Отслеживание крыс в оперантных кондиционирования камер с использованием универсальный домашний видеокамеры и DeepLabCut
Summary
Этот протокол описывает, как построить небольшую и универсальную видеокамеру, и как использовать видео, полученные от него, чтобы обучить нейронную сеть для отслеживания положения животного внутри оперных камер кондиционирования. Это ценное дополнение к стандартному анализу журналов данных, полученных в результате оперативных испытаний кондиционирования.
Abstract
Оперативные камеры кондиционирования используются для выполнения широкого спектра поведенческих тестов в области неврологии. Записанные данные, как правило, основаны на срабатывании рычага и датчиков нос-тыкать, присутствующих внутри камер. Хотя это дает подробное представление о том, когда и как животные выполняют определенные ответы, он не может быть использован для оценки поведения, которые не вызывают никаких датчиков. Таким образом, оценка того, как животные позиционируют себя и перемещаются внутри камеры, редко возможна. Чтобы получить эту информацию, исследователи, как правило, должны записывать и анализировать видео. Производители оперных кондиционирования камер, как правило, могут поставлять своим клиентам высококачественные установки камеры. Тем не менее, они могут быть очень дорогостоящими и не обязательно подходят камеры от других производителей или других поведенческих установок теста. Текущий протокол описывает, как построить недорогую и универсальную видеокамеру с использованием компонентов электроники хобби. В нем далее описывается, как использовать пакет программного обеспечения для анализа изображений DeepLabCut для отслеживания состояния сильного светового сигнала, а также положения крысы, в видео, собранных из оперной камеры кондиционирования. Первый является большим подспорьем при выборе коротких сегментов интереса к видео, которые охватывают все тестовые сессии, а второй позволяет анализировать параметры, которые не могут быть получены из журналов данных, производимых оперных камер.
Introduction
В области поведенческой нейронауки исследователи обычно используют оперные камеры кондиционирования для оценки широкого спектра различных когнитивных и психиатрических особенностей у грызунов. Хотя Есть несколько различных производителей таких систем, они, как правило, разделяют определенные атрибуты и имеют почти стандартизированный дизайн1,2,3. Камеры, как правило, квадратной или прямоугольной формы, с одной стеной, которая может быть открыта для размещения животных внутри, и один или два из оставшихся стен, содержащих компоненты, такие как рычаги, нос-тыкать отверстия, награды лотки, ответ колеса и огни различных видов1,2,3. Свет и датчики, присутствующие в камерах, используются как для контроля протоколатестирования,так и для отслеживания поведения животных1,2,,3,,4,,5. Типичные оперные системы кондиционирования позволяют очень подробный анализ того, как животные взаимодействуют с различными operanda и отверстия, присутствующие в камерах. В целом, любые случаи, когда датчики срабатывают, могут быть записаны системой, и из этих данных пользователи могут получить подробные файлы журнала, описывающие, что животное сделало во время конкретных шагов теста4,5. Хотя это обеспечивает широкое представление о производительности животного, он может быть использован только для описания поведения, которые непосредственно вызвать один или несколько датчиков4,,5. Таким образом, аспекты, связанные с тем, как животное позиционирует себя и движется внутри камеры во время различных фаз теста не очень хорошо описаны6,7,8,9,10. Это прискорбно, так как такая информация может быть полезной для полного понимания поведения животного. Например, он может быть использован для уточнения, почему некоторые животные выполняют плохо на данномтесте 6, чтобы описать стратегии, которые животные могут развиваться для обработки сложных задач6,7,8,9,10, или оценить истинную сложность якобы простое поведение11,12. Чтобы получить такую сформулировать информацию, исследователи обычно обращаются к ручному анализу видео6,,7,8,9,10,11.
При записи видео из оперных камер кондиционирования, выбор камеры имеет решающее значение. Камеры обычно расположены в изоляционных кабинах, с протоколами часто используют шаги, где нет видимого света светит3,,6,7,8,9. Поэтому необходимо использовать инфракрасное (ИК) освещение в сочетании с ИК-чувствительной камерой, так как позволяет видимость даже в полной темноте. Кроме того, пространство, доступное для размещения камеры внутри изоляционной кабины, часто очень ограничено, а это означает, что один выгоды сильно от наличия небольших камер, которые используют линзы с широким полем зрения (например, рыбий глаз линзы)9. В то время как производители систем кондиционирования оперы часто могут поставлять высококачественные установки камеры своим клиентам, эти системы могут быть дорогими и не обязательно подходят камеры от других производителей или установок для других поведенческих тестов. Тем не менее, заметное преимущество по сравнению с использованием автономных видеокамер является то, что эти установки часто могут взаимодействовать непосредственно с оперентных систем кондиционирования13,14. Благодаря этому они могут быть настроены только для записи конкретных событий, а не для проведения полных тестовых сессий, что может в значительной степени помочь в последующем анализе.
