록 피사계 심도가 작아져 초점을 맞추기가 더 어려워집니다.
10. 녹화된 비디오의 픽셀 강도가 변경될 수 있으므로 분석 중에 모든 설정이 변경되지 않은 상태로 유지되는지 확인하십시오.

2. 비디오 획득

1. 테스트하기 전에 마우스가 방과 장치에 익숙한지 확인하십시오. 습관화를 위해 최소 1 일을 저장하십시오 (0 일). 과도한 훈련을 피하려면 다른 행동 테스트와 다른 날(가급적이면 다음날)에 MW 테스트를 수행하십시오.
2. 비디오 녹화 소프트웨어에서 통로가 50cm 이상 보이는지 확인하십시오.
3. 녹화 설정을 조정하여 보도 영역을 자릅니다. 이렇게 하면 비디오 크기가 줄어들고 비디오 획득이 최적화됩니다.
4. 각 세션 전에 일반 통치자의 사진이나 짧은 비디오를 찍습니다. 센티미터당 픽셀 수는 나중에 "설정 창"에서 비디오를 보정하는 데 사용됩니다.
5. 비디오 획득을 시작하고 부상을 피하기 위해 꼬리 바닥을 잡고 통로 가장자리에 동물을 놓습니다. 동물들이 플랫폼의 맨 끝으로 앞으로 나아갈 수 있도록 합니다. 부드러운 보행 전환을 위해 최소 100프레임/초로 비디오 녹화를 수행합니다.
   1. 필요한 경우 산책로 벽을 부드럽게 두드리거나 손가락을 튕기거나 박수를 쳐서 동물이 움직이도록 동기를 부여하십시오. 그러나 결과에 영향을 줄 수 있으므로 물리적 넛지는 피하십시오.
   2. 비디오를 TIFF(LZW 압축 사용), JPEG 또는 PNG 형식의 이미지 시퀀스로 직접 저장합니다. 카메라가 Raw MOV 파일로 녹화하는 경우 ImageJ/FIJI²⁴에서 파일을 열고 파일 > > 이미지 시퀀스로 저장을 클릭하여(또는 LosslessCut²⁵와 같은 다른 소프트웨어를 사용하여) 비디오를 이미지 시퀀스로 변환합니다.
      알림: 대부분의 동물은 산책로에 들어간 직후 걷기 시작합니다. 따라서 동물을 배치하기 전에 비디오 수집을 시작하는 것이 좋습니다.

3. MW 추적 소프트웨어용 비디오 준비

1. 각 개별 마우스의 전체 실행을 충분히 촬영하십시오. 조건당 촬영할 동물의 수와 전체 실행 횟수는 각 실험 설계에 따라 결정되어야 합니다. 완전 달리기는 마우스가 장기간 정지하지 않고 보도의 전체 50cm를 걷는 경우입니다(이 실험에서는 3개의 완전한 달리기가 선택됨).
   참고: 이미지 획득 소프트웨어에 따라 비디오를 가장 작은 ROI로 잘라야 할 수도 있습니다. 이렇게 하면 추적 및 출력 생성 속도가 빨라집니다.
2. ImageJ/FIJI²⁴에서 Image > Stack > Tools > Make a substack을 클릭하여 마우스가 화면에 있는 프레임을 선택합니다. MW에서 추적하려면 머리와 꼬리가 모든 프레임에서 볼 수 있어야 합니다. 그러나 단일 비디오 녹화에서 여러 하위 스택을 만들 수 있으며 나중에 각 실행을 나타냅니다.
3. File > Save as > Image sequence(파일로 저장 를 클릭하여 각 하위 스택을 서로 다른 폴더에 별도로 저장합니다. MW 소프트웨어는 나중에 실행 분석을 시작할 때마다 각 디렉토리에 자동으로 하위 폴더를 생성합니다.

