Нажмите "Enter", чтобы перейти к контенту

MouseMove: программа с открытым исходным кодом для полуавтоматического анализа движения и когнитивного тестирования у грызунов

MouseMove: an open source program for semi-automated analysis of movement and cognitive testing in rodents
Источник: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4632026/

Эти авторы внесли одинаковый вклад в эту работу.

Тест Open Field (OF) является одним из наиболее часто используемых анализов для оценки исследовательского поведения и обобщенной локомоторной активности у грызунов. Тем не менее, подавляющее большинство исследователей по-прежнему полагаются на дорогостоящие коммерческие системы для регистрации и анализа результатов испытаний. Следовательно, наша цель состояла в том, чтобы разработать свободно доступную программу для анализа теста OF и обеспечить сопутствующий протокол, который был минимально инвазивным, быстрым, беспристрастным, без необходимости в специализированном оборудовании или обучении. Как и в коммерческих системах, мы показываем, что наше программное обеспечение под названием MouseMove точно определяет многочисленные параметры движения, включая дальность перемещения, скорость, поворот и кривизну. Чтобы оценить его полезность, мы использовали MouseMove для количественного определения односторонних локомоторных дефицитов у мышей после модели вызванной нитью модели окклюзии средней мозговой артерии острого ишемического инсульта. MouseMove также может отслеживать движение в определенных областях, представляющих интерес, и поэтому подходит для анализа теста распознавания новых объектов и других полевых когнитивных тестов. Насколько нам известно, MouseMove — это первое программное обеспечение с открытым исходным кодом, способное предоставлять качественную и количественную информацию о локомоции мыши в полуавтоматическом и высокопроизводительном режиме, и, следовательно, MouseMove представляет собой звуковую альтернативу системам коммерческого анализа движения.

Тест Open Field (OF) является одним из наиболее часто используемых анализов для мониторинга исследовательского поведения и локомоторной активности у лабораторных животных1. Тест OF основан на том принципе, что грызуны и другие лабораторные животные будут врожденным исследованием нового окружения. В идеале, OF должен быть лишен визуальных ориентиров, обонятельных реплик и находиться в тихой тускло освещенной комнате; чтобы стимулировать разведку и передвижение, чтобы свести к минимуму триггеры обучения / памяти и уменьшить стресс у лабораторного животного во время тестирования. Именно из-за этих простых основополагающих принципов и низких требований к обработке животных, что тест OF представляет собой относительно быстрый, воспроизводимый и надежный анализ. Соответственно, тест OF использовался для оценки неврологических эффектов в широком спектре экспериментальных парадигм, включая приобретенное повреждение головного мозга2, введение психостимулятора3, индуцирование стресса / беспокойства4, старение5, пол 5, циркадный цикл6, различные генофенотипические фоны7 и факторы окружающей среды8.

Несмотря на свою широко распространенную популярность, подавляющее большинство исследовательских групп полагаются на коммерческие системы для записи и цифрового анализа теста OF. В этой коммерческой системе используется служебная видеокамера или арена с лазерной сеткой, а также количественные параметры движения с использованием проприетарного программного обеспечения. Примерами современных коммерческих систем, способных выполнять OF-тестирование, являются ANY-лабиринт (Stoelting Co; IL, USA), Ethovision® XT (Noldus, Wageningen, Нидерланды), TopScan (Clever Sys Inc., VA, США) и Opto -Varimex (Columbus Instruments, OH, США). Несмотря на то, что эти коммерческие системы обладают превосходными возможностями записи и анализа, они относительно дороги, предлагают небольшую методологическую прозрачность или гибкость и часто ограничивают тестирование в лабораториях финансовыми средствами для создания специализированных поведенческих наборов.

Многочисленные программы с открытым исходным кодом были выпущены в качестве альтернативы коммерческим системам System910111213. Все, кроме одной из этих предыдущих программ, ограничивают его анализ двумя основными аспектами движения: расстоянием между поездкой и временем, проведенным в пределах определенной области интереса (ROI). Самое последнее бесплатное программное обеспечение, EthoWatcher, представляет собой значительное улучшение в том, что он позволяет пользователям анализировать более широкий спектр параметров движения грызунов, таких как уход и уход за ситуацией13. При этом многие существующие рутинные аспекты движения, в том числе неподвижная фракция, скорость объекта, различия в латеральности или время ROI в сочетании с возможностями для пакетного анализа, в настоящее время не рассматриваются существующими программами. В результате, коммерческие системы по-прежнему предлагают значительно более высокую производительность и пропускную способность для тестового анализа.

