Summary
هنا ، نقدم إعدادا مبسطا للأجهزة والبرامج مفتوحة المصدر للتحقيق في التعلم المكاني للماوس باستخدام الواقع الافتراضي (VR). يعرض هذا النظام مسارا خطيا افتراضيا لماوس مقيد الرأس يعمل على عجلة من خلال استخدام شبكة من المتحكمات الدقيقة وجهاز كمبيوتر أحادي اللوحة يقوم بتشغيل حزمة برامج رسومية Python سهلة الاستخدام.
Abstract
تسمح التجارب السلوكية المقيدة بالرأس في الفئران لعلماء الأعصاب بمراقبة نشاط الدائرة العصبية باستخدام أدوات التصوير الكهربي والبصرية عالية الدقة مع تقديم محفزات حسية دقيقة لحيوان يتصرف. في الآونة الأخيرة ، أظهرت الدراسات البشرية والقوارض باستخدام بيئات الواقع الافتراضي (VR) أن الواقع الافتراضي هو أداة مهمة للكشف عن الآليات العصبية الكامنة وراء التعلم المكاني في الحصين والقشرة ، بسبب التحكم الدقيق للغاية في المعلمات مثل الإشارات المكانية والسياقية. ومع ذلك ، يمكن أن يكون إعداد بيئات افتراضية للسلوكيات المكانية للقوارض مكلفا ويتطلب خلفية واسعة في الهندسة وبرمجة الكمبيوتر. هنا ، نقدم نظاما بسيطا ولكنه قوي يعتمد على أجهزة وبرامج غير مكلفة ومعيارية ومفتوحة المصدر تمكن الباحثين من دراسة التعلم المكاني في الفئران المقيدة الرأس باستخدام بيئة الواقع الافتراضي. يستخدم هذا النظام ميكروكنترولر مقترن لقياس الحركة وتقديم المحفزات السلوكية بينما تعمل الفئران المقيدة الرأس على عجلة بالتنسيق مع بيئة مسار خطية افتراضية يتم تقديمها بواسطة حزمة برامج رسومية تعمل على جهاز كمبيوتر أحادي اللوحة. يسمح التركيز على المعالجة الموزعة للباحثين بتصميم أنظمة مرنة ومعيارية لاستنباط وقياس السلوكيات المكانية المعقدة في الفئران من أجل تحديد العلاقة بين نشاط الدائرة العصبية والتعلم المكاني في دماغ الثدييات.
Introduction
الملاحة المكانية هي سلوك مهم من الناحية الأخلاقية تقوم الحيوانات من خلاله بترميز ميزات المواقع الجديدة في خريطة معرفية ، والتي تستخدم للعثور على مناطق المكافأة المحتملة وتجنب مناطق الخطر المحتملة. ترتبط العمليات المعرفية الكامنة وراء الملاحة المكانية ارتباطا وثيقا بالذاكرة ، وتشترك في ركيزة عصبية في الحصين1 والقشرة ، حيث تدمج الدوائر العصبية في هذه المناطق المعلومات الواردة وتشكل خرائط معرفية للبيئات والأحداث لتذكرها لاحقا2. في حين أن اكتشاف خلايا المكان في الحصين3،4 والخلايا الشبكية في القشرة المخية الداخلية5 قد ألقى الضوء على كيفية تشكيل الخريطة المعرفية داخل الحصين ، لا تزال هناك العديد من الأسئلة حول كيفية تفاعل الأنواع الفرعية العصبية المحددة ، والدوائر الدقيقة ، والمناطق الفرعية الفردية للحصين (التلفيف المسنن ، ومناطق القرنية الأمونية ، CA3-1) والمشاركة في تكوين الذاكرة المكانية والتذكر.
في الجسم الحي ، كان التصوير ثنائي الفوتون أداة مفيدة في الكشف عن الديناميات الخلوية والسكانية في الفيزيولوجيا العصبية الحسية 6,7 ؛ ومع ذلك ، فإن الضرورة النموذجية لتقييد الرأس تحد من فائدة هذه الطريقة لفحص السلوك المكاني للثدييات. عالج ظهور الواقع الافتراضي (VR)8 هذا القصور من خلال تقديم بيئات بصرية مكانية غامرة وواقعية بينما تعمل الفئران المقيدة الرأس على كرة أو جهاز المشي لدراسة الترميز المكاني والسياقي في الحصين8،9،10 والقشرة11. علاوة على ذلك ، سمح استخدام بيئات الواقع الافتراضي مع الفئران التي تتصرف للباحثين في علم الأعصاب بتشريح مكونات السلوك المكاني من خلال التحكم بدقة في عناصر بيئة الواقع الافتراضي12 (على سبيل المثال ، التدفق البصري ، التعديل السياقي) بطرق غير ممكنة في تجارب العالم الحقيقي للتعلم المكاني ، مثل متاهة موريس المائية أو متاهة بارنز أو مهام لوحة الثقوب.
عادة ما يتم تقديم بيئات VR المرئية على وحدة المعالجة الرسومية (GPU) للكمبيوتر ، والتي تتعامل مع عبء الحوسبة السريعة لآلاف المضلعات اللازمة لنمذجة بيئة 3D متحركة على الشاشة في الوقت الفعلي. تتطلب متطلبات المعالجة الكبيرة عموما استخدام جهاز كمبيوتر منفصل مزود بوحدة معالجة رسومات تعرض البيئة المرئية لشاشة أو شاشات متعددة13 أو جهاز عرض14 حيث يتم تسجيل الحركة من جهاز المشي أو العجلة أو كرة الرغوة تحت الحيوان. وبالتالي ، فإن الجهاز الناتج للتحكم في بيئة الواقع الافتراضي وعرضها وإسقاطها مكلف نسبيا وضخم ومرهق. علاوة على ذلك ، تم تنفيذ العديد من هذه البيئات في الأدبيات باستخدام برامج احتكارية مكلفة ولا يمكن تشغيلها إلا على جهاز كمبيوتر مخصص.
لهذه الأسباب ، قمنا بتصميم نظام VR مفتوح المصدر لدراسة سلوكيات التعلم المكاني في الفئران المقيدة الرأس باستخدام كمبيوتر Raspberry Pi أحادي اللوحة. كمبيوتر Linux هذا صغير وغير مكلف ولكنه يحتوي على شريحة GPU لتقديم 3D ، مما يسمح بدمج بيئات VR مع الشاشة أو الجهاز السلوكي في إعدادات فردية متنوعة. علاوة على ذلك ، قمنا بتطوير حزمة برامج رسومية مكتوبة بلغة Python ، "HallPassVR" ، والتي تستخدم الكمبيوتر أحادي اللوحة لتقديم بيئة بصرية مكانية بسيطة ، أو مسار خطي افتراضي أو رواق ، من خلال إعادة تجميع الميزات المرئية المخصصة المحددة باستخدام واجهة مستخدم رسومية (GUI). يتم دمج ذلك مع الأنظمة الفرعية للمتحكم الدقيق (على سبيل المثال ، ESP32 أو Arduino) لقياس الحركة وتنسيق السلوك ، مثل تقديم طرائق أخرى للمحفزات الحسية أو المكافآت لتسهيل التعلم المعزز. يوفر هذا النظام طريقة بديلة غير مكلفة ومرنة وسهلة الاستخدام لتقديم بيئات VR البصرية المكانية للفئران المقيدة الرأس أثناء التصوير ثنائي الفوتون (أو التقنيات الأخرى التي تتطلب تثبيت الرأس) لدراسة الدوائر العصبية الكامنة وراء سلوك التعلم المكاني.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
تمت الموافقة على جميع الإجراءات في هذا البروتوكول من قبل اللجنة المؤسسية لرعاية واستخدام الحيوان التابعة لمعهد ولاية نيويورك للطب النفسي.
ملاحظة: يتم استخدام كمبيوتر أحادي اللوحة لعرض بيئة مرئية للواقع الافتراضي منسقة مع تشغيل ماوس مثبت الرأس على عجلة. يتم تلقي معلومات الحركة كإدخال تسلسلي من متحكم ESP32 يقرأ جهاز تشفير دوار مقترن بمحور العجلة. يتم تقديم بيئة الواقع الافتراضي باستخدام تسريع أجهزة OpenGL على وحدة معالجة الرسومات Raspberry Pi ، والتي تستخدم حزمة pi3d Python 3D ل Raspberry Pi. يتم بعد ذلك إخراج البيئة المقدمة عبر جهاز عرض على شاشة مكافئة ملفوفة مدمجة تتمحور حول المجال البصري للفأر المقيدالرأس 15,16 ، بينما يتم قياس السلوك (على سبيل المثال ، لعق استجابة للمكافآت المكانية) بواسطة متحكم دقيق ESP32 ثان. تتيح حزمة البرامج الرسومية إنشاء بيئات مسار خطية افتراضية تتكون من أنماط متكررة من المحفزات البصرية على طول ممر افتراضي أو رواق مع واجهة مستخدم رسومية (GUI). يمكن تحديد معلمات هذا التصميم بسهولة ، مما يسمح بإنشاء تجارب معقدة تهدف إلى فهم كيفية تشفير الدماغ للأماكن والإشارات البصرية أثناء التعلم المكاني (انظر القسم 4). يتم إيداع تصميمات مكونات الأجهزة المخصصة اللازمة لهذا النظام (أي عجلة التشغيل وشاشة العرض وجهاز تثبيت الرأس) في مستودع GitHub عام (https://github.com/GergelyTuri/HallPassVR). يوصى بقراءة وثائق هذا المستودع جنبا إلى جنب مع هذا البروتوكول ، حيث سيتم تحديث الموقع بالتحسينات المستقبلية للنظام.
