从五只男性长埃文斯大鼠（Rattus norvegicus; 5-9个月大，重500-650 g）中，记录了从背海马的CA1区域记录神经活动（细胞放射和局部场电位） ，执行空间交替W-TRACK任务6,29。将大鼠放在湿度和温度控制的设施中 ，并具有12小时的光线周期。在实验性操纵之前，将大鼠与同窝窝室中容纳 ，并在训练和饮食方案过程中单独容纳在富含的笼子中 。所有实验程序均符合加利福尼亚大学旧金山分校的机构动物护理委员会和美国国立卫生研究院指南 。
将大鼠剥夺了食物的基线重量的85％ ，并在线性轨道上进行了验证以获得液体奖励（甜蒸发牛奶）。进行了训练是为了使老鼠熟悉奖励井 。在两个奖励井之间交替的大鼠交替后，将它们放回完整的食物之前至少在植入手术前一周 。在手术期间 ，将大鼠与含有30（3只大鼠） ，24（1只大鼠）或16（1只大鼠）的独立移动的4线电极（所有大鼠）的CA1区域（所有大鼠），聚合物额叶区域（1鼠）和Medial septim septim（1鼠）中的聚合物探针（所有大鼠） ，额叶纤维纤维中的聚合物探针（所有大鼠） ，1鼠（所有大鼠）植入大鼠。在这项研究中，仅分析了海马数据 。海马靶电极在两到三周内缓慢地朝着锥体细胞层前进 。在执行W-Track任务（100厘米×100厘米；轨道宽度10厘米）之前 ，在不同房间或上下文中的其他动态觅食任务上也跑了四只大鼠。本文提供的数据在W-Track任务上学习和性能期间的八到二十至21分钟（每只大鼠的时期数：大鼠1 = 10; Rat 2 = 17; Rat 3 = 14; Rat 4 = 12; Rat 5 = 8） 。当海马位置场需要大约5分钟才能稳定在新环境中67时 ，第一个时期被排除在解码到动物距离分析之外 。每个跑步会话都在一个未回报的休息箱中与15-20分钟交织在一起。使用SpikeGadgets硬件和软件（https://spikegadgets.com/trodes/，v.1.8.0）获取电生理和视频数据 。W-Track上的跑步轨迹被分为不同轨道区域的出站和入站试验，在运行过程中导致六个不同的任务阶段：中心出站；中心入口；T-Junction出站；T型入口；外站；和外部入站 。使用大于4 cm s -1的速度阈值定义了用于瞬时速度和频率分析的运行周期 带有250毫秒的缓冲区。使用250毫米缓冲液的速度阈值大于10 cm s-1的速度阈值大于10 cm s-1的运行周期和MUA痕量调制分析分析。
使用AVT Manta摄像机（AVT-GM-158C-POE-CS; Per-Ferrame Poss; Per-Fame time：7.5 ms）上安装在透明的线性轨道和W-W-Wipracte sheapracter（avt-gm-158C-poe-cs; avt-gm-158c-poe-cs; avt-gm-158c-poe-cs; avt-gm-158c-poe-cs; sl183m）上进行每秒125帧的视频监控 。为了确保将每个相机框架正确分配给相应的电生理记录时间 ，我们使用精确时间协议（PTP）捕获了神经数据和位置数据 。为了帮助肢体识别 ，将大鼠的前肢用白色的身体油漆（SportsAfe）涂成，与长埃文斯大鼠的黑色罩相比。后肢用黑色的身体油漆涂有鲜明对比的白色腹部 。一种机器学习算法DeepLabCut65（v.2.0.5.1）经过训练 ，可以跟踪大鼠的不同身体部位 ，包括鼻子，前肢 ，后肢和尾巴的底部 。在出站和入站试验中 ，培训数据集包括在踏入周期的各个阶段中不同轨道部分的框架。该模型被允许运行最大迭代次数，直到其性能达到渐近线为止 。该输出包括与每个相机框架相对应的每个标记的身体部位的X位置坐标 ，以及可能性估计 。估计的位置估计值估计为剩余的估计值的插值值 ，其插入式值使用0.01 s的高斯窗口平滑。用0.15 s的高斯过滤器平滑鼻子的速度（用于组延迟的过滤器） 。同一模型用于估计所有大鼠的位置 。为了进行位置分析，将鼻子位置用作大鼠的实际位置 ，与以前使用MicroDrive上的LED进行跟踪的工作密切相对应。