4. 추적

1. MATLAB을 열고 MW 스크립트가 포함된 폴더를 작업 디렉터리에 추가한 다음 기본 명령줄에서 "MouseWalker.m"을 실행합니다.
   참고: MATLAB에서 MW 소프트웨어를 사용하면 MATLAB의 메인 콘솔에서 추적 오류 메시지를 볼 수 있고 원하는 출력 데이터를 선택할 수 있습니다(기본 스크립트 파일 "MouseEvaluate.m"을 열고 출력을 1 또는 0으로 변경: Excel 파일, 발자국 플롯, 자세 추적 및 보행 패턴).
2. 비디오 폴더를 "입력 디렉토리"로 로드합니다. 출력 폴더를 선택할 수도 있습니다. 그러나 MW 소프트웨어는 "입력 디렉토리" 내에 자동으로 "결과"라는 새 폴더를 생성하므로 이는 요구 사항이 아닙니다.
3. "<<", "<", ">>" 및 ">" 화살표를 사용하여 비디오 프레임이 모두 MW 소프트웨어 내에서 올바르게 로드되었는지 확인합니다.
4. 모든 교정 및 임계값 매개변수가 있는 "설정 창"으로 이동합니다. 이러한 설정은 배경과 발자국의 픽셀 강도, 신체 및 발자국의 최소 크기 등에 따라 변경될 수 있습니다(예amp보충 그림 2의 le). 미리보기 버튼을 클릭하여 일부 매개변수 변경 효과를 테스트합니다.
   1. "body + feet + tail", "body only", "feet only", "tail only" 등 다양한 플롯 스타일을 사용하면 임계값 매개변수를 조정한 후 신체 부위를 구별하는 데 도움이 됩니다.
   2. 오른쪽 패널의 도구를 활용하여 밝기 또는 크기를 측정합니다(각각 "밝기" 및 "눈금자" 버튼 사용). 카메라 거리가 동일하게 유지되는 한 모든 설정을 "기본값"으로 저장할 수 있습니다.
5. 임계값 매개변수를 조정한 후 비디오가 자동 추적에 사용할 준비가 되었는지 확인합니다. 첫 번째 프레임으로 이동하고 자동 을 클릭하여 추적을 시작합니다. 이 단계는 실시간으로 수행할 수 있으며 비디오 크기와 컴퓨터 성능에 따라 몇 분 정도 걸립니다.
   1. 자동 추적이 신체 특징에 잘못 레이블을 지정하는 경우 자동 추적을 취소하고 새 설정을 입력한 다음 프로세스를 다시 시작합니다.