Текущий протокол описывает, как построить недорогую и универсальную видеокамеру с использованием компонентов электроники хобби. Камера использует объектив fisheye, чувствительна к ИК-освещению и имеет набор ИК-светоизлучающих диодов (ИК-светодиодов), прикрепленных к нему. Кроме того, он построен, чтобы иметь плоский и тонкий профиль. Вместе эти аспекты делают его идеальным для записи видео из самых коммерчески доступных оперных камер кондиционирования, а также других поведенческих тестовых установок. Протокол далее описывает, как обрабатывать видео, полученные с камерой и как использовать пакет программного обеспечения DeepLabCut15,16, чтобы помочь в извлечении видео последовательностей интереса, а также отслеживания движений животного в нем. Это частично обходит откат от использования автономной камеры над интегрированными решениями, предоставляемыми оперными производителями систем кондиционирования, и предлагает дополнение к ручному скорингу поведения.
Были предприняты усилия для написания протокола в общем формате, чтобы подчеркнуть, что общий процесс может быть адаптирован к видео из различных оперентных тестов кондиционирования. Чтобы проиллюстрировать некоторые ключевые понятия, видео крыс, выполняющих 5-выбор серийный тест времени реакции (5CSRTT)17 используются в качестве примеров.
Protocol
Representative Results
Discussion
Этот протокол описывает, как построить недорогую и гибкую видеокамеру, которая может быть использована для записи видео из оперентных камер кондиционирования и других поведенческих тестовых установок. Он также демонстрирует, как использовать DeepLabCut для отслеживания сильного световог…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Эта работа была поддержана грантами Шведского фонда мозга, Шведского фонда Паркинсона и Шведских государственных фондов клинических исследований (M.A.C.), а также фондов Веннера-Грена (M.A.C., E.K.H.C), фонда Элена (M.A.C.) и фонда Blanceflor Boncompagni Ludovisi, n.F.
Materials
| 32 Gb micro SD card with New Our Of Box Software (NOOBS) preinstalled | The Pi hut (https://thpihut.com) | 32GB | |
| 330-Ohm resistor | The Pi hut (https://thpihut.com) | 100287 | This article is for a package with mixed resistors, where 330-ohm resistors are included. |
| Camera module (Raspberry Pi NoIR camera v.2) | The Pi hut (https://thpihut.com) | 100004 | |
| Camera ribbon cable (Raspberry Pi Zero camera cable stub) | The Pi hut (https://thpihut.com) | MMP-1294 | This is only needed if a Raspberry Pi zero is used. If another Raspberry Pi board is used, a suitable camera ribbon cable accompanies the camera component |
| Colored LEDs | The Pi hut (https://thpihut.com) | ADA4203 | This article is for a package with mixed colors of LEDs. Any color can be used. |
| Female-Female jumper cables | The Pi hut (https://thpihut.com) | ADA266 | |
| IR LED module (Bright Pi) | Pi Supply (https://uk.pi-supply.com) | PIS-0027 | |
| microcomputer motherboard (Raspberry Pi Zero board with presoldered headers) | The Pi hut (https://thpihut.com) | 102373 | Other Raspberry Pi boards can also be used, although the method for automatically starting the Python script only works with Raspberry Pi zero. If using other models, the python script needs to be started manually. |
| Push button switch | The Pi hut (https://thpihut.com) | ADA367 | |
| Raspberry Pi power supply cable | The Pi hut (https://thpihut.com) | 102032 | |
| Raspberry Pi Zero case | The Pi hut (https://thpihut.com) | 102118 | |
| Raspberry Pi, Mod my pi, camera stand with magnetic fish eye lens and magnetic metal ring attachment | The Pi hut (https://thpihut.com) | MMP-0310-KIT |
References
- Pritchett, K., Mulder, G. B. Operant conditioning. Contemporary Topics in Laboratory Animal Science. 43 (4), (2004).