1. إعداد الأجهزة: بناء عجلة الجري وشاشة العرض وجهاز تثبيت الرأس
ملاحظة: يمكن تصنيع المكونات المخصصة لهذه الإعدادات بسهولة إذا كان لدى المستخدم إمكانية الوصول إلى معدات الطباعة ثلاثية الأبعاد والقطع بالليزر أو قد يتم الاستعانة بمصادر خارجية للتصنيع الاحترافي أو خدمات النماذج الأولية ثلاثية الأبعاد (على سبيل المثال ، eMachinehop). يتم توفير جميع ملفات التصميم ك . STL 3D أو . ملفات DXF أوتوكاد.
- عجلة الجري والإعداد السلوكي (الشكل 1)
ملاحظة: تتكون العجلة من أسطوانة أكريليك شفافة (قطرها 6 ، عرضها 3 ، سمكها 1/8) تتمحور حول محور معلق من حوامل أكريليك مقطوعة بالليزر عبر الكرات. ثم يتم تثبيت مجموعة العجلات على إطار من الألومنيوم خفيف الوزن (مشقوق على شكل حرف T) ويتم تثبيتها بإحكام على لوح تجارب بصري (الشكل 1C-E).- قم بقص جوانب العجلة وحوامل المحور بالليزر من لوح أكريليك 1/4 بوصة ، وقم بتوصيل جوانب العجلة بأسطوانة الأكريليك بأسمنت الأكريليك. قم بربط شفة المحور في وسط القطعة الجانبية للعجلة.
- أدخل المحور في شفة مركز العجلة ، وقم بتثبيت المحامل الكروية في حوامل المحور ، وقم بتوصيلها بشريط دعم الألومنيوم العمودي.
- أدخل محور العجلة في المحامل الكروية المثبتة ، تاركا 0.5-1 بوصة من المحور بعد المحامل لربط المشفر الدوار.
- قم بتوصيل حامل التشفير الدوار بنهاية المحور المقابل للعجلة ، وأدخل جهاز التشفير الدوار ؛ بعد ذلك ، استخدم قارنة التوصيل لربط محور العجلة بعمود التشفير الدوار.
- قم بتوصيل منفذ اللعق بالذراع المرن ، ثم قم بتثبيته على إطار عجلة الألومنيوم بصواميل على شكل حرف T. استخدم أنابيب 1/16 بوصة لتوصيل منفذ اللعق بصمام الملف اللولبي والصمام بخزان المياه.
ملاحظة: يجب أن يكون منفذ اللعق مصنوعا من المعدن بسلك ملحوم لتوصيله بدبابيس استشعار اللمس السعوية للسلوك ESP32.
- شاشة العرض
ملاحظة: شاشة الواقع الافتراضي عبارة عن شاشة عرض خلفية صغيرة مكافئة (حجم القماش: 54 سم × 21.5 سم) بناء على تصميم تم تطويره في مختبر كريستوفر هارفي15,16. تختلف زاوية الإسقاط (حجر الزاوية) لجهاز العرض LED المستخدم عن زاوية جهاز عرض الليزر المستخدم سابقا ؛ وبالتالي ، يتم تعديل التصميم الأصلي بشكل طفيف عن طريق تركيب الوحدة تحت الشاشة وتبسيط نظام المرآة (الشكل 1 أ ، ب). يوصى بشدة بقراءة وثائق مختبر Harvey جنبا إلى جنب مع وثائقنا لتخصيص بيئة الواقع الافتراضي وفقا لاحتياجات المستخدم15.- قطع جوانب شاشة العرض بالليزر من 1/4 في صفائح أكريليك سوداء غير لامعة. قطع الليزر مرآة الإسقاط الخلفي من 1/4 في الاكريليك عاكسة.
- قم بتجميع إطار شاشة العرض مع قضبان الألومنيوم ، وقم بقص ألواح الأكريليك بالليزر.
- أدخل مادة شاشة العرض الشفافة في فتحة القطع المكافئ في الإطار. أدخل مرآة العرض الخلفية في الفتحة الموجودة في الجزء الخلفي من إطار شاشة العرض.
- ضع جهاز عرض LED على لوحة التثبيت السفلية داخل إطار شاشة العرض. قم بمحاذاة جهاز العرض مع مسامير التثبيت لتحسين موضع الصورة المعروضة على شاشة العرض الخلفية المكافئة.
- أغلق وحدة صندوق جهاز العرض لمنع تلوث المستشعرات البصرية بالضوء إذا لزم الأمر.
- جهاز تثبيت الرأس
ملاحظة: يتكون تصميم جهاز تثبيت الرأس هذا من مشعبين متشابكين مطبوعين 3D لتأمين عمود رأس معدني (الشكل 1E ، F).- باستخدام طابعة SLM 3D عالية الدقة ، اطبع 3D عمود الرأس الذي يحمل الذراعين.
ملاحظة: البلاستيك المطبوع بالراتنج قادر على توفير تثبيت ثابت للرأس لتجارب السلوك ؛ ومع ذلك ، لتحقيق أقصى قدر من الاستقرار للتطبيقات الحساسة مثل التسجيل أحادي الخلية أو التصوير ثنائي الفوتون ، يوصى باستخدام الأجزاء المعدنية المشكلة (على سبيل المثال ، eMachineShop). - قم بتثبيت حامل عمود الرأس المطبوع 3D على مقياس الزوايا ثنائي المحور مع أعمدة التثبيت البصرية بحيث يمكن إمالة رأس الحيوان لتسوية التحضير.
ملاحظة: لا غنى عن هذه الميزة لتجارب التصوير على المدى الطويل في الجسم الحي عند الحاجة إلى العثور على نفس عدد الخلايا في جلسات التصوير اللاحقة. وإلا يمكن حذف هذه الميزة لتقليل تكلفة الإعداد. - تلفيق المشاركات الرأس.
ملاحظة: يتم إيداع نوعين من أعمدة الرأس ذات التعقيد (والسعر) المختلفين في الرابط الموجود في جدول المواد مع هذه التعليمات.- بناء على نوع التجربة ، حدد المنشور الرئيسي الذي يجب تنفيذه. قضبان الرأس مصنوعة من الفولاذ المقاوم للصدأ ويتم الاستعانة بمصادر خارجية بشكل عام لأي متجر آلات محلي أو خدمة عبر الإنترنت (على سبيل المثال ، eMachineShop) للتصنيع.
- باستخدام طابعة SLM 3D عالية الدقة ، اطبع 3D عمود الرأس الذي يحمل الذراعين.
2. إعداد الأجهزة / البرامج الإلكترونية (كمبيوتر أحادي اللوحة ، ميكروكنترولر ESP32 ، الشكل 2)
- تكوين الكمبيوتر أحادي اللوحة.
ملاحظة: يعد الكمبيوتر أحادي اللوحة المضمن في جدول المواد (Raspberry Pi 4B) مثاليا لهذا الإعداد لأنه يحتوي على وحدة معالجة رسومات مدمجة لتسهيل عرض بيئة الواقع الافتراضي ومنفذي HDMI للتحكم في التجربة / المراقبة وإسقاط الواقع الافتراضي. قد يتم استبدال أجهزة الكمبيوتر الأخرى أحادية اللوحة بهذه الخصائص ، ولكن قد تكون بعض الإرشادات التالية خاصة ب Raspberry Pi.- قم بتنزيل تطبيق تصوير الكمبيوتر أحادي اللوحة على جهاز الكمبيوتر ، وقم بتثبيت نظام التشغيل (حاليا Raspberry Pi OS r.2021-05-07) على بطاقة microSD (16+ جيجابايت). أدخل البطاقة ، وقم بتشغيل الكمبيوتر أحادي اللوحة.
- قم بتكوين الكمبيوتر أحادي اللوحة لمكتبة pi3d Python 3D: (شريط القوائم) التفضيلات > تكوين Raspberry Pi.
- انقر فوق العرض > > تعطيل إفراغ الشاشة.
- انقر فوق واجهات > >تمكين المنفذ التسلسلي.
- انقر فوق الأداء > ذاكرة GPU > 256 (ميجابايت).
- قم بترقية حزمة مكتبة صور Python ل pi3d: (محطة) > وسادة تثبيت sudo pip3 - ترقية.
- قم بتثبيت حزمة pi3d Python 3D للكمبيوتر أحادي اللوحة: (طرفي) > sudo pip3 install pi3d.
- قم بزيادة مستوى إخراج HDMI لجهاز العرض: (طرفي) > sudo nano / boot / config .txt ، إلغاء التعليق config_hdmi_boost = 4 ، حفظ ، وإعادة التشغيل.
- قم بتنزيل وتثبيت بيئة التطوير المتكاملة (IDE) من arduino.cc/en/software (على سبيل المثال ، arduino-1.8.19-linuxarm.tar.gz) ، وهو أمر ضروري لتحميل الكود على المشفر الدوار والمتحكمات الدقيقة ESP32 السلوكية.
- قم بتثبيت دعم وحدة التحكم الدقيقة ESP32 على IDE:
- انقر فوق تفضيلات > الملفات > عناوين URL الإضافية لمدير مجلس الإدارة = https://raw.githubusercontent.com/espressif/arduino-esp32/gh-pages/package_esp32_index.json
- انقر فوق أدوات > لوحات > مدير اللوحات > ESP32 (بواسطة Espressif). تثبيت v.2.0.0 (فشل التحميل حاليا في الإصدار 2.0.4).
- قم بتنزيل وتثبيت IDE للمعالجة من https://github.com/processing/processing4/releases (على سبيل المثال ، processing-4.0.1-linux-arm32.tgz) ، وهو أمر ضروري لتسجيل سلوك الماوس والتخطيط عبر الإنترنت أثناء الواقع الافتراضي.
ملاحظة: يمكن تشغيل بيئات Arduino والمعالجة على كمبيوتر منفصل عن كمبيوتر VR أحادي اللوحة إذا رغبت في ذلك.