Здесь мы описываем MouseMove — программу с открытым исходным кодом, которая предлагает полуавтоматический и высокопроизводительный анализ широкого спектра параметров движения, включая пройденное расстояние, среднюю скорость, дисперсию скорости, неподвижную фракцию и латеральность (т.е. поворот влево / вправо, и кривизна). Используя модель приобретенного повреждения головного мозга (временная окклюзия средней мозговой артерии [MCAo] экспериментального инсульта), которая, как известно, вызывает измененную локомоцию1415, мы показываем, что MouseMove может различать как количественные, так и качественные различия в движении по OF. Важно отметить, что с использованием механической калибровочной системы мы демонстрируем, что MouseMove отслеживает изменения в расстоянии, скорости и латеральности с точностью> 96%. MouseMove также обладает областью интересов, которая позволяет проводить количественный анализ когнитивных тестов, таких как тест распознавания новых объектов (NOR). В совокупности MouseMove представляет собой звуковую и свободно доступную альтернативу коммерческим платформам для анализа анализов, связанных с ареной, таких как тест OF и тест NOR.

Сначала была собрана площадка для тестирования MouseMove. Как показано на фиг.1, OF имел круглый белый меламиновый пол, черные пластиковые стены, окруженный белым полиэфирным занавесом и располагал веб-камеру над его центром. Для каждого теста OF мышь помещается в центр арены и снимается видеозапись («экспериментальное видео», рис. 2a, см. «Методы для деталей»). Непосредственно после тестирования захватывается видеоролик на 10 секунд пустой арены («фоновое видео», рис. 2b). Затем инициализируется программа с открытым исходным кодом, ImageJ, и загружаются видео «эксперимент» и «фон» (рис. 2c) с использованием нашего макроса ImageJ Preprocessing.ijm (дополнительный файл 1). Макрос автоматически выполняет следующие ступенчатые процессы: Шаг 1 — порог необработанных видео для создания двоичных видео. Шаг 2-x, y выравнивание между экспериментами и фоновыми видео (рис.2d, e). Шаг 3 — вычитание выровненного фонового видео из экспериментального видео (рис.2f). Шаг 4 — распознавание объектов и создание траектории с использованием опубликованного плагина MTrack216. Макрос генерирует сохраненное изображение кумулятивных траекторий мыши (рис. 2g) и текстовый файл, определяющий координаты x, y мыши во времени. Затем графический пользовательский интерфейс MouseMove (GUI) инициализируется. Соответствующие параметры (частота кадров видео, диапазон кадров для анализа, пространственный масштаб видео) и местоположение макрогенерированного текстового файла вводятся с использованием MouseMove.exe (дополнительный файл 2). Затем детальный анализ шаблонов движения автоматически выполняется, при этом MouseMove измеряет дробное время, затрачиваемое на стационарное, пройденное расстояние, среднее значение скорости / стандартная ошибка среднего (sem) и различные показатели латеральности (количество левых поворотов, количество правильных поворотов, отношение слева: правые обороты (LRratio ), радиус поворота и радиус кривизны). По умолчанию аналитические результаты MouseMove изображены как в визуальной / графической форме (рис.2h), так и в виде сохраненного текстового файла (рис.2i).

Для калибровки MouseMove мы взяли видеоматериал с изображением мышиного объекта, прикрепленного к руке перпекса, управляемой ротором с регулируемой скоростью (рис.3а). Мы тестировали возможности отслеживания MouseMove в диапазоне определенных скоростей и кривизн, изменяя положение объекта в форме мыши вдоль плеча персекса (рис.3b). Благодаря такому подходу мы обнаружили, что MouseMove определяет количественные параметры движения, такие как расстояние, пройденное, скорость и радиус кривизны с точностью> 96% (рис. 3c). Важно отметить, что параметры калибровки охватывают диапазон движения, обычно проявляемый взрослыми мышами (как определено путем пакетного анализа> 150 мышей, данные не показаны).

В качестве дополнительного средства для оценки точности мы попытались сопоставить результаты MouseMove с данными программного обеспечения EthoWatcher для видеороликов с контролем скорости (рис.3) и для видеороликов мышей, которым управляют шампиньоны или MCAo (рис. 4 и 5). К сожалению, это сравнение не может быть сделано из-за несоответствий в функции отслеживания объектов EthoWatcher (данные не показаны).

