JoVE Journal > Behavior
Summary
Abstract
Introduction
Protocol
Results
Discussion
Disclosures
Acknowledgements
Materials
References
Deutsch

Automatically Generated
Please note that all translations are automatically generated. Click here for the English version.
Behavior

Eine automatisierte T-maze basierte Apparat und Protokoll für die Analyse von Verzögerung und Aufwand-basierte Entscheidungsfindung bei frei beweglichen Nagetieren

Published: August 02, 2018
doi:
10.3791/57895
, , ,
1Laboratory of Behavioral Genetics, Center for Brain Science,RIKEN, 2Faculty of Human Science,University of Tsukuba

Summary

Dieser Artikel stellt eine automatisierte T-maze-Vorrichtung, die wir erfunden, und ein Protokoll basierend auf diesen Apparat zur Analyse der Verzögerung-basierte Entscheidungsfindung und Aufwand-basierte Entscheidungsfindung bei frei beweglichen Nagetieren.

Abstract

Viele neurologische und psychiatrische Patienten zeigen Schwierigkeiten und/oder Defizite bei der Entscheidungsfindung. Nager-Modelle sind hilfreich für ein tieferes Verständnis für die neurobiologischen Ursachen der Entscheidungsfindung Probleme zu produzieren. Eine Kosten-Nutzen-Basis T-maze Aufgabe dient zur Messung der Entscheidungsfindung in der Nagetiere zwischen eine hohe Belohnung Arm (HfG) und einem niedrigen Lohn (LRA) wählen. Es gibt zwei Paradigmen der T-maze Entscheidungsfindung Aufgabe, in der die Kosten einer zeitlichen Verzögerung ist, und andererseits es körperliche Anstrengung ist. Beider Paradigmen erfordern ein mühsam und arbeitsintensiv Management von Versuchstieren, polythyra, Belohnung pellet und rüsten Wahl Aufnahmen. In der aktuellen Arbeit erfanden wir ein Gerät basierend auf traditionellen T-maze mit Vollautomatisierung für Pellet Lieferung, Türmanagement und Wahl-Aufnahmen. Diese automatisierte Installation kann für die Bewertung der beiden Verzögerung und Aufwand-basierte Entscheidungsfindung bei Nagern verwendet werden. Mit dem hier beschriebenen Protokoll untersucht unser Labor die Entscheidungsfindungen Phänotypen der mehrere genetisch veränderten Mäusen. In den repräsentativen Daten haben wir gezeigt, dass die Mäuse mit abgetragenen mediale Habenular Aversionen Verzögerung und Mühe zeigte und tendenziell die Belohnung sofortige und mühelose zu wählen. Dieses Protokoll hilft, die Variabilität, verursacht durch Experimentator Intervention zu verringern und Experiment-Effizienz zu steigern. Darüber hinaus, chronische Silicium-Sonde oder Mikroelektrode Aufnahme kann LWL-Bildgebung und/oder Manipulation der neuronalen Aktivität während der Entscheidungsfindung Aufgabe mit dem Setup beschrieben hier leicht angewendet werden.

Introduction

Menschen und andere Tiere die Kosten (einschließlich Verzug, Aufwand und Risiko) zu bewerten, um eine Belohnung zu erhalten, und stellen Sie dann ihre Entscheidung, eine bestimmte Vorgehensweise zu wählen. Entscheidungsfindung Defizite werden in zahlreichen neuropsychiatrischen Erkrankungen, einschließlich Schizophrenie (SZ), Aufmerksamkeits-Defizit-Hyperaktivitäts-Störung (ADHS), Zwangsstörungen (OCD), Parkinson-Krankheit (PD) und sucht1angezeigt. Studien an Menschen und Affen gezeigt, dass mehrere wichtige Gehirn, die Entscheidung machen2,3,4Regionen beteiligt sind. Obwohl Primaten in komplizierter Entscheidung Zeug zu engagieren, wurden Nagetiere gemeldet, dass adaptive Entscheidungen treffen, um in einer Umgebung überleben wo Belohnung Eventualitäten häufig ändern. Darüber hinaus können die neuronale Schaltkreis Mechanismen und molekularen Mechanismen, die Entscheidungsfindung in Mausmodellen aufgrund der Verfügbarkeit von Chemogenetic Werkzeugen, optogenetische Werkzeuge und gentechnisch veränderter Mäuse gründlich untersucht werden. Es gibt mehrere Tasks verwendet bei der Bewertung von Nagetieren Entscheidungsfindung Verhalten, einschließlich die Aufmerksamkeits-Set-Schicht-Aufgabe, die Oberschwingung oder Verzögerung-basierte T-maze Aufgabe, die Iowa spielende Aufgabe, die visuelle Diskriminierung Umkehr lernen Aufgabe5, etc.. Analog T-maze Kosten-Nutzen-Protokolle wurden ursprünglich von Pierre Gruppe6 entwickelt und wurden verwendet, um die Auswirkungen der beiden Kostenarten Entscheidung (Verzögerung, Aufwand) auf frei beweglichen Nagetiere7,8, untersuchen 9,10. Der besondere Vorteil dabei ist, dass die Tiere nicht trainiert werden, drücken die Hebel oder Graben in eine Schüssel geben. Tiere nehmen Sie stattdessen die Wahl zwischen eine hohe Belohnung hohe Kosten Option in einem Arm (HRA) oder einen niedrigen Lohn low-cost-Option in den anderen Arm (LRA). Daher ist diese Aufgabe viel leichter durchzuführen.