- قم بإعداد توصيلات التشفير الدوار ESP32.
ملاحظة: يقيس المشفر الدوار المقترن بمحور العجلة دوران العجلة بحركة الماوس ، والتي يتم حسابها باستخدام متحكم دقيق ESP32. ثم يتم إرسال تغييرات الموضع إلى المنفذ التسلسلي GPIO للكمبيوتر أحادي اللوحة للتحكم في الحركة عبر البيئة الافتراضية باستخدام حزمة البرامج الرسومية ، وكذلك إلى السلوك ESP32 للتحكم في مناطق المكافأة (الشكل 2).- قم بتوصيل الأسلاك بين مكون التشفير الدوار و ESP32 الدوار. تحتوي أجهزة التشفير الدوارة عموما على أربعة أسلاك: + و GND و A و B (خطان رقميان لأجهزة التشفير التربيعية). قم بتوصيل هذه عبر أسلاك العبور ب ESP32 3.3 V ، GND ، 25 ، 26 (في حالة الرمز المرفق).
- قم بتوصيل الأسلاك التسلسلية RX / TX بين ESP32 الدوار والسلوك ESP32. قم بإجراء اتصال بسيط ثنائي الأسلاك بين ESP32 Serial0 RX / TX الدوار (استقبال / إرسال) ومنفذ Serial2 للسلوك ESP32 (TX / RX ، المسامير 17 ، 16 ؛ انظر منفذ Serial2 على يمين OMwSmall PCB). سيؤدي ذلك إلى نقل معلومات الحركة من المشفر الدوار إلى إعداد السلوك للمناطق المكانية مثل مناطق المكافأة.
- قم بتوصيل الأسلاك التسلسلية RX / TX بين ESP32 الدوار والكمبيوتر أحادي اللوحة GPIO (أو اتصال USB المباشر). قم بإجراء اتصال بسلكين بين دبابيس GPIO للكمبيوتر أحادي اللوحة 14 و 15 (RX / TX) و ESP32 Serial2 الدوار (TX / RX ، المسامير 17 ، 16). سينقل هذا معلومات الحركة من المشفر الدوار إلى حزمة البرامج الرسومية التي تعمل على الكمبيوتر أحادي اللوحة.
ملاحظة: هذه الخطوة ضرورية فقط إذا لم يتم توصيل ESP32 الدوار عبر USB (أي أنه اتصال تسلسلي GPIO عند "/ dev / ttyS0") ، ولكن يجب تعديل رمز HallPassVR_wired.py لاستخدام "/ dev / ttyUSB0". سيتم استبدال هذا الاتصال السلكي باتصال Bluetooth لاسلكي في الإصدارات المستقبلية. - قم بتوصيل ESP32 USB الدوار بالكمبيوتر أحادي اللوحة USB (أو أي كمبيوتر آخر يقوم بتشغيل IDE) لتحميل رمز التشفير الدوار الأولي.
- قم بإعداد اتصالات ESP32 السلوكية مع الأجهزة السلوكية (عبر OpenMaze PCB).
ملاحظة: سيتحكم متحكم السلوك ESP32 في جميع التفاعلات الحيوانية غير VR (تقديم محفزات ومكافآت غير VR ، واكتشاف لعق الماوس) ، والتي يتم توصيلها من خلال "لوحة اختراق" PCB عامة ل ESP32 ، "OMwSmall" ، تتوفر تصميماتها من خلال موقع OpenMaze (www.openmaze.org). يحتوي ثنائي الفينيل متعدد الكلور على المكونات الإلكترونية اللازمة لقيادة المكونات الكهروميكانيكية ، مثل صمامات الملف اللولبي المستخدمة لتقديم مكافآت سائلة.- قم بتوصيل صمام الملف اللولبي السائل 12 فولت بإخراج ULN2803 IC في أقصى يسار OMwSmall PCB (دبوس 12 في مثال الإعداد والرمز). تقوم بوابات IC هذه بقوة 12 فولت إلى صمام الملف اللولبي للمكافأة ، والتي يتم التحكم فيها بواسطة خرج GPIO على متحكم السلوك ESP32.
- قم بتوصيل منفذ lick بإدخال اللمس ESP32 (على سبيل المثال ، T0 ، GPIO4 في رمز المثال). يحتوي ESP32 على مستشعر لمس سعوي مدمج على دبابيس محددة ، والتي يستخدمها رمز ESP32 للسلوك لاكتشاف لعق الماوس لمنفذ لعق المعدن المرفق أثناء سلوك الواقع الافتراضي.
- قم بتوصيل أسلاك RX / TX التسلسلية بين السلوك ESP32 Serial2 (المسامير 16 ، 17) والتشفير الدوار ESP32 Serial0 (انظر الخطوة 2.2.2).
- قم بتوصيل USB بمنفذ USB الخاص بالكمبيوتر أحادي اللوحة (أو أي كمبيوتر آخر) لتحميل برامج جديدة إلى السلوك ESP32 لنماذج تجريبية مختلفة (على سبيل المثال ، عدد / موقع مناطق المكافأة) ولالتقاط بيانات السلوك باستخدام رسم المعالجة المضمن.
- قم بتوصيل محول الحائط 12 فولت تيار مستمر بموصل مقبس الأسطوانة مقاس 2.1 مم على السلوك ESP32 OMwSmall PCB لتوفير الطاقة لصمام الملف اللولبي للمكافأة.
- قم بتوصيل مخرج HDMI # 2 للكمبيوتر أحادي اللوحة بمنفذ HDMI بجهاز العرض ؛ سيؤدي ذلك إلى نقل بيئة الواقع الافتراضي التي يتم تقديمها بواسطة وحدة معالجة الرسومات للكمبيوتر أحادية اللوحة إلى شاشة العرض.
- (اختياري) قم بتوصيل سلك المزامنة (دبوس 26) بالتصوير العصبي أو إعداد التسجيل الكهربيولوجي. سيتم إرسال إشارة منطق الترانزستور الترانزستور 3.3 فولت (TTL) كل 5 ثوان لمحاذاة الأنظمة بدقة تقارب المللي ثانية.
- قم بإعداد البرنامج: قم بتحميل البرنامج الثابت / البرنامج على برنامج التشفير الدوار ESP32 (الشكل 2B) والسلوك ESP32 (الشكل 2E) باستخدام IDE ، وقم بتنزيل برنامج VR Python على الكمبيوتر أحادي اللوحة. انظر https://github.com/GergelyTuri/HallPassVR/software.
- قم بتوصيل جهاز التشفير الدوار ESP32 بمنفذ USB الخاص بالكمبيوتر أحادي اللوحة أولا - سيتم تسمية هذا تلقائيا "/ dev / ttyUSB0" بواسطة نظام التشغيل.
- قم بتحميل رمز التشفير الدوار: افتح الملف RotaryEncoder_Esp32_VR.ino في IDE ، ثم حدد ESP32 ضمن أدوات لوحات > > وحدة ESP32 Dev. حدد منفذ ESP32 بالنقر فوق أدوات > منفذ > / dev / ttyUSB0 ، ثم انقر فوق تحميل.
- قم بتوصيل السلوك ESP32 بمنفذ USB الخاص بالكمبيوتر أحادي اللوحة بعد ذلك - سيتم تسمية هذا "/ dev / ttyUSB1" بواسطة نظام التشغيل.
- قم بتحميل رمز تسلسل السلوك على السلوك ESP32 (IDE ، وحدة ESP32 Dev المحددة بالفعل) ، ثم انقر فوق أدوات > منفذ > / dev / ttyUSB1 ، وانقر فوق تحميل: wheel_VR_behavior.ino.
- اختبر التوصيلات التسلسلية عن طريق تحديد المنفذ التسلسلي لكل ESP32 في IDE (أدوات > منفذ > / dev / ttyUSB0 أو / dev / ttyUSB1) ثم النقر فوق أدوات > الشاشة التسلسلية (معدل الباود: 115,200) لمراقبة الإخراج التسلسلي من اللوحة الدوارة (USB0) أو لوحة السلوك (USB1). قم بتدوير العجلة لرؤية خرج حركة خام من ESP32 الدوار على USB0 أو خرج حركة منسق من السلوك ESP32 على USB1.
- قم بتنزيل حزمة البرامج الرسومية Python code من https://github.com/GergelyTuri/HallPassVR/tree/master/software/HallPassVR (إلى / home / pi / Documents). يحتوي هذا المجلد على كافة الملفات اللازمة لتشغيل حزمة البرامج الرسومية إذا تم تثبيت حزمة pi3d Python3 بشكل صحيح في وقت سابق (الخطوة 2.1).
3. تشغيل واختبار حزمة البرامج الرسومية
ملاحظة: قم بتشغيل واجهة المستخدم الرسومية لحزمة البرامج الرسومية لبدء بيئة مسار خطي VR ، ومعايرة المسافات على برنامج VR وسلوك ESP32 التعليمات البرمجية ، واختبار الاستحواذ والتخطيط عبر الإنترنت لسلوك تشغيل الماوس ولعقه باستخدام رسم لغة المعالجة المضمن.
- افتح نافذة المحطة الطرفية في الكمبيوتر أحادي اللوحة ، وانتقل إلى مجلد HallPassVR (المحطة الطرفية: > cd / home / pi / Documents / HallPassVR / HallPassVR_Wired)
- قم بتشغيل VR GUI: (المحطة الطرفية) > python3 HallPassVR_GUI.py (سيتم فتح نافذة واجهة المستخدم الرسومية ، الشكل 3A).
- واجهة المستخدم الرسومية للبرامج الرسومية
- حدد وأضف أربعة عناصر (صور) من مربع القائمة (أو حدد النمط المخزن مسبقا أدناه ، ثم انقر فوق تحميل) لكل نمط من الأنماط الثلاثة على طول المسار ، ثم انقر فوق إنشاء.