Чтобы продемонстрировать полезность MouseMove в экспериментальной установке, мы использовали его для анализа поведения ОМ мышей, которые подверглись модели острого ишемического инсульта, модели MCAo, которая хорошо известна для получения фокального одностороннего инфаркта головного мозга и нарушения локомоторной активности у грызунов141517. MouseMove выделил как качественные (рис.4a, так и дополнительные видео 1) и количественные (рис.4b-d) различия в двигательной активности между мышами, обработанными шамбой, и мышами, управляемыми MCAo. В частности, MouseMove разрешила 3-кратное снижение средней скорости (данные не показаны), 3-кратное уменьшение общего пройденного расстояния (рис.4c) и 70-кратное увеличение сидячего поведения (стоп-временная доля , Фиг.4d) у мышей с MCAo, относительно мышей, обработанных фикцией.

Одностороннее повреждение головного мозга, характерное для модели MCAo, не только снижает общую локомоторную активность, но также вызывает дефицит латеральности, такой как кружение14. Анализ поведения ОА с использованием MouseMove четко определял эту измененную латеральность, при этом мыши, управляемые MCAo, проявляли заметное увеличение отклонения в повороте (фиг.5a, b) и более тесное круговое движение (рис.5c, d) относительно мышей, обработанных ложным путем. Таким образом, MouseMove обеспечивает детальное количественное определение измененных поведений ОД после экспериментального инсульта у мышей.

Тест OF может также использоваться для измерения тревоги, при котором увеличенное дробное время, проведенное вблизи стен, указывает на повышенную тревожность1. Альтернативно, устройство (например, объекты, сигналы, стимулы, лабиринты) могут быть помещены в ОФ для проведения когнитивных тестов. В обоих случаях движение необходимо анализировать в определенных субрегионах OF. Соответственно, мы добавили функцию ROI (см. Вкладку ROI в MouseMove.exe), чтобы расширить утилиту MouseMove и разрешить количественную оценку определенных когнитивных анализов.

Чтобы использовать функцию ROI, видео захватываются и обрабатываются таким же образом, как и для теста OF. После того, как параметры видео и входные файлы загружены в графический интерфейс MouseMove, нужно щелкнуть по вкладке «ROI» в графическом интерфейсе и указать центр и радиус (в пикселях) каждой ROI. Одновременно можно измерять до 4 круговых ROI. Дробное время, затрачиваемое в пределах каждой ROI (т. Е. Фракции ROI), затем автоматически измеряется и результаты добавляются в сохраняемый текстовый файл (рис.2i).

Чтобы проиллюстрировать эту функциональность ROI, мы модифицировали OF для выполнения теста NOR (см. «Методы для деталей»). Тест NOR широко используется для оценки эпизодической памяти18. Это предполагает привыкание мыши в OF, содержащем два идентичных объекта, затем заменяя один из идентичных объектов новым объектом (рис.6a, b). Время, затрачиваемое на изучение нового объекта, относительно знакомого объекта, является показателем эпизодической памяти распознавания18. Как показано на фиг.6c-e, повышенная тенденция мыши к исследованию нового объекта легко обнаруживается с использованием функции ROI MouseMove. Основываясь на этих выводах, MouseMove должен не только разрешать полуавтоматическое количественное тестирование OF, но и допускать цифровой анализ когнитивных тестов, таких как NOR.

Тест OF был впервые описан Hall and Ballachey в 193219 году. Сегодня тест OF — это канонический анализ для сравнительной оценки изменений двигательной активности. Здесь мы демонстрируем, что MouseMove является альтернативным общедоступным средством анализа теста OF в полуавтоматическом режиме. MouseMove имеет два загружаемых компонента: макрос ImageJ и отдельную программу с пользовательским графическим интерфейсом. MouseMove использует уже существующий плагин MTrack216 для надежного отслеживания движения объекта. Затем выходной файл координаты x, y плагина MTrack2 подается в графический интерфейс MouseMove для количественного определения параметров движения, включая пройденное расстояние, среднее значение скорости / SEM, дробное время, проведенное в стационаре, и показатели латеральности (количество левых поворотов, количество поворотов вправо, соотношение левого: правое поворачивает [LRratio], поворачивает смещение и кривизну). Наконец, MouseMove предоставляет визуальный обзор совокупного отслеживания и графического обзора пройденного расстояния и распределения скорости (рис.2h).

