Integration von Verhaltensbewertung bei Tieren und Convolutional Neural Network zur Untersuchung der Geschmacks-Geruchs-Interaktion zwischen Wasabi und Alkohol
Summary
Dieser Artikel beschreibt eine Reihe von Methoden zur Messung der Unterdrückungsfähigkeit des Schnupperns von alkoholischen Getränken auf das durch Wasabi ausgelöste Stechen.
Abstract
Die handelsüblichen Wasabi-Pasten, die üblicherweise für die Zubereitung von Lebensmitteln verwendet werden, enthalten eine homologe Verbindung von chemosensorischen Isothiocyanaten (ITCs), die beim Verzehr ein irritierendes Gefühl hervorrufen. Die Auswirkungen des Schnupperns von alkoholischen Getränken auf das Gefühl der Wasabi-Schärfe wurden nie untersucht. Während sich die meisten sensorischen Bewertungsstudien auf einzelne Lebensmittel und Getränke getrennt konzentrieren, gibt es einen Mangel an Forschung über die olfaktorische Studie zum Schnüffeln von Alkohol während des Konsums von Wasabi. Hier wird eine Methodik entwickelt, die den Einsatz einer tierischen Verhaltensstudie und eines Convolutional Neural Networks kombiniert, um die Mimik von Mäusen zu analysieren, wenn sie gleichzeitig Alkohol schnuppern und Wasabi konsumieren. Die Ergebnisse zeigen, dass das trainierte und validierte Deep-Learning-Modell 29% der Bilder erkennt, die eine gleichzeitige Behandlung von Wasabi und Alkohol darstellen, die zur Klasse der Wasabi-negativen Alkohol-positiven Gruppe gehören, ohne dass eine vorherige Filterung der Trainingsmaterialien erforderlich ist. Die statistische Analyse der Grimassenskala-Werte, die aus den ausgewählten Videobildern erhalten wurden, zeigt einen signifikanten Unterschied (P < 0,01) zwischen dem Vorhandensein und Fehlen von Alkohol. Dieser Befund deutet darauf hin, dass diätetische alkoholische Getränke einen abnehmenden Effekt auf die Wasabi-ausgelösten Reaktionen bei Mäusen haben könnten. Diese kombinatorische Methodik birgt das Potenzial für das individuelle ITK-Screening von Verbindungen und sensorische Analysen von Spirituosenkomponenten in der Zukunft. Es sind jedoch weitere Studien erforderlich, um den zugrunde liegenden Mechanismus der alkoholinduzierten Unterdrückung der Wasabi-Schärfe zu untersuchen.
Introduction
Wasabia japonica, allgemein bekannt als Wasabi, hat sich in der Lebensmittelzubereitung einen Namen gemacht 1,2. Die intensive sensorische Erfahrung, die es beim Verzehr hervorruft, gekennzeichnet durch Tränen, Niesen oder Husten, ist bekannt. Diese ausgeprägte Schärfe von Wasabi kann auf eine homologe Verbindung von chemosensorischen Isothiocyanaten (ITCs) zurückgeführt werden. Es handelt sich um flüchtige schwefelorganische Pflanzenstoffe, die in ω-Alkenyl- und ω-Methylthioalkylisothiocyanate eingeteilt werden können 3. Unter diesen Verbindungen ist Allylisothiocyanat (AITC) das am weitesten verbreitete natürliche ITC-Produkt, das in Pflanzen der Familie der Kreuzblütler wie Meerrettich und Senf vorkommt4. Kommerzielle Wasabi-Pasten werden üblicherweise aus Meerrettich hergestellt, was AITC zu einem chemischen Marker macht, der für die Qualitätskontrolle dieser kommerziellen Produkte verwendet wird5.
Die Kombination von diätetischen alkoholischen Getränken mit Wasabi-infundierten Gerichten kann als Beispiel für kulturelle Disposition angesehen werden6. Subjektiv kann diese Kombination die Schärfe und Schärfe zwischen Wasabi und der Spirituose ergänzen und das kulinarische Gesamterlebnis verbessern. Die qualitative Verhaltensbewertung bei Tieren (QBA) ist ein umfassender methodischer Ansatz für ganze Tiere, der Verhaltensänderungen bei Probanden als Reaktion auf kurz- oder langfristige externe Reize anhand von Zahlenbegriffenuntersucht 7. Diese Methode umfasst Schmerztests, motorische Tests, Lern- und Gedächtnistests sowie Emotionstests, die speziell für Nagetiermodelle entwickelt wurden8. Studien, die sich mit der synergistischen sensorischen Bewertung von Trieb und Geruchssinn beschäftigen, sind in der Literatur jedoch bisher rargesät 9,10. Die meisten Studien zur chemischen Empfindung beschränken sich darauf, den individuellen Konsum von Lebensmitteln und Getränken getrennt zu untersuchen11. Folglich gibt es einen Mangel an Forschung über die Geschmacks-Geruchs-Wechselwirkung, die mit dem Schnüffeln von Alkohol während des Konsums von Wasabi verbunden ist.