6. 추적이 완료된 후 수동 수정이 필요한지 확인하십시오. 수정하려면 중간 패널을 사용하여 오른쪽 앞발(RF), 오른쪽 뒷다리(RH), 왼쪽 앞(LF) 및 왼쪽 뒷다리(LH) 발 발자국, 머리, 코, 몸통(두 부분으로 나뉜) 및 꼬리 위치(네 부분으로 나뉩니다)의 위치를 나타냅니다. Save 버튼을 눌러 변경 사항을 저장합니다.
   알림: 모든 버튼과 대부분의 명령에는 키 단축키가 있습니다(자세한 내용은 관련 설명서²³ 참조). 비디오 스크롤 및 키보드 단축키 실행을 용이하게 하기 위해 프로그래밍 가능한 버튼이 있는 하드웨어 컨트롤러와 Contour ShuttlePro V2와 같은 셔틀 휠을 사용할 수 있습니다.
7. 평가를 클릭하여 추적된 비디오에서 출력 파일을 생성합니다. 선택한 출력(4.1단계 참조)에 따라 이 단계는 몇 분 정도 걸릴 수 있습니다.
8. 모든 그래픽 출력 데이터 플롯이 "Results" 폴더에 저장되어 있는지 확인합니다. 모든 발 위치가 일관되는지 확인할 수 있는 "자세 추적"과 같은 일부 그래픽 출력을 검사하여 추적의 정확성을 확인합니다.
   1. 오류가 식별되면 추적을 수동으로 수정하고(가능한 경우, 그렇지 않으면 "결과" 폴더를 제거하고 새 설정으로 자동 추적을 다시 수행) 평가 명령을 다시 클릭합니다.
9. MW 소프트웨어에서 생성된 모든 정량적 측정값이 Excel 스프레드시트에 저장되고 "1. Info_Sheet"입니다. 수식 구분에 대한 Excel 옵션이 스크립트와 일치하는지 확인합니다. 소수 구분 기호는 ","여야 하고 1000 단위 구분 기호는 ";"여야 합니다.
10. "MouseMultiEvaluate.m" 스크립트를 사용하여 모든 실행의 측정값을 분석을 위해 새 파일로 통합합니다.
    1. 시작하려면 모든 비디오의 폴더 경로가 포함된 .txt 파일(예: "비디오 파일.txt)을 생성하십시오. 각 줄이 단일 비디오에 해당하는지 확인합니다.
    2. 그런 다음 명령줄에 "MouseMultiEvaluate('Videofiles.txt')"를 입력합니다. "ResultSummary.xls"라는 Excel 파일이 작업 디렉토리에 생성됩니다(GitHub 리포지토리의 예제 참조).
       알림: 그림 2 는 MW 소프트웨어가 녹화된 한 동물의 비디오에서 얻은 그래픽 출력을 나타냅니다.