ملاحظة: يمكن وضع ملفات الصور الجديدة (.jpeg) في المجلد HallPassVR/HallPassVR_wired/images/ELEMENTS قبل تشغيل واجهة المستخدم الرسومية. - حدد صور الأرضية والسقف من القوائم المنسدلة ، واضبط طول المسار على أنه 2 متر لرمز المثال هذا (يجب أن يساوي trackLength بالمليمترات [مم] في رمز السلوك ESP32 ورمز المعالجة).
- قم بتسمية هذا النمط إذا رغبت في ذلك (سيتم تخزينه في HallPassVR_wired / صور / PATH_HIST).
- انقر فوق الزر ابدأ (انتظر حتى تبدأ نافذة الواقع الافتراضي قبل النقر في مكان آخر). ستظهر بيئة الواقع الافتراضي على الشاشة #2 (شاشة العرض ، الشكل 3B ، C).
- حدد وأضف أربعة عناصر (صور) من مربع القائمة (أو حدد النمط المخزن مسبقا أدناه ، ثم انقر فوق تحميل) لكل نمط من الأنماط الثلاثة على طول المسار ، ثم انقر فوق إنشاء.
- قم بتشغيل رسم المعالجة للحصول على البيانات / الحركة السلوكية ورسمها.
- افتح VRwheel_RecGraphSerialTxt.pde في بيئة تطوير متكاملة للمعالجة.
- تغيير الحيوان = "رقم الماوس الخاص بك" ؛ متغير ، وتعيين sessionMinutes يساوي طول الجلسة السلوكية بالدقائق.
- انقر فوق الزر "تشغيل " في بيئة تطوير بيانات المعالجة.
- تحقق من نافذة مخطط المعالجة ، والتي يجب أن تظهر موضع الماوس الحالي على المسار الخطي الافتراضي أثناء دوران العجلة ، جنبا إلى جنب مع مناطق المكافآت والرسوم البيانية الجارية للعقات واللفات والمكافآت التي يتم تحديثها كل 30 ثانية (الشكل 3D). قم بدفع عجلة الجري يدويا لمحاكاة تشغيل الماوس للاختبار ، أو استخدم ماوس اختبار للإعداد الأولي.
- انقر فوق نافذة الرسم ، واضغط على مفتاح q على لوحة المفاتيح لإيقاف الحصول على البيانات السلوكية. يتم حفظ ملف نصي للأحداث والأوقات السلوكية (عادة <2 ميغابايت في الحجم لكل جلسة) وصورة لنافذة الرسم النهائية (.png) عند انقضاء sessionMinutes أو ضغط المستخدم على المفتاح q للإنهاء.
ملاحظة: نظرا لصغر حجم ملفات .txt الإخراج ، تشير التقديرات إلى أنه يمكن تخزين عدة آلاف على الأقل من تسجيلات السلوك على بطاقة SD الخاصة بالكمبيوتر أحادي اللوحة. يمكن حفظ ملفات البيانات على محرك أقراص مصغر لتحليلها لاحقا ، أو إذا كانت متصلة بشبكة محلية ، فيمكن إدارة البيانات عن بعد.
- قم بمعايرة طول مسار السلوك مع طول مسار الواقع الافتراضي.
- تقدم العجلة يدويا أثناء مراقبة ممر الواقع الافتراضي وموضع الماوس (على مخطط المعالجة). إذا انتهى ممر الواقع الافتراضي قبل / بعد وصول الماوس إلى نهاية مخطط السلوك ، فقم بزيادة / تقليل طول مسار الواقع الافتراضي بشكل تدريجي (HallPassVR_wired.py ، corridor_length_default ، بالسنتيمتر [سم]) حتى تتم إعادة تعيين المسار في وقت واحد في النظامين.
ملاحظة: تتم معايرة الكود حاليا لعجلة تشغيل قطرها 6 بوصات باستخدام مشفر دوار تربيعي 256 موضعا ، لذلك قد يضطر المستخدم إلى تغيير VR (HallPassVR_wired.py ، corridor_length_default ، بالسنتيمتر [cm]) ورمز السلوك (wheel_VR_behavior.ino ، tracklength ، بالمليمترات [مم]) لحساب التكوينات الأخرى. ومع ذلك ، يتم إعادة تعيين الوضع السلوكي في كل دورة VR للحفاظ على المراسلات بين الأنظمة.
- تقدم العجلة يدويا أثناء مراقبة ممر الواقع الافتراضي وموضع الماوس (على مخطط المعالجة). إذا انتهى ممر الواقع الافتراضي قبل / بعد وصول الماوس إلى نهاية مخطط السلوك ، فقم بزيادة / تقليل طول مسار الواقع الافتراضي بشكل تدريجي (HallPassVR_wired.py ، corridor_length_default ، بالسنتيمتر [سم]) حتى تتم إعادة تعيين المسار في وقت واحد في النظامين.
4. تدريب الماوس وسلوك التعلم المكاني
ملاحظة: يتم زرع الفئران لتثبيت الرأس ، وتعتاد على ضبط الرأس ، ثم يتم تدريبها على الجري على عجلة القيادة واللعق باستمرار للحصول على مكافآت سائلة تدريجيا ("البحث عن الطعام العشوائي"). ثم يتم تدريب الفئران التي تحقق الجري واللعق المتسقين على مهمة مكافأة خفية مكانية باستخدام بيئة الواقع الافتراضي ، حيث يتم تقديم منطقة مكافأة واحدة بعد إشارة مرئية على المسار الخطي الافتراضي. ثم يتم قياس التعلم المكاني على أنه زيادة انتقائية لعق للمناصب مباشرة قبل منطقة المكافأة.
- جراحة ما بعد زرع الرأس: تم وصف هذا الإجراء بالتفصيل في مكان آخر في هذه المجلة وفي غيرها ، لذا راجع هذه الأدبيات للحصول على تعليمات محددة7،17،18،19،20،21.
- جدول المياه
- قم بتقييد المياه قبل 24 ساعة من المناولة الأولى (انظر أدناه) ، والسماح باستهلاك المياه الإعلانية بعد كل جلسة من التعود أو السلوك المقيد للرأس. قلل وقت توفر الماء تدريجيا على مدار ثلاثة أيام أثناء التعود إلى حوالي 5 دقائق ، واضبط الكمية للفئران الفردية بحيث لا يقل وزن جسمها عن 80٪ من وزنها قبل التقييد. مراقبة وزن كل يوميا وأيضا مراقبة حالة كل فأر بحثا عن علامات الجفاف22. يجب إزالة الفئران غير القادرة على الحفاظ على 80٪ من وزن الجسم قبل التقييد أو تبدو مجففة من الدراسة وإعطائها المياه المجانية.
ملاحظة: تقييد المياه ضروري لتحفيز الفئران على الجري على عجلة القيادة باستخدام المكافآت السائلة ، وكذلك لاستخدام اللعق المكاني كمؤشر على المواقع المستفادة على طول المسار. قد تختلف الإرشادات المؤسسية بشأن تعليمات محددة لهذا الإجراء ، لذلك يجب على المستخدم استشارة لجان رعاية الحيوان المؤسسية الفردية لضمان صحة الحيوان ورفاهيته أثناء تقييد المياه.
- قم بتقييد المياه قبل 24 ساعة من المناولة الأولى (انظر أدناه) ، والسماح باستهلاك المياه الإعلانية بعد كل جلسة من التعود أو السلوك المقيد للرأس. قلل وقت توفر الماء تدريجيا على مدار ثلاثة أيام أثناء التعود إلى حوالي 5 دقائق ، واضبط الكمية للفئران الفردية بحيث لا يقل وزن جسمها عن 80٪ من وزنها قبل التقييد. مراقبة وزن كل يوميا وأيضا مراقبة حالة كل فأر بحثا عن علامات الجفاف22. يجب إزالة الفئران غير القادرة على الحفاظ على 80٪ من وزن الجسم قبل التقييد أو تبدو مجففة من الدراسة وإعطائها المياه المجانية.
- المناولة: التعامل مع الفئران المزروعة يوميا لتعويدها على الاتصال البشري ، وبعد ذلك يمكن إعطاء كمية محدودة من الماء كتعزيز (1-5 دقائق / يوم ، من يومين إلى أسبوع واحد).
- التعود على ضبط الرأس
- تعويد الفئران على مسند الرأس لفترات متزايدة من الوقت عن طريق وضعها في جهاز تقييد الرأس مع مكافأتها بقطرات من الماء من حين لآخر لتقليل إجهاد تثبيت الرأس.
- ابدأ ب 5 دقائق من تثبيت الرأس ، وقم بزيادة المدة بمقدار 5 دقائق يوميا حتى تتمكن الفئران من تحمل التثبيت لمدة تصل إلى 30 دقيقة. قم بإزالة الفئران من جهاز التثبيت إذا بدا أنها تكافح أو تتحرك قليلا جدا. ومع ذلك ، تبدأ الفئران عموما في الجري على عجلة القيادة تلقائيا خلال عدة جلسات ، مما يعني أنها جاهزة للمرحلة التالية من التدريب.
ملاحظة: يجب تراجع الفئران التي تكافح بشكل متكرر تحت تقييد الرأس أو لا تركض وتلعق للحصول على مكافآت إلى مراحل مبكرة من التدريب وإزالتها من الدراسة إذا فشلت في التقدم لثلاث دورات علاجية من هذا القبيل (انظر الجدول 1).
- تدريب الجري / اللعق (البحث عن الطعام العشوائي)
ملاحظة: لأداء مهمة التعلم المكاني في بيئة الواقع الافتراضي ، يجب أن تتعلم الفئران أولا الجري على عجلة القيادة واللعق باستمرار للحصول على مكافآت عرضية. يتم التحكم في التقدم في المعلمات السلوكية الفعالة عبر متحكم السلوك ESP32.- البحث عن الطعام العشوائي مع مكافآت غير عاملة
- قم بتشغيل برنامج واجهة المستخدم الرسومية GUI باستخدام مسار العناصر المرئية التعسفية (اختيار المستخدم ، راجع الخطوة 3.3).
