אנו מתארים כאן את PyOKR, שיטת ניתוח כמותית חצי אוטומטית המודדת ישירות תנועות עיניים הנובעות מתגובות חזותיות לתנועת תמונה דו-ממדית. ממשק משתמש ואלגוריתם ניתוח מבוסס Python מאפשר תפוקה גבוהה יותר ומדידות כמותיות מדויקות יותר של פרמטרים למעקב אחר העיניים בהשוואה לשיטות קודמות.
חקר תגובות התנהגותיות לגירויים חזותיים הוא מרכיב מרכזי בהבנת תפקוד מערכת הראייה. תגובה בולטת אחת היא רפלקס אופטוקינטי (OKR), התנהגות מולדת שמורה מאוד הנחוצה לייצוב התמונה על הרשתית. ה-OKR מספק קריאה חזקה של יכולת מעקב אחר תמונות ונחקר בהרחבה כדי להבין מעגלים ותפקוד של מערכות ראייה בבעלי חיים מרקעים גנטיים שונים. ה-OKR מורכב משני שלבים: שלב מעקב איטי כאשר העין עוקבת אחר גירוי לקצה מישור הראייה, וסקאדה פאזה מהירה מפצה המאפסת את מיקום העין במסלול. שיטות קודמות של מעקב אחר כימות רווחים, למרות שהן אמינות, הן עתירות עבודה ויכולות להיות סובייקטיביות או נגזרות שרירותיות. כדי להשיג כימות מהיר יותר וניתן לשחזור של יכולת מעקב עיניים, פיתחנו תוכנית ניתוח חצי-אוטומטית חדשנית, PyOKR, המאפשרת כימות של תנועת מעקב עיניים דו-ממדית בתגובה לכל גירוי כיווני, בנוסף להיותה ניתנת להתאמה לכל סוג של ציוד וידאו-אוקולוגרפיה. שיטה זו מספקת סינון אוטומטי, בחירת שלבי מעקב איטיים, מידול של וקטורי עין אנכיים ואופקיים, כימות של רווחי תנועת עיניים ביחס למהירות הגירוי, וארגון הנתונים המתקבלים לגיליון אלקטרוני שמיש לצורך השוואות סטטיסטיות וגרפיות. צינור ניתוח כמותי ויעיל זה, הנגיש בקלות באמצעות ייבוא PyPI, מספק מדידה מהירה וישירה של תגובות OKR, ובכך מקל על חקר תגובות התנהגותיות חזותיות.
ייצוב תמונה מסתמך על תגובות אוקולומוטוריות מדויקות כדי לפצות על זרימה אופטית גלובלית המתרחשת במהלך תנועה עצמית. ייצוב זה מונע בעיקר על ידי שתי תגובות מוטוריות: רפלקס אופטוקינטי (OKR) ורפלקס ווסטיבולו-עיני (VOR)1,2,3. תנועה גלובלית איטית על פני הרשתית גורמת ל-OKR, אשר מעורר סיבוב עיניים רפלקסיבי בכיוון המתאים כדי לייצב את התמונה 1,2. תנועה זו, המכונה השלב האיטי, נקטעת על ידי סקאדות מפצות, הידועות בשם השלב המהיר, שבו העין מתאפסת במהירות בכיוון ההפוך כדי לאפשר פאזה איטית חדשה. כאן, אנו מגדירים סקאדות שלב מהיר אלה כתנועות מעקב עיניים (ETM). בעוד שה-VOR מסתמך על מערכת שיווי המשקל כדי לעורר תנועות עיניים כדי לפצות על תנועות ראש3, ה-OKR מופעל ברשתית על ידי ירי ON ואיתות עוקב למערכת האופטית האביזר (AOS) במוח התיכון 4,5. בשל הסתמכותו הישירה על מעגלי רשתית, ה-OKR שימש לעתים קרובות לקביעת יכולת מעקב חזותית הן במחקר והן במסגרות קליניות 6,7.