Существует несколько важных предостережений с MouseMove по сравнению с коммерческими аналитическими системами. Например, в то время как коммерческие системы предлагают интегрированный пакет с OF, регистратором движения и аналитическим программным обеспечением, пользователи MouseMove будут обязаны создавать свой собственный OF, монтировать видеокамеру, устанавливать программу ImageJ и загружать наши макросы предварительной обработки и MouseMove. exe-файл. Однако создание собственного видеомониторинга OF является простым и может быть таким же простым, как размещение круговой стены толщиной 0,4 м на соответствующем цветном полу с помощью веб-камеры с надписью (рис.1). Кроме того, в то время как MouseMove измеряет многие из тех же параметров локомоции, что и ANY-MAZE и другие коммерческие системы, он не анализирует события более высокого порядка, такие как выращивание или дефекация, и не способен отличить голову грызуна от его хвоста.

Несмотря на эти ограничения, MouseMove предлагает множество преимуществ для исследователей, которые не имеют доступа к коммерческой аналитической системе. Во-первых, сценарий MouseMove является общедоступным и поэтому может быть настроен. После создания OF мы показываем здесь, что протокол на основе MouseMove может использоваться для предоставления точных данных OF в полуавтоматическом режиме без необходимости в передовом оборудовании или специальной подготовке. Во-вторых, время, затраченное на MouseMove для обработки и анализа видеоматериалов, относительно невелико по сравнению с временем, необходимым для выполнения этих задач вручную (обычно 10 минут против 3 часов на тест, соответственно). MouseMove подвергся обширному внутреннему тестированию и (с марта 2014 года по апрель 2015 года) использовалась для количественной оценки локомоции> 150 мышей (с использованием высокопроизводительного пакетного анализа, данных, не показанных) через два разных ОО в разных исследовательских учреждениях. В-третьих, мы показываем, что функция ROI расширяет полезность MouseMove и позволяет анализировать когнитивные тесты, связанные с OF, такие как тест NOR. Наконец, в то время как исследования, описанные здесь, использовали MouseMove для анализа измененных поведений OF после экспериментального инсульта у мышей, эта программа могла в равной степени быть пригодна для измерения измененной локомоции на других моделях грызунов повреждения / стимуляции головного мозга.

В заключение, MouseMove — это открытый, полуавтоматизированный и настраиваемый способ выполнения теста OF. Соответственно, он должен расширить использование не только хорошо охарактеризованного и популярного теста OF, но и других когнитивных анализов, таких как тест NOR.

Веб-камерами были QuickCam E3560 или веб-камера HD C615 (Logitech, Лозанна, Швейцария). Видео было конвертировано с использованием Weeny Free Video Converter 2 версии 2.1 (www.weenysoft.com). Предварительная обработка видео использовала ImageJ 1.50a (Национальные институты здравоохранения, США) и плагин MTrack216 (разработанный Нико Стюурманом, лаборатория Vale, Калифорнийский университет, Калифорния, США).

Все процедуры и методы животных проводились в соответствии с руководящими принципами Кодекса практики Национального медицинского и медицинского исследований по уходу и использованию животных для экспериментальных целей в Австралии. Все процедуры и методы животных для этого исследования были одобрены Институциональным комитетом по этике животных (AEC), либо AMREP AEC, либо Anash Animal Research Platform AEC. Эксперименты использовали взрослых самцов мышей C57Bl / 6 (в возрасте 8-12 недель). Мышей поддерживали в течение 12-часового светового / темного цикла с доступом ad libitum к пище и воде.

