En metod för att kvantifiera temporal huvuddragen hos flyga dygnsrytm rörelseapparaten rytmer presenteras. Kvantifieringen uppnås genom att montera flyga aktivitet med en multi parametrisk modell vågform. Modellparametrar beskriva formen och storleken på morgonen och kvällen toppar av daglig aktivitet.
I de flesta djur och växter, dygnsrytm klockor orkestrera beteendemässiga och molekylära processer och synkronisera dem till den dagliga ljus-mörk-cykeln. Grundläggande mekanismer som ligger bakom denna tidsmässiga kontroll studeras allmänt använda bananflugan Drosophila melanogaster som modellorganism. I flugor studeras normalt klockan genom att analysera Flerdagsaktivitet rörelseapparaten inspelning. Sådan en inspelning visar ett komplext bimodal mönster med två toppar av aktivitet: en morgon topp som händer runt omkring dawn och en kväll-topp som händer runt omkring skymning. Dessa två toppar tillsammans bildar en vågform som skiljer sig mycket från sinusformiga svängningarna observerats i klocka gener, vilket tyder på att mekanismerna förutom klockan har djupgående effekter på att producera observerade mönstren i beteendemässiga data. Här ge vi instruktioner om att en nyligen utvecklad computational metod som matematiskt beskriver tidsmässiga mönster i flyga aktivitet. Metoden passar aktivitetsdata med en modell vågform som består av fyra exponentiell villkor och nio oberoende parametrar som fullständigt beskriver formen och storleken på morgonen och kvällen topparna av aktivitet. De extraherade parametrarna kan hjälpa till att belysa de kinetiska mekanismerna av substrat som ligger bakom de vanligaste observerade bimodal aktivitetsmönster i flyga rörelseapparaten rytmer.
Dygnsrytm klockan är en endogen biokemiska frekvensgenerator med en period av cirka 24 timmar och är nästan allestädes närvarande i djur och växter1,2. Klockan hjälper synkronisera en organisms interna processer och beteende till den yttre ljus mörka cykeln. Den genetiska strukturen hos dygnsrytm klockan allmänt har undersökts sedan 1960-talet med bananflugan, D. melanogaster. I denna insekt, kärnan i dygnsrytm klockan består av fyra proteiner: PERIOD, TIMELESS, klocka och cykel. Dessa huvudkomponenter tillsammans med andra molekyler bildar en feedbackloop som producerar nästan sinusformiga svängningarna av klocka gener3,4. Dygnsrytm klockan i flugor studeras allmänt med Flerdagsaktivitet rörelseapparaten inspelningar där flyga aktivitet detekteras med en enda IR-strålen passerar mitten av en enskild tube5. En typisk fly inspelning har ett komplext bimodal mönster med två väl urskiljbara toppar: morgon peak (M) som börjar i slutet av natten och har en maximal när lampor slår på; och kvällen peak (E) som börjar i slutet av dagen och har en maximal när lamporna stänger av6. Intressant, är formen på sådana beteendemässiga inspelning mycket olika från enkla sinusformiga svängningarna observerats på molekylär nivå, föreslår åtgärder ytterligare mekanismer bidrar till de observerade tidsmässiga mönsterna. För att bättre förstå dessa dolda mekanismer, har vi utvecklat en computational verktyg som ger en kvantitativ beskrivning av de tidsmässiga mönsterna.
I vårt arbete definieras rörelseapparaten rytmer en vågform som härmar flyga aktivitet mönster. Eftersom enkla sinusvågor inte kan användas för att modellera de observerade rytmiska förändringarna i aktivitet, testade vi olika signal former att välja den enklaste som fångar alla de framträdande dragen i inspelningarna. Bananflugan dygnsrytm beteende styrs av aktiviteten av klocka nervceller som ofta har exponentiell mönster av aktivering och avaktivering7. Den exponentiella dynamiken och visuell analys av data motiverade oss att bygga en modell med exponentiell villkor som består av fyra exponenter med nio oberoende parametrar och liknar den flyga aktivitet mönster8. Förutom rörelseapparaten data analyserar vi också dess kraftspektrum. Typiska flyga aktivitet spektrum visar multipla toppar på övertoner T0/2, T0/3, etc., förutom förväntade grundläggande toppen vid dygnsrytm perioden T0. Enligt Fourier sats producerar endast en ren sinusvåg en enda topp i power spectra, medan mer komplexa vågformer visar multipla spektrala toppar på övertoner av primära perioden (figur 1). Därför ges icke-sinusformade temporal mönstret i flyga aktivitet8, en multi peak power spectrum av data beräknas matematiskt och innebär inte nödvändigtvis förekomsten av flera perioder av svängningen. Ännu viktigare, visar power spectrumen av föreslagna modellen vågformen också topparna på alla övertoner av den primära perioden, liknande de flyga rörelseapparaten inspelningar, således betonar hög trohet som beskriver vår modell flyga data både i tid och frekvens.
Tiden upplösningar på några minuter eller mindre, flyga aktivitet visas data bullriga, vilket gör det svårt att extrahera parametrar direkt från rådata. Binning data till längre tidsintervall kan minska ljudnivån, men kan ändra data på ett sätt som kan påverka uppskattningen av modellparametrar. Vi få därför parametrarna från power spektra av inspelningarna, använder ett analytiskt uttryck för förväntade effekt spektra beräknas från fouriertransformen av modell funktion8 (se ytterligare fil 1 av referens8). Detta tillvägagångssätt för att få parametrar från power spektra ger exakta parametervärden utan någon ytterligare manipulationer, såsom binning eller filtrering, den råa aktivitetsdata. Matematiska uppgifter om modell och applikationer till vildtyp och muterade data beskrivs i referens8. Protokollet presenteras här fokuserar på de stegvisa anvisningarna för att använda verktyget computational.
Detta arbete presenterar instruktioner för att använda en computational verktyg som ger en kvantitativ beskrivning av flyga locomotion mönster. Verktyget passar locomotion data med en matematisk modell som består av fyra exponentiell termer som tillsammans beskriver formen och storleken av M och E topparna. De slutliga värdena för parametrarna modellen fås passande power spektra av data, där användningen av rådata kan undvika tingsliga effekter som data binning eller filtrering kan ålägga parametervärden. Mo…
The authors have nothing to disclose.
Vi är tacksamma mot Stanislav Lazopulo för hjälp med videoinnehåll.
Drosophila Activity Monitor | TriKinetics | DAM2, DAM5 | Measures fly locootion using single infrared beam |
MatLab | Mathworks | Computing environment and programming language, MatLab should include Optimization and Symbolic Math toolboxes | |
Drosophila melanogaster | per[S], per[L], iso31(wild type) | Our analysis can be performed with fly mutants of any circadian period |