Summary

动物行为评估与卷积神经网络相结合研究芥末-酒精味-嗅相互作用

Published: August 16, 2024
doi:

Summary

本文介绍了一组测量嗅探酒精饮料对芥末引起的刺痛感的抑制能力的方法。

Abstract

通常用于食品制备的商业芥末酱含有化学感应异硫氰酸酯 (ITC) 的同源化合物,食用后会引起刺激感。从未研究过闻膳食酒精饮料对芥末辣味的影响。虽然大多数感官评估研究分别关注个别食品和饮料,但缺乏关于在食用芥末时闻酒的嗅觉研究的研究。在这里,开发了一种方法,该方法结合了动物行为研究和卷积神经网络的使用,以分析小鼠在同时闻酒和食用芥末时的面部表情。结果表明,经过训练和验证的深度学习模型识别了 29% 的图像,这些图像描绘了属于芥末阴性酒类阳性组的芥末和酒精的共处理,而无需事先进行训练材料过滤。对从所选视频帧图像中获得的小鼠鬼脸量表评分的统计分析显示,有酒和无酒之间存在显着差异 (P < 0.01)。这一发现表明,膳食酒精饮料可能对小鼠芥末引发的反应的影响减弱。这种组合方法在未来具有用于单个 ITC 化合物筛选和烈酒成分感官分析的潜力。然而,需要进一步的研究来探讨酒精诱导抑制芥末辛辣味的潜在机制。

Introduction

Wasabia japonica,俗称 wasabi,在食品制备方面已获得认可 1,2。它在食用时会引发强烈的感官体验,其特征是流泪、打喷嚏或咳嗽,这是众所周知的。芥末的这种独特的辛辣味可归因于化学感应异硫氰酸酯 (ITC) 的同源化合物。它们是挥发性有机硫植物化学物质,可分为 ω-烯基和 ω-甲基硫代烷基异硫氰酸酯3。在这些化合物中,异硫氰酸烯丙酯 (AITC) 是十字花科植物(如辣根和芥末4)中发现的最主要的天然 ITC 产物。商业芥末酱通常由辣根制成,这使得 AITC 成为用于这些商业产品质量控制的化学标志物5

将膳食酒精饮料与芥末菜肴搭配可以被认为是文化性格的一个例子6.主观上,这种组合可能会补充芥末和烈酒之间的辣味和热量,从而增强整体烹饪体验。动物定性行为评估 (QBA) 是一种全面的全动物方法,它使用数字术语7 检查受试者对短期或长期外部刺激的反应行为变化。该方法包括疼痛测试、运动测试、学习和记忆测试,以及专为啮齿动物模型设计的情绪测试8。然而,直到现在,调查味觉与嗅觉的协同感官评估的研究在文献中仍然很少 9,10。大多数关于化学感觉的研究仅限于分别检查个人食物和饮料的消费11。因此,缺乏关于味觉-嗅觉相互作用的研究,涉及在食用芥末时闻酒的行为。

由于芥末诱导的刺痛感被认为是伤害感受的一种形式12,因此动物行为评估非常适合评估啮齿动物的伤害感受反应 8,13,14。Langford 等人开发了一种评估小鼠伤害感受的方法,称为小鼠鬼脸量表 (MGS) 评分15,16。这种行为研究方法是一种与疼痛相关的评估方法,依赖于对实验小鼠表现出的面部表情的分析。实验设置很简单,包括一个透明笼子和 2 个用于视频录制的摄像头。通过结合先进技术 17,18,19 进行自动数据捕获,可以获得定量和定性的行为测量,从而提高行为监测期间的动物福利 20。因此,MGS 有可能以不间断和随意的方式应用于研究各种外部刺激对动物的影响。但是,评分过程仅涉及选择少量(少于 10 个)视频帧图像供小组成员评估,并且需要事先进行培训。对大量样本图像进行评分可能是一项劳动密集型工作。为了克服这个耗时的挑战,一些研究采用了机器学习技术来预测 MGS 评分21,22。然而,重要的是要注意 MGS 是一项持续的衡量标准。因此,多类分类模型更适合评估逻辑和分类问题,例如确定小鼠同时摄入芥末和嗅酒的图像是否与正常小鼠的图像相似。