- قم بتحميل برنامج السلوك إلى السلوك ESP32 مع مكافآت متعددة غير عاملة (متغيرات الكود: isOperant = 0 ، numRew = 4 ، isRandRew = 1) لتهيئة الفئران للتشغيل واللعق. قم بتشغيل الفئران في جلسات مدتها 20-30 دقيقة حتى تعمل الفئران لمدة 20 لفة على الأقل في كل جلسة وتلعق المكافآت المقدمة في مواقع عشوائية (من جلسة إلى أربع جلسات).
- البحث عن الطعام العشوائي مع مكافآت فعالة في لفات بديلة
- قم بتحميل برنامج السلوك باستخدام altOpt = 1 (تناوب الدورات الفعالة / غير العاملة) ، وقم بتدريب الفئران حتى تلعق لكل من مناطق المكافأة غير العاملة والعاملة (من جلسة إلى أربع جلسات).
- البحث عن الطعام العشوائي يعمل بكامل طاقته
- قم بتحميل برنامج السلوك بأربع مناطق مكافأة عشوائية عاملة (متغيرات كود السلوك ESP32: isOperant = 1 ، numRew = 4 ، isRandRew = 1). بحلول نهاية هذه الخطوة التدريبية ، يجب أن تعمل الفئران باستمرار وتؤدي لعقات الاختبار على طول المسار بالكامل (من جلسة إلى أربع جلسات ؛ الشكل 4 أ).
- البحث عن الطعام العشوائي مع مكافآت غير عاملة
- التعلم المكاني
ملاحظة: قم بإجراء تجربة تعلم مكاني مع منطقة مكافأة مخفية واحدة على بعد مسافة من إشارة بصرية واحدة عن طريق اختيار رواق بطول 2 متر مع لوحات داكنة على طول المسار ولوحة تحفيز بصري واحدة عالية التباين في المنتصف كإشارة بصرية (موضع 0.9-1.1 متر) ، على غرار التجارب الحديثة مع الإشارات الشمية المكانية20 . يطلب من الفئران أن تلعق في منطقة المكافأة (في وضع 1.5-1.8 متر) تقع على مسافة بعيدة عن الإشارة البصرية في بيئة المسار الخطي الافتراضي.- قم بتشغيل البرنامج الرسومي بمسار ممر مظلم مع إشارة مرئية واحدة في المنتصف (على سبيل المثال ، رقعة الشطرنج ، انظر الخطوة 3.3 ، الشكل 3 أ).
- قم بتحميل برنامج السلوك بمنطقة مكافأة مخفية واحدة إلى السلوك ESP32 (متغيرات كود السلوك ESP32: isOperant = 1 ، isRandRew = 0 ، numRew = 1 ، rewPosArr [] = {1500}).
- ضع الماوس برفق في جهاز تثبيت الرأس ، واضبط صنبور اللعق على موقع أمام فم الماوس مباشرة ، وضع عجلة الماوس في وسط منطقة شاشة العرض. تأكد من أن رأس الماوس ~ 12-15 سم بعيدا عن الشاشة بعد التعديلات النهائية.
- قم بتعيين اسم الحيوان في رسم المعالجة، ثم اضغط على تشغيل في بيئة تطوير متكاملة للمعالجة لبدء الحصول على البيانات السلوكية وتخطيطها (راجع الخطوة 3.4).
- قم بتشغيل الماوس لمدة 30 دقيقة من الجلسات باستخدام منطقة مكافأة مخفية واحدة ومدخل VR مرئي واحد.
- غير متصل: قم بتنزيل ملف بيانات .txt من مجلد رسم المعالجة وقم بتحليل سلوك اللعق المكاني (على سبيل المثال ، في Matlab مع الملفات المضمنة procVRbehav.m و vrLickByLap.m).
ملاحظة: يجب أن تقوم الفئران في البداية بإجراء لعق اختبار على المسار الافتراضي بأكمله ("البحث عن الطعام العشوائي") ثم تبدأ في اللعق بشكل انتقائي فقط بالقرب من موقع المكافأة بعد الإشارة المرئية للواقع الافتراضي (الشكل 4).
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
سمح لنا هذا الإعداد السلوكي للواقع الافتراضي مفتوح المصدر بتحديد سلوك اللعق كقراءة للتعلم المكاني حيث أبحرت الفئران المقيدة الرأس في بيئة مسار خطي افتراضي. تم وضع سبعة فئران C57BL / 6 من كلا الجنسين في عمر 4 أشهر على جدول مائي مقيد وتم تدريبهم أولا على اللعق المستمر بمستويات منخفضة أثناء الجري على عجلة القيادة للحصول على مكافآت مكانية عشوائية ("البحث عن الطعام العشوائي") بدون VR. على الرغم من أن أدائهم تأثر في البداية عند نقله إلى إعداد شاشة عرض الواقع الافتراضي بنمط مدخل عشوائي بطول 2 متر ، إلا أنه عاد إلى المستويات السابقة خلال عدة جلسات VR (الشكل 4 أ). ثم طلب من الفئران التي طورت استراتيجية البحث العشوائي باستخدام الواقع الافتراضي (ستة من الفئران السبعة ، 86٪ ؛ فشل فأر واحد في الجري باستمرار وتم استبعاده) أن تلعق في منطقة مكافأة فعالة غير محددة على ارتفاع 0.5 متر بعد إشارة موقع مرئي واحدة في منتصف مسار افتراضي غير مميز بطول 2 متر من أجل الحصول على مكافآت مائية ("مهمة مكافأة خفية"). وفقا للبيانات التجريبية الحالية مع هذا النظام ، تمكنت أربعة من الفئران السبعة (57٪) من تعلم مهمة المكافأة المخفية بإشارة بصرية واحدة في جلستين إلى أربع جلسات ، كما هو موضح من خلال اللعق بالقرب من منطقة المكافأة مع زيادة الانتقائية (الجدول 1 ، الشكل 4B ، C) ، وهو مشابه لنتائجنا السابقة مع جهاز المشي غير VR17 . هذه الحقيقة مهمة في دراسة التعلم المكاني ، لأنها تسمح بمراقبة و / أو التلاعب بالنشاط العصبي خلال فترات التعلم الحرجة دون تدريب مكثف. علاوة على ذلك ، أظهرت الفئران تعلما كبيرا داخل الجلسة وكذلك بين الجلسات (الشكل 4C) ، مما أتاح فرصة لمراقبة كل من تكيفات الدوائر العصبية قصيرة المدى وطويلة المدى التي تصاحب التعلم المكاني. لم نختبر معدل التعلم لمهمة مكافئة غير VR ، لكن العديد من المهام المكانية الكلاسيكية المعتمدة على الحصين في العالم الحقيقي ، مثل متاهة موريس المائية ، تتطلب تدريبا أكثر شمولا وتقدم تجارب سلوكية أقل بشكل كبير ، وبالتالي ، فهي أقل ملاءمة لمراقبة سلوك التعلم جنبا إلى جنب مع تغيرات النشاط العصبي.
في حين أن غالبية الفئران في هذه المجموعة التجريبية (57٪) كانت قادرة على تعلم مهمة المكافأة الخفية في عدد صغير من الجلسات ، قد تظهر الفئران الإضافية التعلم المكاني على مدى فترات زمنية أطول ، ويجب أن يزيد التدريب الفردي من هذا الجزء من الفئران. في الواقع ، قد تكون الاختلافات في معدلات التعلم مفيدة لفصل العلاقات المحددة بين النشاط العصبي في مناطق الدماغ مثل الحصين والتعلم السلوكي. ومع ذلك ، لاحظنا أن نسبة صغيرة من الفئران لم تتعلم الركض على عجلة القيادة أو لعق المكافآت غير الفعالة أو الفعالة (أحد الفئران السبعة ، 14٪) ، وبالتالي ، لا يمكن استخدامها في التجارب اللاحقة. قد يكون التعامل الإضافي والتعود وتقليل الحالة العامة للإجهاد للحيوان من خلال مزيد من التعزيز ، مثل استخدام الأطعمة المرغوبة ، مفيدا لمساعدة هذه الحيوانات على تبني الجري النشط واللعق أثناء السلوك المقيد للرأس على عجلة القيادة.
من خلال التلاعب بوجود وموقع مناطق الإشارة والمكافأة في الدورات المتقطعة على المسار الافتراضي ، قد يميز المجرب أيضا اعتماد اللعق الانتقائي مكانيا على قنوات محددة من المعلومات في الواقع الافتراضي لتحديد ، على سبيل المثال ، كيف تعتمد الفئران على الإشارات المحلية أو البعيدة أو معلومات الحركة الذاتية لتحديد موقعها في بيئة. يجب أن تتأثر انتقائية لعق الفئران التي تعلمت موقع المكافأة المخفي بتحول أو حذف الإشارة البصرية على طول المسار إذا كانت تستخدم بنشاط هذه الإشارة المكانية كمعلم ، كما أوضحنا في عمل حديث باستخدام الإشارات الشمية المكانية20. ومع ذلك ، حتى مع المثال البسيط الذي قدمناه هنا ، فإن اللعق الانتقائي للغاية الذي حققته الفئران (الشكل 4C ، على اليمين) يشير إلى أنها تقوم بتشفير البيئة المرئية للواقع الافتراضي لإبلاغ قراراتها حول مكان وجودها ، وبالتالي ، متى تلعق ، حيث أن منطقة المكافأة واضحة فقط فيما يتعلق بالإشارات المرئية في بيئة الواقع الافتراضي. يسمح نظام الواقع الافتراضي هذا أيضا بعرض طرائق أخرى للإشارات المكانية والسياقية بالإضافة إلى بيئة الواقع الافتراضي المرئية ، مثل الإشارات الشمية واللمسية والسمعية ، والتي يمكن استخدامها لاختبار انتقائية النشاط العصبي والسلوك لمجموعات معقدة من الإشارات الحسية المتميزة. بالإضافة إلى ذلك ، على الرغم من أننا لم نختبر اعتماد أداء المهمة على نشاط الحصين ، فقد أظهرت دراسة حديثة تستخدم مهمة مماثلة ولكن مع إشارات لمسية اضطرابا في التعلم المكاني مع تعطيل الحصين23 ، والذي يجب تأكيده لمهمة المكافأة المخفية VR التي تم إجراؤها في هذه الدراسة.