Тест OF проводился в соответствии с рекомендациями Гулда и его коллег1. Короче говоря, тестирование проводилось в тихом (~ 60 децибел) и тускло освещенной (~ 27 люкс) комнате. Два OFs были предназначены для тестирования MouseMove. Первый OF (рис.1d) использовался для когорты MCAo (рис. 4 и 5) и имел белый меламиновый круглый пол (0,79 м в диаметре, рис. 1a) и черную гофрированную пластиковую стенку (0,4 м в высоту, рис. 1c). Чтобы свести к минимуму пространственные сигналы, OF был окружен белой непрозрачной полиэфирной шторкой, подвешенной к велосипедному колесу, которая, в свою очередь, была подвешена поверх полужестких стеклопластиковых палаточных столбов (рис.1b, c). Веб-камера HD C615 была прикреплена к ступице колеса ~ 1 м над OF и подключена через USB-кабель к компьютеру. Второй OF (рис.1e) использовался для механической калибровки (рис.3) и для испытаний NOR (рис.6) и имел белый меламиновый круглый пол (0,9 м в диаметре, рис. 1a), черную гофрированную пластиковую стенку (0,4 м в высоту, рис. 1в) и окружен белой непрозрачной полиэфирной шторкой, подвешенной к рельсу, прикрепленному к стене. Веб-камера QuickCam E3560 была закреплена на рельсе ~ 1,5 м над центром OF и подключена через USB-кабель к компьютеру (рис.1b, c). ОФ протирали 70% (об. / Об.) Этанолом перед каждым тестом, чтобы минимизировать обонятельные сигналы. Для тестирования мышь помещали в центр OF и ее движение регистрировали в течение 15 мин. Мышь затем удалялась из ОФ, и было захвачено видео на пустой арене размером ~ 10 с. Обратите внимание: мы рекомендуем, чтобы будущие пользователи создавали OF с аналогичными размерами и монтировали свою видеокамеру в том же положении, что и на рисунке 1; это связано с тем, что, хотя наше программное обеспечение обеспечивает хорошую гибкость с точки зрения размера арены / размещения камеры, экстремальный вылет (например,> в 2 раза) из наших измерений OF потребует компенсаторного изменения настроек Preprocessing.ijm и MouseMove.exe ,

Модель MCAo была выполнена, как описано ранее20. Мыши подвергались ложной хирургии или 1 час окклюзии средней мозговой артерии, а затем 23 ч реперфузии и затем тестирования.

Тест NOR проводили в соответствии с рекомендациями Leger et al.18 с небольшими изменениями. Короче говоря, четыре разных ламинированных изображения формата А4 были равномерно размещены вокруг стенок OF для облегчения пространственной ориентации (фиг.6a). Две идентичные 225 мл колбы для тканевой культуры (высота 160 мм, ширина 90 мм, глубина 38 мм) заполнялись сахарозой, герметизированной парафилом, а затем помещались на противоположные концы OF (~ 15 см от стенки, рис. 6а). Затем мышей разрешалось исследовать ОФ в течение 15 мин при записи видео (упоминается как сеанс «ознакомления»). Спустя 20 ч одна из колб для тканевой культуры была заменена башней из леговых кусочков (высота башни была 170 мм в высоту, 63 мм в ширину и 63 мм в глубину), и той же мыши было разрешено исследовать ОФ в течение 15 мин при записи видео (называемый сеансом «тест»). Обратите внимание, что после ознакомительных и тестовых сеансов также было захвачено видео на пустой арене размером 10 с.

Видео приобретаются с пространственным разрешением 640 × 480 пикселей на кадр (1 ~ 4 мм на пиксель в зависимости от конфигурации OF) и временным разрешением 25 кадров в секунду. Затем видео преобразуются в MJPEG-сжатые файлы .avi при полном пространственном и временном разрешении с помощью Weeny Free Video Converter 2. Затем запускается макрос предварительной обработки (Preprocessing.ijm, загружаемый как дополнительный файл 1), и папка, содержащая преобразованные файлы .avi, выбран. Наш макрос предварительной обработки затем пространственно объединяет видео в 320 × 240 перед выполнением сегментации / отслеживания объектов, в результате чего «фоновое видео» вычитается из «экспериментального видео». Вычитаемое видео затем порождается с помощью алгоритма «Minimum» ImageJ. Чтобы выполнить сглаживание, мы применили фильтры ImageE ‘erode’ и ‘dilate’ к пороговому изображению. По нашему опыту, сглаживание уменьшает артефакты (например, фекалии) и необходимо для надежной сегментации / отслеживания объектов. Затем сегментирование / отслеживание объектов выполняется путем подачи сглаженного видео в плагин MTrack2. Выходной файл, созданный плагином MTrack2, затем подается в графический интерфейс MouseMove для количественного определения параметров движения. Обратите внимание: мы рекомендуем, чтобы будущие пользователи фиксировали / конвертировали видеоматериалы с тем же временным и пространственным разрешением, потому что значительный отход (например,> в 2 раза) от этих параметров видео требует внесения компенсационных изменений в Preprocessing.ijm.