In der Verzögerung-basierte Paradigma ist eine Kreuzung Tür eingeführt, sobald das Versuchstier man die Ziel-Arme betritt, so dass das Tier in den Ziel-Arm gehalten wird. Wählt das Tier die LRA, die Ziel-Tür auf die LRA ist sofort zurückgezogen und eine kleine Menge der Nahrung geliefert. Wählt das Tier die HRA, vors Tor auf der HRA wird nach der gewünschten Verzögerung zurückgezogen und eine große Menge von Essen Pellets geliefert (Abbildung 1A). Im Aufwand-basierte Paradigma die HRA ist durch eine Schranke versperrt und Tiere müssen Klettern über es, eine große Menge der Pellets (Abbildung 1 b) zu erhalten. Generell das Verzögerung-basierte Paradigma ist sehr nützlich, um die Impulsivität von Tiermodellen zu testen und die Anstrengung-basierten kann helfen herauszufinden, apathische Tiere2,4,11,12, 13. scheinbar Forscher haben die Durchführung dieses Tests durch manuell zählen die zeitliche Verzögerung, einfügen und Aberkennung der Türen, rangieren die Anstrengung Barriere, das Pellet zählen, indem Pellets in Position, platzieren und die Rücksendung Tiere , und die Aufnahme der Tiere Auswahl für jede Prüfung. Diese Arbeit und Zeit Kosten stellen einen schweren experimentelle Engpass für Forscher, weit verbreiteten Einsatz des Verhaltens Assays behindern. Bei laufenden Arbeiten entwickelten wir eine T-maze Basis-Setup aus, um Verzögerung oder Anstrengung-basierte Entscheidungsfindung von Nagetieren, mit vollständiger Automatisierung, Standardisierung und Hochdurchsatz-Kapazität zu beurteilen.

Apparat

In Zusammenarbeit mit einem kommerziellen Hersteller (siehe Tabelle der Materialien), entwickelten wir eine modifizierte automatisiert T-maze Vorrichtung, die Software-basierten Gerätesteuerung (Abbildung 2) verwendet. Insbesondere führten wir eine “Hintertür” und “Weg zurück” im Vergleich zu den traditionellen T-maze (Abbildung 2), so dass Tiere gehen könnte, zurück zum Start zeigen Sie sich und starten einen neuen Versuch. Der T-maze ist matt grau gefärbt, und wenn das Experiment Bedingung und Software richtig eingestellt sind, können beide schwarze und weiße Mäuse erkannt werden. Es besteht aus drei Arme: eine Start-Arm und zwei Ziel Arme, jeweils 410 mm Länge mit v-förmigen Wände von 155 mm in der Höhe, eine Basis von 30 mm in der Breite und offenem Verdeck 155 mm in der Breite. Die v-förmige Korridor kann effektiv Mäuse springen verhindern. Darüber hinaus erleichtert die v-förmige Korridor gilt in Vivo Aufnahme mit Kabel. Ein Feld “Start” ist bis zum Ende des dem anfangsarm beigefügt. Eine Ziel-Box ist am Ende jedes Ziel Arm befestigt. Eine automatische Essen Spender ist in jedem Ziel-Feld, eine vorgegebene Anzahl von süßen Speisen Pellets liefern installiert. Die Pellet-Aufnahme wird durch ein Infrarot-Sensor erkannt und wird automatisch von einem Computer aufgezeichnet. Jedes Ziel-Feld ist das Feld “Start” durch einen geraden Gang verbunden. Tiere können autonom über den Flur in das Feld “Start” zurückkehren, sobald sie einen Prozess beenden. Es gibt Schiebetüren von 155 mm in der Höhe am Eingang und am Ausgang von Start und Ziel-Boxen. Darüber hinaus befindet sich eine Schiebetür am Eingang von jedem Ziel Arm zu verhindern, dass Tiere rückwärts nach Wahl (Abbildung 2A). Alle Schiebetüren kann werden durch einen Computer gesteuert und automatisch geöffnet und geschlossen werden. Eine hohe Empfindlichkeit 1/2″ kostenlos gekoppelten Gerät (CCD) Monokel Kamera ist über die Vorrichtung eingestellt um die Tiere Verhalten zu verfolgen. Die Brennweite des Objektivs beträgt 2,8-12 mm. Die Position der Kamera ist ca. 1,9 m hoch. Da die Höhe des Labyrinth 0,5 m vom Boden ist, ist der Abstand zwischen Kamera und das Labyrinth ca. 1,4 m (Abb. 2 b). Die Tracking-Daten erhalten von der CCD-Kamera dient zur live-Steuerung T-maze, öffnen und schließen die spezifische Türen, wenn Tiere bestimmte Regionen von Interesse (ROIs) eingeben. Die Barrieren für die Mühe-basierte Paradigma verwendet sind in der Form eines dreidimensionalen rechtwinkligen Dreiecks (Abbildung 2), perfekt in die v-förmige Wände passt, und ca. 155 mm in der Höhe. Tiere müssen die senkrechte Seite skalieren, sondern sind in der Lage, eine 45° Steigung Abstieg. Das Gerät wird während des Experiments bei 100 Lux beleuchtet. Zucker im Experiment verwendeten Pellets (siehe Tabelle der Materialien), und Kieselsäure-Gel (siehe Tabelle der Materialien) wird verwendet, um die Pellets trocken zu halten.