الشكل 1: إعداد أجهزة الواقع الافتراضي المقيدة بالرأس: شاشة العرض ، وعجلة التشغيل ، وجهاز تثبيت الرأس. (أ) تصميم تخطيطي 3D لعجلة الجري وشاشة الإسقاط. (ب) الإعداد السلوكي المكتمل للواقع الافتراضي. يتم تقديم بيئة الواقع الافتراضي على (1) جهاز كمبيوتر أحادي اللوحة ويتم عرضها على شاشة عرض خلفية مكافئة (2) (بناء على تصميم مختبر كريس هارفي15,16). (3) تجميع العجلات. (4) رئيس المنصب. (5) خزان مياه لتسليم المكافآت. (ج) المنظر العلوي لشاشة العرض والإعداد السلوكي. (1) جهاز عرض LED. (2) مرآة للعرض الخلفي لممر الواقع الافتراضي على الشاشة المنحنية. (3) عجلة الجري. (د) منظر خلفي لمجموعة العجلات. تتم ترجمة دوران العجلات بواسطة المشفر الدوار (1) ونقلها إلى الكمبيوتر أحادي اللوحة عبر متحكم دقيق (2) ESP32. (3) يتم استخدام مقياس الزوايا ثنائي المحور لضبط موضع الرأس للتصوير البصري. (E) الإعداد على مستوى إدخال الماوس ، مع إظهار (1) جهاز تثبيت الرأس و (2) وضع منفذ اللعق على سطح عجلة التشغيل (3). (و) صورة لمنفذ اللعق (1) المتصل بالذراع المرن (2) لوضع فوهة المكافأة بدقة بالقرب من فم الماوس. يتم منح المكافآت عبر (3) صمام ملف لولبي يتم التحكم فيه بواسطة السلوك ESP32 (عبر OpenMaze OMwSmall PCB). كما يظهر أيضا جهاز التشفير الدوار المقترن بمحور العجلة (4) و (5) مقياس الزوايا لضبط زاوية الرأس. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
الشكل 2: تخطيط إعداد إلكترونيات الواقع الافتراضي. يصور هذا المخطط الروابط الأكثر صلة بين المكونات الإلكترونية في نظام الواقع الافتراضي مفتوح المصدر للفئران. (أ) يتم تقييد رأس الفئران على جهاز تثبيت رأس مطبوع 3D مخصص فوق عجلة تشغيل أكريليك. (ب) يتم الكشف عن دوران محور العجلة عند تشغيل الماوس بواسطة جهاز تشفير دوار عالي الدقة متصل بمتحكم دقيق (وحدة فك التشفير الدوارة ESP32). (ج) يتم نقل معلومات الحركة عبر اتصال تسلسلي بجهاز كمبيوتر أحادي اللوحة يعمل ببرنامج HallPassVR GUI وبيئة 3D ، والتي تقوم بتحديث الموقع في بيئة المسار الخطي الافتراضي VR بناء على حركة الماوس. (د) يتم إرسال بيئة الواقع الافتراضي المقدمة إلى جهاز العرض / الشاشة عبر مخرج فيديو HDMI #2 للكمبيوتر أحادي اللوحة (فيديو VR HDMI). (ه) يتم أيضا إرسال معلومات الحركة من المشفر الدوار ESP32 إلى متحكم دقيق آخر (السلوك ESP32 مع OpenMaze OMwSmall PCB) ، والذي يستخدم موضع الماوس للتحكم في الأحداث السلوكية المكانية غير VR (مثل مناطق المكافأة أو المحفزات الشمية المكانية أو اللمسية أو السمعية) بالتنسيق مع بيئة الواقع الافتراضي ويقيس لعق الماوس لصنبور المكافأة عبر استشعار اللمس بالسعة. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
الشكل 3: واجهة المستخدم الرسومية للبرامج الرسومية والسلوك. (أ) واجهة المستخدم الرسومية HallPassVR: يتم تحديد أربع صور للبلاط فوق كل نمط مكاني يغطي ثلث طول المسار (أو يتم تحميل نمط المجموعة المحفوظ مسبقا) لثلاثة أنماط في كل مسار يساوي طول المسار. يتم تحديد صور السقف والأرضية ، ثم يتم الضغط على Start لتهيئة بيئة VR على مخرج HDMI للكمبيوتر أحادي اللوحة (شاشة العرض). (ب) مثال على ممر افتراضي تم إنشاؤه باستخدام معلمات واجهة المستخدم الرسومية الموضحة في A والمستخدمة لتجربة مكافأة مخفية لاختبار التعلم المكاني. (ج) صورة فوتوغرافية لفأر مقيد الرأس يركض على عجلة القيادة في البيئة الافتراضية الموضحة في B. (د) تعرض اللوحة العلوية المخطط عبر الإنترنت لسلوك الحيوان في بيئة الواقع الافتراضي من رسم المعالجة المضمن لتسجيل البيانات السلوكية ورسمها. يتم رسم اللعقات واللفات والمكافآت لكل صناديق زمنية مدتها 30 ثانية لجلسة مدتها 30 دقيقة أثناء التعلم المكاني للمكافآت المخفية. تعرض اللوحة السفلية موضع الماوس الحالي (أسود) وموقع أي مناطق مكافأة (رمادية) أثناء السلوك. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
الشكل 4: التعلم المكاني باستخدام بيئة البرامج الرسومية. بيانات لعق مكانية تمثيلية من واحد (A) أثناء البحث العشوائي عن الطعام مع إشارات عشوائية على طول المسار الخطي الافتراضي و (B-C) يومين من التدريب مع منطقة مكافأة مخفية ثابتة عند 1.5 متر مع إشارة بصرية واحدة في منتصف المسار. (أ) البحث العشوائي في اليوم 0 لأربع مناطق مكافأة في كل لفة ، يتم اختيارها عشوائيا من ثمانية مواقع متباعدة بالتساوي على طول المسار الخطي الافتراضي 2 متر. (يسار) متوسط عدد اللعقات لكل حاوية مكانية (5 سم) خلال جلسة مدتها 30 دقيقة (أعلى: مدخل الواقع الافتراضي مع لوحات تحفيز بصرية عشوائية). (يمين) عدد اللعقات في كل حاوية مكانية 5 سم لكل لفة خلال هذه الجلسة ، ممثلة بخريطة حرارية. (ب) اليوم الأول ، اليوم الأول من التدريب مع منطقة مكافأة واحدة على ارتفاع 1.5 متر (مربع أحمر على مخطط المسار ، أعلى) باستخدام مسار افتراضي يحتوي على حافز واحد عالي التباين في الموضع 0.8-1.2 م. (يسار) متوسط عدد اللعقات المكانية خلال الجلسة ، مما يدل على زيادة اللعقات عندما يقترب الحيوان من منطقة المكافأة. (يمين) يلعق المكاني لكل لفة ، مما يدل على زيادة انتقائية اللعق في منطقة ما قبل المكافأة. (ج) اليوم 2 ، من نفس مهمة المكافأة المخفية والمدخل الافتراضي مثل اليوم 1 ومن نفس الماوس. (يسار) إجمالي اللعقات لكل حاوية مكانية ، مما يدل على انخفاض في اللعقات خارج منطقة ما قبل المكافأة. (يمين) لعق مكاني لكل لفة في اليوم 2 ، مما يدل على زيادة اللعق قبل منطقة المكافأة وانخفاض اللعق في مكان آخر ، مما يشير إلى تطور لعق استباقي محدد مكانيا. هذا يدل على أن هذا الحيوان قد تعلم موقع المكافأة المخفي (غير المعروف) وطور استراتيجية لتقليل الجهد (لعق) في المناطق التي لا يتوقعون فيها وجود مكافأة. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.
| النتائج السلوكية | عدد الفئران | نسبة الفئران |
| الماوس لم يركض / لعق | 1 | 14% |
| البحث عن الطعام العشوائي فقط | 2 | 29% |
| تعلمت المكافأة الخفية | 4 | 57% |
| المجموع (N) | 7 |
الجدول 1: النتائج التجريبية السلوكية للتعلم المكاني VR. تم تدريب سبعة فئران C57BL / 6 من كلا الجنسين في عمر 4 أشهر بشكل تدريجي لأداء مهمة مكافأة خفية مكانية في الواقع الافتراضي. من بين هذه الفئران ، لم يركض فأر واحد / يلعق بعد التدريب الأولي (واحد من الفئران السبعة ، 14٪) ، بينما تعلمت ستة من الفئران المتبقية الجري على عجلة القيادة واللعق للحصول على مكافآت مكانية عشوائية في خطوة البحث عن الطعام العشوائية للتدريب (ستة من الفئران السبعة ، 86٪). تعلمت أربعة من الفئران الستة التي تمكنت من أداء سلوك البحث العشوائي لاحقا أن تلعق بشكل انتقائي تحسبا للمكافأة غير المرغوبة في مهمة المكافأة الخفية (أربعة من الفئران السبعة ، 57٪ من الفئران في المجموع ، أربعة من الفئران الستة ، 66٪ من الفئران العشوائية التي تبحث عن الطعام) ، بينما لم يفعل اثنان (اثنان من الفئران السبعة ، 29%).