Для создания MouseMove.exe была использована система разработки LabVIEW 12.0 (National Instruments, TX, USA). MouseMove содержит «функцию импорта файлов», которая позволяет считывать файл данных траектории, сгенерированный нашим макросом ImageJ, и «функцию экспорта файлов» для сохранения результатов анализа в текстовый файл значений разделенных запятыми. По умолчанию MouseMove уменьшает координаты отслеживания в 10 раз (т. Е. Эффективно корректирует отслеживание до 2,5 кадров в секунду). Затем для анализа используются уменьшенные координаты отслеживания. Для упрощения анализов предполагается, что мыши движутся только в прямом направлении (поддерживается наш пакетный анализ> 150 мышей, где ~ 90% движения происходит в прямом направлении, данные не показаны).

Для анализа траекторий: Пусть n — общее количество точек данных для предварительно обработанной траектории. В i-й точке (ti, xi, yi) из предварительно обработанных данных приращение расстояния определяется уравнением № 1:. Если Δdi = 0, на этот момент времени был назначен статус «stop». Затем определяли временную долю стопа путем нормализации временных точек остановки по n. Первая и вторая производные по времени смещения в каждой точке были рассчитаны с использованием метода центрального дискретного дифференцирования 2-го порядка с окном из трех последовательных координат. Например, для i = 0, 1, 2, …, n — 1,. x-1 — первый элемент в начальном условии, а xn — первый элемент в конечном условии. Мгновенная скорость задается уравнением № 2:.

Для анализа интересов региона: «ROI-доля», рассчитанная MouseMove, вычисляет дробное время, затраченное на каждую рентабельность инвестиций. Другими словами, «ROI1_fraction» 0,3 указывает, что отслеживаемый объект тратил 30% своего времени в пределах ROI 1. Обратите внимание, что каждый ROI является круглым по форме и определяется его центром и радиусом (координаты, которые вручную вводятся в ROI MouseMove GUI).

Для анализа латеральности: для всех измерений латеральности используется скользящее окно из 3 кадров. В каждом скользящем окне вектор через кадры # 2-3 выражается относительно вектора через кадры # 1-2. Направленность движения мыши в i-й точке определяется углом вектора в уравнении № 3:. Таким образом, уравнение №4: указывает, в каком направлении движется мышь. Предполагая, что движущаяся мышь вперед не может мгновенно перевернуть 90 градусов, правило принятия направленности: вперед влево (0 <Δθi <π / 2, рис.5a, слева), прямое правое (-π / 2 <Δθi <0, рис.5a, справа), прямая прямая (Δθi = 0) и обратная (| Δθi | ≥π / 2). Для каждой траектории было рассчитано соотношение левых и правых ориентированных временных долей (LRatio) (рис.5b, левая ось y) и | 1- LRatio | рассматривается как еще один признак латеральности движения (рис. 5b, правая ось y). Для количественного определения радиуса кривизны в каждой точке траектории (рис.5c, d) мы использовали уравнение № 5:

Предпосылки:
Компьютер с операционной системой Microsoft Windows.

ImageJ 1.50a (Фиджи); можно загрузить с http://fiji.sc/Downloads

Preprocessing.ijm можно загрузить по ссылке для дополнительного файла 1.

MouseMove.exe можно установить после загрузки по ссылке для дополнительного файла 2. Пользователям может быть предложено установить LabVIEW, если они еще не установлены на их компьютере.

Пошаговые инструкции:
Создайте новую папку, содержащую по крайней мере один файл экспериментального видео и один фоновый видеофайл (формат файла .avi с пространственным разрешением 640 × 480 и временным разрешением 25 кадров в секунду). Необходимо использовать одно и то же имя для соответствующего экспериментального и фонового видео, но с суффиксом «пустой», добавленным к имени фонового видеофайла. Обратите внимание, что несколько видеороликов также могут быть помещены в одну и ту же папку для пакетного анализа, однако имена соответствующих экспериментальных / фоновых видео должны быть сопряжены (например, эксперимент # 1 filename = ‘MCAo mouse a.avi’, background # 1 filename = ‘MCAo mouse empty.avi’, эксперимент # 2 filename = ‘MCAo mouse b.avi’ и фон # 1 filename = ‘MCAo mouse b empty.avi’).

