Presentamos un paquete de software con una interfaz gráfica de usuario para investigadores sin experiencia en codificación para puntuar las etapas del sueño en ratones con una simple descarga y operación.
La puntuación de las etapas del sueño en roedores es el proceso de identificación de las tres etapas: sueño con movimientos oculares no rápidos (NREM), sueño con movimientos oculares rápidos (REM) y vigilia. La puntuación de la etapa del sueño es crucial para estudiar las medidas y los efectos específicos de la etapa del sueño.
Los patrones de sueño en los roedores difieren de los de los humanos, caracterizados por episodios más cortos de NREM y REM interespaciados por la vigilia, y la puntuación manual tradicional de las etapas del sueño por parte de expertos humanos requiere mucho tiempo. Para abordar este problema, estudios anteriores han utilizado enfoques basados en el aprendizaje automático para desarrollar algoritmos que categorizen automáticamente las etapas del sueño, pero los modelos de alto rendimiento con gran generalización a menudo no están disponibles públicamente, no son gratuitos ni son fáciles de usar para los investigadores del sueño no capacitados.
Por lo tanto, desarrollamos un algoritmo LightGBM basado en aprendizaje automático entrenado con un gran conjunto de datos. Para que el modelo esté disponible para los investigadores del sueño sin experiencia en codificación, se desarrolló una herramienta de software llamada IntelliSleepScorer (v1.2 – versión más reciente) basada en el modelo, que cuenta con una interfaz gráfica de usuario fácil de usar. En este manuscrito, presentamos instrucciones paso a paso para usar el software para demostrar una herramienta de puntuación automática de la etapa del sueño conveniente y efectiva en ratones para los investigadores del sueño.
La puntuación de las etapas del sueño en roedores es el procedimiento para identificar las tres etapas: sueño con movimientos oculares no rápidos (NREM), sueño con movimientos oculares rápidos (REM) y vigilia2. En los roedores, la NREM se caracteriza por una reducción de la actividad muscular, una respiración lenta y regular, una disminución de la frecuencia cardíaca y oscilaciones de baja frecuencia de las ondas cerebrales. La fase REM en roedores, al igual que en los humanos, muestra atonía muscular, activación del EEG y movimientos oculares rápidos, aunque la aparición de sueños vívidos es menos clara en los roedores en comparación con los humanos 2,3. El estado de “vigilia” en los roedores se caracteriza por una actividad cerebral desincronizada con ondas de alta frecuencia y baja amplitud, aumento del tono muscular y comportamiento activo, como el acicalamiento yla exploración. Estas tres etapas pueden identificarse mediante la inspección de las señales de electroencefalograma (EEG) y electromiograma (EMG)5.
Los modelos automáticos de puntuación de las etapas del sueño en roedores son muy necesarios. En primer lugar, la puntuación manual de las etapas del sueño por parte de expertos humanos requiere mucho trabajo y tiempo. En segundo lugar, los patrones de sueño en roedores difieren de los de los humanos y tienen episodios más fragmentados de NREM y REM interespaciados por la vigilia, alrededor de 10 min, en contraste con los 60-120 min en los humanos6. Por lo tanto, identificar estos breves períodos durante la puntuación manual es un desafío. Ha habido muchos intentos desde los años 60 para desarrollar un sistema automático de puntuación de los datos del sueño de los roedores7. Aunque existen muchos métodos automatizados de puntuación del sueño de roedores, sus rendimientos varían 8,9,10,11,12,13,14,15,16,17,18. Es importante destacar que la mayoría de los modelos de alto rendimiento con alta generalización no están disponibles públicamente (algunos necesitan solicitudes especiales de los desarrolladores) o no son gratuitos para los investigadores del sueño.