Subscription Required. Please recommend JoVE to your librarian.
Discussion
لن يعمل نظام الواقع الافتراضي مفتوح المصدر هذا للفئران إلا إذا تم إجراء التوصيلات التسلسلية بشكل صحيح بين المتحكمات الدقيقة الدوارة والسلوكية ESP32 والكمبيوتر أحادي اللوحة (الخطوة 2) ، والتي يمكن تأكيدها باستخدام جهاز العرض التسلسلي IDE (الخطوة 2.4.5). للحصول على نتائج سلوكية ناجحة من هذا البروتوكول (الخطوة 4) ، يجب أن تكون الفئران معتادة على الجهاز وأن تكون مريحة في الجري على عجلة القيادة للحصول على مكافآت سائلة (الخطوات 4.3-4.5). وهذا يتطلب قيودا كافية (ولكن ليست مفرطة) على المياه ، حيث أن الفئران التي تعطى الماء المخصص في القفص المنزلي لن تعمل وتلعق للحصول على مكافآت (أي للإشارة إلى موقعها المتصور) ، وقد تكون الفئران المجففة خاملة ولا تعمل على عجلة القيادة. تجدر الإشارة أيضا إلى أن هناك طرقا بديلة لتحفيز سلوك الماوس دون قيود على المياه24 ؛ ومع ذلك ، لم نختبر هذه الطرق هنا. بالنسبة لإجراء التدريب ، يمكن إعطاء الحيوانات التي لا تعمل في البداية مكافآت مائية مخصصة (أي غير مكانية) من قبل المجرب عبر ضغطة زر اختيارية مرفقة ، أو يمكن تحريك العجلة برفق لتشجيع الحركة. لتطوير سلوك البحث العشوائي عن الطعام ، يجب تشغيل الفئران التي تركض ولكنها لا تلعق بمكافآت غير عاملة (رمز السلوك ESP32: isOperant = 0 ؛ ، الخطوة 4.5.1) حتى يتم تشغيلها ولعقها للحصول على مكافآت ، ويمكن بعد ذلك تشغيلها مع دورات متناوبة من مناطق المكافأة غير العاملة والعاملة (altOpt = 1; الخطوة 4.5.2) حتى يبدأوا في لعق اللفات العاملة قبل الانتقال إلى مناطق المكافآت العشوائية التي تعمل بكامل طاقتها (الخطوة 4.5.3).
بينما قدمنا تعليمات كاملة ونتائج أمثلة لمجموعة أساسية من التجارب التي تهدف إلى استنباط شكل واحد من أشكال التعلم المكاني (لعق مشروط في موقع مكافأة مخفي في بيئة المسار الخطي الافتراضي) ، يمكن أيضا تعديل نفس إعداد الأجهزة والبرامج الأساسية لتقديم بيئات بصرية مكانية أكثر تعقيدا باستخدام حزمة pi3d Python ل Raspberry Pi. على سبيل المثال ، يمكن أن يشتمل هذا النظام على متاهات أكثر تعقيدا مثل الممرات ذات الأطوال المتغيرة والأنماط المتعددة والكائنات ثلاثية الأبعاد والمناظر الطبيعية 3D VR. علاوة على ذلك ، يمكن تعديل البرنامج السلوكي لتقديم مكافآت المياه والمحفزات غير المرئية الأخرى لنماذج التدريب الأخرى عن طريق تغيير المتغيرات الرئيسية (المقدمة في بداية رمز السلوك ESP32) أو عن طريق إدخال أنواع جديدة من الأحداث المكانية في نفس الكود. يسعدنا تقديم المشورة للمستخدمين فيما يتعلق بطرق تنفيذ أنواع أخرى من التجارب السلوكية باستخدام إعداد الواقع الافتراضي هذا أو في استكشاف الأخطاء وإصلاحها.
أثبتت بيئات الواقع الافتراضي الغامرة أنها أداة متعددة الاستخدامات لدراسة الآليات العصبية الأساسية للتنقل المكاني6،7،8 ، وسلوكيات تعلم المكافأة9 ، والإدراك البصري25 في كل من الدراسات السريرية والحيوانية. الميزة الرئيسية لهذا النهج هي أن المجرب لديه سيطرة مشددة على العناصر السياقية مثل الإشارات البصرية والمحفزات المكانية المحددة (على سبيل المثال ، المكافآت والمحفزات الشمية أو السمعية أو اللمسية) ، وهو أمر غير عملي في بيئات العالم الحقيقي مع الحيوانات التي تتحرك بحرية. ومع ذلك ، تجدر الإشارة إلى أنه قد توجد اختلافات في الطريقة التي يتم بها تشفير بيئات الواقع الافتراضي بواسطة مناطق الدماغ مثل الحصين عند مقارنتها باستخدام بيئات العالم الحقيقي26,27. مع هذا التحذير ، يسمح استخدام بيئات الواقع الافتراضي للمجربين بإجراء عدد كبير من التجارب السلوكية مع محفزات يتم التحكم فيها بعناية ، مما يسمح بتفكك مساهمات العناصر الحسية المتميزة في التنقل المكاني.
غالبا ما يتطلب تعقيد بناء إعدادات الواقع الافتراضي المخصصة خلفية واسعة في الهندسة وبرمجة الكمبيوتر ، مما قد يزيد من وقت الإعداد ويحد من عدد الأجهزة التي يمكن إنشاؤها لتدريب الفئران على التجريب. تتوفر أيضا إعدادات الواقع الافتراضي من البائعين التجاريين. ومع ذلك ، يمكن أن تكون هذه الحلول باهظة الثمن ومحدودة إذا أراد المستخدم تنفيذ ميزات جديدة أو توسيع سعة التدريب / التسجيل إلى أكثر من إعداد واحد. النطاق السعري المقدر لإعداد VR مفتوح المصدر المعروض هنا هو < 1000 دولار أمريكي) ؛ ومع ذلك ، يمكن إنتاج نسخة مبسطة للتدريب (على سبيل المثال ، تفتقر إلى مقاييس الزوايا لتعديل زاوية الرأس) مقابل 500 دولار < ، مما يسمح ببناء إعدادات متعددة لتدريب الفئران على نطاق أوسع. يسمح الترتيب المعياري للمكونات أيضا بتكامل الواقع الافتراضي مع أنظمة أخرى للتحكم السلوكي ، مثل نظام جهاز المشي مع المحفزات الشمية المكانية واللمسية التي استخدمناها سابقا20 ، وبالتالي ، فإن الواقع الافتراضي وطرائق التحفيز الأخرى ليست حصرية بشكل متبادل.
يوفر نظام الواقع الافتراضي مفتوح المصدر هذا مع الأجهزة المرتبطة به (عجلة التشغيل وشاشة العرض وجهاز تثبيت الرأس) وإعداد الإلكترونيات (كمبيوتر أحادي اللوحة ووحدات تحكم ESP32) والبرامج (VR GUI ورمز السلوك) إعدادا غير مكلف ومضغوط وسهل الاستخدام لتقديم بيئات VR غامرة ذات معلمات للفئران أثناء التنقل المكاني المقيد الرأس. يمكن بعد ذلك مزامنة هذا السلوك مع التصوير العصبي أو التسجيل الكهربي لفحص النشاط العصبي أثناء التعلم المكاني (الخطوة 2.3.7). طيف التقنيات التجريبية المتوافقة مع الواقع الافتراضي واسع ، بدءا من سلوك التعلم المكاني وحده إلى الجمع بين القياس الضوئي للألياف ، والتصوير المصغر ، والتصوير أحادي الفوتون ومتعدد الفوتون ، والتقنيات الفيزيولوجية الكهربية (على سبيل المثال ، Neuropixels أو التسجيل داخل الخلايا). في حين أن ضبط الرأس ضروري لبعض تقنيات التسجيل هذه ، فإن الطبيعة الدقيقة للغاية لعرض التحفيز والطبيعة النمطية للسلوك قد تكون مفيدة أيضا للتقنيات الأخرى التي لا تتطلب تثبيت الرأس ، مثل التصوير المصغر والقياس الضوئي للألياف. ومع ذلك ، تجدر الإشارة إلى أن حلنا القائم على المستشعر السعوي للكشف عن اللعقات قد يحدث ضوضاء كبيرة على آثار الفيزيولوجيا الكهربية. لتجنب مثل هذه القطع الأثرية ، البصرية أو غيرها (على سبيل المثال ، الميكانيكية) ، يجب تنفيذ الحلول القائمة على أجهزة الاستشعار للكشف عن اللعق.
سيتم تحميل التحسينات المستقبلية لنظام الواقع الافتراضي إلى صفحة GitHub الخاصة بالمشروع (https://github.com/GergelyTuri/HallPassVR) ، لذلك يجب على المستخدمين مراجعة هذه الصفحة بانتظام للحصول على التحديثات. على سبيل المثال ، نحن بصدد استبدال الاتصالات التسلسلية السلكية بين المتحكمات الدقيقة والكمبيوتر أحادي اللوحة بوظيفة Bluetooth ، وهي أصلية في وحدات التحكم الدقيقة ESP32 المستخدمة بالفعل في هذا التصميم. بالإضافة إلى ذلك ، نخطط لترقية واجهة المستخدم الرسومية HallPassVR للسماح بتحديد المسارات المختلفة في كل جلسة سلوكية لاحتواء مواضع مختلفة للمحفزات البصرية البارزة الرئيسية في دورات مختلفة. سيسمح ذلك بمزيد من المرونة لفصل تأثير الميزات المرئية والسياقية المحددة على الترميز العصبي للفضاء أثناء التعلم المكاني.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
كلاي لاسيفيلد هو مؤسس ومشرف OpenMaze.org ، الذي يوفر تصميمات ل OMwSmall PCB المستخدم في هذا البروتوكول مجانا للتنزيل.