Protocol

Alle experimentelle Protokolle wurden von der Animal Care und Nutzung Ausschüsse des RIKEN Brain Science Institute zugelassen. (1) tierische Vorbereitung Wählen Sie das Geschlecht, Alter, Genotyp und pharmakologische Behandlungen des experimentellen Mäuse (oder Ratten) abhängig von den experimentellen Zweck.Hinweis: Hier haben wir die Leistung von vier männlichen C57B/6-Mäusen von 2 Monate alt. Haus der Mäuse in einem Raum unter Standardbedingungen (12 h Licht/12 h dunklen Zyklus, Lichter auf 08:00 bis 20:00, 22 ± 1 ° C) gehalten.Hinweis: Wenn der Zweck ist, den Unterschied zwischen zwei Genotypen zu vergleichen, Gruppe 4 Mäuse pro Käfig und beinhalten 2 Mäuse von jeder Genotyp. Behandeln Sie die Mäuse für 2 min/Tag für 5 Tage mit menschlichen Kontakt vertraut gemacht. Füttere sie mit gemessenen Rationen, so dass ihr Körpergewicht etwa ca. 80 – 85 % des freien Fütterung während des Experiments erhalten bleibt. Bieten Sie Wasser Ad Libitum. Gewöhnen Sie Mäuse in den experimentellen Raum durch die Übertragung alle Mäuse aus der Maus Gehäuse Platz zum Versuchsraum 30 min vor dem Experiment jeden Tag. Beginnen Sie Experimente zur gleichen Zeit jeden Tag, die Beeinflussung der circadianen Rhythmen Tierleistung zu vermeiden. (2) Tier Gewöhnung an das Labyrinth Starten Sie Gewöhnung an das Labyrinth mit Maus-handling (2 min/Tag) gleichzeitig. Halten Sie zu diesem Zeitpunkt alle Türen offen. Durchführen Sie Gewöhnung für insgesamt 5 Tage. Am 1. Tag streuen Sie die Lebensmittel Pellets in das Labyrinth. Streuen Sie an den Tagen 2 und 3 die Pellets entlang der beiden Ziel-Arme. Setzen Sie an den Tagen 4 und 5 die Pellets nur an den beiden Ziel-Boxen. Jeden Tag, nach dem Platzieren der Pellets, die Mäuse in das Feld “Start” von der T-maze in Gruppen von vier und die Mäuse zu erkunden das Labyrinth für 10 min.Hinweis: Die Mäuse in Vierergruppen förderliche wird ihnen helfen, voneinander lernen und Training zu beschleunigen. 3. Tier Diskriminierung der HRA LRA Hinweis: Dieses Protokoll umfasst sowohl Verzögerung und Aufwand-basierte Entscheidungsfindung Tests. Je nach Zweck, können Forscher jedoch nur einer von ihnen oder beide testen. Steuerungssoftware (Table of Material) wird verwendet, um das T-maze Setup für die folgenden Schritte automatisch zu steuern. Wenn Anstrengung-basierte Entscheidungsfindung getestet werden, stellen Sie Barrieren HRA und LRA in die erzwungene Arm Eingangsphase. Dann werden Tiere für Diskriminierung und Barriere Klettern gleichzeitig trainiert. Die Hungernden Mäuse Klettern aktiv die Barrieren und nach dieser Phase können alle von ihnen geschickt Klettern. Daher ist es nicht notwendig, eine untere Schranke mit diesem Protokoll zu starten. Erzwungene Arm Eingangsphase Öffnen Sie das Parameterfenster Registrierung der Steuerungssoftware und richten Sie die Parameter wie folgt (Abb. 3). Die Option “Phase”. Setzen Sie die “Testversion” auf 10, so dass jedes Tier 10 Prüfungen pro Tag für 5 aufeinander folgenden Tagen durchlaufen werden.Hinweis: Man kann einen unterschiedlichen Prüfungsnummer in seine/ihre eigenen Experimente wählen. Legen Sie die “Dauer” 900 s, dass die Ausbildung von einem Mausklick pro Tag nicht 900 S. Set der “Default start Delay-Zeit” bis 3 überschreiten wird s, so dass die Start-Tür 3 öffnet s nach das Tier im Startbereich erkannt wird. Setzen Sie die “Pellet” für die HRA und die LRA damit 4 Pellets immer automatisch in der HRA entfallen und 1 Pellet wird in die LRA verzichtet.Hinweis: In unseren Experimenten, wir fanden, dass 1:4 ist das beste Verhältnis, wenn 10 mg Zucker Pellets verwendet werden. Wenn wir 6 bis 10 Pellets verwenden, die Mäuse nicht beenden, alle davon zu essen, und es werden Unterlassung geschehen. Setzen Sie die “Verzögerungszeit” auf 0 s, so dass es keine Verzögerung für HRA und LRA während dieser Phase wird. Öffnen Sie die “ID” Registrierungsfenster der Steuerungssoftware. ID von jeder einzelnen Maus-Software nach dem Standort der HfG, entweder Links oder rechts zu registrieren. (Abbildung 4).Hinweis: Die Lage sollte in Bezug auf Genotyp Gruppen ausgeglichen werden. 