ה-OKR נחקר רבות ככלי להערכת יכולת ראייה בסיסית 2,6,8, התפתחות DSGC 9,10,11,12, תגובות אוקולומוטוריות13 והבדלים פיזיולוגיים בין רקע גנטי7. ה-OKR מוערך בחיות מקובעות ראש המוצגות עם גירוי נע14. תגובות אוקולומוטוריות נלכדות בדרך כלל באמצעות מגוון כלי וידאו, ותנועות מעקב עיניים נלכדות כצורות גל OKR בכיוונים אופקיים ואנכיים9. כדי לכמת את יכולת המעקב, תוארו שני מדדים עיקריים: רווח מעקב (מהירות העין ביחס למהירות הגירוי) ותדירות ETM (מספר סקאדות הפאזה המהירה על פני מסגרת זמן נתונה). חישוב הרווח שימש היסטורית למדידה ישירה של המהירות הזוויתית של העין כדי להעריך את יכולת המעקב; עם זאת, חישובים אלה הם עתירי עבודה וניתן לגזור אותם באופן שרירותי בהתבסס על שיטות איסוף וידאו-אוקוקולוגרפיה וכימות לאחר מכן. להערכת OKR מהירה יותר, ספירה של תדר ETM שימשה כשיטה חלופית למדידת חדות מעקב7. למרות שזה מספק הערכה מדויקת למדי של יכולת מעקב, שיטה זו מסתמכת על מדד עקיף כדי לכמת את תגובת הפאזה האיטית ומציגה מספר הטיות. אלה כוללים הטיית צופה בקביעת סקאדה, הסתמכות על תגובות סקאדיות עקביות זמנית לאורך תקופה קבועה, וחוסר יכולת להעריך את עוצמת תגובת הפאזה האיטית.
על מנת להתמודד עם חששות אלה עם גישות הערכת OKR הנוכחיות ולאפשר כימות מעמיק בתפוקה גבוהה של פרמטרים של OKR, פיתחנו שיטת ניתוח חדשה לכימות צורות גל OKR. הגישה שלנו משתמשת בפלטפורמת תוכנה נגישה מבוססת Python בשם “PyOKR”. באמצעות תוכנה זו, מידול וכימות של תגובות פאזה איטית OKR ניתן ללמוד לעומק רב יותר עם פרמטרים מוגברת. התוכנה מספקת הערכות כמותיות נגישות וניתנות לשחזור של תגובות למספר עצום של גירויים חזותיים וגם מעקב חזותי דו מימדי בתגובה לתנועה אופקית ואנכית.
PyOKR מספק מספר יתרונות לחקר תגובות חזותיות המשתקפות בתנועות עיניים. אלה כוללים דיוק, נגישות ואפשרויות איסוף נתונים, בנוסף ליכולת לשלב פרמטרים ומהירויות גירוי משתנות.
הערכת רווח מעקב עיניים ישיר מספקת אפיון מדויק של תנועת עיניים שהוא מדד כמותי ישיר יותר מאשר ספירה ידנית מסור…
The authors have nothing to disclose.
עבודה זו נתמכה על ידי R01 EY032095 (ALK), מלגת קדם-דוקטורט VSTP 5T32 EY7143-27 (JK), F31 EY-033225 (SCH), R01 EY035028 (FAD ו- ALK) ו- R01 EY-029772 (FAD).
C57BL/6J mice | Jackson Labs | 664 | |
Igor Pro | WaveMetrics | RRID: SCR_000325 | |
MATLAB | MathWorks | RRID: SCR_001622 | |
Optokinetic reflex recording chamber – JHUSOM | Custom-built | N/A | As described in Al-Khindi et al.(2022)9 and Kodama et al. (2016)13 |
Optokinetic reflex recording chamber – UCSF | Custom-built | N/A | As described in Harris and Dunn, 201510 |
Python | Python Software Foundation | RRID: SCR_008394 | |
Tbx5 flox/+ mice | Gift from B. Bruneau | N/A | As described in Al-Khindi et al.(2022)9 |
Tg(Pcdh9-cre)NP276Gsat/Mmucd | MMRRC | MMRRC Stock # 036084-UCD; RRID: MMRRC_036084-UCD |