Wasabi-Alkol Tat-Koku Etkileşimini İncelemek için Hayvan Davranışsal Değerlendirmesi ve Evrişimli Sinir Ağının Entegrasyonu
Summary
Bu makale, wasabi ile ortaya çıkan batma hissi üzerinde alkollü içecekleri koklamanın baskılayıcı yeteneğini ölçmek için bir dizi yöntemi açıklamaktadır.
Abstract
Gıda hazırlamak için yaygın olarak kullanılan ticari wasabi macunları, tüketildiğinde tahriş edici bir his uyandıran homolog bir kemosensoriyel izotiyosiyanat (ITC) bileşiği içerir. Diyetle alınan alkollü içeceklerin koklanmasının wasabi baharatlılık hissi üzerindeki etkisi hiç araştırılmamıştır. Duyusal değerlendirme çalışmalarının çoğu, bireysel yiyecek ve içeceklere ayrı ayrı odaklanırken, wasabi tüketirken likör koklamanın koku alma çalışması hakkında araştırma eksikliği vardır. Burada, farelerin aynı anda likör kokladıklarında ve wasabi tükettiklerinde yüz ifadelerini analiz etmek için bir hayvan davranış çalışmasının ve evrişimli bir sinir ağının kullanımını birleştiren bir metodoloji geliştirilmiştir. Sonuçlar, eğitilmiş ve doğrulanmış derin öğrenme modelinin, önceden eğitim materyallerinin filtrelenmesine gerek kalmadan wasabi negatif likör pozitif grubun sınıfına ait wasabi ve alkolün birlikte işlenmesini gösteren görüntülerin %29’unu tanıdığını göstermektedir. Seçilen video çerçevesi görüntülerinden elde edilen fare yüz buruşturma ölçeği puanlarının istatistiksel analizi, likörün varlığı ve yokluğu arasında anlamlı bir fark (P < 0.01) ortaya koymaktadır. Bu bulgu, diyetle alınan alkollü içeceklerin farelerde wasabi ile ortaya çıkan reaksiyonlar üzerinde azaltıcı bir etkiye sahip olabileceğini düşündürmektedir. Bu birleştirici metodoloji, gelecekte bireysel ITC bileşik taraması ve ruh bileşenlerinin duyusal analizleri için potansiyele sahiptir. Bununla birlikte, wasabi keskinliğinin alkole bağlı baskılanmasının altında yatan mekanizmayı araştırmak için daha fazla çalışmaya ihtiyaç vardır.
Introduction
Yaygın olarak wasabi olarak bilinen Wasabia japonica, gıda hazırlamada tanınırlık kazanmıştır 1,2. Tüketildiğinde ortaya çıkardığı, yırtılma, hapşırma veya öksürme ile karakterize edilen yoğun duyusal deneyim iyi bilinmektedir. Wasabi’nin bu ayırt edici keskinliği, homolog bir kemosensoriyel izotiyosiyanatlar (ITC’ler) bileşiğine bağlanabilir. Ω-alkenil ve ω-metiltioalkil izotiyosiyanatlar3 olarak kategorize edilebilen uçucu organosülfür fitokimyasallarıdır. Bu bileşikler arasında alil izotiyosiyanat (AITC), yaban turpu ve hardal gibi Cruciferae familyasına ait bitkilerde bulunan en baskın doğal ITC ürünüdür4. Ticari wasabi macunları genellikle yaban turpundan hazırlanır ve AITC’yi bu ticari ürünlerin kalite kontrolü için kullanılan kimyasal bir belirteç haline getirir5.
Diyetle beslenen alkollü içecekleri wasabi ile aşılanmış yemeklerle eşleştirmek, kültürel eğilimin bir örneği olarak kabul edilebilir6. Öznel olarak, bu kombinasyon wasabi ve ruh arasındaki baharatlılığı ve ısıyı tamamlayarak genel mutfak deneyimini geliştirebilir. Hayvan kalitatif davranış değerlendirmesi (QBA), sayısal terimler kullanarak kısa veya uzun vadeli dış uyaranlara yanıt olarak deneklerdeki davranış değişikliklerini inceleyen kapsamlı bir bütün hayvan metodolojik yaklaşımıdır7. Bu yöntem, ağrı testleri, motor testleri, öğrenme ve hafıza testlerinin yanı sıra kemirgen modelleri için özel olarak tasarlanmış duygu testlerini kapsar8. Bununla birlikte, koku alma ile birlikte tat almanın sinerjik duyusal değerlendirmesini araştıran çalışmalar literatürde şimdiye kadar az sayıda kalmıştır 9,10. Kimyasal duyum üzerine yapılan çalışmaların çoğu, bireysel yiyecek ve içecek tüketimini ayrı ayrı incelemekle sınırlıdır11. Sonuç olarak, wasabi tüketirken likör koklama eylemini içeren tat-koku etkileşimi üzerine araştırma eksikliği vardır.