Por lo tanto, para llenar el vacío tecnológico actual, desarrollamos un modelo basado en el aprendizaje automático utilizando un gran conjunto de datos de 5776 h de señales de EEG y EMG de 519 grabaciones en 124 ratones con el algoritmo LightGBM1. El lightGBM utiliza un enfoque de aumento de gradiente para construir árboles de decisión19. En Wang et al., 2023, el modelo LightGBM (que consta de más de 8000 árboles de decisión) alcanzó una precisión general del 95,2% y un kappa de Cohen de 0,91, lo que superó a dos modelos de referencia ampliamente utilizados, como el modelo de regresión logística (precisión = 93,3%) y el modelo de bosque aleatorio (precisión = 94,3%, kappa = 0,89). El rendimiento general del modelo también mostró un rendimiento similar al de los expertos humanos. Lo más importante es que se ha demostrado que el modelo es generalizable y no está sobreajustado a los datos de entrenamiento originales1: 1) Funcionó bien (precisión > 89%) en otros dos conjuntos de datos independientes disponibles públicamente, de Miladinovic y colegas11, con diferentes frecuencias de muestreo y longitudes de época; 2) El rendimiento del modelo no se ve afectado por el ciclo de luz/oscuridad de los ratones; 3) Un modelo LightGBM modificado funcionó bien con datos que contenían solo un electrodo de EEG y un electrodo de EMG con kappa ≥ 0,89; 4) Se utilizaron ratones de tipo salvaje y mutantes para las pruebas y los rendimientos del modelo fueron precisos. Esto sugiere que el modelo puede puntuar las etapas del sueño de ratones con diferentes antecedentes genéticos.
Con el fin de hacer que este modelo sea accesible para los investigadores del sueño que pueden no tener experiencia en codificación, desarrollamos IntelliSleepScorer, una herramienta de software fácil de usar con una interfaz visualmente intuitiva. El software puede automatizar completamente el procedimiento de puntuación del sueño en ratones. Produce visualizaciones interactivas de las señales, el hipnograma y los valores de explicaciones aditivas de Shapley (SHAP) a partir de una entrada de archivo de formato de datos europeo (EDF)/EDF+. El enfoque de valor SHAP, basado en la teoría de juegos cooperativos, mejora la interpretabilidad de los modelos de aprendizaje automático20. El modelo ofrece valores SHAP globales y de nivel de época, lo que revela cómo los diferentes valores de características contribuyen a la decisión de puntuación del modelo en general y para cada época. Este programa avanzado reduce significativamente el tiempo y el esfuerzo necesarios para la puntuación de las etapas del sueño en ratones, al tiempo que garantiza que el análisis posterior pueda basarse en resultados muy precisos. En este manuscrito, presentamos el uso paso a paso de IntelliSleepScorer (v1.2) con varias actualizaciones sobre la versión 1.0, incluida una opción para ejecutar el análisis SHAP por separado de la predicción del patrón de sueño, una longitud de época ajustable por el usuario para la puntuación de la etapa del sueño y una función de corrección manual de la etapa del sueño integrada dentro de la GUI.
En este documento se presenta cómo utilizar la interfaz gráfica de usuario IntelliSleepScorer (v1.2) para puntuar automáticamente las etapas del sueño de los ratones y cómo aprovechar los valores/gráficos SHAP para comprender mejor las puntuaciones de las etapas del sueño generadas por el modelo.
Una consideración importante a la hora de utilizar el software es la compatibilidad de los datos. Los datos internos utilizados en este estudio se limitaron a…
The authors have nothing to disclose.
Agradecemos a Kerena Yan y Jingwen Hu por anotar manualmente las etapas del sueño y a Eunah y Soonwiik por las grabaciones.
Canonical Unbuntu 18.04 | Canonical | https://releases.ubuntu.com/18.04/ | Supporting Operating System for the software IntelliSleep Scorer: Windows, Mac, or Linux |
Intel Core i7-8550U CPU @ 1.80 GHz 1.99 GHz; RAM: 24 GB | Intel Corp | https://www.intel.com/content/www/us/en/products/details/processors/core-ultra.html | Hardware requirment for the software: Both Inte Core listed here have been used to process the data. It takes around 10 min to process 12 h of recording sampled at 1000 Hz for both hardwares. Any similar or superior hardware would yield comparable or better performance. |
Intel Core i7-10610U CPU @1.80 GHz 2.30 GHz; RAM: 16 GB | Intel Corp | https://www.intel.com/content/www/us/en/products/details/processors/core-ultra.html | Hardware requirment for the software: Both Inte Core listed here have been used to process the data. It takes around 10 min to process 12 h of recording sampled at 1000 Hz for both hardwares. Any similar or superior hardware would yield comparable or better performance. |
LightGBM | Microsoft | https://lightgbm.readthedocs.io/en/latest/index.html | Machine learning-based algorithm that was used to train the software. |
MacBook Pro | Apple | https://www.apple.com/in/macbook-pro/ | Supporting Operating System for the software IntelliSleep Scorer: Windows, Mac, or Linux |
Windows | Microsoft | https://www.microsoft.com/en-in/windows/?r=1 | Supporting Operating System for the software IntelliSleep Scorer: Windows, Mac, or Linux |
.