La fotometría de fibra es una técnica de vanguardia que captura la actividad cerebral in vivo en tiempo real en animales de laboratorio. A menudo combinada con datos de comportamiento grabados en video, la fotometría de fibra permite a los científicos vincular directamente el comportamiento observado con la señalización cerebral. Si bien la fotometría de fibra es útil para experimentos de comportamiento novedosos, cada paso experimental (recopilación, procesamiento y análisis de datos) conlleva la posibilidad de error. Por lo tanto, garantizar la reproducibilidad de la investigación es fundamental, pero el tamaño de los conjuntos de datos (hasta 0,25 gigabytes) dificulta el control de calidad.
JMP Graph Builder ofrece una excelente interfaz para identificar problemas de control de calidad de forma dinámica y eficiente. En un proyecto que utiliza fotometría de fibra para comprender cómo la señalización de noradrenalina acompaña el comportamiento de miedo en roedores, utilizamos JMP para detectar desajustes entre los datos de comportamiento rastreados con Ethovision XT y los datos de fotometría de fibra, lo que facilitó la identificación de interrupciones en el seguimiento del comportamiento y garantizó la presencia de los patrones esperados. Estas comprobaciones de control de calidad permitieron comprender, intervenir y corregir oportunamente el conjunto de datos, promoviendo así la integridad de la investigación. Además, los gráficos de control de calidad proporcionaron a los científicos una forma novedosa y reveladora de comprender sus experimentos.
Graph Builder proporcionó comprobaciones de calidad de datos para un análisis sólido mediante la plataforma de modelado de JMP. Los científicos también pudieron usar scripts de JMP y este proceso los motivó a aprender a usar JMP. En esta charla, presentamos el problema del control de calidad para conjuntos de datos grandes y complejos, como se ejemplifica con la fotometría de fibra, y cómo las capacidades gráficas de JMP nos permitieron garantizar datos de calidad y una investigación reproducible.
Hola a todos. Me llamo Kate Konrad. Hoy les contaré sobre mi proyecto "Uso de JMP Graph Builder para mejorar la calidad de los datos en conjuntos de datos de fotometría longitudinal de fibra". Soy consultora estadística en el DLH y trabajamos en este proyecto con científicos del Instituto Nacional de Salud. Mis colaboradores trabajaban con fotometría de fibra. Es una técnica realmente genial que permite ver cómo se activan los nervios.
Los científicos pueden añadir un tinte fluorescente a los cerebros de estos animales. A medida que estos cerebros se activan y emiten diferentes señales de neurotransmisores, una cámara los observará fluorescer. Es una técnica muy novedosa. Es fantástica. Está a la vanguardia de la investigación neuroconductual y nos permite comprender el cerebro de una manera nueva y diferente. Sin embargo, estos conjuntos de datos se procesan en un par de etapas diferentes.
Hay un par de programas diferentes que se ejecutan entre la cámara en el cerebro del ratón y el momento en que lo analizo. Esto no es malo, pero significa que hay una mayor probabilidad de error en los distintos algoritmos y clasificadores que se ejecutan entre la cámara y mi conjunto de datos. Queremos poder controlar la calidad para asegurarnos de que todo en ese proceso se haya realizado según lo previsto.
Estos conjuntos de datos también son extensos, lo que dificulta la detección de errores. Este experimento se realizó con el software EthoVision XT en 41 ratones diferentes, y tenemos una grabación cada 0,04 segundos durante 10 minutos. También grabamos a estos animales en tres momentos diferentes, por lo que cada uno tiene tres segmentos distintos de 10 minutos.
Mientras registramos las medidas de comportamiento, esto incluye aspectos como el movimiento de los animales, si están muy estirados o encogidos, si no se mueven y si se mueven muy rápido. Mientras registramos esto, también registramos las mediciones de neurotransmisores, y esta es la parte de la fotometría de fibra. Observamos las señales de noradrenalina y dopamina en el cerebro de estos animales mientras se mueven. Observamos sus disparos.
Eso es algo que queremos asegurar. Queremos asegurarnos de que su movimiento y las señales de sus neurotransmisores estén alineados para saber qué hace el cuerpo mientras el cerebro está funcionando. Nuestro objetivo con este proyecto era identificar cualquier desajuste en estos datos. Queríamos asegurarnos de que los patrones que esperábamos estuvieran presentes y, con esto, promover la integridad de la investigación.
Les mostraré tres ejemplos diferentes de control de calidad que muestran cómo tomamos este conjunto de datos de fotometría de fibra, usamos JMP Graph Builder y, juntos, obtuvimos estos conjuntos de datos de alta calidad para una investigación confiable. Comencemos con nuestro primer control de calidad. Vamos a usar JMP Graph Builder. Les presentaré brevemente este conjunto de datos. Verán, tenemos una identificación de animal diferente para cada animal. En este caso, tenemos dos mediciones diferentes de sus señales cerebrales de dopamina.
