python-based quantification of optokinetic reflex for animal eye movement analysis

Strumento basato su Python per la valutazione quantitativa del riflesso optocinetico negli animali

Image stabilization relies on precise oculomotor responses to compensate for global optic flow that occurs during self-motion. This stabilization is driven primarily by two motor responses: the optokinetic reflex (OKR) and the vestibulo-ocular reflex (VOR)1,2,3. Slow global motion across the retina induces the OKR, which elicits reflexive eye rotation in the corresponding direction to stabilize the image1,2. This movement, known as the slow phase, is interrupted by compensatory saccades, known as the fast phase, in which the eye rapidly resets in the opposite direction to allow for a new slow phase. Here, we define these fast-phase saccades as eye-tracking movements (ETMs). Whereas the VOR relies on the vestibular system to elicit eye movements to compensate for head movements3, the OKR is initiated in the retina by the firing of ON and subsequent signaling to the Accessory Optic System (AOS) in the midbrain4,5. Due to its direct reliance on retinal circuits, the OKR has been frequently used to determine visual tracking ability in both research and clinical settings6,7.
The OKR has been studied extensively as a tool for assessing basic visual ability2,6,8, DSGC development9,10,11,12, oculomotor responses13, and physiological differences among genetic backgrounds7. The OKR is evaluated in head-fixed animals presented with a moving stimulus14. Oculomotor responses are typically captured using a variety of video tools, and eye-tracking motions are captured as OKR waveforms in the horizontal and vertical directions9. To quantify tracking ability, two primary metrics have been described: tracking gain (the velocity of the eye relative to the velocity of the stimulus) and ETM frequency (the number of fast phase saccades over a given time frame). Calculation of gain has been used historically to directly measure angular velocity of the eye to estimate tracking ability; however, these calculations are labor intensive and can be arbitrarily derived based on video-oculography collection methods and subsequent quantification. For more rapid OKR assessment, counting of ETM frequency has been used as an alternate method for measuring tracking acuity7. Although this provides a fairly accurate estimation of tracking ability, this method relies on an indirect metric to quantify the slow phase response and introduces a number of biases. These include an observer bias in saccade determination, a reliance on temporally consistent saccadic responses across a set epoch, and an inability to assess the magnitude of the slow phase response.
In order to address these concerns with current OKR assessment approaches and to enable a high throughput in-depth quantification of OKR parameters, we have developed a new analysis method to quantify OKR waveforms. Our approach uses an accessible Python-based software platform named &#34;PyOKR.&#34; Using this software, modeling and quantification of OKR slow phase responses can be studied in greater depth and with increased parameterization. The software provides accessible and reproducible quantitative assessments of responses to a myriad of visual stimuli and also two-dimensional visual tracking in response to horizontal and vertical motion.

Autore in primo piano: un metodo di analisi semplificato e accessibile per quantificare le risposte di tracciamento dei riflessi optocinetici

PyOKR: un metodo semi-automatico per quantificare la capacità di tracciamento del riflesso optocinetico

We're interested in understanding the mechanisms that regulate visual motion processing behaviors, such as the optokinetic reflex. We developed PyOKR as an accessible and uniform platform to reproducibly quantify a wide range of visual responses under various conditions to further our understanding of these behaviors. There's no unified method within the field to quantify optokinetic reflex responses, which can cause disparities when comparing data between laboratories.We hope that PyOKR can help standardize how these data are analyzed to provide an accessible, unbiased, and robust tool to study these visual responses. Existing methods usually differ between laboratories, and are often custom designed for their specific needs. PyOKR offers a unified method that is user-friendly, accessible, and adaptable to different experimental designs.With a combination of automated analysis and user input, it can generate unbiased, accurate results to answer the user's desired questions. The use of our new PyOKR analysis method will facilitate the study of visual response behaviors in many contexts, such as genetic or pharmacological manipulation. Because of its accessibility and adaptability, it'll allow researchers to efficiently quantify responses to answer new questions about how visual circuits form and function.With the help of PyOKR, we hope to identify new mechanisms that regulate the development of the direction selective circuits that drive optokinetic reflexes. Using this approach with neuro circuit perturbation will continue to help us study the development and function of these critical visual systems.