在这项研究中,提出了一种研究小鼠味觉-嗅觉相互作用的方法。该方法将动物行为研究与卷积神经网络 (CNN) 相结合,以分析小鼠受试者的面部表情。在正常行为条件下,在芥末诱导的伤害感受期间以及在专门设计的笼子中嗅酒时,对两只小鼠进行了三次观察。对小鼠的面部表情进行视频记录,并利用生成的帧图像来优化深度学习 (DL) 模型的架构。然后使用独立的图像数据集对模型进行验证,并部署以对从实验组获取的图像进行分类。为了确定小鼠在食用芥末期间同时闻酒时芥末刺激性抑制的程度,人工智能提供的见解通过与另一种数据分析方法(MGS 评分16)的交叉验证进一步证实。

Protocol

在本研究中,两只体重在 17-25 g 之间的 7 周龄 ICR 雄性小鼠用于动物行为评估。所有房屋和实验程序均已获得香港浸会大学关于在教学和研究中使用人类和动物受试者的委员会的批准。在 12 小时的明暗循环中,动物室保持在 25 °C 的温度和 40%-70% 的室内湿度。 1. 保持架设计 准备 3 种不同尺寸的丁苯乙烯砖用于笼式结构:8 mm x 8 mm x 2 mm、16 mm x 16 mm x 6 mm 和 3…

Representative Results

本研究的主要目的是建立一个强大的框架来研究小鼠的味觉-嗅觉相互作用。该框架结合了人工智能和 QBA 的使用来开发预测分类模型。此外,从 DL 获得的见解与定量 MGS 评估进行交叉验证,以进行内部独立分析。该方法的主要应用是检查小鼠嗅闻膳食酒精饮料时对芥末引发的伤害感受的抑制程度。 深度学习模型识别了 29% 的芥末-酒精共处理图像,这些图像属于芥末阴性…

Discussion

本研究中提出的研究味觉-嗅觉相互作用的方法基于由 Langford 等人开发的小鼠面部疼痛表情的原始行为编码方法16。最近发表的几篇文章介绍了 CNN 用于自动鼠标面部跟踪和随后的 MGS 评分 21,26,27,28。与单独的原始方法相比,应用 CNN 具有优势,因为它可以生成一系列可用于训练预测模…

Divulgazioni

The authors have nothing to disclose.

Acknowledgements

蔡宗宗感谢郭钟宝芬慈善基金对设立郭逸伟环境及生物分析讲座教授席的财政支持。

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

Riferimenti

  1. 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).
  2. 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).
  3. 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).
  4. 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).
  5. 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).
  6. Bacon, T. Wine, wasabi and weight loss: Examining taste in food writing. Food Cult Soc. 17 (2), 225-243 (2014).
  7. Fleming, P. A., et al. The contribution of qualitative behavioural assessment to appraisal of livestock welfare. Anim Prod Sci. 56, 1569-1578 (2016).
  8. Shi, X., et al. Behavioral assessment of sensory, motor, emotion, and cognition in rodent models of intracerebral hemorrhage. Front Neurol. 12, 667511 (2021).
  9. 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).
  10. 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).
  11. Simons, C. T., Klein, A. H., Carstens, E. Chemogenic subqualities of mouthfeel. Chem Senses. 44 (5), 281-288 (2019).
  12. Andrade, E. L., Luiz, A. P., Ferreira, J., Calixto, J. B. Pronociceptive response elicited by TRPA1 receptor activation in mice. Neuroscienze. 152 (2), 511-520 (2008).
  13. 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).
  14. 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).
  15. Langford, D. J., et al. . Mouse Grimace Scale (MGS): The Manual. , (2015).
  16. Langford, D. J., et al. Coding of facial expressions of pain in the laboratory mouse. Nat Methods. 7 (6), 447-449 (2010).
  17. 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).
  18. 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).
  19. 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).
  20. 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).
  21. 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).
  22. 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).
  23. 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).
  24. 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).
  25. Liu, H., et al. TransIFC: Invariant cues-aware feature concentration learning for efficient fine-grained bird image classification. IEEE Trans Multimedia. , (2023).
  26. Akkaya, I. B., Halici, U. Mouse face tracking using convolutional neural networks. IET Comput Vis. 12 (2), 153-161 (2018).
  27. 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).
  28. 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).
  29. Tuttle, A. H., et al. A deep neural network to assess spontaneous pain from mouse facial expressions. Mol Pain. 14, 1744806918763658 (2018).
  30. 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).
  31. 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).
This article has been published
Video Coming Soon
Keep me updated:

.

Citazione di questo articolo
Ngan, H., Qi, Z., Yan, H., Song, Y., Wang, T., Cai, Z. Integration of Animal Behavioral Assessment and Convolutional Neural Network to Study Wasabi-Alcohol Taste-Smell Interaction. J. Vis. Exp. (210), e66981, doi:10.3791/66981 (2024).

View Video