Da angenommen wird, dass das Wasabi-induzierte Stechen eine Form der Nozizeption ist12, eignen sich Verhaltensbewertungen bei Tieren gut zur Bewertung der nozizeptiven sensorischen Reaktionen bei Nagetieren 8,13,14. Eine Methode zur Bewertung der Nozizeption bei Mäusen, die als Maus-Grimasse-Skala (MGS) bekannt ist, wurde von Langford et al.15,16 entwickelt. Bei dieser Verhaltensstudienmethode handelt es sich um einen schmerzbezogenen Bewertungsansatz, der sich auf die Analyse der Gesichtsausdrücke der Versuchsmäuse stützt. Der Versuchsaufbau ist einfach und umfasst einen transparenten Käfig und 2 Kameras für die Videoaufzeichnung. Durch die Einbeziehung fortschrittlicher Technologien 17,18,19 zur automatischen Datenerfassung können quantitative und qualitative Verhaltensmessungen erhalten werden, die den Tierschutz während der Verhaltensüberwachung verbessern 20. Folglich hat das MGS das Potenzial, die Auswirkungen verschiedener äußerer Reize auf Tiere ununterbrochen und ad libitum zu untersuchen. Der Bewertungsprozess umfasst jedoch nur die Auswahl einiger weniger (weniger als 10) Videobildbilder für die Bewertung durch die Diskussionsteilnehmer, und eine vorherige Schulung ist erforderlich. Das Scoring einer großen Anzahl von Beispielbildern kann arbeitsintensiv sein. Um diese zeitaufwändige Herausforderung zu meistern, haben mehrere Studien Techniken des maschinellen Lernens zur Vorhersage des MGS-Wertseingesetzt 21,22. Es ist jedoch wichtig zu beachten, dass es sich bei der MGS um eine kontinuierliche Messung handelt. Daher wäre ein Mehrklassen-Klassifikationsmodell besser geeignet, um ein logisches und kategorisches Problem zu bewerten, wie z. B. die Bestimmung, ob die Bilder von Mäusen, die gleichzeitig Wasabi einnehmen und Alkohol schnüffeln, denen normaler Mäuse ähneln.
In dieser Studie wurde eine Methodik zur Untersuchung der Geschmacks-Geruchs-Interaktion bei Mäusen vorgeschlagen. Diese Methodik kombiniert Verhaltensstudien von Tieren mit einem Convolutional Neural Network (CNN), um die Gesichtsausdrücke der Probanden zu analysieren. Zwei Mäuse wurden dreimal unter normalen Verhaltensbedingungen beobachtet, während der Erfahrung einer Wasabi-induzierten Nozizeption und beim Schnüffeln von Alkohol in einem speziell entwickelten Käfig. Die Gesichtsausdrücke der Mäuse wurden auf Video aufgezeichnet und die generierten Rahmenbilder wurden verwendet, um die Architektur eines Deep-Learning-Modells (DL) zu optimieren. Das Modell wurde dann anhand eines unabhängigen Bilddatensatzes validiert und zur Klassifizierung der von der experimentellen Gruppe aufgenommenen Bilder eingesetzt. Um das Ausmaß der Wasabi-Schärfeunterdrückung zu bestimmen, wenn die Mäuse während des Wasabi-Konsums gleichzeitig Alkohol schnüffelten, wurden die von der künstlichen Intelligenz gewonnenen Erkenntnisse durch eine Kreuzvalidierung mit einer anderen Datenanalysemethode, der MGS-Punktzahlvon 16, weiter bestätigt.
Protocol
Representative Results
Discussion
Die in dieser Arbeit vorgeschlagene Methode zur Untersuchung der Geschmacks-Geruchs-Interaktion basiert auf der ursprünglichen Methode der Verhaltenskodierung für den Gesichtsausdruck von Schmerzen bei Mäusen, die von Langford et al.16 entwickelt wurde. Mehrere kürzlich veröffentlichte Artikel haben CNN für die automatische Mausgesichtsverfolgung und die anschließende MGS-Bewertung von 21,26,27,28 eingeführt.<sup class="…
Divulgations
The authors have nothing to disclose.