Wasabi kaynaklı batma hissinin bir tür nosisepsiyon12 olduğuna inanıldığından, hayvan davranışsal değerlendirmeleri kemirgen hayvanlarda nosiseptif duyusal tepkileri değerlendirmek için çok uygundur 8,13,14. Farelerde nosisepsiyonu değerlendirmek için fare yüz buruşturma ölçeği (MGS) skorlaması olarak bilinen bir yöntem Langford ve ark.15,16 tarafından geliştirilmiştir. Bu davranışsal çalışma yöntemi, deneysel fareler tarafından sergilenen yüz ifadelerinin analizine dayanan, ağrı ile ilgili bir değerlendirme yaklaşımıdır. Deney düzeneği, şeffaf bir kafes ve video kaydı için 2 kamera içeren basittir. Otomatik veri yakalama için ileri teknolojileri 17,18,19 dahil ederek, davranışsal izleme sırasında hayvan refahını artıran nicel ve nitel davranışsal ölçümler elde edilebilir 20. Sonuç olarak, MGS, çeşitli dış uyaranların hayvanlar üzerindeki etkilerini kesintisiz ve ad libitum bir şekilde incelemede uygulanma potansiyeline sahiptir. Bununla birlikte, puanlama süreci, panelistler tarafından değerlendirilmek üzere yalnızca birkaç (10’dan az) video karesi görüntüsünün seçilmesini içerir ve önceden eğitim gereklidir. Çok sayıda örnek görüntünün puanlanması yoğun emek gerektiren bir işlem olabilir. Bu zaman alıcı zorluğun üstesinden gelmek için, birkaç çalışma MGS puanı21,22’yi tahmin etmek için makine öğrenimi tekniklerini kullanmıştır. Yine de, MGS’nin sürekli bir önlem olduğuna dikkat etmek önemlidir. Bu nedenle, çok sınıflı bir sınıflandırma modeli, aynı anda wasabi yutan ve likör koklayan farelerin görüntülerinin normal farelerinkine benzeyip benzemediğini belirlemek gibi mantıksal ve kategorik bir sorunu değerlendirmek için daha uygun olacaktır.
Bu çalışmada, farelerde tat-koku etkileşimini araştırmak için bir metodoloji önerilmiştir. Bu metodoloji, fare deneklerinin yüz ifadelerini analiz etmek için hayvan davranış çalışmalarını evrişimli bir sinir ağı (CNN) ile birleştirir. İki fare, normal davranışsal koşullar altında, wasabi kaynaklı nosisepsiyon deneyimi sırasında ve özel olarak tasarlanmış bir kafeste likör koklarken üç kez gözlendi. Farelerin yüz ifadeleri videoya kaydedildi ve oluşturulan çerçeve görüntüleri, bir derin öğrenme (DL) modelinin mimarisini optimize etmek için kullanıldı. Model daha sonra bağımsız bir görüntü veri seti kullanılarak doğrulandı ve deney grubundan elde edilen görüntüleri sınıflandırmak için konuşlandırıldı. Fareler wasabi tüketimi sırasında aynı anda likör kokladıklarında wasabi keskinlik baskılanmasının derecesini belirlemek için, yapay zeka tarafından sağlanan içgörüler, başka bir veri analizi yöntemi olan MGS puanlaması16 ile çapraz doğrulama yoluyla daha da doğrulandı.
Protocol
Representative Results
Discussion
Bu çalışmada tat-koku etkileşimini incelemek için önerilen yöntem, Langford ve ark.16 tarafından geliştirilen farelerde ağrının yüz ifadesi için orijinal davranışsal kodlama yöntemine dayanmaktadır. Yakın zamanda yayınlanan birkaç makale, otomatik fare yüzü izleme ve ardından MGS puanlaması 21,26,27,28 için CNN’yi tanıttı. CNN’leri uygulamak, …
Disclosures
The authors have nothing to disclose.
Acknowledgements
Z. Cai, Kwok Yat Wai Çevresel ve Biyolojik Analiz Kürsüsünün kurulması için Kwok Chung Bo Fun Yardım Fonu’ndan gelen mali desteği kabul eder.
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. 신경과학. 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).
.