50 % der jeweiligen Genotyp-Gruppe die HRA ist immer auf der linken Seite und die LRA ist immer auf der rechten Seite. Für die anderen 50 % die HRA ist immer auf der rechten Seite und die LRA ist immer auf der linken Seite. Öffnen des Anwendungsfensters der Software, wählen Sie “Decision Making” aus der Dropdown-Liste “Taskliste”. Geben Sie Subjekt-ID ein und wählen Sie “Phase 2” aus der Dropdown-Liste “Phase”. Wählen Sie Anzahl der Tage aus der Dropdown-Liste “Tag”. Drücken Sie “OK”-Taste um das Experiment Interface-Fenster eingeben. Drücken Sie im Fenster “Experiment Schnittstelle” “GetBG”, die Hintergrundinformationen des Labyrinths zu registrieren, so dass das Tier genau werden, unabhängig von der Herkunft der Umwelt verfolgt wird. START-Taste “SESSION” (Abbildung 5). Platzieren Sie den Mauszeiger in das Feld “Start” und initiieren Sie das Training durch Drücken der “Start” Taste der Fernbedienung zu. Beachten Sie, dass die Start-Tür eine Kreuzung Tür (links oder rechts) automatisch nach 3 öffnet s; Sobald die Maus in den Bereich der Kreuzung kommt, wird die Start-Tür automatisch geschlossen. Beachten Sie, dass, sobald die Maus die Verzögerung-Bereich (links oder rechts tritt), die Kreuzung Tür automatisch schließt und die Ziel-Tür sich automatisch öffnet. Beachten Sie, dass sobald die Maus das Pellet nimmt, die Hintertür und Vorstart Tür automatisch geöffnet werden. Sobald die Maus den hinteren Bereich gelangt, wird die Tür automatisch geschlossen. Beachten Sie, dass, sobald die Maus das Feld “Start betritt”, die Vorstart-Tür automatisch schließt und ein neuer Versuch startet.Hinweis: Innerhalb von 10 Studien mit jeden Tag in dieser Trainingsphase, die Software automatisch gewährleistet, dass jede Maus die HRA für 5 Versuche und die LRA für 5 Studien besucht. Das Labyrinth jeden Tag gründlich zu reinigen. Freiarm Eingangsphase Registrieren Sie Parameter und Subjekt-ID auf die gleiche Weise wie in der erzwungenen Eingangsphase (Schritt 3.1.1 und 3.1.2). Wählen Sie die Option ” “Phase “. Setzen Sie die “Testversion” bis 20, so dass jedes Tier über 20 Studien, pro Tag für 7 aufeinander folgenden Tagen gehen wird. Wählen Sie im Anwendungsfenster “Phase 3” aus der Dropdown-Liste “Phase”. Andere Parameter wie pro Schritt 3.1.3 einstellen. Legen Sie im Fenster “Experiment Schnittstelle” den Wert “Erfolgsquote” bis zu 80 %, so dass das Training wird automatisch fortgesetzt, bis die Maus die HRA in 80 % der Studien wählt, oder wenn die Maus 20 Versuche pro Tag (wie im Parameter Setup registriert ist) beendet. Gelten Sie andere Operationen wie pro Schritt 3.1.4. Lassen Sie die Maus auf einem Arm, HRA oder LRA frei wählen. Beachten Sie, dass die Start-Tür zwei Kreuzung Türen automatisch nach 3 öffnet s; Sobald die Maus in den Bereich der Kreuzung kommt, wird die Start-Tür automatisch geschlossen. Beachten Sie, dass, sobald die Maus wählt einen Arm und tritt die Verzögerung-Bereich (links oder rechts), die Kreuzung Tür automatisch schließt und die Ziel-Tür sich automatisch öffnet. Beachten Sie, dass sobald die Maus das Pellet nimmt, die Hintertür und Vorstart Tür automatisch geöffnet werden. Sobald die Maus den hinteren Bereich gelangt, wird die Tür automatisch geschlossen. Beachten Sie, dass, sobald die Maus das Feld “Start betritt”, die Vorstart-Tür automatisch schließt und ein neuer Versuch startet. 4. Verzögerung-basierte Entscheidungsfindung Test Registrieren Sie Parameter und Subjekt-ID in der gleichen Weise, wie in den Freiarm Eingangsphase (Schritt 3.2.1). Legen Sie die “Verzögerungszeit” auf 5, 10,15 s am Tag 1, Tag 2 und Tag 3 bzw. so, dass es wird 5 s Verzögerung für HRA an Tag 1, 10 s Verzögerung für HRA Tag 2 und 15 s Einschaltverzögerung für HRA auf Tag 3. Wählen Sie im Anwendungsfenster “Phase 4” aus der Dropdown-Liste “Phase”. Andere Parameter in der gleichen Weise wie in 3.2.2 einstellen. Gelten Sie im Fenster “Experiment Schnittstelle” alle Operationen gemäß Schritt 3.2.3. Lassen Sie die Maus auf einem Arm, HRA oder LRA frei wählen. Beachten Sie, dass die Start-Tür zwei Kreuzung Türen automatisch nach 3 öffnet s; Sobald die Maus in den Bereich der Kreuzung kommt, wird die Start-Tür automatisch geschlossen. Beachten Sie, dass sobald die Maus einen Arm wählt und die Verzögerung-Bereich (links oder rechts tritt), die Kreuzung Tür automatisch geschlossen wird.Hinweis: Wenn die Maus LRA wählt, Ziel öffnet die Tür automatisch sofort. Allerdings wählt die Maus HRA, die Ziel-Tür öffnet sich automatisch nach 5 s, 10 s und 15 s an Tagen 1, 2, 3 bzw.. Beachten