Fare Ağrısı Çalışmalarında Zaman Senkronizasyonu Davranışı ve Beyin Dinamikleri için Otomatik Bir Şaşılık Yöntemi

Özet

Bu protokol, zaman kilitlemeden nörofizyolojik önlemlere uyumlu bir şekilde kemirgenlerde otomatik göz şaşılığının zaman içinde izlenmesi için bir yöntem sağlar. Bu protokolün, migren gibi ağrı bozukluklarının mekanizmalarını inceleyen araştırmacılar için yararlı olması beklenmektedir.

Özet

Spontan ağrının gerçek zamanlı olarak izlenmesi ve insan önyargısını önleyecek şekilde ölçülmesi zor olmuştur. Bu, özellikle migren gibi rahatsızlıklarda olduğu gibi baş ağrısı ölçümleri için geçerlidir. Göz şaşılığı, zaman içinde ölçülebilen ve bu tür tahlillerde ağrı durumlarını tahmin etmek için etkili olan sürekli değişken bir metrik olarak ortaya çıkmıştır. Bu makale, serbestçe dönen kafa hareketlerine sahip kısıtlı farelerde göz kısılmasını (göz kapakları arasındaki Öklid mesafesi) otomatikleştirmek ve ölçmek için DeepLabCut (DLC) kullanımı için bir protokol sağlar. Bu protokol, göz şaşılığının tarafsız bir şekilde ölçülmesinin, nörofizyoloji gibi mekanik ölçümlerle doğrudan eşleştirilmesini ve bunlarla karşılaştırılmasını sağlar. Şaşı ve şaşı olmayan dönemleri ayırt ederek tanımlanan başarıya ulaşmak için gerekli AI eğitim parametrelerinin bir değerlendirmesini sağlıyoruz. CGRP'nin neden olduğu migren benzeri bir fenotipte şaşılığı saniyenin altında bir çözünürlükte güvenilir bir şekilde izleme ve ayırt etme yeteneğini gösteriyoruz.

Giriş

Migren, dünya çapında en yaygın beyin bozukluklarından biridir ve bir milyardan fazla insanı etkilemektedir¹. Migrenin klinik öncesi fare modelleri, migren mekanizmalarını incelemek için bilgilendirici bir yol olarak ortaya çıkmıştır, çünkü bu çalışmalar insan çalışmalarından daha kolay kontrol edilebilir ve böylece migrenle ilişkili davranışın nedensel çalışmasını mümkün kılar². Bu tür modeller, kalsitonin geni ile ilişkili peptit (CGRP) gibi migrene neden olan bileşiklere karşı güçlü ve tekrarlanabilir bir fenotipik yanıt göstermiştir. Kemirgen modellerinde migrenle ilgili davranışları....

Protokol

NOT: Bu deneylerde kullanılan tüm hayvanlar, Iowa Üniversitesi Kurumsal Hayvan Bakımı ve Kullanımı Komitesi (IACUC) tarafından onaylanan protokollere göre ele alınmıştır.

1. Veri toplama için ekipman hazırlayın

1. Gerekli tüm ekipmanın kullanılabilirliğini sağlayın: DLC'yi çalıştırmak için önerilen donanımın en az 8 GB belleğe sahip olduğundan emin olun. Donanım ve yazılımla ilgili bilgi için Malzeme Tablosu'na bakın.
   NOT: Veriler herhangi bir formatta toplanabilir, ancak analizden önce DLC tarafından okunabilir bir formata dönüştürülmelidir. En yaygın formatlar A....

Tartışmalar

Bu protokol, önceki yaklaşımların aynı (veya daha iyi) zamansal çözünürlüğünü korurken şaşılığı insana yakın doğrulukta ayırt edebilen makine öğrenimi tabanlı araçları kullanmak için kolayca erişilebilir derinlemesine bir yöntem sağlar. Öncelikle, otomatik şaşılığın değerlendirilmesini daha geniş bir kitle için daha kolay erişilebilir hale getirir. Otomatik şaşılığı değerlendirmek için yeni yöntemimiz, önceki modellere kıyasla çeşitl.......

Malzemeler

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