5. 운동학적 데이터 분석 워크플로우

1. 다음 전제조건에 따라 제공된 Python 스크립트를 사용하여 처리할 데이터가 포함된 4.10단계에서 생성된 엑셀 시트를 편집하십시오.
   1. 첫 번째 열 머리글에서 실험 조건을 지정합니다. 그룹/조건 이름 뒤에 각 줄의 이름을 지정합니다(동일한 그룹의 개인은 동일한 이름을 가져야 함). 첫 번째 그룹은 대조군 또는 기준선이어야 합니다(이는 히트맵 플로팅, 5.6단계에만 필수임).
   2. 두 번째 열에서 동물 ID를 지정합니다. 이 정보는 플롯 생성에 사용되지 않지만 필수입니다.
   3. 세 번째 열부터는 해석에 사용할 모터 파라미터를 선택합니다. 첫 번째 줄이 매개변수의 이름인지 확인합니다(이 이름은 나중에 플롯에 표시됨).
2. Anaconda Navigator를 열고 Spyder를 실행하여 제공된 Python 스크립트를 엽니다.
   참고 : 모든 스크립트는 Python 3.9.13으로 개발되었으며 Anaconda Navigator 2.1.4에서 Spyder 5.2.2로 실행되었으며 Table of Materials 및 GitHub 저장소에서 사용할 수 있습니다 (비디오 예제, Excel 예제 파일 및 FAQ 문서와 같은 추가 자료가 포함되어 있음). Anaconda Navigator 외부에서 스크립트를 실행할 수 있습니다. 그러나 이 그래픽 사용자 인터페이스는 더 사용자 친화적입니다.
3. "Rawdata_PlotGenerator.py"를 사용하여 원시 데이터 플롯을 생성합니다. 이렇게 하면 각 매개변수를 속도의 함수로 시각화할 수 있습니다.
   1. Spyder에서 "Rawdata_PlotGenerator.py"를 열고 재생 버튼을 클릭하여 코드를 실행합니다.
   2. 분석할 Excel 파일을 선택하고 자동 창에서 시트 이름을 선택합니다. 시트 이름이 변경되지 않은 경우 "Sheet1"을 씁니다.
   3. 원시 데이터 플롯이 플롯 콘솔(오른쪽 상단 패널)에 나타납니다. 플롯을 저장하려면 플롯 콘솔에서 이미지 저장 또는 모든 이미지 저장 버튼을 클릭합니다.
4. 스크립트 "Residuals_DataAnalysis"를 사용하여 데이터 분석을 위한 잔차를 계산합니다. 이 스크립트는 모든 모터 매개변수에 대한 잔차 계산이 포함된 CSV 파일을 생성합니다.
   참고: MW에 의해 추출된 측정된 보행 매개변수의 대부분은 속도(예: 스윙 속도, 보폭, 스탠스 지속 시간, 스탠스 직진도 및 보행 지수)에 따라 다릅니다. 따라서 기준 실험에 대한 각 개별 매개변수 대 속도에 대해 가장 적합한 회귀 모델을 수행한 다음 이 회귀 모델과 관련하여 각 실험 그룹의 잔차 값을 결정하는 것이 좋습니다. 이어서, 데이터는 잔차 정규화 라인(²⁶)으로부터의 차이로서 표현된다.
   1. Spyder에서 "Residuals_DataAnalysis.py"를 열고 재생 버튼을 클릭하여 코드를 실행합니다.
   2. 분석할 Excel 파일을 선택하고 자동 창에서 시트 이름을 선택합니다. 시트 이름이 변경되지 않은 경우 "Sheet1"을 씁니다.
   3. CSV 파일을 데이터와 동일한 폴더에 저장합니다. 컨트롤(또는 기준)은 Excel 파일의 첫 번째 그룹이어야 합니다.
5. "PCA_PlotGenerator.py" 스크립트를 사용하여 주성분 분석(PCA)을 수행합니다.
   참고: 이 비지도 차원 축소 방법은 데이터의 보다 간결한 표현(^27,28,29)을 생성하는 데 사용됩니다(그림 3A, B). PCA 스크립트에는 다음 단계가 포함됩니다. 데이터는 먼저 센터링 및 스케일링을 통해 사전 처리되며, 그 후 PCA 알고리즘은 공분산 행렬을 계산하여 변수 간의 상관 관계를 결정하고 공분산 행렬의 고유 벡터와 고유값을 계산하여 주성분을 식별합니다. 처음 두 개 또는 세 개의 주성분은 각각 2D 또는 3D 플롯으로 데이터를 표현하기 위해 선택됩니다. 그림의 각 점은 동물에 해당하며 서로 다른 추상 변수를 나타냅니다. 색상으로 구분된 점은 특정 그룹을 구별하는 데 사용됩니다. 따라서 점들의 클러스터는 해당 개인이 공유하는 유사한 보행 패턴을 반영합니다.