Sie, dass sobald die Maus das Pellet nimmt, die Hintertür und Vorstart Tür automatisch geöffnet werden. Sobald die Maus den hinteren Bereich gelangt, wird die Tür automatisch geschlossen. Beachten Sie, dass, sobald die Maus das Feld “Start betritt”, die Vorstart-Tür automatisch schließt und ein neuer Versuch startet.Hinweis: Hier trainierten wir die Mäuse für 5-7 Tage mit jeder Verzögerung Zustand. Jedoch basierend auf unserer Erfahrung auf mehrere Zeilen von transgenen oder mutierten Mäusen testen, 1 Tag (20 Versuche) ist absolut genug, um den Unterschied zwischen den Mäusen der verschiedenen Genotypen zu sehen und es gibt keinen Sinn, die Trainingszeit (siehe Abbildung 6 als zu verlängern ein Beispiel). Daher derzeit gelten wir nur 1 Tag für jedes Delay-Zeit und es funktioniert gut. Es wird kein Problem sein, wenn Forscher wollen die Trainingstagen je nach ihrem eigenen Zweck zu verlängern. Optional: Führen Sie den Test mit der HRA rückgängig gemacht. Um zu testen, ob die Maus Wahl das Ergebnis eine Orientierung-Präferenz ist, wechseln die linke / Rechte Position der HRA und die LRA (die automatisch von der Software erreicht werden kann) und lassen Sie die Mäuse, einen Arm wie in 4.4 frei zu wählen. Optional: Führen Sie einen Kontrolltest Verzögerung. Zu prüfen, ob etwaige Fehlbeträge zu beobachten, ist das Ergebnis der veränderten räumlichen Gedächtnisses oder Belohnung Empfindlichkeit und nicht das Ergebnis von Veränderungen bei der Entscheidungsfindung, die LRA sowie die HRA 15 s Verzögerung vorzustellen, und ermöglichen die Mäuse einen Arm wie in 4.4 frei wählen. (5) Aufwand-basierte Entscheidungsfindung Test Stellen Sie die Barriere der HRA, wie in dem Diagramm (Abbildung 1). Richten Sie die Parameter und alle Operationen gemäß Schritt 3.2 gelten — frei Arm Eingangsphase und die Tiere für 3 aufeinander folgenden Tagen zu testen. Lassen Sie die Mäuse, einarmig, HRA oder LRA frei zu wählen.Hinweis: Hier trainierten wir die Mäuse für 14 Tage. Allerdings basierend auf unserer Erfahrung auf mehrere Zeilen von transgenen oder mutierten Mäusen testen, 3 Tage sind absolut genug, um den Unterschied zwischen den Mäusen der verschiedenen Genotypen zu sehen und es hat keinen Sinn, die Trainingszeit (siehe Abbildung 6 als Beispiel zu verlängern ). Daher derzeit wir gelten nur 3 Tage für Aufwand-basierter Test und es funktioniert gut. Es wird kein Problem sein, wenn Forscher wollen die Trainingstagen je nach ihrem eigenen Zweck zu verlängern. Optional: Führen Sie den Test mit der HRA rückgängig gemacht. Um zu testen, ob die Maus Wahl das Ergebnis eine Orientierung-Präferenz ist, wechseln die linke / Rechte Position der HRA und die LRA (die automatisch von der Software erreicht werden kann) und lassen Sie die Mäuse, einen Arm wie in Schritt 5.3 frei zu wählen. Optional: Durchführen Sie Aufwand Kontrolltest. Zu prüfen, ob etwaige Fehlbeträge zu beobachten, ist das Ergebnis der veränderten räumlichen Gedächtnisses oder Belohnung Empfindlichkeit und nicht das Ergebnis von Veränderungen bei der Entscheidungsfindung, stellen eine Barriere der LRA sowie der HRA und ermöglichen die Mäuse einen Arm wie in Schritt 5.3 frei wählen. (6) Datenanalyse Daten und Ergebnisse direkt von der Steuerungs-Software zu erhalten. Beachten Sie, dass die Software automatisch experimentelle Datum aufzeichnen, beginnen und, Zeit, Dauer, Prüfungsnummer, die Lage der HfG, Pellet-Nummer in der HRA und die LRA, die Position (X, Y) und die beweglichen Spur etc., der jede Maus in den Ordner “Data enden” . Prüfen, die die Software automatisch die folgenden Elemente zu analysieren und speichert sie im “Ergebnis” Ordner unter jedes Tier ID: Dauer, Prüfungsnummer, HRA Wahl Nummer, LRA Wahl Nummer, HRA Wahl Prozentsatz, LRA Wahl Prozentsatz, beweglichen Gesamtstrecke und Kreuzung Gesamtzeit. Führen Sie statistische Analyse der Daten aus allen Experimenten durch eine gemischte ANOVA (Split-Plot-ANOVA), mit Tag/Session als innerhalb der Subjektfaktor und Gruppe (Genotyp Gruppe oder Gruppen mit verschiedenen experimentellen Bedingungen) als zwischen-Thema Faktor. Analysieren der Haupteffekt der Gruppe Faktor, wenn es keine Interaktion zwischen Tag/Session mit Gruppe-Faktor. Soweit gibt es eine signifikante Wechselwirkung zwischen Tag/Session mit Gruppe Faktor post Hoc paarweise Vergleiche.

