La fotometria a fibre ottiche è una tecnica all'avanguardia che cattura l'attività cerebrale in vivo e in tempo reale negli animali da laboratorio. Spesso associata a dati comportamentali registrati tramite video, la fotometria a fibre ottiche consente agli scienziati di associare direttamente il comportamento osservato alla segnalazione cerebrale. Sebbene la fotometria a fibre ottiche sia utile per nuovi esperimenti comportamentali, ogni fase sperimentale (raccolta, elaborazione e analisi dei dati) introduce la possibilità di errore. Pertanto, garantire la riproducibilità della ricerca è fondamentale, ma le dimensioni dei set di dati (fino a 0,25 gigabyte) rendono il controllo di qualità un compito macchinoso.
JMP Graph Builder offre un'interfaccia eccellente per identificare in modo dinamico ed efficiente i problemi di controllo qualità. In un progetto che utilizzava la fotometria a fibre ottiche per comprendere come la segnalazione della noradrenalina accompagni il comportamento di paura nei roditori, abbiamo utilizzato JMP per rilevare il disallineamento tra i dati comportamentali tracciati da Ethovision XT e i dati della fotometria a fibre ottiche, per consentire una facile identificazione delle interruzioni del tracciamento comportamentale e garantire la presenza dei pattern attesi. Questi controlli di qualità hanno consentito una comprensione tempestiva, interventi e correzioni del set di dati, promuovendo così l'integrità della ricerca. Inoltre, i grafici di controllo qualità hanno offerto agli scienziati un modo nuovo e approfondito per comprendere i loro esperimenti.
Graph Builder ha fornito controlli di qualità dei dati per un'analisi affidabile tramite la piattaforma di modellazione di JMP. Gli scienziati hanno anche potuto utilizzare gli script di JMP e questo processo li ha spinti ad apprendere autonomamente come utilizzare JMP. In questo intervento, illustriamo il problema del controllo di qualità per set di dati di grandi dimensioni e complessi, come esemplificato dalla fotometria a fibra ottica, e come le funzionalità di rappresentazione grafica di JMP ci abbiano permesso di garantire dati di qualità e una ricerca riproducibile.
Ciao a tutti. Mi chiamo Kate Konrad. Oggi vi parlerò del mio progetto "Utilizzo di JMP Graph Builder per migliorare la qualità dei dati nei set di dati di fotometria longitudinale a fibra ottica". Sono consulente statistica presso il DLH e collaboriamo con gli scienziati del National Institute of Health su questo progetto. I miei collaboratori stavano lavorando con la fotometria a fibra ottica. Si tratta di una tecnica davvero interessante che permette di osservare l'attivazione dei nervi.
Gli scienziati sono in grado di aggiungere un colorante fluorescente al cervello di questi animali. Quando questi cervelli si attivano e vengono emessi diversi segnali neurotrasmettitoriali, una telecamera li osserva mentre diventano fluorescenti. È una tecnica nuovissima. È davvero interessante. È all'avanguardia nella ricerca neurocomportamentale e ci permette di comprendere il cervello in un modo nuovo e diverso. Tuttavia, questi set di dati vengono elaborati in un paio di fasi diverse.
Ci sono un paio di software diversi che interagiscono tra la telecamera nel cervello del topo e il momento in cui la uso per analizzare i dati. Questo non è un aspetto negativo, ma significa solo che c'è una maggiore possibilità di errore nei vari algoritmi e classificatori che interagiscono tra la telecamera e il mio set di dati. Vogliamo essere in grado di effettuare il controllo di qualità per assicurarci che tutto in quel processo sia andato come previsto.
Questi set di dati sono anche di grandi dimensioni, il che rende più difficile individuare eventuali errori. Questo esperimento è stato condotto con il software EthoVision XT su 41 topi diversi e abbiamo una registrazione ogni 0,04 secondi per 10 minuti. Inoltre, registriamo questi animali in tre momenti diversi, quindi ognuno di essi ha tre diversi segmenti da 10 minuti.
Mentre registriamo le misure comportamentali, questo include aspetti come il movimento degli animali nello spazio, se sono davvero distesi o se sono raggrinziti, se sono fermi, se si muovono molto velocemente. Mentre registriamo questi dati, registriamo anche le misure dei neurotrasmettitori, e questa è la parte della fotometria delle fibre. Osserviamo i segnali di noradrenalina e dopamina nel cervello di questi animali mentre si muovono. Li osserviamo attivarsi.
Questo è un aspetto di cui vogliamo essere certi. Vogliamo essere certi che i loro movimenti e i segnali dei loro neurotrasmettitori siano allineati, in modo da sapere cosa sta facendo il corpo mentre il cervello si attiva. Il nostro obiettivo con questo progetto era identificare qualsiasi disallineamento in questi dati. Volevamo assicurarci che i modelli che ci aspettavamo fossero effettivamente presenti e, attraverso questo, promuovere l'integrità della ricerca.
Vi mostrerò tre diversi esempi di controllo qualità (QC) di come abbiamo preso questo set di dati di fotometria a fibra, utilizzato JMP Graph Builder e ottenuto questi set di dati di alta qualità per ricerche affidabili. Iniziamo con il nostro primo controllo qualità. Andiamo su JMP Graph Builder. Vi presenterò brevemente questo set di dati. Vedete, abbiamo un ID animale diverso per ogni animale. In questo caso, abbiamo due diverse misurazioni dei loro segnali cerebrali, in particolare del segnale dopaminergico.
