Integratie van gedragsbeoordeling van dieren en convolutioneel neuraal netwerk om de smaak-geurinteractie van wasabi en alcohol te bestuderen
Summary
Dit artikel beschrijft een reeks methoden voor het meten van het onderdrukkende vermogen van het snuiven van alcoholische dranken op het door wasabi opgewekte stekende gevoel.
Abstract
De commerciële wasabipasta’s die vaak worden gebruikt voor voedselbereiding bevatten een homologe verbinding van chemosensorische isothiocyanaten (ITC’s) die bij consumptie een irriterend gevoel opwekken. De impact van het snuiven van alcoholische dieetdranken op het gevoel van wasabi-kruidigheid is nooit onderzocht. Hoewel de meeste sensorische evaluatiestudies zich richten op individuele voedingsmiddelen en dranken afzonderlijk, is er een gebrek aan onderzoek naar de olfactorische studie van het snuiven van sterke drank tijdens het consumeren van wasabi. Hier wordt een methodologie ontwikkeld die het gebruik van een gedragsstudie bij dieren en een convolutioneel neuraal netwerk combineert om de gezichtsuitdrukkingen van muizen te analyseren wanneer ze tegelijkertijd sterke drank snuiven en wasabi consumeren. De resultaten tonen aan dat het getrainde en gevalideerde deep learning-model 29% van de afbeeldingen van gelijktijdige behandeling van wasabi en alcohol herkent die behoren tot de klasse van de wasabi-negatieve drankpositieve groep zonder dat voorafgaand trainingsmateriaal hoeft te worden gefilterd. Statistische analyse van de scores op de grimasschaal van muizen verkregen uit de geselecteerde videoframebeelden onthult een significant verschil (P < 0,01) tussen de aan- en afwezigheid van sterke drank. Deze bevinding suggereert dat alcoholische dranken in de voeding een verminderend effect kunnen hebben op de wasabi-opgewekte reacties bij muizen. Deze combinatorische methodologie biedt in de toekomst het potentieel voor individuele screening van ITC-verbindingen en sensorische analyses van gedistilleerde componenten. Er is echter verder onderzoek nodig om het onderliggende mechanisme van door alcohol geïnduceerde onderdrukking van wasabi-scherpte te onderzoeken.
Introduction
Wasabia japonica, algemeen bekend als wasabi, heeft erkenning gekregen in de voedselbereiding 1,2. De intense zintuiglijke ervaring die het oproept bij consumptie, gekenmerkt door tranen, niezen of hoesten, is bekend. Deze kenmerkende scherpte van wasabi kan worden toegeschreven aan een homologe verbinding van chemosensorische isothiocyanaten (ITC’s). Het zijn vluchtige organozwavelfytochemicaliën die kunnen worden onderverdeeld in ω-alkenyl- en ω-methylthioalkylisothiocyanaten3. Van deze verbindingen is allylisothiocyanaat (AITC) het meest overheersende natuurlijke ITC-product dat wordt aangetroffen in planten die behoren tot de Cruciferae-familie, zoals mierikswortel en mosterd4. Commerciële wasabipasta’s worden gewoonlijk bereid uit mierikswortel, waardoor AITC een chemische marker is die wordt gebruikt voor kwaliteitscontrole van deze commerciële producten5.
Het combineren van alcoholische dieetdranken met met wasabi doordrenkte gerechten kan worden beschouwd als een voorbeeld van culturele instelling6. Subjectief gezien kan deze combinatie de kruidigheid en hitte tussen wasabi en de geest aanvullen, waardoor de algehele culinaire ervaring wordt verbeterd. Kwalitatieve gedragsbeoordeling bij dieren (QBA) is een uitgebreide methodologische benadering van het hele dier die gedragsveranderingen bij proefpersonen onderzoekt als reactie op externe stimuli op korte of lange termijn met behulp van numerieke termen7. Deze methode omvat pijntests, motorische tests, leer- en geheugentests, evenals emotietests die speciaal zijn ontworpen voor knaagdiermodellen8. Studies die de synergetische sensorische evaluatie van gustation samen met reukzin onderzoeken, blijven tot nu toe echter schaars in de literatuur 9,10. De meeste onderzoeken naar chemesthetische sensatie zijn beperkt tot het afzonderlijk onderzoeken van individuele voedsel- en drankconsumptie11. Bijgevolg is er een gebrek aan onderzoek naar de smaak-geurinteractie waarbij sterke drank wordt gesnoven tijdens het consumeren van wasabi.