在三只大鼠中 ，左右海马靶向前后（AP）：-4 mM，中外侧（ML）：±2.6 mm；在一只大鼠中，左右海马靶向AP：-3.8 mm ，ML：±2.6 mm；在一只大鼠中 ，只有一个半球靶向AP：-3.72 mM和ML：+1.26 mm 。在小脑皮层上放置的螺钉作为全球参考 。结论数据采集后，将四极位置（四只大鼠）用电解病变标记。在24小时内允许神经胶质病后 ，用4％多聚甲醛（PFA）对大鼠进行了灌注大鼠。大脑的底部暴露了 ，大脑在一夜之间将大脑留在4％的PFA中，然后将四极管向上移动 ，然后去除其余的头骨 。然后将大脑转移到30％的蔗糖溶液中5-7天 ，切成50–100-μm切片，并在0.02 M磷酸盐缓冲盐水中储存 ，并使用0.02％（w/v）叠氮化钠 。选择截面进行NISSL染色 ，以实现Tetrode Tip的位置的可视化。没有对一只大鼠进行电解病变，但随后遵循所有后续步骤 。我们使用神经胶质标记胶质原纤维酸性蛋白（GFAP）来定位这些四极管 。
我们的分析方法的一个核心目标是测量两个变量之间的同步：踏脚周期和海马生理。这些节奏的每个循环为我们提供了对它们同步的有意义的测量 。然后 ，我们将这些测量值跨越各个时期内的位置组合在一起 ，并以零假设为假设：两个节奏不相关，因此它们在每个通过时相对于彼此的任意阶段开始 。我们可以将这些测量值与洗牌测量值进行比较（请参阅“改组分析”），以得出每个时期的单个值 ，该值代表该趋势 ，在该时期内的所有周期和通过，以使两个变量同步。使用这种方法 ，我们在每个时期都计算了所有指标 ，并测试了这种同步是否始终存在于大鼠内部和跨大鼠的时期 。相应地，每一个统计结果都报告在大鼠和所有大鼠内的跨时期 。通过Benjamini -Hochberg方法调整了对多次比较的显着性值 ，以0.05的错误发现率。
使用Mountainsort（https://github.com/lorenfranklab/franklab_mountainsort_old）对海马尖峰进行分类 ，这是一种自动聚类算法 。该算法的输出是具有质量指标的单个集群 。用于绘制图1A中接受簇的质量指标是信噪比（> 2），隔离评分（> 0.90） ，噪声重叠（<0.3）和违反耐火期的视觉检查。请注意 ，排序的尖峰仅用于图1a中的峰值活动的说明。
使用Welch的方法在运行期间进行了功率谱分析，每个段都用锤子窗口窗口 。结果是每个频率bin（频率分辨率：1 Hz）的功率频谱密度通过每个时期的任何bin观察到的最大功率标准化 。为了计算峰值频率 ，我们使用0.9的最小峰高度。
过滤阶梯和theta数据（步进：每个前肢数据均经过平滑并过滤在1 Hz至6 Hz之间 ，在0.5和8 hz时滚动，将带路theta数据置于0.5和8 hz； theta：在6 hz和12 Hz之间，使用4 Hz和14 Hz的截止频率在6 hz和12 Hz之间使用ACAAS和HILIST）和HILIST） -通过估计t -125 ms和t+125 ms的窗户之间的每个时间箱的平均相位差来计算 。瞬时速度和加速度在Windows t -125 ms和t+125 ms中类似地计算为观察值的平均值 。
我们创建了一个编码模型 ，该模型捕获了Spike波形特征与大鼠在每个2-MS时间箱中的位置之间的关联 ，如前7。所使用的波形特征是四个四个通道中每个通道中每个尖峰波形的峰值振幅 。当tetrode的任何通道上的振幅超过100μV阈值时，从600 Hz-6 kHz过滤的信号中检测到尖峰 。通过将大鼠鼻子在W-Track上的2D位置转换为沿轨道段（中心臂 ，外臂和T结臂）的位置来确定每只大鼠的位置。该线性化是为了加快解码的速度 。所有轨迹始于代表中心井位置的0 cm ，并将15厘米的间隙放在中心臂，左臂和右臂之间的1D空间中 ，以防止跨相邻位置的平滑性不适当地影响非重叠的相邻段 。可以在https://github.com/lorenfranklab/track_linearization上找到用于线性化的代码。