Откройте макрос Preprocessing.ijm в ImageJ.

Нажмите «Выполнить», и интерфейс предложит вам определить, где находится папка, содержащая видео. Макрос предварительно обработает все видео в папке и сохранит данные траектории вывода в виде файлов TkResults … txt. Примечание: из-за ограничений памяти ImageJ видео разделяются на 5000 кадров, и поэтому выходные файлы называются объединением имени исходного видео с диапазоном кадров (например, «TkResults_MCAo mouse a_1-5000.txt»).

Откройте MouseMove.exe и нажмите желтую кнопку «открыть папку», чтобы импортировать один файл TkResults. Затем MouseMove автоматически распознает и сшивает другие сегменты из того же эксперимента. После этого MouseMove автоматически отображает результаты анализа.

Для анализа различных диапазонов кадров, повторной калибровки пространственных и временных параметров, уменьшите размер видео и укажите центр и радиус ROI (на вкладке ROI) просто измените эти параметры в графическом интерфейсе MouseMove и нажмите «Обновить».

Чтобы начать новый анализ других предварительно обработанных файлов данных, просто нажмите желтый значок «открыть папку» и импортируйте новый файл, представляющий интерес. Программное обеспечение автоматически обновит результаты.

Нажмите кнопку «Сохранить», чтобы сохранить результат анализа как текстовый файл значений разделенных запятыми (.csv) в исходной папке, содержащей видео.

Примечание. Например, видеофайлы «фон» и «эксперимент» можно загрузить как дополнительные файлы 3 и 4 соответственно и использовать для проверки правильности работы макроса Preprocessing.ijm и MouseMove.exe.

Статистический анализ был выполнен с использованием GraphPad Prism® 6.04 (GraphPad Software, Inc.). Результаты выражаются как среднее ± s.e.m. Для каждой когорты количество независимых экспериментов и используемое статистическое испытание указано в соответствующей легенде. p <0,05 считалось статистически значимым.

Как процитировать эту статью: Samson, A. L. et al.
MouseMove: программа с открытым исходным кодом для полуавтоматического анализа движения и когнитивного тестирования у грызунов. Sci. По донесению
5, 16171; doi: 10.1038 / srep16171 (2015).

Эта работа была поддержана грантом проекта Национального совета по здравоохранению и медицинским исследованиям (NHMRC) Австралии (APP1044214-SMS). SPJ является старшим научным сотрудником, а CGS является старшим научным сотрудником NHMRC. Мы благодарим г-на Стива Коди (MMI, AMREP, Университет Монаш, Австралия) за любезное предоставление веб-камеры и полезные обсуждения. Мы благодарим г-на Стивена Клиффорда Томкинса за создание ротора с регулируемой скоростью.

Авторские вклады A.L.S., L.J. и S.M.S. задумал и разработал исследование. A.L.S., J.A.A.L. и Л.J. построил открытое поле. L.J. написал макрос предварительной обработки и графический интерфейс MouseMove., A.L.S., H.A.K., S.R.Z. и J.A.A.L. S.A.S. провели эксперименты. L.J., A.L.S. и J.A.A.L. проанализировали данные. A.L.S., L.J., C.G.S. и S.M.S. написал рукопись. C.G.S., S.P.J. и S.M.S. контролировал эксперименты и проект.

Воздушная перспектива масштабировала рисунок нашего OF без (a) или с (b) его крышей. (c) Боковой перспективный масштабный рисунок нашего OF. (d, e) Фотографии OF # 1 (d) и OF # 2 (e), используемые для тестирования MouseMove.

(a) Видеокадр мыши во время тестирования. (b) Видеокадр пустой OF. (c) Снимок экрана макроса предварительной обработки MouseMove, в который вводятся два видео. (d) Тот же кадр, что и в «Panel (a)», но после двоичного порога. (e) Тот же кадр, что и в разделе «Панель (b)», но после двоичного порога. Желтые кольца в «Панели (d, e)» указывают периметр OF, как обнаружено MouseMove, что позволяет автоматическое пространственное выравнивание двух видео. (f) Тот же кадр из «Панель (a)», но после вычитания «Панель (e)» из «Панель (d)». ‘1 = 153,72’ определяет присвоенный номер измеряемого объекта (т. Е. Один) и его произвольные координаты x, y в этот момент времени (т. Е. X = 153 и y = 72). (g) Кумулятивные траектории одной и той же мыши в течение 100 с в OF. (h) Снимок экрана графического интерфейса пользователя (GUI) MouseMove и визуальное отображение анализов, выполненных MouseMove для теста OF. (i) Пример вывода текстового файла MouseMove для тестирования OF трех представительных мышей с MCAo.