   1. Spyder에서 "PCA_PlotGenerator.py"를 열고 재생 버튼을 클릭하여 코드를 실행합니다.
   2. 분석할 Excel 파일을 선택하고 자동 창에서 시트 이름을 선택합니다. 시트 이름이 변경되지 않은 경우 "Sheet1"을 씁니다.
   3. PCA 2D 및 3D 플롯이 플롯 콘솔(오른쪽 위 패널)에 나타나는지 확인합니다. 각 색상은 서로 다른 그룹을 나타내며 범례는 플롯 옆에 나타납니다. 플롯을 저장하려면 플롯 콘솔에서 이미지 저장을 클릭합니다.
6. "Heatmap_PlotGenerator.py"를 사용하여 히트맵을 생성합니다. 히트맵 생성기가 각 모터 매개변수²⁷ 에 대해 기준선 그룹(또는 통제 그룹)과 다른 그룹 간의 통계적 차이를 보여주는 표를 생성하는지 확인합니다(그림 4). 각 열은 하나의 그룹을 나타내며 각 선은 특정 모터 매개변수와 관련이 있습니다.
   참고: 통계 분석은 일원 분산 분석에 이어 Tukey의 사후 검정(정규 분포의 경우) 또는 Kruskal-Wallis 분산 분석에 이어 Dunn의 사후 검정(비정규 분포의 경우)으로 수행되었습니다. 이상치는 분석에서 제외되었습니다. P-값은 색상 코드로 표시되며, 빨간색과 파란색 음영은 각각 대조군(또는 기준선)에 대한 증가 또는 감소를 나타냅니다. 색조는 통계적 유의성을 나타내며 어두운 색은 높은 유의성을 나타내고 밝은 색은 낮은 유의성을 나타냅니다. P < 0.001에 해당합니다. **는 P < 0.01에 해당합니다. *는 P < 0.05에 해당합니다. 흰색은 변동이 없음을 나타냅니다.
   1. Spyder에서 "Heatmap_PlotGenerator.py"를 열고 재생 버튼을 클릭하여 코드를 실행합니다.
   2. 분석할 Excel 파일을 선택하고 자동 창에서 시트 이름을 선택합니다. 시트 이름이 변경되지 않은 경우 "Sheet1"을 씁니다.
   3. 두 번째 자동 창에서 데이터 유형(원시 데이터 또는 잔차 데이터)을 선택합니다. 옵션을 선택하지 않으면 잔차 데이터가 기본값입니다.
   4. 히트맵이 플롯 콘솔(오른쪽 상단 패널)에 나타납니다. 플롯을 저장하려면 플롯 콘솔에서 이미지 저장을 클릭합니다.
      참고: 컨트롤(또는 기준선)이 Excel 파일의 첫 번째 그룹이어야 합니다.
7. "Boxplots_PlotGenerator.py"를 사용하여 상자 그림을 생성합니다. 이 도구를 사용하면 각 그룹의 모든 모터 매개변수에 대한 값의 분포를 나타내는 상자 그림을 생성할 수 있습니다(그림 5, 그림 6 및 그림 7).
   참고: 각 상자에는 중앙값이 중간 선으로 포함되며 상자의 아래쪽과 위쪽 가장자리는 각각 25% 및 75% 사분위수를 나타냅니다. 수염은 이상값을 제외한 전체 데이터 세트의 범위를 나타냅니다. 이상치는 각각 25% 및 75% 사분위수보다 낮거나 높은 사분위수 범위의 1.5배인 값으로 정의됩니다.
   1. Spyder에서 "Boxplots_PlotGenerator.py"를 열고 재생 버튼을 클릭하여 코드를 실행합니다.
   2. 분석할 Excel 파일을 선택하고 자동 창에서 시트 이름을 선택합니다. 시트 이름이 변경되지 않은 경우 "Sheet1"을 씁니다.
   3. 두 번째 자동 창에서 데이터 유형(원시 데이터 또는 잔차 데이터)을 선택합니다. 옵션을 선택하지 않으면 잔차 데이터가 기본값입니다.
   4. 상자 그림이 플롯 콘솔(오른쪽 위 패널)에 나타납니다. 플롯을 저장하려면 플롯 콘솔에서 이미지 저장 또는 모든 이미지 저장 버튼을 클릭합니다.

