Modeling behavior to disentangle motion-related effects in functional ultrasound imaging in awake, head-fixed mice

Deze studie introduceert een gedragsgebaseerd modeleringskader dat bewegingsartefacten in functionele ultrasone beeldvorming bij wakker, vastgehouden muizen effectief corrigeert, waardoor betrouwbare hersenactiviteitsmetingen mogelijk worden tijdens natuurlijke, bewegingsrijke gedragstaken.

De kern

Stel je voor dat je een heel gevoelige camera hebt die in staat is om te zien wat er gebeurt in de hersenen van een muis. Deze camera, genaamd fUSI (functionele ultrasone beeldvorming), werkt als een superkrachtige echo-apparatuur. Hij ziet hoe bloed door de hersenen stroomt, en omdat bloed stroomt waar de hersenen actief zijn, kunnen we zo "denken" van de muis zien.

Het probleem? Muizen zijn niet stil. Ze rennen, ze trillen, ze zijn nerveus. En elke beweging van de muis maakt de foto's wazig, net als wanneer je probeert een foto te maken terwijl je zelf trilt. De beweging van de muis verstoort het signaal zo erg dat je niet meer weet: Is die hersenactiviteit door de prikkel (bijvoorbeeld een lichtje of een pijnlijke schok), of is het gewoon omdat de muis zijn pootjes bewoog?

Dit artikel vertelt over een slimme nieuwe manier om dit op te lossen.

De Probleemstelling: De "Rommel" in de Signaal

Stel je voor dat je een gesprek probeert te horen in een druk café.

• De hersenactiviteit is de stem van je vriend.
• De beweging van de muis is het geschreeuw van de rest van het café.

Vroeger probeerden wetenschappers het gesprek te horen door simpelweg de "luidste" geluiden weg te filteren (een techniek genaamd PCA). Maar dat is alsof je de hele radio uitzet omdat er te veel lawaai is. Je hoort dan misschien geen lawaai meer, maar je hoort je vriend ook niet meer. Je gooit soms waardevolle informatie weg.

De Oplossing: De "Vertaler" voor Beweging

De onderzoekers uit dit artikel hebben een slimme oplossing bedacht: gedrag in het model opnemen.

In plaats van te raden wat beweging doet, meten ze precies wat de muis doet:

1. Hoe hard rennen ze? (Met een wieltje).
2. Hoe veel trilt hun hoofd? (Met een kleine versnellingsmeter).

Vervolgens gebruiken ze een wiskundig model (een soort slimme rekenmachine, een GLM) dat zegt: "Oké, we zien dat de muis hard rent. Laten we dat specifieke geluid van het rennen eruit halen, zodat we alleen nog maar het gesprek van onze vriend horen."

Het is alsof je een noise-cancelling koptelefoon hebt, maar dan voor hersenbeelden. Maar in plaats van alleen geluid te wissen, weet deze koptelefoon precies wat voor geluid het is (rennen, trillen) en wist alleen dat specifieke geluid, terwijl het gesprek (de hersenactiviteit) helder blijft.

Twee Proeven: Rustig Kijken vs. Pijnlijke Schokken

De onderzoekers testten hun methode op twee situaties:

1. De Rustige Situatie (Visuele prikkel): De muis kijkt naar bewegende strepen op een scherm. Soms rent de muis een beetje, soms niet.

   • Resultaat: De nieuwe methode kon precies zien welke delen van de hersenen reageerden op de strepen, zelfs als de muis tegelijkertijd een beetje rende. De oude methoden maakten de foto's wazig of verwijderden te veel informatie.

2. De Stressvolle Situatie (Pijnlijke schok): De muis krijgt een klein, pijnlijke schokje aan zijn staart. Dit zorgt ervoor dat de muis direct wegrent en in paniek raakt.

   • Resultaat: Dit is de echte uitdaging. De beweging en de pijn gaan hand in hand. De oude methoden dachten dat de hersenen reageerden op de beweging, niet op de pijn. Maar de nieuwe methode kon de twee van elkaar scheiden! Ze konden zien dat het pijncentrum in de hersenen (S1) echt reageerde op hoe sterk de schok was, zelfs terwijl de muis als gek rende.

Waarom is dit belangrijk?