Aangezien wordt aangenomen dat het door wasabi veroorzaakte prikkende gevoel een vorm van nociceptieis 12, zijn gedragsbeoordelingen bij dieren zeer geschikt voor het evalueren van de nociceptieve sensorische reacties bij knaagdieren 8,13,14. Een methode voor het beoordelen van nociceptie bij muizen, bekend als de muizengrimasschaal (MGS) score, werd ontwikkeld door Langford et al.15,16. Deze gedragsstudiemethode is een pijngerelateerde beoordelingsbenadering, gebaseerd op de analyse van gezichtsuitdrukkingen van de experimentele muizen. De experimentele opzet is eenvoudig, met een transparante kooi en 2 camera’s voor video-opname. Door geavanceerde technologieën 17,18,19 voor automatische gegevensvastlegging te integreren, kunnen kwantitatieve en kwalitatieve gedragsmetingen worden verkregen, waardoor het dierenwelzijn tijdens gedragsmonitoring wordt verbeterd 20. Bijgevolg heeft de MGS het potentieel om te worden toegepast bij het bestuderen van de effecten van verschillende externe stimuli op dieren op een ononderbroken en ad libitum manier. Het scoreproces omvat echter alleen het selecteren van een paar (minder dan 10) videoframe-afbeeldingen voor evaluatie door de panelleden, en voorafgaande training is noodzakelijk. Het scoren van een groot aantal voorbeeldafbeeldingen kan arbeidsintensief zijn. Om deze tijdrovende uitdaging te overwinnen, hebben verschillende onderzoeken machine learning-technieken gebruikt om de MGS-score21,22 te voorspellen. Toch is het belangrijk op te merken dat de MGS een continue meting is. Daarom zou een classificatiemodel met meerdere klassen geschikter zijn voor het evalueren van een logisch en categorisch probleem, zoals het bepalen of de beelden van muizen die tegelijkertijd wasabi innemen en sterke drank snuiven, lijken op die van normale muizen.
In deze studie werd een methodologie voorgesteld voor het onderzoeken van de smaak-geurinteractie bij muizen. Deze methodologie combineert diergedragsstudies met een convolutioneel neuraal netwerk (CNN) om de gezichtsuitdrukkingen van de muisproefpersonen te analyseren. Twee muizen werden driemaal geobserveerd onder normale gedragsomstandigheden, tijdens de ervaring van wasabi-geïnduceerde nociceptie en tijdens het snuiven van sterke drank in een speciaal ontworpen kooi. De gezichtsuitdrukkingen van de muizen werden op video opgenomen en de gegenereerde framebeelden werden gebruikt om de architectuur van een deep learning (DL) model te optimaliseren. Het model werd vervolgens gevalideerd met behulp van een onafhankelijke beelddataset en ingezet om de beelden van de experimentele groep te classificeren. Om de mate van onderdrukking van de wasabi-scherpte te bepalen wanneer de muizen tegelijkertijd sterke drank snoven tijdens de wasabiconsumptie, werden de inzichten van kunstmatige intelligentie verder bevestigd door kruisvalidatie met een andere data-analysemethode, de MGS-scorevan 16.
Protocol
Representative Results
Discussion
De voorgestelde methode voor het bestuderen van de smaak-geurinteractie in dit werk is gebaseerd op de oorspronkelijke methode van gedragscodering voor gezichtsuitdrukking van pijn bij muizen, die werd ontwikkeld door Langford et al.16. Verschillende recent gepubliceerde artikelen hebben CNN geïntroduceerd voor het automatisch volgen van muisgezichten en de daaropvolgende MGS-scorevan 21,26,27,28.</…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
Z. Cai wil graag de financiële steun van het Kwok Chung Bo Fun Charitable Fund erkennen voor de oprichting van de Kwok Yat Wai Endowed Chair of Environmental and Biological Analysis.
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
- 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. Neuroscienze. 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).
.