Acknowledgments
نود أن نشكر نوح بيتيت من مختبر هارفي على المناقشة والاقتراحات أثناء تطوير البروتوكول في هذه المخطوطة. تم دعم هذا العمل من خلال جائزة BBRF للمحققين الشباب و NIMH 1R21MH122965 (G.F.T.) ، بالإضافة إلى NINDS R56NS128177 (R.H. ، C.L.) و NIMH R01MH068542 (RH).
Materials
| Name | Company | Catalog Number | Comments |
| 1/4 " diam aluminum rod | McMaster-Carr | 9062K26 | 3" in length for wheel axle |
| 1/4"-20 cap screws, 3/4" long (x2) | Amazon.com | B09ZNMR41V | for affixing head post holders to optical posts |
| 2"x7" T-slotted aluminum bar (x2) | 8020.net | 1020 | wheel/animal mounting frame |
| 6" diam, 3" wide acrylic cylinder (1/8" thick) | Canal Plastics | 33210090702 | Running wheel (custom width cut at canalplastics.com) |
| 8-32 x 1/2" socket head screws | McMaster-Carr | 92196A194 | fastening head post holder to optical post |
| Adjustable arm (14") | Amazon.com | B087BZGKSL | to hold/adjust lick spout |
| Analysis code (MATLAB) | custom written | file at github.com/GergelyTuri/HallPassVR/software/Analysis code | |
| Axle mounting flange, 1/4" ID | Pololu | 1993 | for mounting wheel to axle |
| Ball bearing (5/8" OD, 1/4" ID, x2) | McMaster-Carr | 57155K324 | for mounting wheel axle to frame |
| Behavior ESP32 code | custom written | file at github.com/GergelyTuri/HallPassVR/software/Arduino code/Behavior board | |
| Black opaque matte acrylic sheets (1/4" thick) | Canal Plastics | 32918353422 | laser cut file at github.com/GergelyTuri/HallPassVR/hardware/VR screen assembly |
| Clear acrylic sheet (1/4" thick) | Canal Plastics | 32920770574 | laser cut file at github.com/GergelyTuri/HallPassVR/hardware/VR wheel assembly |
| ESP32 devKitC v4 (x2) | Amazon.com | B086YS4Z3F | microcontroller for behavior and rotary encoder |
| ESP32 shield | OpenMaze.org | OMwSmall | description at www.openmaze.org (https://claylacefield.wixsite.com/openmazehome/copy-of-om2shield). ZIP gerber files at: https://github.com/claylacefield/OpenMaze/tree/master/OM_PCBs |
| Fasteners and brackets | 8020.net | 4138, 3382,3280 | for wheel frame mounts |
| goniometers | Edmund Optics | 66-526, 66-527 | optional for behavior. Fine tuning head for imaging |
| HallPassVR python code | custom written | file at github.com/GergelyTuri/HallPassVR/software/HallPassVR | |
| Head post holder | custom design | 3D design file at github.com/GergelyTuri/HallPassVR/hardware/VR head mount/Headpost Clamp | |
| LED projector | Texas Instruments | DLPDLCR230NPEVM | or other small LED projector |
| Lick spout | VWR | 20068-638 | (or ~16 G metal hypodermic tubing) |
| M 2.5 x 6 set screws | McMaster-Carr | 92015A097 | securing head post |
| Matte white diffusion paper | Amazon.com | screen material | |
| Metal headposts | custom design | 3D design file at github.com/GergelyTuri/HallPassVR/hardware/VR head mount/head post designs | |
| Miscellenous tubing and tubing adapters (1/16" ID) | for constructing the water line | ||
| Optical breadboard | Thorlabs | as per user's requirements | |
| Optical posts, 1/2" diam (2x) | Thorlabs | TR4 | for head fixation setup |
| Processing code | custom written | file at github.com/GergelyTuri/HallPassVR/software/Processing code | |
| Raspberry Pi 4B | raspberry.com, adafruit.com | Single-board computer for rendering of HallPassVR envir. | |
| Right angle clamp | Thorlabs | RA90 | for head fixation setup |
| Rotary encoder (quadrature, 256 step) | DigiKey | ENS1J-B28-L00256L | to measure wheel rotation |
| Rotary encoder ESP32 code | custom written | file at github.com/GergelyTuri/HallPassVR/software/Arduino code/Rotary encoder | |
| SCIGRIP 10315 acrylic cement | Amazon.com | ||
| Shaft coupler | McMaster-Carr | 9861T426 | to couple rotary encoder shaft with axle |
| Silver mirror acrylic sheets | Canal Plastics | 32913817934 | laser cut file at github.com/GergelyTuri/HallPassVR/hardware/VR screen assembly |
| Solenoid valve | Parker | 003-0137-900 | to administer water rewards |
References
- Lisman, J., et al. Viewpoints: How the hippocampus contributes to memory, navigation and cognition. Nature Neuroscience. 20 (11), 1434-1447 (2017).
- Buzsaki, G., Moser, E. I. Memory, navigation and theta rhythm in the hippocampal-entorhinal system. Nature Neuroscience. 16 (2), 130-138 (2013).
- O'Keefe, J., Dostrovsky, J. The hippocampus as a spatial map. Preliminary evidence from unit activity in the freely-moving rat. Brain Research. 34 (1), 171-175 (1971).
- O'Keefe, J. Place units in the hippocampus of the freely moving rat. Experimental Neurology. 51 (1), 78-109 (1976).
- Fyhn, M., Molden, S., Witter, M. P., Moser, E. I., Moser, M. B.
- Letzkus, J. J., et al. A disinhibitory microcircuit for associative fear learning in the auditory cortex. Nature. 480 (7377), 331-335 (2011).
- Lacefield, C. O., Pnevmatikakis, E. A., Paninski, L., Bruno, R. M. Reinforcement learning recruits somata and apical dendrites across layers of primary sensory cortex. Cell Reports. 26 (8), 2000-2008 (2019).
- Dombeck, D. A., Harvey, C. D., Tian, L., Looger, L. L., Tank, D. W. Functional imaging of hippocampal place cells at cellular resolution during virtual navigation. Nature Neuroscience. 13 (11), 1433-1440 (2010).
- Gauthier, J. L., Tank, D. W. A dedicated population for reward coding in the hippocampus. Neuron. 99 (1), 179-193 (2018).
- Rickgauer, J. P., Deisseroth, K., Tank, D. W. Simultaneous cellular-resolution optical perturbation and imaging of place cell firing fields. Nature Neuroscience. 17 (12), 1816-1824 (2014).
- Yadav, N., et al. Prefrontal feature representations drive memory recall. Nature. 608 (7921), 153-160 (2022).
- Priestley, J. B., Bowler, J. C., Rolotti, S. V., Fusi, S., Losonczy, A. Signatures of rapid plasticity in hippocampal CA1 representations during novel experiences. Neuron. 110 (12), 1978-1992 (2022).
- Heys, J. G., Rangarajan, K. V., Dombeck, D. A. The functional micro-organization of grid cells revealed by cellular-resolution imaging. Neuron. 84 (5), 1079-1090 (2014).
- Harvey, C. D., Collman, F., Dombeck, D. A., Tank, D. W. Intracellular dynamics of hippocampal place cells during virtual navigation. Nature. 461 (7266), 941-946 (2009).
- Pettit, N., et al. Harvey Lab Mouse VR. , Available from: https://github.com/Harvey/Lab/mouseVR (2021).
- Pettit, N. L., Yap, E. L., Greenberg, M. E., Harvey, C. D. Fos ensembles encode and shape stable spatial maps in the hippocampus. Nature. 609 (7926), 327-334 (2022).
- Turi, G. F., et al. Vasoactive intestinal polypeptide-expressing interneurons in the hippocampus support goal-oriented spatial learning. Neuron. 101 (6), 1150-1165 (2019).
- Ulivi, A. F., et al. Longitudinal two-photon imaging of dorsal hippocampal CA1 in live mice. Journal of Visual Experiments. (148), e59598 (2019).
- Wang, Y., Zhu, D., Liu, B., Piatkevich, K. D. Craniotomy procedure for visualizing neuronal activities in hippocampus of behaving mice. Journal of Visual Experiments. (173), e62266 (2021).
- Tuncdemir, S. N., et al. Parallel processing of sensory cue and spatial information in the dentate gyrus. Cell Reports. 38 (3), 110257 (2022).
- Dombeck, D. A., Khabbaz, A. N., Collman, F., Adelman, T. L., Tank, D. W. Imaging large-scale neural activity with cellular resolution in awake, mobile mice. Neuron. 56 (1), 43-57 (2007).
- Guo, Z. V., et al. Procedures for behavioral experiments in head-fixed mice. PLoS One. 9 (2), 88678 (2014).
- Jordan, J. T., Gonçalves, J. T. Silencing of hippocampal synaptic transmission impairs spatial reward search on a head-fixed tactile treadmill task. bioRxiv. , (2021).
- Urai, A. E., et al. Citric acid water as an alternative to water restriction for high-yield mouse behavior. eNeuro. 8 (1), (2021).
- Saleem, A. B., Diamanti, E. M., Fournier, J., Harris, K. D., Carandini, M. Coherent encoding of subjective spatial position in visual cortex and hippocampus. Nature. 562 (7725), 124-127 (2018).
- Ravassard, P., et al. Multisensory control of hippocampal spatiotemporal selectivity. Science. 340 (6138), 1342-1346 (2013).
- Aghajan, Z. M., et al. Impaired spatial selectivity and intact phase precession in two-dimensional virtual reality. Nature Neuroscience. 18 (1), 121-128 (2015).