(a) Видео неподвижное изображение мышиного объекта, прикрепленного к плечу perspex, приводимого в действие ротором с контролем скорости. Указывается поворот стрелки по часовой стрелке. Положение мышиноподобного объекта было изменено (n = 3 позиции) для создания медленного, промежуточного и быстрого кругового объекта для отслеживания. (b) Соответствующие кумулятивные координаты x, y, отслеживаемые макросом предварительной обработки над видеороликами 800 с. Указывается диаметр гусеничного кругового пути для мышиного объекта. (c) Отслеживаемые координаты x, y (из панели (b)) подавались в графический интерфейс MouseMove и наблюдаемые измерения (зеленое затенение), ожидаемые значения (желтое затенение) и процентная точность между наблюдаемыми и ожидаемыми измерениями (синий затенение).

(a) Кумулятивные траектории репрезентативной мыши, управляемой MCAo, и ложно управляемой мыши с интервалом в 100 с в OF. (b) Участок расстояния, пройденный с течением времени, для типичной мыши, управляемой sham- и MCAo, в OF. Численные аннотации указывают на среднюю скорость для этих же мышей, подвергнутых обману и MCAo, в течение периода 400 с. (c, d) «Промежуточное расстояние» (c) и «Дробное время, проведенное в стационаре» (d) для мышей (n = 6) и MCAo (n = 7) мышей в течение периода 400 с в OF. Точки точки представляют собой среднее значение для отдельных мышей. Строчные и ошибочные полоски представляют собой среднее значение когорты ± s.e.m. ** p <0,01 и * p <0,05, как определено двухсторонним непарным t-тестом без (c) или с коррекцией Уэлша (d).

(a) Схема, показывающая, как MouseMove определяет, поворачивается ли мышь влево или вправо в каждом месте (Pi). Алгоритм сначала определяет вектор в Pi (красный) и в предыдущий момент времени (Pi-1; зеленый). Если изменение угла от Pi-1 до Pi составляет Δθi> 0, то мышь поворачивается влево. Если изменение угла от Pi-1 до Pi составляет Δθi <0, то мышь поворачивается вправо. (b) Отношение левого поворота против правого поворота (LRatio; точки, нанесенные на левую ось y) и смещение латеральности (абсолютное значение 1-LRatio; гистограмма, построенная по правой оси y- ось) для MCAo (n = 7) и ложных (n = 6) мышей в течение периода 400 с. **** p <0,0001, как определено двухсторонним непарным t-критерием для различий в сдвиге латеральности. (c) Схема, показывающая, как MouseMove определяет траекторию в точке (P) и как радиус кривизны относится к внутреннему радиусу тангенциального круга (красный). (d) Радиус кривизны траектории для манипуляций с ложным управлением (n = 6) и MCAo (n = 7) в течение периода 400 с. Точки точки представляют собой среднее значение для отдельных мышей. Строчные и ошибочные полоски представляют собой среднее значение когорты ± s.e.m. * p <0,05, как определено двухсторонним непарным t-тестом. Эти результаты были получены из тех же видеороликов, которые использовались на фиг.4.

(a, b) Видео по-прежнему отображаемой мыши в ходе ознакомления (a) и проверки (b) сеансов теста Novel Object Recognition (NOR). (c, d) Кумулятивные траектории одной и той же мыши во время сеансов ознакомления (c) и тестирования (d) через интервалы в 200 секунд. Синие наложенные круги показывают, что каждый ROI был центрирован на стимулах (то есть башне и колбе лего) и имел размер в радиусе 30 пикселей (то есть круг диаметром 25 см). (e) Относительное время, затрачиваемое на изучение второго объекта (то есть башни lego в тестовом сеансе или колбе № 2 в сеансе ознакомления) по сравнению с 1-м объектом (например, колбой # 1 в сеансах тестирования и ознакомления). Точки точки представляют среднее значение для отдельных мышей (всего n = 7 мышей). Строки соединяют значения для одной и той же мыши на обоих сеансах NOR. ** p <0,01, как определено двухсторонним парным t-тестом.

Комментариев нет.

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *