Summary

Suivi des rats dans les chambres de conditionnement Operant à l’aide d’une caméra vidéo maison polyvalente et DeepLabCut

Published: June 15, 2020
doi:

Summary

Ce protocole décrit comment construire une petite caméra vidéo polyvalente, et comment utiliser les vidéos obtenues à partir de celui-ci pour former un réseau neuronal pour suivre la position d’un animal à l’intérieur des chambres de conditionnement opérant. Il s’agit d’un complément précieux aux analyses standard des journaux de données obtenus à partir de tests de conditionnement opérant.

Abstract

Les chambres de conditionnement d’opéra sont utilisées pour effectuer un large éventail de tests comportementaux dans le domaine des neurosciences. Les données enregistrées sont généralement basées sur le déclenchement de capteurs de levier et de nez-poke présents à l’intérieur des chambres. Bien que cela fournisse une vue détaillée du moment et de la façon dont les animaux effectuent certaines réponses, il ne peut pas être utilisé pour évaluer les comportements qui ne déclenchent aucun capteur. En tant que tel, il est rarement possible d’évaluer comment les animaux se positionnent et se déplacent à l’intérieur de la chambre. Pour obtenir cette information, les chercheurs doivent généralement enregistrer et analyser des vidéos. Les fabricants de chambres de conditionnement opérant peuvent généralement fournir à leurs clients des configurations d’appareils photo de haute qualité. Cependant, ceux-ci peuvent être très coûteux et ne correspondent pas nécessairement chambres d’autres fabricants ou d’autres configurations de test comportemental. Le protocole actuel décrit comment construire une caméra vidéo peu coûteuse et polyvalente à l’aide de composants électroniques de passe-temps. Il décrit en outre comment utiliser le logiciel d’analyse d’images DeepLabCut pour suivre l’état d’un signal lumineux fort, ainsi que la position d’un rat, dans des vidéos recueillies à partir d’une chambre de conditionnement opérant. Le premier est une grande aide lors de la sélection de courts segments d’intérêt pour les vidéos qui couvrent des sessions d’essai entières, et le second permet l’analyse des paramètres qui ne peuvent pas être obtenus à partir des journaux de données produits par les chambres opérant.

Introduction

Dans le domaine des neurosciences comportementales, les chercheurs utilisent généralement des chambres de conditionnement opérant pour évaluer un large éventail de caractéristiques cognitives et psychiatriques différentes chez les rongeurs. Bien qu’il existe plusieurs fabricants différents de ces systèmes, ils partagent généralement certains attributs et ont une conception presque normalisée1,2,3. Les chambres sont généralement carrées ou rectangulaires, avec un mur qui peut être ouvert pour placer les animaux à l’intérieur, et un ou deux des murs restants contenant des composants tels que des leviers, des ouvertures de nez-poke, plateaux de récompense, roues de réponse et des lumières de différents types1,2,3. Les lumières et les capteurs présents dans les chambres sont utilisés à la fois pour contrôler le protocole d’essai et suivre les comportements des animaux1,2,3,4,5. Les systèmes de conditionnement opérents typiques permettent une analyse très détaillée de la façon dont les animaux interagissent avec les différents opéranda et les ouvertures présentes dans les chambres. En général, toutes les occasions où des capteurs sont déclenchés peuvent être enregistrées par le système, et à partir de ces données, les utilisateurs peuvent obtenir des fichiers journaux détaillés décrivant ce que l’animal a fait au cours d’étapes spécifiques de l’essai4,5. Bien que cela fournit une représentation étendue de la performance d’un animal, il ne peut être utilisé que pour décrire les comportements qui déclenchent directement un ou plusieurs capteurs4,5. En tant que tel, les aspects liés à la façon dont l’animal se positionne et se déplace à l’intérieur de la chambre au cours des différentes phases de l’essai ne sont pas bien décrits6,7,8,9,10. C’est regrettable, car une telle information peut être utile pour bien comprendre le comportement de l’animal. Par exemple, il peut être utilisé pour clarifier pourquoi certains animaux effectuent mal sur un test donné6, pour décrire les stratégies que les animaux pourraient développer pour gérer les tâches difficiles6,7,8,9,10, ou pour apprécier la vraie complexité des comportements soi-disant simples11,12. Pour obtenir de telles informations articulées, les chercheurs se tournent généralement vers l’analyse manuelle des vidéos6,7,8,9,10,11.

Lors de l’enregistrement de vidéos à partir de chambres de conditionnement opérant, le choix de la caméra est critique. Les chambres sont généralement situées dans des cabines d’isolement, avec des protocoles faisant fréquemment usage des étapes où aucune lumière visible ne brille3,6,7,8,9. Par conséquent, l’utilisation de l’éclairage infrarouge (IR) en combinaison avec une caméra sensible à l’IR est nécessaire, car elle permet une visibilité même dans l’obscurité totale. En outre, l’espace disponible pour placer une caméra à l’intérieur de la cabine d’isolement est souvent très limité, ce qui signifie que l’on bénéficie fortement d’avoir de petites caméras qui utilisent des lentilles avec un large champ de vision (par exemple, lentilles fish-eye)9. Alors que les fabricants de systèmes de conditionnement opérant peuvent souvent fournir des configurations d’appareils photo de haute qualité à leurs clients, ces systèmes peuvent être coûteux et ne sont pas nécessairement adapter chambres d’autres fabricants ou des configurations pour d’autres tests comportementaux. Cependant, un avantage notable sur l’utilisation de caméras vidéo autonomes est que ces configurations peuvent souvent interfacer directement avec les systèmes de conditionnement opérant13,14. Grâce à cela, ils peuvent être mis en place pour enregistrer uniquement des événements spécifiques plutôt que des sessions de test complètes, ce qui peut grandement aider à l’analyse qui suit.

Le protocole actuel décrit comment construire une caméra vidéo peu coûteuse et polyvalente à l’aide de composants électroniques de passe-temps. La caméra utilise une lentille fisheye, est sensible à l’éclairage IR et a un ensemble de diodes électroluminescentes IR (IR LED) attachés à elle. En outre, il est construit pour avoir un profil plat et mince. Ensemble, ces aspects le rendent idéal pour enregistrer des vidéos de la plupart des chambres de conditionnement opérant disponibles dans le commerce ainsi que d’autres configurations de test comportemental. Le protocole décrit en outre comment traiter les vidéos obtenues avec la caméra et comment utiliser le logiciel DeepLabCut15,16 pour aider à extraire des séquences vidéo d’intérêt ainsi que le suivi des mouvements d’un animal dans ce pays. Cela contourne partiellement le recul de l’utilisation d’une caméra autonome sur les solutions intégrées fournies par les fabricants d’opérants de systèmes de conditionnement, et offre un complément à la notation manuelle des comportements.

Des efforts ont été faits pour écrire le protocole dans un format général pour souligner que le processus global peut être adapté aux vidéos de différents tests de conditionnement opérant. Pour illustrer certains concepts clés, les vidéos de rats effectuant le test de temps de réaction en série à 5 choix (5CSRTT)17 sont utilisées comme exemples.

Protocol

Toutes les procédures qui incluent la manipulation des animaux ont été approuvées par le comité d’éthique de Malmö-Lund pour la recherche sur les animaux. 1. Construction de la caméra vidéo REMARQUE : Une liste des composants nécessaires à la construction de la caméra est fournie dans le tableau des matériaux. Se référer également à la figure 1, figure 2, <strong class="xfi…

Representative Results

Performance de la caméra vidéo Les résultats représentatifs ont été recueillis dans des chambres de conditionnement opérant pour les rats avec des surfaces de plancher de 28,5 cm x 25,5 cm, et des hauteurs de 28,5 cm. Avec l’objectif fisheye attaché, la caméra capture la surface du sol complet et de grandes parties des murs environnants, lorsqu’elle est placée au-dessus de la chambre (Figure 7A). En tant que tel, une bonne vue peut ?…

Discussion

Ce protocole décrit comment construire une caméra vidéo peu coûteuse et flexible qui peut être utilisée pour enregistrer des vidéos à partir de chambres de conditionnement opérant et d’autres configurations de test comportemental. Il montre en outre comment utiliser DeepLabCut pour suivre un signal lumineux fort dans ces vidéos, et comment cela peut être utilisé pour aider à identifier de brefs segments vidéo d’intérêt pour les fichiers vidéo qui couvrent des sessions de test complètes. Enfin, il d?…

Offenlegungen

The authors have nothing to disclose.

Acknowledgements

Ce travail a été soutenu par des subventions de la Fondation suédoise du cerveau, de la Fondation suédoise Parkinson et des Fonds du gouvernement suédois pour la recherche clinique (M.A.C.), ainsi que des fondations Wenner-Gren (M.A.C, E.K.H.C), de la Fondation Åhlén (M.A.C) et de la fondation Blanceflor Boncompagni Ludovisi, née Bildt (S.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

Referenzen

  1. Pritchett, K., Mulder, G. B. Operant conditioning. Contemporary Topics in Laboratory Animal Science. 43 (4), (2004).
  2. 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).
  3. 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).
  4. Coulbourn instruments. Graphic State: Graphic State 4 user’s manual. Coulbourn instruments. , 12-17 (2013).
  5. Med Associates Inc. Med-PC IV: Med-PC IV programmer’s manual. Med Associates Inc. , 21-44 (2006).
  6. 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).
  7. 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).
  8. 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).
  9. 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).
  10. 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).
  11. 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).
  12. 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).
  13. Med Associates Inc. Video monitor: Video monitor SOF-842 user’s manual. Med Associates Inc. , 26-30 (2004).
  14. . Coulbourn Instruments Available from: https://www.coulbourn.com/product_p/h39-16.htm (2020)
  15. Mathis, A., et al. DeepLabCut: markerless pose estimation of user-defined body parts with deep learning. Nature Neuroscience. 21 (9), 1281-1289 (2018).
  16. 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).
  17. 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).
  18. . Raspberry Pi foundation Available from: https://thepi.io/how-to-install-raspbian-on-the-raspberry-pi/ (2020)
  19. . Pi-supply Available from: https://learn.pi-supply.com/make/bright-pi-quickstart-faq/ (2018)
  20. . Python Available from: https://wiki.python.org/moin/BeginnersGuide/NonProgrammers (2020)
  21. . MathWorks Available from: https://mathworks.com/academia/highschool/ (2020)
  22. . Cran.R-Project.org Available from: https://cran.r-project.org/manuals.html (2020)
  23. 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).
  24. Pereira, T. D., et al. Fast animal pose estimation using deep neural networks. Nature Methods. 16 (1), 117-125 (2019).
  25. Graving, J. M., et al. DeepPoseKit, a software toolkit for fast and robust animal pose estimation using deep learning. Elife. 8 (47994), (2019).
  26. Geuther, B. Q., et al. Robust mouse tracking in complex environments using neural networks. Communications Biology. 2 (124), (2019).

Play Video

Diesen Artikel zitieren
Clemensson, E. K. H., Abbaszadeh, M., Fanni, S., Espa, E., Cenci, M. A. Tracking Rats in Operant Conditioning Chambers Using a Versatile Homemade Video Camera and DeepLabCut. J. Vis. Exp. (160), e61409, doi:10.3791/61409 (2020).

View Video