我们使用无聚类状态空间模型（有关详细信息 ，请参见参考文献36）来解码大鼠的“心理位置” 。解码使用20μV高斯平滑核作为尖峰振幅特征，而8厘米高斯平滑核作为位置 。状态空间模型具有两个运动动力学 - 连续和零散 - 允许大鼠的海马代表轨迹平稳地通过空间移动。这使我们能够捕获一系列可能的海马空间表示。连续动态通过具有6厘米标准偏差的随机步行过渡矩阵建模 ，并通过均匀的过渡矩阵对碎片的动态进行建模 。将保持在连续或碎片运动动态的概率设置为0.968 ，这对应于平均保持在同一运动动态的62.5 ms，或大约是半theta循环的持续时间 。我们已经表明 ，该模型对此参数的选择相对不敏感。使用具有两种运动动力学的初始条件的因果算法进行解码 。使用2毫秒的时间箱和2.5厘米的位置箱来允许进行高分辨率解码 。我们使用了五倍的交叉验证进行解码 ，其中我们编码了数据的四分之三的波形特征与位置之间的关系，然后解码了其余的五分之一数据。这样可以确保用于构建给定编码模型的尖峰也不用于解码表示形式 。我们为每个数据的每个数据重复了这一点 。
位置的后验概率：位置的后验概率是一个数量，表明基于数据的动物最可能的“心理 ”位置。我们通过使动力学的关节概率边缘化来估计它 。
最高后密度：最高的后部密度（HPD）是每次bin后验概率扩散的测量值 ，定义为包含后验概率值的最高50％的后区域 。使用最高值 ，这种扩散的测量不受多模式分布的影响（而替代度量如分布的分位数）。在本手稿中，我们使用HPD区域的大小（HPD区域涵盖的轨道总面积）来评估位置后验概率的不确定性 。
解码到动物距离：解码位置与动物的实际位置之间的距离定义为最可能的解码位置（后位置的最大位置概率）与每个2 ms时间箱中的动物位置之间的最短路径距离 。最短路径距离是在轨道的图表上使用Dijikstra的算法69计算的 ，该曲目的图表示 ，其中最有可能的解码位置和大鼠的位置被插入该图上的节点。
为了分析前肢植物时代周围的解码到动物距离跟踪的调制，我们仅包括那些可以可靠地在多个入站和出站运行中解释位置的时期。我们通过评估解码质量度量标准来估算这一点 。首先 ，对于每次运行 ，我们都计算了最高的后密度值的平均值以及与大鼠当前位置的解码位置的绝对距离的平均值 。我们标记为跑步，其中这些值中的任何一个都超过50 cm是“嘈杂的 ”。也就是说 ，我们无法可靠地估计大鼠位置的情况 。然后 ，我们将解码噪声指标（范围从0-1）定义为噪声数据长度的比例到所有数据的长度 。分析中包括那些在W-Track的每个臂的噪声度量度量小于0.25的时期，并且大鼠在每个手臂上至少运行了至少10次。
计算位置数据的绝对差异是为了获得每个前肢的瞬时速度（即踏脚周期；每个相机框架一个值） 。然后以8 Hz的滚动将这个踏板周期低到6 Hz ，以消除异常值和噪声事件 。步进循环的姿势和摆动部分对应于肢体加速度分别为最小值和最大值的时间。创建了每个肢体的加速度曲线 ，以识别步进节奏的峰值和槽，该节奏用于定义姿势和挥杆阶段的开始和结束时间 。植物时间被定义为姿势阶段10–30％的中点，而升降时间定义为挥杆阶段的10–30％的中点 。这些时间对应于大鼠完全接触或不触摸轨道表面的四肢。这些植物时间通过从透明轨道上运行的大鼠的数据进行了验证 ，在该数据中 ，我们还使用了45度镜子来获得侧视图 。