Un système de suivi de la dynamique du comportement de préférence sociale chez les petits rongeurs
Summary
Décrit ici est un nouveau système expérimental automatisé qui offre une alternative au test à trois chambres et résout également plusieurs mises en garde. Ce système fournit de multiples paramètres comportementaux qui permettent une analyse rigoureuse de la dynamique comportementale des petits rongeurs lors des tests de préférence sociale et de préférence de nouveauté sociale.
Abstract
L’exploration des mécanismes neurobiologiques du comportement social nécessite des tests comportementaux qui peuvent être appliqués à des modèles animaux d’une manière impartiale et indépendante des observateurs. Depuis le début du millénaire, le test à trois chambres a été largement utilisé comme paradigme standard pour évaluer la sociabilité (préférence sociale) et la préférence de nouveauté sociale chez les petits rongeurs. Cependant, ce test souffre de multiples limitations, y compris sa dépendance à la navigation spatiale et la négligence de la dynamique comportementale. Présenté et validé ici est un nouveau système expérimental qui offre une alternative à l’essai à trois chambres, tout en résolvant certaines de ses mises en garde. Le système nécessite un appareil expérimental simple et abordable et un système d’analyse open source accessible au public, qui mesure et analyse automatiquement plusieurs paramètres comportementaux aux niveaux individuel et de la population. Il permet une analyse détaillée de la dynamique comportementale des petits rongeurs lors de tout test de discrimination sociale. Nous démontrons l’efficacité du système en analysant la dynamique du comportement social pendant les tests de préférence sociale et de préférence de nouveauté sociale tels qu’exécutés par les souris et les rats mâles adultes. En outre, nous validons la capacité du système à révéler la dynamique modifiée du comportement social chez les rongeurs suite à des manipulations telles que la coupe des moustaches. Ainsi, le système permet une étude rigoureuse du comportement social et de la dynamique dans les petits modèles de rongeurs et soutient des comparaisons plus précises entre les souches, les conditions et les traitements.
Introduction
Révéler les mécanismes biologiques sous-jacents aux troubles neurodéveloppementaux (NDD) est l’un des principaux défis dans le domaine des neurosciences1. Pour relever ce défi, il faut des paradigmes comportementaux et des systèmes expérimentaux qui caractérisent le comportement des rongeurs d’une manière standard et impartiale. Une étude influente publiée il y a plus de dix ans par Moy et ses collègues2 a présenté le test à trois chambres. Depuis lors, ce test a été largement utilisé pour étudier le comportement social dans les modèles de rongeurs de NDDs. Ce test évalue deux tendances innées des rongeurs : 1) rester à proximité d’un stimulus social sur un objet (sociabilité, également appelé préférence sociale [SP]), et 2) préférer la proximité d’un nouveau stimulus social à un stimulus social familier (préférence de nouveauté sociale [SNP])3,4. Plusieurs études ultérieures ont suggéré des méthodes d’analyse automatisée du test à trois chambres à l’aide de méthodes informatisées5,6.
Ce test souffre encore de plusieurs mises en garde. Tout d’abord, il examine principalement la préférence de lieu social plutôt que la motivation du sujet à interagir directement avec un stimulus social, bien que certains groupes mesurent également le temps d’investigation olfactive (sniffing), manuellement7 ou utilisant des systèmes informatisés commerciaux8,9,10. Deuxièmement, le critère à trois chambres est principalement utilisé pour mesurer le temps total passé par le sujet dans chaque chambre, et il néglige la dynamique comportementale. Enfin, il ne repose que sur un seul aspect du comportement social, qui est le temps passé par le sujet dans chaque chambre (ou le temps de reniflement, si mesuré).
Nous présentons ici un système expérimental novateur et abordable qui est une alternative à l’appareil à trois chambres. Il permet également la performance des mêmes tests comportementaux tout en résolvant les mises en garde mentionnées ci-dessus. Le système comportemental présenté mesure automatiquement et directement le comportement d’enquête d’un rongeur vers deux stimuli. En outre, il analyse la dynamique comportementale d’une manière indépendante de l’observateur. En outre, ce système mesure plusieurs paramètres comportementaux et les analyse à la fois au niveau individuel et au niveau de la population; ainsi, il soutient une analyse rigoureuse du comportement social et de sa dynamique lors de chaque test. En outre, le repositionnement aléatoire des chambres dans les coins opposés de l’arène au cours des différentes étapes d’essai neutralise tous les effets de la mémoire ou de la préférence spatiale. Ce système peut également être utilisé pour d’autres tests de discrimination, tels que la discrimination sexuelle. L’appareil personnalisé est facile à produire, et le système d’analyse est accessible au public en tant que code open-source, permettant ainsi son utilisation dans n’importe quel laboratoire. Nous démontrons la capacité de ce système à mesurer de multiples paramètres de comportement social dans les souches de rongeurs avec des couleurs de fourrure distinctes au cours des tests de préférence sociale et de préférence de nouveauté sociale. Nous validons également la capacité du système à révéler la dynamique modifiée du comportement social chez les rongeurs suite à des manipulations, telles que la coupe des moustaches.
Logiciel TrackRodent : trois algorithmes ont été écrits en MATLAB (2014a-2019a) pour suivre le sujet expérimental et ses interactions avec les stimuli. Tous les algorithmes ont été déposés dans GitHub, trouvé à l’article https://github.com/shainetser/TrackRodent.gt;. L’objectif principal des quatre algorithmes est de suivre les contours du corps du sujet pour détecter tout contact direct avec les zones de stimuli.
Algorithme basé sur le corps : cet algorithme a trois versions qui suivent les contours d’une souris foncée non câblée sur un fond blanc (BlackMouseBodyBased), une souris blanche sur un fond sombre (WhiteMouseBodyBased), ou un rat blanc sur un fond sombre (WhiteRatBodyBased ). L’interface utilisateur graphique (GUI) du logiciel exige que l’expérimentateur choisisse une expérience en utilisant des souris ou des rats et sélectionne ensuite le code correct. Pour chaque version de l’algorithme, il existe deux codes optionnels : l’un qui présente le processus de suivi à l’écran pendant qu’il effectue l’analyse, et l’autre qui ne fonctionne pas (d’où, il s’exécute plus rapidement et est appelé «rapide»). Par exemple, les noms des codes pertinents pour l’algorithme BlackMouseBodyBased sont : « BlackMouseBodyBased23_7_14 » et « BlackMouseBodyBased23_7_14_Fast ». Tous les algorithmes se terminant par “rapide” ne montrent pas le suivi en ligne, et les utilisateurs doivent enregistrer directement les données dans le fichier des résultats (fichier.mat). Tous les algorithmes basés sur le corps nécessitent la définition d’un seuil unique (« seuil bas » dans l’interface graphique du logiciel) pour détecter le corps du sujet.
Algorithme basé sur la direction de la tête : le deuxième algorithme, qui n’est disponible que pour les souris noires, est basé sur l’algorithme basé sur le corps, en plus de déterminer la directionnalité de la tête. Cet algorithme détecte les interactions de la tête du sujet avec les zones de “stimuli”, évitant ainsi les faux positifs qui peuvent résulter de contacts aléatoires du sujet avec ces zones. Pour cet algorithme, deux seuils de détection des contours du corps de la souris sont définis : seuil élevé, qui comprend la queue plus brillante des souris noires, et seuil bas, qui inclut le corps sans queue. Par la suite, l’algorithme s’adapte à un ellipsoïde aux limites détectées en utilisant le seuil inférieur et définit l’emplacement de la tête et de la queue de la souris (sans distinction entre les deux). La discrimination finale entre la queue et la tête est basée sur les limites définies par le seuil plus élevé.
Algorithme animal filaire : le troisième algorithme vise à minimiser les artefacts résultant de câbles (c.-à-d. fils électriques ou fibres optiques) connectés à l’animal, permettant d’analyser le comportement de l’animal lorsqu’il est connecté à un câble. Cet algorithme a des codes uniquement pour les souris noires et les rats blancs. Le code pour les rats exige que l’expérimentateur définisse à la fois des seuils bas et élevés, tandis que le code de souris ne nécessite qu’un seuil bas.
Protocol
Representative Results
Discussion
Le système expérimental décrit ici, qui a été conçu comme une alternative à l’appareil à trois chambres2,5, permet l’exécution des mêmes tests tout en résolvant certaines de ses limites. L’utilisation de chambres triangulaires, qui sont situées dans deux coins opposés de l’arène rectangulaire limite la zone d’interaction sujet-stimulus à un plan bien défini, permettant ainsi une analyse automatisée précise du comportement d’enquête. Un avantage…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
Ce travail a été soutenu par le Human Frontier Science Program (subvention HFSP RGP0019/2015), la Fondation des sciences israéliennes (subventions de l’ISF #1350/12, 1361/17), par la Fondation Milgrom et par le Ministère des sciences, de la technologie et de l’espace d’Israel (Grant #3-12068).
Materials
| Flea3 1.3 MP Mono USB3 Vision | FLIR (formerly PointGrey) | FL3-U3-13Y3M-C | Monochromatic Camera |
| FlyCap 2.0 | FLIR (formerly PointGrey) | FlyCapture 2.13.3.61X64 | Video recording software |
| Home 5 minute Epoxy glue | Devocon | 20845 | For gluing the metal mesh to the Plexiglas stimuli chambers |
| Matlab 2014-2019 | MathWorks | R2014a – R2019a | Programming environment |
| Plexiglas boards (6 mm thickBlack or white) | Melina (1990) LTD, Israel | NaN | For arena and stimuli chambers construction |
| Red led strips (60 leds per meter) connected to a 12V power supply | 2012topdeal eBay supplier | NaN | For illumination of the acoustic chamber |
Riferimenti
- Insel, T. R. The challenge of translation in social neuroscience: a review of oxytocin, vasopressin, and affiliative behavior. Neuron. 65 (6), 768-779 (2010).
- Moy, S. S., et al. Sociability and preference for social novelty in five inbred strains: an approach to assess autistic-like behavior in mice. Genes, Brain and Behavior. 3 (5), 287-302 (2004).
- Carr, W. J., Yee, L., Gable, D., Marasco, E. Olfactory recognition of conspecifics by domestic Norway rats. Journal of Comparative and Physiological Psychoogyl. 90 (9), 821-828 (1976).
- Ferguson, J. N., Aldag, J. M., Insel, T. R., Young, L. J. Oxytocin in the medial amygdala is essential for social recognition in the mouse. Journal of Neuroscience. 21 (20), 8278-8285 (2001).
- Nadler, J. J., et al. Automated apparatus for quantitation of social approach behaviors in mice. Genes, Brain and Behavior. 3 (5), 303-314 (2004).
- Page, D. T., Kuti, O. J., Sur, M. Computerized assessment of social approach behavior in mouse. Frontiers in Behavioral Neuroscience. 3, 48 (2009).
- Sankoorikal, G. M., Kaercher, K. A., Boon, C. J., Lee, J. K., Brodkin, E. S. A mouse model system for genetic analysis of sociability: C57BL/6J versus BALB/cJ inbred mouse strains. Biological Psychiatry. 59 (5), 415-423 (2006).
- Martin, L., Sample, H., Gregg, M., Wood, C. Validation of operant social motivation paradigms using BTBR T+tf/J and C57BL/6J inbred mouse strains. Brain and Behavior. 4 (5), 754-764 (2014).
- Noldus, L. P. J. J., Spink, A. J., Tegelenbosch, R. A. J. EthoVision: A versatile video tracking system for automation of behavioral experiments. Behavior Research Methods Instruments & Computers. 33 (3), 398-414 (2001).
- Sams-Dodd, F. Automation of the social interaction test by a video-tracking system: behavioural effects of repeated phencyclidine treatment. Journal of Neuroscience Methods. 59 (2), 157-167 (1995).
- Netser, S., Haskal, S., Magalnik, H., Wagner, S. A novel system for tracking social preference dynamics in mice reveals sex- and strain-specific characteristics. Molecular Autism. 8, 53 (2017).
