在老鼠疼痛研究中,用于时间同步行为和大脑动态的自动化视方法

科学领域:

• 神经科学是一个神经科学.
• 计算生物学 计算生物学
• 动物模型 动物模型

背景情况:

• 量化自发性疼痛,特别是偏头痛等疾病中的头痛,由于实时跟踪困难和人类偏见,提出了挑战.
• 眼睛眼已经成为一个有希望的,持续可测量的指标,用于预测在临床前试验中的疼痛状态.

研究的目的:

• 开发和验证一个使用DeepLabCut (DLC) 来自动化和量化小鼠眼睛的协议.
• 为了实现对眼的不偏见的实时测量,与神经生理学数据进行比较.
• 评估人工智能培训参数,以准确区分眼和非眼状态.

主要方法:

• 利用DeepLabCut (DLC),一个无标记的深度学习工具,用于自动眼睛跟踪.
• 通过测量被束的小鼠眼之间的欧几里德距离来量化眼.
• 评估AI培训参数对模型性能的影响.
• 在CGRP诱导的偏头痛样小鼠模型中验证了该协议.

主要成果:

• 通过使用DLC成功开发了一种用于自动化,公正量化眼睛的协议.
• 经过证明可靠的跟踪和差异化视和非视期间在次秒分辨率.
• 确定了关键的AI培训参数,这些参数对于成功的模型性能至关重要.

结论:

• 基于DLC的协议提供了一个客观和可靠的方法,用于实时评估小鼠的疼痛.
• 这种方法促进了行为疼痛指标与机械神经生理学措施的整合.
• 眼的自动定量具有促进偏头痛研究和药物开发的巨大潜力.