然后，当参考前肢的单个手指完全张开时 ，我们手动注释相机框架（对植物时代视而不见） ，表明在前肢上启动负载（从底部的轨道视图中，“手指播放”时间） ，当参考前凸面首次完全接触轨道的表面时（从侧视镜视图中完全接触到轨道的表面）时 。然后 ，我们将这些手动注释的时间与我们算法（上）检测到的“植物时间 ”进行了比较，并在这些时间（植物 - 芬格的中位数偏移量 ，IQR = 0.008s ，0.016 s；植物数= 114;植物中位数;植物 - touchdowndowndowndowndowndowndownddown = 0.008s = 0.008s，0.008 s evters; evter neveral = 66;数字;
为了测量步骤的耦合和海马表示的含量 ，我们首先确定了在轨道上的中心臂上的出站式运行期间 ，在轨道上的中心臂上运行的解码峰（最小峰高10厘米）的峰，然后使用该时间窗口中的posterer of Posterer在检测到的峰上计算出代表的位置。因此，每个这样的非本地代表实例都分配给表示中心（0） ，右（1）或左（-1）臂。然后 ，对于每个指定的非本地表示形式，我们确定前面的前肢工厂是右侧（1）还是左（-1）前肢 。询问步骤的奇偶校验和内部海马表示的内容之间是否存在一个一致的组织（例如 ，左工厂之后是右代表 ，反之亦然，然后是左工厂 ，然后是左代表 ，等等），我们包括了至少有两个非局部代表的跑步 。然后 ，我们计算了在其中看到阶梯代理交替的跑步比例（即左工厂后跟右图 ，然后右植物，然后是左代表） ，并且在该跑步的比例中 ，我们看到了步骤代理对应关系（即，即左图的左图，左代表和右臂表示右手表示）。
为了检测MUA事件 ，使用1.5毫米箱构建了尖峰计数的直方图；包括所有大于100μV的尖峰在CA1细胞层中的四极管上 。用高斯核（15毫秒的标准偏差）平滑MUA迹线 。
首先 ，我们在每个时期的时间窗口±70 ms的时间窗口中计算了每个时期的前肢植物触发的平均分解距离或MUA迹线的平均值。然后，我们通过计算脱离分解距离距离的观察值的平均值或每个时期的MUA触发痕迹的绝对偏差之和来计算调制得分 。为了比较跨任务阶段和时期的这些原始调制得分 ，我们使用从每只大鼠每年观察到的前肢植物匹配的无效分布（以下描述）获得的均值和标准偏差（以下说明）进行了z评分 。包括所有观察到的植物进行MUA分析。为了分析解码到动物距离的分析 ，我们仅包括那些在大鼠当前位置至少至少10 cm之前参与心理探索的序列（参考文献39） 。然后，在±50 ms的窗口中评估了每个前肢植物 ，并通过计算后验密度最高的时间箱的数量来计算该窗口中的解码到动物距离迹线的优点 。如果这些值总计超过10 ms ，则将这些植物排除在分析之外，因为我们无法可靠地估计与这些植物相邻的解码位置的结构。
植物时间被随机偏移-70毫秒至70毫秒之间 ，5,000次 ，使事件间时间保持完整 。计算了这些改组时间的事件触发的平均值，以创建改组的分布数据的超集 。然后 ，每个时期随机选择了1,000次匹配的事件（植物）数量（植物） ，以创建洗牌调制得分的无效分布。
所有分析均使用MATLAB V.2020A（MATHWORKS）和PYTHON v.3.6编写的自定义代码进行。在整个文本和图形中都提供了使用的统计测试和显着性值 。
有关研究设计的更多信息可在与本文有关的自然投资组合报告摘要中获得 。
本文来自作者[admin]投稿，不代表永利号立场，如若转载，请注明出处：http://www.siyonli.com/zshi/202506-1371.html
评论列表（3条）
我是永利号的签约作者“admin”
本文概览： 从五只男性长埃文斯大鼠（Rattus norvegicus; 5-9个月大，重500-650 g）中，记录了从背海马的CA1区域记录神经活动（细胞放射和局部场电位），执行空...
文章不错《海马表示与踏脚的动态同步》内容很有帮助