Representative Results

Ein Beispiel für die Verzögerung und Aufwand – basierte Entscheidungsfindung Aufgabe von medialen Habenular abgetragen Mäuse (mHb:DTA Mäuse)14 mit ihren Wild-Typ stellt Kontroll-Mäusen (CT-Mäuse) in Abbildung 6dargestellt ist. Zwei mHb:DTA Mäuse und zwei CT Mäuse wurden nach dem Absetzen in einem Käfig zusammen untergebracht. In der Verzögerung-basierte Entscheidungsfindung Test (Abb. 6A) gab es keine signifikante Wechselwirkung zwischen Genotyp und Sitzung in jeder Phase, einschließlich der Diskriminierung Trainingsphase (wenn die Verzögerungszeit des HRA 0 war) und Verzögerung-basierte Entscheidungsfindung test Phase (Wann war die Verzögerungszeit des HRA 5 s, 10 s und 15 s, beziehungsweise). Der Haupteffekt der Genotyp war nicht signifikant, wenn die Delay-Zeit 5 war s. Jedoch wenn die Delay-Zeit war länglich bis 10 s und 15 s, mHb:DTA Mäuse zeigten eine signifikante Verringerung der Anteil der HRA Besuche im Vergleich zum CT-Mäuse. Diese Ergebnisse zeigten, dass die Ablation von mHb verringerte sich die Vorliebe von Mäusen zu warten, bis eine größere Belohnung, und stattdessen eine Tendenz zeigte, wählen eine kleine Belohnung sofort, wenn die Wartezeiten 10 Sekunden wurden oder sogar länger. Die Daten vorgeschlagen, dass mHb könnte eine wichtige Gehirnstruktur bei der Kontrolle von Impulsivität und/oder Kosten/Nutzen-Zeitauswertung, Rendern Tiere anfälliger für verzögerte Zugriff auf eine große Belohnung erhalten zu tolerieren. In der Bemühung-basierte Entscheidungsfindung Test (Abb. 6 b), der Anteil der HRA wurden Besuche deutlich bei mHb:DTA Mäusen verringert, als ein Hindernis in der HfG, unabhängig von der Links/rechts-Lokalisierung von der HRA (1 X Barriere und Umkehr Phase gelegt wurde ). Dies bedeutet, dass der Phänotyp der mHb:DTA Mäuse nicht durch ein Defizit in räumliche Präferenz und Speicher. In den Belastungstest Kontrolle Barrieren wurden in beiden Ziel-Arme (2 × Barrieren Phase) und LRA und HRA waren mit hohem Aufwand verbunden. Daher war die Mühe Kosten dasselbe für Tiere der niedrige Lohn oder die hohe Belohnung auswählt. Die mHb:DTA Mäuse besucht die HRA häufiger als die LRA, und erreicht eine vergleichbare HRA Anzahl auf der letzten Sitzung (Session 5) besuchen. Dieses Ergebnis legt nahe, dass Belohnung Sensibilität und räumliche Gedächtnis bei mHb:DTA Mäusen war intakt. Die Daten aufgeklärt, die mHb kann eine wichtige Rolle bei Anstrengung Kosten/Nutzen-Bewertung, Tieren zu mehr Arbeit, größere Belohnungen zu erwerben. Abbildung 1: Schematische Darstellung des traditionellen T-maze Vorrichtung zur Entscheidungsfindung Test (A) Delay-basierte Entscheidungsfindung Prüfeinrichtung. Tiere wurden im Studienarm mit Start und wählen Sie zwischen zwei Ziel Arme, HRA und LRA. Wenn Tiere die HRA gewählt haben, mussten sie (abhängig von der Delay-Zeit in Sekunden) warten, um eine größere Belohnung zu erhalten. Forscher müssen manuell behandeln Tiere, Pellets und Türen für jeden Versuch. (B) Aufwand-basierte Entscheidungsfindung Prüfeinrichtung. Tiere wurden im Studienarm mit Start und wählen Sie zwischen zwei Ziel Arme, HRA und LRA. Wenn Tiere die HRA gewählt haben, mussten sie klettern über einen dreieckigen Hindernis für eine größere Belohnung zu erhalten. Forscher müssen manuell behandeln Tiere, Pellets, Türen und Schranken für jeden Versuch. Bitte klicken Sie hier für eine größere Version dieser Figur. Abbildung 2: automatisierte T-maze Setup für Entscheidungsfindung Test (A) Draufsicht auf die automatisierte Installation. (B) seitlicher Blick auf die automatisierte Installation. (C) 3D rechtwinklige Dreieck Barriere zur Aufwand-basierte Entscheidungsfindung Test, von links nach rechts, sind die Seitenansicht, die entgegengesetzte Seitenansicht und der Hypotenuse Seitenansicht. Original-technische Fotos mit freundlicher Genehmigung von der kommerziellen Hersteller bearbeitet. GBL: Ziel Feld (links), GBR: Ziel-Feld (rechts), GDL: Tor Tür (links), DDR: Tor Tür (rechts), DAL: Bereich (links), DAR zu verzögern: Bereich (rechts), JDL zu verzögern: Kreuzung Tür (links), JDR: Kreuzung Tür (rechts), BDL: Hintertür (links), BDR: Hintertür (rechts), CCD: kostenlos gekoppelt Kamera des Geräts). Bitte klicken Sie hier für eine größere Version dieser Figur. Abbildung 3: die Parameter Registrierungsfenster. Bitte klicken Sie hier für eine größere Version dieser Figur. Abbildung 4: das Subjekt-ID Registrierungsfenster. Bitte klicken Sie hier für eine größere Version dieser Figur. Abbildung 5: das Experiment Schnittstelle Fenster. Bitte klicken Sie hier für eine größere Version dieser Figur. Abbildung 6: Verzögerung und Aufwand-basierte Entscheidungsfindung bei Mäusen mHb:DTA. (A) Delay-basierte Entscheidungsfindung Test bei mHb:DTA Mäusen (Mäuse waren 12 – 14 Monate-alten, n = 8/Genotyp). Der Anteil der HRA Wahl war vergleichbar zwischen Genotypen als die Verzögerungszeit 0 und 5 s, aber bei mHb:DTA Mäusen deutlich zurückgegangen, als die Delay-Zeit 10 war s und 15 s. Wann wurde die Verzögerungszeit 5 s, Genotyp × Tag Interaktion: F(1,14) = 0.594, p = 0.236; die Wirkung der Genotyp: F(1,14) = 0,61, p = 0,45; Wann wurde die Delay-Zeit 10 s: Genotyp × Tag Interaktion: F(1,14) = 37,5, p = 0.346; die Wirkung der Genotyp: F(1,14) = 32,4, p < 0,0001; Wenn die Delay-Zeit war 15 s: F(1,14) = 38,7, p = 0,243; die Wirkung der Genotyp: F(1,14) = 31,6 und p ≤0.0001. (B) Aufwand-basierte Entscheidungsfindung Test bei mHb:DTA Mäusen (Mäuse wurden 12-14 Monate-alten, n = 9/Genotyp). Während 1 x Barriere Phase gab es eine signifikante Wechselwirkung zwischen Genotyp und Session (Genotyp × Tag Interaktion: F(1,16) = 2.11, p = 0,015), und der post-Hoc paarweisen Vergleich ergab, dass HRA % mHb:DTA Mäuse in allen deutlich gesunken Sitzungen. Während der Phase der Umkehr gab es keine signifikante Wechselwirkung zwischen Genotyp und Session (Genotyp × Tag Interaktion: F(1,16) = 1,61, p = 0,08). mHb:DTA Mäusen besucht HRA deutlich weniger als CT-Mäuse (Haupt Genotyp-Effekt: F(1,16) = 8,18, p = 0,01). Phase 2 × Hindernisse, gab es eine signifikante Wechselwirkung zwischen den Genotypen und Sitzungen und einen signifikanten Unterschied in der Sitzung 3 und Teil 4 (2 x Barrieren Phase: Genotyp × Tag Interaktion: F(1,16) = 3,9, p = 0.0067). Die mHb:DTA Mäuse erreicht eine HRA besuchen Anzahl vergleichbar mit der CT Mäuse auf der letzten Sitzung, Sitzung 5. Darstellung von Daten Mittelwert ± SEM. ** p < 0,01; p < 0,001. Bitte klicken Sie hier für eine größere Version dieser Figur. Abbildung 7: Flussdiagramm der Entscheidungsfindung zu testen (Verzögerung oder Anstrengung-basierend).

Discussion

Entscheidungsfindung ist ein kognitiver Prozess während der Evolution15hoch konserviert. Mensch und Tier können die Kosten für die konkurrierenden Handlungsoptionen bezogen auf die mögliche Belohnung bewerten und treffen Sie dann ihre Wahl. Patienten eine Reihe von neurologischen Erkrankungen und psychische Störungen leiden zeigen Defizite in verschiedenen Formen der Entscheidungsfindung16. Es ist daher wichtig, die neurobiologischen und pathophysiologischen Mechanismen der Entscheidungsfindung zu untersuchen. In den letzten Jahren Forschungsinteresse Verzögerung und Aufwand-basierten, die Entscheidungsfindung immer mehr anzieht. Darüber hinaus haben Nagetiere, vor allem Ratten weitgehend benutzt worden, um diese beiden Formen der Entscheidungsfindung17zu studieren.

Viele Studien führte zu interessanten Entdeckungen unter Verwendung einer verhaltensbedingten Aufgabe mit einem T-maze Apparat mit einem HRA und LRA2,6,7,8,9,10, 18 , 19 , 20 , 21 , 22. in der Aufgabe HRA verbindet große Belohnungen mit entweder einer Zeit-Verzögerung oder Anstrengung Anstrengung. Die LRA können Tiere eine kleine Belohnung sofort ohne zeitliche Verzögerung und körperliche Anstrengung erwerben. Der traditionelle Ansatz beruht auf menschlichen Experimentator manuelle Eingriffe. In jeder Prüfung muss der Experimentator zählen die Pellets und legen Sie sie in der Essen-Tabletts der HRA und LRA, legen Sie die Ziel-Türen auf HRA und LRA, und legen Sie dann das Tier am Ende der Start-Arm. Betritt das Tier entweder der Arme, muss eine Kreuzung Tür platziert werden, um das Tier auf dem Ziel-Arm zu beschränken. Je nach Protokoll muss der Experimentator zählen die Zeit und die Ziel-Tür nach einer eingestellten Verzögerung. Nachdem das Tier den Torraum betritt und den Pellet(s) erhält, muss der Versuchsleiter in den Käfig zurückkehren, und nehmen Sie das Tier Arm Wahl und Verhalten. Dann muss der Experimentator Pellet und T-maze Türen für die nächste Prüfung vorzubereiten. Die gesamte Ausbildung und Prüfung der Prozesse sind enorm Zeit-und arbeitsintensiv. Darüber hinaus ist eine fehlende Standardisierung in verschiedenen Labors ein weiteres Anliegen.

In diesem Papier haben wir ein Protokoll basierend auf einem modifizierten automatisierte T-maze Apparat mit einem Video-Tracking-System (Abbildung 7), um die Probleme der traditionellen Protokolle vorgestellt. Durch die Einführung eine “Hintertür” und “Rücken-Korridor”, der traditionelle T-maze, erhielten wir Labyrinth mit einem “halbierten drehbar Dreiecksform”. Die Vorteile dieses Aufbaus sind (1) vollständige Automatisierung des die Verhaltens-Ausbildung und Prüfung. Dies entfernt die Auswirkungen der Experimentator Subjektivität und menschlichen Zeit minimiert und Arbeits-Verpflichtungen. Wir haben vier Konfigurationen im Labor, so dass vier Mäuse könnte ausgebildet oder gleichzeitig durch ein Experimentator getestet das ist unmöglich, mit traditionellen Protokollen durchgeführt werden. (2) Es gibt Software Flexibilität wie die Steuerungssoftware Experimentatoren frei Einrichten mehrerer Parameter, einschließlich Pellet Anzahl, Verzögerungszeit, Türöffnung und Schließung, Studie Zahlen, Dauer und Trace-Modus erlaubt. Daher kann dieses System verschiedene Arten von experimentellen Anforderungen erfüllen. (3) gibt es umfassende Kompatibilität wie alle Schiebetüren auf die T-maze ausgelegt sind, unter dem Sockel des Labyrinths gespeichert werden, wenn sie geöffnet sind. Das Setup ist daher einfach mit vielfältigen physiologischen Systeme, einschließlich optogenetische/optische Manipulation, in Vivo Elektrophysiologie Aufnahme und Mikrodialyse integrierbar. Darüber hinaus für den Ausschluss der Möglichkeit, dass die Mäuse die HRA aufgrund einer Wunschpositionen entschieden haben, empfehlen wir einen Kontrolltest für Verzögerung- sowohl die Anstrengung – basierte Test anwenden. Durch Ausgleich der Kosten in den beiden Ziel-Armen, haben die Tiere die Möglichkeit, beide Belohnung Ergebnisse zu den gleichen Kosten zu erleben. Die Wahl kann nur auf der Grundlage der Lohn Differenzial, somit entfällt die Notwendigkeit, Kosten und nutzen vor der Entscheidung zu integrieren erfolgen. Hierdurch wird getestet ob jede Veränderung die Tiere Entscheidungen das Ergebnis einer Unfähigkeit ist, die Kosten oder Belohnung, oder Speicher Defizit anstatt eine Änderung in der Weise skalieren, wie sie ihre Entscheidungen bewertet.

In unserem Labor haben wir ca. 10 Stämme von Mäusen mit diesem Setup analysiert. Ein Beispiel zeigte sich in der repräsentativen Daten mHb:DTA Mäusen einen robuste Phänotyp in Verzögerung und Aufwand-basierte Entscheidungsfindung unter Beweis gestellt. Das heißt, ist Belohnung Wert stark von Zeit und Mühe bei mHb:DTA Mäusen vergünstigt. Das Ergebnis zeigte die wichtige Rolle der mHb auf Impulsivität Kontrolle. Darüber hinaus haben wir Silizium Sonde Aufnahmen auf frei beweglichen Mäuse während des Entscheidungsprozesses (unveröffentlichte Daten) angewendet. Die Experimente zur Verfügung gestellt Validierung Maßstäbe für die Leistungsfähigkeit der die automatisierte Installation. Damit eignet sich das standardisierte Protokoll für die T-maze basierte Entscheidungsfindung mit dem automatisierten Apparat zur Erkennung von genetischen Effekte, pharmakologischen Wirkungen und neuralen Schaltkreis Effekte auf Verzögerung und Aufwand Diskontierung von Nagetieren. Zusammenfassend lässt sich sagen hat die Einrichtung viele Vorteile, als ein ideales System für die Verzögerung und Aufwand-basierte Entscheidungsfindung Assays zu dienen.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Wir möchten danken Dr. Matthew F S Rushworth (Institut für experimentelle Psychologie, Universität von Oxford) und Dr. Sakagami Masamichi (Brain Science Research Center, Tamagawa University) für ihre wertvolle Ratschläge auf Initiierung des Projekts und die details der Protokolle. Wir danken Dr. Lily Yu für kritische Anmerkungen und das Manuskript zu bearbeiten. Dieses Projekt wurde von RIKEN Anreiz Research Project (100226201701100443) Q.Z, Brain Science Project, Zentrum für neue Initiativen, der National Institutes of Natural Sciences (BS291003) zu Q.Z, die RIKEN Aging Projekt (unterstützt. 10026-201701100263-340120) Q.Z und JSPS Kakenhi Beihilfe für junge Wissenschaftler (B) (17841749), Q.Z.

Autoren Beiträge: Q.Z konzipiert und initiiert das Projekt Q.Z, NGO und spielt die Experimente und Datenanalyse durchgeführt, H.G koordiniert die Arbeit zwischen Labor und O’HARA & Co., Ltd., Q.Z und NGO schrieb das Manuskript, S.I betreut das Projekt.

Materials

automated t-maze for decion making testing O’HARA & Co.,ltd no catalog number, customorized Address requested by the reviewer: 4-28-16 Ekoda, Nakano-ku, Tokyo 165-0022
TEL: 81-3-3389-2451 FAX:81-3-3389-2453
slica gel  Nacalai Tesque 1709155
AIN-76A Rodent Tablet 10mg Test Diet 1811213(5TUL) Manufactured for Japan,SLC
Time TM1 software  O’HARA & Co.,ltd no catalog number
SPSS statistics V21.0 IBM
DOWNLOAD MATERIALS LIST

References

  1. Frank, M. J., Scheres, A., Sherman, S. J. Understanding decision-making deficits in neurological conditions: insights from models of natural action selection. Philosophical Transactions of the Royal Society B: Biological Sciences. 362 (1485), 1641-1654 (2007).
  2. Prevost, C., Pessiglione, M., Metereau, E., Clery-Melin, M. L., Dreher, J. C. Separate valuation subsystems for delay and effort decision costs. J Neurosci. 30 (42), 14080-14090 (2010).
  3. Kennerley, S. W., Walton, M. E. Decision Making and Reward in Frontal Cortex: Complementary Evidence From Neurophysiological and Neuropsychological Studies. Behavioral Neuroscience. 125 (3), 297-317 (2011).
  4. Kurniawan, I. T., Guitart-Masip, M., Dolan, R. J. Dopamine and Effort-Based Decision Making. Frontiers in Neuroscience. 5, 81 (2011).
  5. Izquierdo, A., Belcher, A. M. Rodent models of adaptive decision making. Methods Mol Biol. 829, 85-101 (2012).
  6. Thiebot, M. H., Le Bihan, C., Soubrie, P., Simon, P. Benzodiazepines reduce the tolerance to reward delay in rats. Psychopharmacology. 86 (1-2), 147-152 (1985).
  7. Green, M. F., Horan, W. P., Barch, D. M., Gold, J. M. Effort-Based Decision Making: A Novel Approach for Assessing Motivation in Schizophrenia. Schizophr Bull. 41 (5), 1035-1044 (2015).
  8. Fatahi, Z., Sadeghi, B., Haghparast, A. Involvement of cannabinoid system in the nucleus accumbens on delay-based decision making in the rat. Behav Brain Res. 337, 107-113 (2018).
  9. Iodice, P., et al. Fatigue modulates dopamine availability and promotes flexible choice reversals during decision making. Sci Rep. 7 (1), (2017).
  10. Rudebeck, P. H., Walton, M. E., Smyth, A. N., Bannerman, D. M., Rushworth, M. F. Separate neural pathways process different decision costs. Nat Neurosci. 9 (9), 1161-1168 (2006).
  11. Bonnelle, V., et al. Characterization of reward and effort mechanisms in apathy. J Physiol Paris. 109 (1-3), 16-26 (2015).
  12. Hartmann, M. N., et al. Apathy but not diminished expression in schizophrenia is associated with discounting of monetary rewards by physical effort. Schizophr Bull. 41 (2), 503-512 (2015).
  13. Lockwood, P. L., et al. Prosocial apathy for helping others when effort is required. Nat Hum Behav. 1 (7), (2017).
  14. Kobayashi, Y., et al. Genetic dissection of medial habenula-interpeduncular nucleus pathway function in mice. Frontiers in behavioral neuroscience. 7 (17), (2013).
  15. Hanks, T. D., Summerfield, C. Perceptual Decision Making in Rodents, Monkeys, and Humans. Neuron. 93 (1), 15-31 (2017).
  16. Lee, D. Decision Making: from Neuroscience to Psychiatry. Neuron. 78 (2), 233-248 (2013).
  17. Carandini, M., Churchland, A. K. Probing perceptual decisions in rodents. Nature Neuroscience. 16 (7), 824-831 (2013).
  18. Denk, F., et al. Differential involvement of serotonin and dopamine systems in cost-benefit decisions about delay or effort. Psychopharmacology. 179 (3), 587-596 (2005).
  19. Walton, M. E., Bannerman, D. M., Rushworth, M. F. S. The Role of Rat Medial Frontal Cortex in Effort-Based Decision Making. The Journal of Neuroscience. 22 (24), 10996-11003 (2002).
  20. Bardgett, M. E., Depenbrock, M., Downs, N., Points, M., Green, L. Dopamine Modulates Effort-Based Decision-Making in Rats. Behavioral Neuroscience. 123 (2), 242-251 (2009).
  21. Floresco, S. B., Tse, M. T., Ghods-Sharifi, S. Dopaminergic and glutamatergic regulation of effort- and delay-based decision making. Neuropsychopharmacology. 33 (8), 1966-1979 (2008).
  22. Assadi, S. M., Yucel, M., Pantelis, C. Dopamine modulates neural networks involved in effort-based decision-making. Neuroscience & Biobehavioral Reviews. 33 (3), 383-393 (2009).

Tags

T-mazeAutomated ApparatusDecision-makingDelay-basedEffort-basedRodentsHabituationForced Arm EntryFood DeliveryDoor ManagementArm Choice Recording

Play Video
PDF
DOI
DOWNLOAD MATERIALS LIST
Cite This Article
Zhang, Q., Kobayashi, Y., Goto, H., Itohara, S. An Automated T-maze Based Apparatus and Protocol for Analyzing Delay- and Effort-based Decision Making in Free Moving Rodents. J. Vis. Exp. (138), e57895, doi:10.3791/57895 (2018).
Download Citation
Reprints and Permissions

View Video

✖

To prove you're not a robot, please enter the text in the image below

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image