Vroeger moesten wetenschappers muizen heel stil houden of alleen heel simpele dingen doen om hun hersenen te bestuderen. Dat is niet echt hoe muizen (of mensen) leven. Ze rennen, ze beslissen, ze voelen emoties.

Met deze nieuwe methode kunnen we nu:

• Hersenactiviteit bestuderen terwijl muizen echt gedrag vertonen (rennen, sociale interactie, beslissingen nemen).
• Emoties en gevoelens onderzoeken zonder dat de beweging van de muis de resultaten verpest.
• Betere resultaten krijgen zonder data weg te gooien.

Samenvattend

Stel je voor dat je een schilderij probeert te maken van een dansende muis. Vroeger was het schilderij altijd wazig omdat de muis bewoog. Nu hebben de onderzoekers een nieuwe verf en een nieuwe techniek ontwikkeld. Ze kunnen de beweging van de muis "opmeten" en die beweging uit het schilderij halen, zodat je de prachtige details van de dans (de hersenactiviteit) eindelijk scherp en duidelijk kunt zien.

Dit opent de deur om veel complexere en menselijker gedrag te bestuderen in de hersenen, wat een enorme stap vooruit is voor de neurowetenschap.

Technische samenvatting

Probleemstelling

Functionele ultrasone beeldvorming (fUSI) is een krachtige techniek voor het in kaart brengen van hemodynamische activiteit in de hele hersenen van wakkeren knaagdieren. Het biedt een brug tussen dieronderzoek en menselijke neurobeeldvorming (zoals fMRI). Echter, het uitbreiden van fUSI van strikt gecontroleerde zintuiglijke paradigmas naar meer natuurlijke, complexe gedragstaken wordt beperkt door bewegingsgerelateerde verstorende factoren (confounds).

Deze verstoringen ontstaan uit drie bronnen:

1. Mechanische artefacten: Zelfs kleine verplaatsingen van de hersenen ten opzichte van de externe sonde (bij head-fixed muizen) veroorzaken grote artefacten in de gereconstrueerde beelden.
2. Systeemfysiologie: Locomotie leidt tot veranderingen in het cardiovasculaire systeem (bijv. verhoogd hartminuutvolume en arteriële pulsatie), wat de cerebrale bloedvolume beïnvloedt onafhankelijk van neurale activiteit.
3. Neurale co-activatie: Beweging activeert op zichzelf motorische en premotorische circuits, wat echte neurale signalen genereert die correleren met beweging.

Bestaande methoden om dit aan te pakken (zoals spatiotemporale "clutter filtering", het verwijderen van frames met grote beweging, of het verwijderen van de eerste hoofdcomponent (PC1) via PCA) zijn grotendeels "blind" (data-gedreven). Ze verwijderen variantie op basis van statistische eigenschappen in plaats van beweging expliciet te modelleren, wat kan leiden tot het verlies van waardevolle neurale informatie of het behoud van resterende artefacten.

Methodologie

De auteurs introduceren een gedragsgeïnformeerd modelleerframework dat expliciete, continue metingen van beweging integreert in een General Linear Model (GLM).

Experimenteel Opzet:

• Onderwerpen: Wakker, head-fixed muizen op een loopwiel.
• Paradigma's:
  1. Visuele stimulatie: Presentatie van bewegende gratings (minimale stimulus-gedreven beweging, maar spontane loopbeweging aanwezig).
  2. Nociceptieve (pijnlijke) stimulatie: Staartshocks met toenemende intensiteit. Dit induceert intense loopreacties en fysiologische opwinding, wat de scheiding tussen stimulus- en bewegingseffecten bemoeilijkt.
• Dataverzameling: fUSI-data (Power Doppler Images) werden verzameld via een craniaal venster. Tegelijkertijd werden continu gemeten:
  • Loop snelheid (via encoder op het wiel).
  • Hoofdbeweging (via een 3-assige versnellingsmeter op de headplate).

