Un système de réalité virtuelle open-source pour la mesure de l’apprentissage spatial chez des souris retenues par la tête

La navigation spatiale est un comportement éthologiquement important par lequel les animaux codent les caractéristiques de nouveaux emplacements dans une carte cognitive, qui est utilisée pour trouver des zones de récompense possible et éviter les zones de danger potentiel. Inextricablement liés à la mémoire, les processus cognitifs sous-jacents à la navigation spatiale partagent un substrat neuronal dans l’hippocampe¹ et le cortex, où les circuits neuronaux de ces zones intègrent les informations entrantes et forment des cartes cognitives des environnements et des événements pour un rappel ultérieur². Alors que la découverte de cellules de lieu dans l’hippocampe^3,4 et de cellules de grille dans le cortex entorhinal⁵ a mis en lumière la façon dont la carte cognitive dans l’hippocampe est formée, de nombreuses questions demeurent sur la façon dont les sous-types neuronaux spécifiques^, les microcircuits et les sous-régions individuelles de l’hippocampe (le gyrus denté et les aires cornu ammonis, CA3-1) interagissent et participent à la formation et au rappel de la mémoire spatiale.

L’imagerie in vivo à deux photons a été un outil utile pour découvrir la dynamique cellulaire et des populations en neurophysiologie sensorielle ^6,7; Cependant, la nécessité typique d’un appuie-tête limite l’utilité de cette méthode pour examiner le comportement spatial des mammifères. L’avènement de la réalité virtuelle (RV)8 a comblé cette lacune en présentant des environnements visuospatiaux immersifs et réalistes tandis que des souris retenues à la tête courent sur une balle ou un tapis roulant pour étudier l’encodage spatial et contextuel dans l’hippocampe ^8,9,10 et le cortex ¹¹. De plus, l’utilisation d’environnements de RV avec des souris se comportant a permis aux chercheurs en neurosciences de disséquer les composantes du comportement spatial en contrôlant avec précision les éléments de l’environnement VR¹² (par exemple, le flux visuel, la modulation contextuelle) d’une manière qui n’est pas possible dans les expériences réelles d’apprentissage spatial, telles que le labyrinthe aquatique Morris, le labyrinthe Barnes ou les tâches de planche de trous.

Les environnements de réalité virtuelle visuelle sont généralement rendus sur l’unité de traitement graphique (GPU) d’un ordinateur, qui gère la charge de calcul rapide des milliers de polygones nécessaires pour modéliser un environnement 3D en mouvement sur un écran en temps réel. Les exigences de traitement importantes nécessitent généralement l’utilisation d’un PC séparé avec un GPU qui rend l’environnement visuel sur un moniteur, plusieurs écrans¹³ ou un projecteur¹⁴ lorsque le mouvement est enregistré à partir d’un tapis roulant, d’une roue ou d’une balle en mousse sous l’animal. L’appareil résultant pour contrôler, rendre et projeter l’environnement VR est donc relativement coûteux, encombrant et encombrant. En outre, de nombreux environnements de ce type dans la littérature ont été mis en œuvre à l’aide de logiciels propriétaires qui sont à la fois coûteux et ne peuvent être exécutés que sur un PC dédié.

Pour ces raisons, nous avons conçu un système de RV open-source pour étudier les comportements d’apprentissage spatial chez des souris retenues à la tête à l’aide d’un ordinateur monocarte Raspberry Pi. Cet ordinateur Linux est à la fois petit et peu coûteux mais contient une puce GPU pour le rendu 3D, permettant l’intégration d’environnements VR avec l’appareil d’affichage ou comportemental dans diverses configurations individuelles. De plus, nous avons développé un logiciel graphique écrit en Python, « HallPassVR », qui utilise l’ordinateur monocarte pour rendre un environnement visuospatial simple, une piste linéaire virtuelle ou un couloir, en recombinant des caractéristiques visuelles personnalisées sélectionnées à l’aide d’une interface utilisateur graphique (GUI). Ceci est combiné avec des sous-systèmes de microcontrôleurs (par exemple, ESP32 ou Arduino) pour mesurer la locomotion et coordonner le comportement, par exemple par la livraison d’autres modalités de stimuli sensoriels ou de récompenses pour faciliter l’apprentissage par renforcement. Ce système fournit une méthode alternative peu coûteuse, flexible et facile à utiliser pour fournir des environnements de RV visuospatiaux à des souris contraintes par la tête pendant l’imagerie à deux photons (ou d’autres techniques nécessitant une fixation de la tête) pour étudier les circuits neuronaux sous-jacents au comportement d’apprentissage spatial.