Acknowledgements
Z. Cai bedankt sich für die finanzielle Unterstützung durch den Kwok Chung Bo Fun Charitable Fund für die Einrichtung des Kwok Yat Wai Stiftungslehrstuhls für Umwelt- und biologische Analyse.
Materials
| Absolute ethanol (EtOH) | VWR Chemicals BDH | CAS# 64-17-5 | |
| Acrylonitrile butadiene styrene bricks | Jiahuifeng Flagship Store | https://shop.paizi10.com/jiahuifeng/chanpin.html | |
| Acrylonitrile butadiene styrene plates | Jiahuifeng Flagship Store | https://shop.paizi10.com/jiahuifeng/chanpin.html | |
| Allyl isothiocyanate (AITC) | Sigma-Aldrich | CAS# 57-06-7 | |
| Anhydrous dimethyl sulfoxide | Sigma-Aldrich | CAS# 67-68-5 | |
| Chinese spirit | Yanghe Qingci | https://www.chinayanghe.com/article/45551.html | |
| Commercial wasabi | S&B FOODS INC. | https://www.sbfoods-worldwide.com | |
| Formic acid (FA) | VWR Chemicals BDH | CAS# 64-18-6 | |
| GraphPad Prism 5 | GraphPad | https://www.graphpad.com | |
| HPLC-grade acetonitrile (ACN) | VWR Chemicals BDH | CAS# 75-05-8 | |
| HPLC-grade methanol (MeOH) | VWR Chemicals BDH | CAS# 67-56-1 | |
| Microsoft Excel 2016 | Microsoft | https://www.microsoft.com | |
| Microsoft PowerPoint 2016 | Microsoft | https://www.microsoft.com | |
| Milli-Q water system | Millipore | https://www.merckmillipore.com | |
| Mouse: ICR | Laboratory Animal Services Centre (The Chinese University of Hong Kong, Hong Kong, China) | N/A | |
| Peanut butter | Skippy | https://www.peanutbutter.com/peanut-butter/creamy | |
| Python v.3.10 | Python Software Foundation | https://www.python.org | |
| Transparent acrylic plates | Taobao Store | https://item.taobao.com/item.htm?_u=32l3b7k63381&id=60996545797 0&spm=a1z09.2.0.0.77572e8dFPM EHU |
References
- Isshiki, K., Tokuoka, K., Mori, R., Chiba, S. Preliminary examination of allyl isothiocyanate vapor for food preservation. Biosci Biotechnol Biochem. 56 (9), 1476-1477 (1992).
- Li, X., Wen, Z., Bohnert, H. J., Schuler, M. A., Kushad, M. M. Myrosinase in horseradish (Armoracia rusticana) root: Isolation of a full-length cDNA and its heterologous expression in Spodoptera frugiperda insect cells. Plant Sci. 172 (6), 1095-1102 (2007).
- Depree, J. A., Howard, T. M., Savage, G. P. Flavour and pharmaceutical properties of the volatile sulphur compounds of Wasabi (Wasabia japonica). Food Res Int. 31 (5), 329-337 (1998).
- Hu, S. Q., Wei, W. Study on extraction of wasabi plant material bio-activity substances and anti-cancer activities. Adv Mat Res. 690 – 693, 1395-1399 (2013).
- Lee, H. -. K., Kim, D. -. H., Kim, Y. -. S. Quality characteristics and allyl isothiocyanate contents of commercial wasabi paste products. J Food Hyg Saf. 31 (6), 426-431 (2016).
- Bacon, T. Wine, wasabi and weight loss: Examining taste in food writing. Food Cult Soc. 17 (2), 225-243 (2014).
- Fleming, P. A., et al. The contribution of qualitative behavioural assessment to appraisal of livestock welfare. Anim Prod Sci. 56, 1569-1578 (2016).
- Shi, X., et al. Behavioral assessment of sensory, motor, emotion, and cognition in rodent models of intracerebral hemorrhage. Front Neurol. 12, 667511 (2021).
- Stevenson, R. J., Prescott, J., Boakes, R. A. Confusing tastes and smells: How odours can influence the perception of sweet and sour tastes. Chem Senses. 24 (6), 627-635 (1999).