Data-analyse en Modellering:

1. Preprocessing: Detectie en interpolatie van frames met extreme beweging (op basis van versnelling of signaaluitbijters).
2. GLM-benadering: In plaats van beweging te verwijderen, wordt deze opgenomen als regressor van "niet-belang" (nuisance regressor) in het GLM.
   • De regressors omvatten: ruwe loopsnelheid, de afgeleide (versnelling), en de loopsnelheid geconvolueerd met de hemodynamische responsfunctie (HRF) om zowel directe mechanische effecten als bewegingsgerelateerde neurale activiteit te modelleren.
   • Voor de visuele taak werd ook een interactieterm tussen visuele stimulatie en loop snelheid toegevoegd.
3. Vergelijking: De prestaties van deze gedrags-GLM werden vergeleken met:
   • Een model zonder bewegingsregressors.
   • Een "blind" denoising-methode waarbij de eerste hoofdcomponent (PC1) wordt verwijderd.
   • Een referentie: een model gebaseerd op trials waarbij de muizen stilstonden (voor visuele taak) of een baseline-loopmodel (voor pijnlijke taak).

Belangrijkste Bijdragen

• Expliciete modellering: De eerste toepassing van een GLM-framework voor fUSI dat continue gedragsmetingen (loopsnelheid en hoofdbeweging) gebruikt om bewegingsvariantie expliciet te verklaren in plaats van deze te verdoezelen of te verwijderen.
• Validatie in hoge beweging: Het aantonen dat deze methode werkt in zowel lage-beweging (visueel) als hoge-beweging (pijnlijke stimulatie) scenario's.
• Behoud van biologisch relevante signalen: Het bewijs dat gedragsmodellering de interpretatie van stimulus-gerelateerde signalen verbetert zonder de data te verliezen door censoring.

Resultaten

1. Visuele Stimulatie (Lage Beweging):

• Het GLM dat loopsnelheid en de interactie met visuele stimuli expliciet modelleerde (M3), leverde effectgrootte-kaarten op die sterker correleerden met de "ground truth" (kaarten gebaseerd op stilstaande trials) dan modellen die beweging negeerden of alleen PCA gebruikten.
• Het verwijderen van PC1 (een gangbare methode) verbeterde de schatting van visuele responsen niet significant en leidde soms zelfs tot een lichte verslechtering in correlatie met de referentie.
• Conclusie: Gedragsmodellering is superieur aan blind denoising voor het isoleren van sensorische responsen.

2. Nociceptieve Stimulatie (Hoge Beweging):

• Bij staartshocks correleerde de loopreactie sterk met de stimulusintensiteit. Zonder bewegingscorrectie leken de hersenactiviteitspatronen sterk op die van beweging (bijv. in de retrospleniale cortex).
• Het gedrags-GLM (M7) slaagde erin de bewegingsvariantie te scheiden van de shock-gerelateerde activiteit.
• Kritieke bevinding: In de primaire somatosensorische cortex (S1), een gebied cruciaal voor pijnverwerking, bleef een significante, intensiteitsafhankelijke respons behouden na gedragsmodellering.
• Vergelijking met PC1: Het verwijderen van PC1 resulteerde in het volledig verdwijnen van deze intensiteitsafhankelijke respons in S1. Dit suggereert dat PC1-removal ook neurale signalen verwijdert die correleren met beweging, terwijl het gedrags-GLM deze behoudt.

3. Algemene Conclusies:

• Gedrags-GLM reduceert de correlatie tussen bewegings- en stimulus-responskaarten aanzienlijk.
• De methode behoudt de contrast-ruisverhouding (CNR) in doelgebieden beter dan PCA-gebaseerde methoden in complexe bewegingsscenario's.

Significantie en Impact

Deze studie opent de deur voor het gebruik van fUSI in natuuristischere experimentele ontwerpen bij head-fixed muizen. Door beweging expliciet te modelleren in plaats van te filteren of data te verwerpen, kunnen onderzoekers nu:

• Affectieve processen (zoals pijn en angst) en cognitieve taken bestuderen waarbij beweging inherent is aan de respons.
• Betrouwbare, hersenbrede kaarten maken van neurale activiteit tijdens complexe, zelfgegenereerd gedrag.
• De kloof overbruggen tussen gecontroleerde stimulus-paradigma's en het onderzoek van complexe, realistische gedragstoestanden.

De auteurs concluderen dat gedragsgeïnformeerde GLM's een praktische en noodzakelijke stap zijn in de standaardanalyse van fUSI-data, vergelijkbaar met hoe bewegingsparameters in fMRI-analyses worden gehanteerd. Dit maakt fUSI robuuster voor toepassing in zowel head-fixed als (potentieel) vrij bewegende preparaten.