Abbiamo qui il loro centro X e il loro centro Y. È semplicemente la loro posizione nello spazio. L'allungamento, quindi se sono raggrinziti o allungati, due misure della loro attività, se sono molto attivi o non si muovono affatto, e poi le nostre tre diverse date di esposizione, che sono i nostri tre diversi punti temporali.
Passiamo a Graph Builder. Lo estraiamo qui. Vediamo. Siamo in Graph Builder. Prendiamo la nostra posizione X e la nostra posizione Y e usiamo i punti per vedere dove si trovano questi animali nello spazio mentre si muovono. Ora, vorrei vedere questo con un colore diverso per ogni animale, così posso vedere dove si trovano tutti in questo spazio mentre si muovono.
Ora lo sposteremo sul blocco colore, poi lo separeremo per tre diversi tempi di esposizione, e osserveremo solo il primo. Vediamo che abbiamo i nostri diversi animali qui, e occupano quello spazio XY. Lo stanno riempiendo. Cliccando sui diversi animali, potete vedere come riempiono quello spazio con i diversi colori. Alcuni sono un po' difficili da vedere, ma altri, potete vedere, in generale, che occupano questo spazio. Si muovono attraverso X e Y in modo piuttosto completo, tranne questo.
Questo animale, l'animale N091, in realtà è rimasto lì, nell'angolo in alto a destra. Non occupava molto spazio. Era proprio lì. Sembra diverso. Volevamo sapere se ci sono altre misure che hanno un aspetto strano con questo mouse. Il che ci porta al nostro grafico successivo. Torniamo al Generatore di Grafici. Questa volta esamineremo la misura dell'allungamento. Faremo un box plot diverso per ogni animale.
Di nuovo, assoceremo l'ID dell'animale al colore. Lo ricaveremo anche sull'asse X, in modo da ottenere un boxplot diverso per ciascuno dei nostri animali. Quello che vedremo è che il nostro animale N091, evidenziato in questo momento, è più basso. Ha un allungamento inferiore, quindi rimane più arricciato rispetto agli altri topi.
Eliminerò quei valori anomali perché non mi preoccupa troppo. Voglio dare un'occhiata ai dati principali. Modificherò un po' gli stili, ma potete vedere che, rispetto agli altri animali, questo è un po' strano.
Ecco, questi sono i due grafici che abbiamo già realizzato in precedenza, e ne abbiamo analizzato un terzo per valutare la percentuale di tempo che questo animale ha trascorso immobile. Potete vedere che è piuttosto sedentario. Da questi tre grafici, abbiamo visto che il tracciamento di questo animale era disallineato. Era successo qualcosa con il video, ma quando l'ho condiviso con i miei collaboratori, sono riusciti a risolverlo. Abbiamo usato Graph Builder per identificare il problema in questo grande set di dati e risolverlo.
Ora, il nostro prossimo esempio è un po' meno appariscente. Sta solo confermando che i modelli che ci aspettiamo di vedere sono presenti. I segnali della dopamina, un neurotrasmettitore nel cervello. Mentre li osserviamo lampeggiare, è noto che diminuiscono nel tempo. Con questi grafici, abbiamo il tempo sulla X e il segnale sulla Y. Vedete? Quel segnale della dopamina diminuisce nel tempo, proprio come ci aspettiamo.
Dopo aver raccolto questo segnale di dopamina, viene applicato un algoritmo di correzione per correggere tale diminuzione nel tempo. Volevamo assicurarci che anche questo funzionasse. Vediamo un grafico semplice e veloce, colorato per ogni animale. Sembra a posto. Con questo controllo semplice e veloce, siamo stati in grado di confermare che questo classificatore e i segnali venivano raccolti e funzionavano come previsto. Ottimo per il controllo qualità, ottimo per la ricerca.
Ora, la nostra ultima cosa era confermare un classificatore di movimento. Il movimento potrebbe essere inattivo o molto attivo, ma non dovrebbe essere entrambi. Questi animali non dovrebbero essere sedentari e in corsa allo stesso tempo. Torneremo al Graph Builder per verificare e assicurarci che nessun dato sia classificato come altamente attivo e inattivo.
Trascineremo queste due colonne sul nostro grafico e passeremo di nuovo ai punti, perché mi piacciono i punti dopo averli modificati per l'ID del nostro animale. Potete vedere il grande spazio vuoto nell'angolo in alto a destra. È lì che vedremmo se il classificatore ha sbagliato e ha detto che qualcosa era molto attivo e non attivo allo stesso tempo. In effetti, è vuoto. Sembra perfetto. Questo conferma anche che il nostro classificatore sta facendo il suo lavoro e non ha commesso questo errore.
I nostri obiettivi sono stati raggiunti. Abbiamo esaminato un complesso set di dati di fotometria a fibre ottiche raccolti nel tempo, ottenuto i dati longitudinali e utilizzato JMP Graph Builder per controllare rapidamente e facilmente questo set di dati e garantire una ricerca affidabile e di alta qualità. Se desiderate saperne di più sulla dopamina e sulla noradrenalina nel cervello e su come funzionano in questi particolari topi, scansionate il codice QR: vi porterà al nostro articolo. Spero che abbiate imparato qualcosa. Grazie.