Python-Based Quantification of Optokinetic Reflex for Animal Eye Movement Analysis

Per iniziare, scarica e installa il software necessario per il riflesso optocinetico basato su Python o l'analisi PyOKR. Su un computer Windows, esegui da PyOKR import OKR_win as o, seguito da o.run. Dopo aver aperto l'interfaccia utente, fare clic su file e quindi su Apri per aprire un browser per la selezione del file wave desiderato.Per scegliere una cartella di output, fare clic su cartella di esportazione. Nel file di output, immettere il nome del file di analisi finale. Seleziona imposta soggetto sotto file per impostare il programma per un singolo animale.Per impostare i parametri dello stimolo, vai a selezionare la direzione dello stimolo e definisci una direzionalità tra le quattro direzioni cardinali. In Seleziona tipo di stimolo, scegli unidirezionale, oscillatorio o obliquo. Quindi, utilizzando le funzioni testa e coda, impostare il periodo di tempo senza stimoli all'inizio e alla fine.Imposta la lunghezza dell'epoca, la lunghezza del post stimolo e il numero di epoche. Per gli stimoli unidirezionali e obliqui, impostare la velocità orizzontale e la velocità verticale in gradi al secondo e specificare la frequenza dei fotogrammi di acquisizione. Per gli stimoli sinusoidali, regolare la frequenza e l'ampiezza.Utilizzando genera vettore di stimolo dai parametri, creare il modello appropriato dalle informazioni di stimolo di input e fare clic su seleziona epoca per eseguire la scansione fino al file d'onda totale. Fare clic su dati non filtrati o filtrare i dati per la regolazione preliminare per selezionare automaticamente le saccadi di fase rapida in base alle variazioni di velocità massima. In Dati non filtrati, verificare che le saccadi siano selezionate con precisione con un punto blu.Salva i punti con il pulsante centrale del mouse e chiudi il grafico. Se si desidera applicare il filtro automatico, impostare la soglia Z-score del filtro e fare clic su Filtra dati per filtrare automaticamente le saccadi. Dopo aver selezionato correttamente la saccadide, premere il punto di regolazione Per selezionare la regione da rimuovere.Modifica i punti superiore e inferiore e salva utilizzando i pulsanti del mouse. Utilizzando l'ordine polinomiale impostato, definire il modello polinomiale che si adatta alle singole fasi lente. Seleziona l'analisi finale per generare i modelli a fase lenta e calcolare le distanze, le velocità e i guadagni di tracciamento medi in tutta l'epoca.Selezionare Visualizza grafico 2D o Visualizza grafico 3D per visualizzare il grafico bidimensionale o tridimensionale delle regioni selezionate. Selezionare aggiungi epoca per salvare per generare un valore collettivo e selezionare Visualizza set di dati corrente per visualizzare tutti i valori aggiunti e le medie per un determinato animale. Dopo aver ripetuto l'intero processo per tutti i file per un determinato animale, generare un set di dati finale contenente tutti i dati dell'onda.Infine, esporta il set di dati tramite l'esportazione dei dati e procedi con i dati dell'animale successivo. L'analisi di PyOKR nei topi knockout condizionali Tbx5 ha indicato che questi animali mantengono i normali guadagni di tracciamento orizzontale rispetto ai topi wild type. Tuttavia, questi topi hanno mostrato una significativa perdita di tracciamento verticale, con guadagni vicini allo zero in risposta sia agli stimoli verso l'alto che verso il basso.Inoltre, l'analisi delle risposte sinusoidali ha confermato che i topi knockout condizionali Tbx5 hanno mostrato maggiori guadagni di tracciamento orizzontale mentre mostravano un tracciamento verticale significativamente ridotto.

Research

JoVE Journal

Neuroscience

Python-Based Tool for Quantitative Optokinetic Reflex Assessment in Animals

PyOKR: A Semi-Automated Method for Quantifying Optokinetic Reflex Tracking Ability

Author Spotlight: A Streamlined and Accessible Analysis Method to Quantify Optokinetic Reflex Tracking Responses

The study of behavioral responses to visual stimuli is a key component of understanding visual system function. One notable response is the optokinetic ...

Ricerca

Neuroscienze