Aquí tenemos su centro X y su centro Y. Se trata simplemente de su ubicación en el espacio. Elongación, es decir, si están arrugados o estirados, dos medidas de su actividad, si son muy activos o no se mueven en absoluto, y luego nuestras tres fechas de exposición diferentes, que son nuestros tres puntos temporales diferentes.
Vamos a ir al Constructor de Gráficos. Vamos a sacar esto aquí. Veamos. Estamos en el Constructor de Gráficos. Tomaremos nuestras ubicaciones X e Y, y usaremos puntos para ver dónde se encuentran estos animales en el espacio mientras se mueven. Ahora, me gustaría ver esto con un color diferente para cada animal, para poder ver dónde se encuentra cada uno en este espacio mientras se mueven.
Vamos a moverlo al bloque de color y luego lo separaremos para tres tiempos de exposición diferentes. Solo nos fijaremos en el primero. Vemos que tenemos diferentes animales aquí, que ocupan el espacio XY. Lo están llenando. Al hacer clic en los diferentes animales, pueden ver cómo llenan ese espacio con los diferentes colores. Algunos son un poco difíciles de ver, pero otros, en general, ocupan este espacio. Se mueven por los ejes X e Y con bastante precisión, excepto este.
Este animal, el N091, simplemente se quedó en la esquina superior derecha. No ocupaba mucho espacio. Estaba justo ahí. Se ve diferente. Queríamos saber si hay otras medidas que también se ven raras con este ratón. Esto nos lleva a nuestro siguiente gráfico. Vamos a ir de nuevo al Constructor de Gráficos. Esta vez, vamos a ver la medida de elongación. Vamos a crear un diagrama de caja diferente para cada animal.
Nuevamente, vamos a arrastrar el ID del animal al color. También lo arrastraremos hacia abajo hasta el eje X, para obtener un diagrama de caja diferente para cada animal. Veremos que el animal N091, que está resaltado ahora, está más abajo. Tiene una menor elongación, por lo que se mantiene más elástico en comparación con los otros ratones.
Voy a eliminar esos valores atípicos porque no me preocupa demasiado. Quiero revisar los datos principales. Voy a cambiar un poco los estilos, pero como pueden ver, comparado con los otros animales, este es un poco peculiar.
Aquí están los dos gráficos que hicimos antes, y analizamos un tercio del porcentaje de tiempo que este animal pasó inmóvil. Se puede ver que es bastante sedentario. En estos tres gráficos, vimos que el seguimiento de este animal estaba desalineado. Algo ocurrió con el video, pero cuando lo compartí con mis colaboradores, pudieron solucionarlo. Usamos Graph Builder para identificar este problema en este gran conjunto de datos y solucionarlo.
Ahora, nuestro siguiente ejemplo es un poco menos llamativo. Simplemente confirma que los patrones que esperamos ver están ahí. Las señales de dopamina, un neurotransmisor en el cerebro, disminuyen con el tiempo a medida que las observamos. Con estos gráficos, tenemos el tiempo en la X y la señal en la Y. ¿Lo ven? La señal de dopamina disminuye con el tiempo, tal como lo prevemos.
Tras recopilar esta señal de dopamina, se le aplica un algoritmo de corrección para corregir dicha disminución con el tiempo. Queríamos asegurarnos de que también funcionara. Vemos un gráfico rápido y sencillo, coloreado para cada animal. Se ve bien. Con esta comprobación rápida y sencilla, pudimos confirmar que este clasificador y las señales se recopilaban y funcionaban según lo previsto. Es bueno para el control de calidad y para la investigación.
Ahora, nuestro último paso fue confirmar un clasificador de movimiento. El movimiento podría ser inactivo o muy activo, pero no ambos. Estos animales no deberían estar corriendo y sedentarios al mismo tiempo. Revisaremos el Constructor de Gráficos para asegurarnos de que ningún dato se clasifique como muy activo e inactivo a la vez.
Vamos a arrastrar esas dos columnas a nuestro gráfico y cambiaremos a puntos de nuevo, ya que me gustan los puntos después de cambiarlos por la identificación del animal. Pueden ver el gran espacio en blanco en la esquina superior derecha. Ahí es donde veríamos si el clasificador se equivocó e indicó que algo estaba muy activo y no activo al mismo tiempo. Efectivamente, está en blanco. Se ve bien. Esto también confirma que nuestro clasificador funciona correctamente y no cometió este error.
Hemos cumplido nuestros objetivos. Analizamos un complejo conjunto de datos de fotometría de fibra recopilados a lo largo del tiempo, obtuvimos esos datos longitudinales y utilizamos JMP Graph Builder para controlar la calidad de este conjunto de datos de forma rápida y sencilla, garantizando así una investigación fiable y de alta calidad. Si desea obtener más información sobre la dopamina y la noradrenalina en el cerebro y cómo funcionan con estos ratones en particular, escanee el código QR; le llevará a nuestro artículo. Espero que haya aprendido algo. Gracias.
