Автоматизированный метод косоглазия для синхронизации поведения и динамики мозга в исследованиях боли у мышей

Резюме

Этот протокол обеспечивает метод автоматического отслеживания косоглазия у грызунов с течением времени способом, совместимым с привязкой времени к нейрофизиологическим измерениям. Ожидается, что этот протокол будет полезен исследователям, изучающим механизмы болевых расстройств, таких как мигрень.

Аннотация

Спонтанную боль было сложно отследить в режиме реального времени и количественно оценить таким образом, чтобы предотвратить человеческую предвзятость. Это особенно верно для метрик головной боли, как при таких расстройствах, как мигрень. Косоглазие стало непрерывной переменной метрикой, которая может быть измерена с течением времени и эффективна для прогнозирования болевых состояний в таких анализах. В данной статье представлен протокол использования DeepLabCut (DLC) для автоматизации и количественной оценки косоглазия (евклидова расстояния между веками) у мышей со свободно вращающимися движениями головы. Этот протокол позволяет непредвзято количественно оценивать косоглазие и напрямую сравнивать его с механистическими измерениями, такими как нейрофизиология. Мы предоставляем оценку параметров обучения ИИ, необходимых для достижения успеха, которые определяются периодами различения косоглазия и без него. Мы демонстрируем способность надежно отслеживать и дифференцировать косоглазие при CGRP-индуцированном мигрень-подобном фенотипе с разрешением менее секунды.

Введение

Мигрень является одним из наиболее распространенных заболеваний мозга во всем мире, поражающим более одного миллиарда человек¹. Доклинические мышиные модели мигрени появились как информативный способ изучения механизмов мигрени, поскольку эти исследования легче контролировать, чем исследования на людях, что позволяет изучать причинно-следственную^{связь поведения}, связанного с мигренью. Такие модели продемонстрировали сильный и повторяемый фенотипический ответ на соединения, вызывающие мигрень, такие как пептид, связанный с геном кальцитонина (CGRP). Потребность в надежных измерениях повед....

протокол

ПРИМЕЧАНИЕ: Все животные, используемые в этих экспериментах, обрабатывались в соответствии с протоколами, утвержденными Комитетом по уходу за животными и их использованию (IACUC) Университета Айовы.

1. Подготовьте оборудование для сбора данных

1. Обеспечьте наличие всего необходимого оборудования: убедитесь, что рекомендуемое оборудование для запуска DLC имеет не менее 8 ГБ памяти. Информацию об аппаратном и программном обеспечении см. в Таблице материалов .
   ПРИМЕЧАНИЕ: Данные могут быть собраны в любом формате, но перед анализом должны быть преобразованы в формат....

Результаты

В этой статье мы предлагаем метод надежного обнаружения косоглазия с высоким временным разрешением с помощью DeepLabCut. Мы оптимизировали параметры обучения и дали оценку сильных и слабых сторон этого метода (рис. 1).

После обучения наших мо.......

Обсуждение

Этот протокол предоставляет легкодоступный углубленный метод использования инструментов на основе машинного обучения, которые могут дифференцировать косоглазие с точностью, близкой к человеческой, сохраняя при этом то же (или лучшее) временное разрешение, что и в п?.......

Материалы

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