결과

표준 BMS 시스템은 SCI¹⁴ 이후의 총 모터 결함을 설명합니다. 주관적인 특성으로 인해 일반적으로 BMS와 함께 다른 정량적 분석을 수행하여 운동에 대한 보다 상세하고 정밀한 평가를 생성합니다. 그러나 이러한 검사는 척추 회로가 기능을 유지하고 불완전한 SCI에 적응하는 방법을 이해하는 데 매우 중요한 단계 주기, 계단 패턴 및 앞다리-뒷다리 협응에 대한 특정 정보를 보여주지 ...

토론

여기에서 MouseWalker 방법의 잠재력은 SCI 후 운동 행동을 분석하여 입증됩니다. 다른 표준 테스트에서는 놓칠 수 있는 걸음 걸기, 발자국 및 보행 패턴의 특정 변경에 대한 새로운 통찰력을 제공합니다. MW 패키지의 업데이트된 버전을 제공하는 것 외에도 제공된 Python 스크립트를 사용하여 데이터 분석 도구에 대해 설명합니다(5단계 참조).

MW가 대규모 데이터 세트와 고차원 운동...

자료

Name	Company	Catalog Number	Comments
45º Mirror
2 aluminum extrusion (2 x 2 cm), 16 cm height, 1 on each side	Misumi
2 aluminum extrusion (2 x 2 cm), 23 cm, @ 45° , 1 on each side	Misumi
1 aluminum extrusion (2 x 2 cm), 83 cm long	Misumi
87 x 23 cm mirror	General glass supplier
black cardboard filler	General stationery supplier		We used 2, one with 69 x 6 cm and another with 69 x 3cm to limit the reflection on the mirror
Background backlight
109 x 23 cm plexiglass (0.9525 cm thick)	General hardware supplier
2 lateral aluminum extrusion (4 x 4 cm), 20 cm long, 1 on each side	Misumi
multicolor LED strip	General hardware supplier
white opaque paper to cover the plexyglass	General stationery supplier
fTIR Support base and posts
2 aluminum extrusion (4 x 4 cm), 100 cm height	Misumi
60 x 30 cm metric breadboard	Edmund Optics	#54-641
M6 12 mm screws	Edmund Optics
M6 hex nuts and wahers	Edmund Optics
fTIR Walkway
109 x 8.5 cm plexyglass (1.2 cm thick)	General hardware supplier		109 x 8.5 cm plexyglass (1.2 cm thick)
109 cm long Base-U-channel aluminum with 1.6 cm height x 1.9 cm depth thick folds (to hold the plexyglass)	General hardware supplier
2 lateral aluminum extrusion (4 x 4 cm) 20 cm length, 1 on each side	Misumi
black cardboard filler	General stationery supplier		we used 2 fillers on each side to cover the limits of the plexyglass, avoiding bright edges
M6 12 mm screws	Edmund Optics
High speed camera (on a tripod)
Blackfly S USB3	FLIR	#BFS-U3-32S4M-C	This is a reccomendation. The requirement is to record at least 100 frames per second
Infinite Horizon Impactor
Infinite Horizon Impactor	Precision Systems and Instrumentation, LLC.	#0400
Lens
Nikon AF Zoom-Nikkor 24-85mm	Nikon	#1929	This lens is reccomended, however other lens can be used. Make sure it contains a large aperture (i.e., smaller F-stop values), to capture fTIR signals
Software
MATLAB R2022b	MathWorks
Python 3.9.13	Python Software Foundation
Anaconda Navigator 2.1.4	Anaconda, Inc.
Spyder 5.1.5	Spyder Project Contributors
Walkway wall
2 large rectagular acrilics with 100 x 15 cm	Any bricolage convenience store
2 Trapezian acrilic laterals with 6-10 length x 15 cm height	Any bricolage convenience store
GitHub Materials
Folder name	URL
Boxplots	https://github.com/NeurogeneLocomotion/MouseWalker/tree/main/Boxplots		Script to create Boxplots
Docs	https://github.com/NeurogeneLocomotion/MouseWalker/tree/main/Docs		Additional documents
Heatmap	https://github.com/NeurogeneLocomotion/MouseWalker/tree/main/Heatmaps		Script to create heatmap
Matlat script	https://github.com/NeurogeneLocomotion/MouseWalker/tree/main/Matlab%20Script		MouseWalker matlab script
PCA	https://github.com/NeurogeneLocomotion/MouseWalker/tree/main/PCA%20plots		Script to perform Principal Component Analysis
Raw data Plots	https://github.com/NeurogeneLocomotion/MouseWalker/tree/main/Rawdata%20Plots		Script to create Raw data plots
Residual Analysis	https://github.com/NeurogeneLocomotion/MouseWalker/tree/main/Residual_Analysis		Code to compute residuals from Raw data