- Pfeiffer, J. C., Hollowood, T. A., Hort, J., Taylor, A. J. Temporal synchrony and integration of sub-threshold taste and smell signals. Chem Senses. 30 (7), 539-545 (2005).
- Simons, C. T., Klein, A. H., Carstens, E. Chemogenic subqualities of mouthfeel. Chem Senses. 44 (5), 281-288 (2019).
- Andrade, E. L., Luiz, A. P., Ferreira, J., Calixto, J. B. Pronociceptive response elicited by TRPA1 receptor activation in mice. Neurosciences. 152 (2), 511-520 (2008).
- Palazzo, E., Marabese, I., Gargano, F., Guida, F., Belardo, C., Maione, S. Methods for evaluating sensory, affective and cognitive disorders in neuropathic rodents. Curr Neuropharmacol. 19 (6), 736-746 (2020).
- Topley, M., Crotty, A. M., Boyle, A., Peller, J., Kawaja, M., Hendry, J. M. Evaluation of motor and sensory neuron populations in a mouse median nerve injury model. J Neurosci Methods. 396, 109937 (2023).
- Langford, D. J., et al. . Mouse Grimace Scale (MGS): The Manual. , (2015).
- Langford, D. J., et al. Coding of facial expressions of pain in the laboratory mouse. Nat Methods. 7 (6), 447-449 (2010).
- Liu, H., Fang, S., Zhang, Z., Li, D., Lin, K., Wang, J. MFDNet: Collaborative poses perception and matrix Fisher distribution for head pose estimation. IEEE Trans Multimedia. 24, 2449-2460 (2022).
- Liu, T., Wang, J., Yang, B., Wang, X. NGDNet: Nonuniform Gaussian-label distribution learning for infrared head pose estimation and on-task behavior understanding in the classroom. Neurocomputing. 436, 210-220 (2021).
- Liu, T., Liu, H., Yang, B., Zhang, Z. LDCNet: Limb direction cues-aware network for flexible human pose estimation in industrial behavioral biometrics systems. IEEE Trans Industr Inform. 20 (6), 8068-8078 (2023).
- Grant, E. P., et al. What can the quantitative and qualitative behavioural assessment of videos of sheep moving through an autonomous data capture system tell us about welfare. Appl Anim Behav Sci. 208, 31-39 (2018).
- Vidal, A., Jha, S., Hassler, S., Price, T., Busso, C. Face detection and grimace scale prediction of white furred mice. Mach Learn Appl. 8, 100312 (2022).
- Zylka, M. J., et al. Development and validation of Painface, A software platform that simplifies and standardizes mouse grimace analyses. J Pain. 24 (4), 35-36 (2023).
- Liu, H., Zhang, C., Deng, Y., Liu, T., Zhang, Z., Li, Y. F. Orientation cues-aware facial relationship representation for head pose estimation via Transformer. IEEE Trans Image Process. 32, 6289-6302 (2023).
- Liu, H., Liu, T., Chen, Y., Zhang, Z., Li, Y. F. EHPE: Skeleton cues-based Gaussian coordinate encoding for efficient human pose estimation. IEEE Trans Multimedia. , (2022).
- Liu, H., et al. TransIFC: Invariant cues-aware feature concentration learning for efficient fine-grained bird image classification. IEEE Trans Multimedia. , (2023).
- Akkaya, I. B., Halici, U. Mouse face tracking using convolutional neural networks. IET Comput Vis. 12 (2), 153-161 (2018).
- Andresen, N., et al. Towards a fully automated surveillance of well-being status in laboratory mice using deep learning: Starting with facial expression analysis. PLoS One. 15 (4), e0228059 (2020).
- Ernst, L., et al. Improvement of the mouse grimace scale set-up for implementing a semi-automated Mouse Grimace Scale scoring (Part 1). Lab Anim. 54 (1), 83-91 (2020).
- Tuttle, A. H., et al. A deep neural network to assess spontaneous pain from mouse facial expressions. Mol Pain. 14, 1744806918763658 (2018).
- Lencioni, G. C., de Sousa, R. V., de Souza Sardinha, E. J., Corrêa, R. R., Zanella, A. J. Pain assessment in horses using automatic facial expression recognition through deep learning-based modeling. PLoS One. 16 (10), e0258672 (2021).
- Steagall, P. V., Monteiro, B. P., Marangoni, S., Moussa, M., Sautié, M. Fully automated deep learning models with smartphone applicability for prediction of pain using the Feline Grimace Scale. Sci Rep. 13, 21584 (2023).
.