- Clemensson, E. K. H., Novati, A., Clemensson, L. E., Riess, O., Nguyen, H. P. The BACHD rat model of Huntington disease shows slowed learning in a Go/No-Go-like test of visual discrimination. Behavioural Brain Research. 359, 116-126 (2019).
- Asinof, S. K., Paine, T. A. The 5-choice serial reaction time task: a task of attention and impulse control for rodents. Journal of Visualized Experiments. (90), e51574 (2014).
- Coulbourn instruments. Graphic State: Graphic State 4 user’s manual. Coulbourn instruments. , 12-17 (2013).
- Med Associates Inc. Med-PC IV: Med-PC IV programmer’s manual. Med Associates Inc. , 21-44 (2006).
- Clemensson, E. K. H., Clemensson, L. E., Riess, O., Nguyen, H. P. The BACHD rat model of Huntingon disease shows signs of fronto-striatal dysfunction in two operant conditioning tests of short-term memory. PloS One. 12 (1), (2017).
- Herremans, A. H. J., Hijzen, T. H., Welborn, P. F. E., Olivier, B., Slangen, J. L. Effect of infusion of cholinergic drugs into the prefrontal cortex area on delayed matching to position performance in the rat. Brain Research. 711 (1-2), 102-111 (1996).
- Chudasama, Y., Muir, J. L. A behavioral analysis of the delayed non-matching to position task: the effects of scopolamine, lesions of the fornix and of the prelimbic region on mediating behaviours by rats. Psychopharmacology. 134 (1), 73-82 (1997).
- Talpos, J. C., McTighe, S. M., Dias, R., Saksida, L. M., Bussey, T. J. Trial-unique, delayed nonmatching-to-location (TUNL): A novel, highly hippocampus-dependent automated touchscreen test of location memory and pattern separation. Neurobiology of Learning and Memory. 94 (3), 341 (2010).
- Rayburn-Reeves, R. M., Moore, M. K., Smith, T. E., Crafton, D. A., Marden, K. L. Spatial midsession reversal learning in rats: Effects of egocentric cue use and memory. Behavioural Processes. 152, 10-17 (2018).
- Gallo, A., Duchatelle, E., Elkhessaimi, A., Le Pape, G., Desportes, J. Topographic analysis of the rat’s behavior in the Skinner box. Behavioural Processes. 33 (3), 318-328 (1995).
- Iversen, I. H. Response-initiated imaging of operant behavior using a digital camera. Journal of the Experimental Analysis of Behavior. 77 (3), 283-300 (2002).
- Med Associates Inc. Video monitor: Video monitor SOF-842 user’s manual. Med Associates Inc. , 26-30 (2004).
- . Coulbourn Instruments Available from: https://www.coulbourn.com/product_p/h39-16.htm (2020)
- Mathis, A., et al. DeepLabCut: markerless pose estimation of user-defined body parts with deep learning. Nature Neuroscience. 21 (9), 1281-1289 (2018).
- Nath, T., Mathis, A., Chen, A. C., Patel, A., Bethge, M., Mathis, M. W. Using DeepLabCut for 3D markerless pose estimation across species and behaviors. Nature Protocols. 14 (7), 2152-2176 (2019).
- Bari, A., Dalley, J. W., Robbins, T. W. The application of the 5-chopice serial reaction time task for the assessment of visual attentional processes and impulse control in rats. Nature Protocols. 3 (5), 759-767 (2008).
- . Raspberry Pi foundation Available from: https://thepi.io/how-to-install-raspbian-on-the-raspberry-pi/ (2020)
- . Pi-supply Available from: https://learn.pi-supply.com/make/bright-pi-quickstart-faq/ (2018)
- . Python Available from: https://wiki.python.org/moin/BeginnersGuide/NonProgrammers (2020)
- . MathWorks Available from: https://mathworks.com/academia/highschool/ (2020)
- . Cran.R-Project.org Available from: https://cran.r-project.org/manuals.html (2020)
- Liu, Y., Tian, C., Huang, Y. . Critical assessment of correction methods for fisheye lens distortion. The international archives of the photogrammetry, remote sensing and spatial information sciences. , (2016).
- Pereira, T. D., et al. Fast animal pose estimation using deep neural networks. Nature Methods. 16 (1), 117-125 (2019).
- Graving, J. M., et al. DeepPoseKit, a software toolkit for fast and robust animal pose estimation using deep learning. Elife. 8 (47994), (2019).
- Geuther, B. Q., et al. Robust mouse tracking in complex environments using neural networks. Communications Biology. 2 (124), (2019).
