CC BY
26званных потенциалов. Больше всего это выражено во фронтальных (компонент C1, P2, SNV), центральных (компонент N1, N2) и правой височной (компонент P2) областях мозга. В теменных областях было отмечено уменьшение амплитуды и латентности компонента P3.
Заключение: Результаты исследования показали, что при выполнении задач, требующих высокой концентрации внимания, в случае неправдивых (лживых) ответов задействуется больше ресурсов мозга, чем при правдивых ответах, что выражается в повышении амплитуды компонентов вызванных потенциалов, связанных с селективным вниманием.
Список литературы:
1. Киреев М. В. Системная организация работы мозга при обеспечении целенаправленного поведения. г. Санкт-Петербург. — 2017. [Место защиты: С.-Петерб. гос. Ун-т].- 304 с.
2. Киреев М. В., Коротков А. Д., Медведев С. В. Исследование методом функциональной магнитно-резонансной томографии мозгового обеспечения сознательной лжи//Физиология человека. Т. 38. № 1.- 2012.- с. 41—51.
3. Наатанен Р. Внимание и функции мозга. М.: Изд-во МГУ — 1998. — 560 с.
4. Luck S. J., Emily S. Kappenman. Erp components and selective atten-tion.//FIRST-PROOF, 24.05.2011. GLYPH. -P. 295—327.
УДК 57.081.23
B. Мыров1'2'3, Д. Божко1, Г. Галумов1, А. Половьян1,
C. Колчанова1, А. Калуев
1 ZebraML, Санкт-Петербург, Россия
2 Центр Нейронаук, Хельсинский институт наук о жизни, Хельсинки, Финляндия
3 Департамент Нейронаук и Биомедицинской инженерии, Университет Аалто, Хельсинки, Финляндия
4 Институт Фармакологии, Юговосточный Университет, Чунцин, Китай
Vladislav O. Myrov123, Dmitrii V. Bozhko1, Georgii K. Galumov1, Alexander I. Polovjan1, Sofiia M. Kolchanova1, and Allan V. Kalueff4
1 ZebraML, St. Petersburg, Russia
2 Neuroscience Center, Helsinki Institute of Life Science, University of Helsinki, Helsinki, Finland
3 Department of Neuroscience and Biomedical Engineering, Aalto University, Helsinki, Finland
4 School of Pharmacy, Southwest University, Chongqing, China
E-mail: vladislav.myrov@zebraml.com
АВТОМАТИЗИРОВАННЫЙ АНАЛИЗ ИЗМЕНЕНИЙ В ЛОКОМОТОРНОМ ПОВЕДЕНИИ У МОДЕЛЬНЫХ ОРГАНИЗМОВ ПОД ВОЗДЕЙСТВИЕМ ПСИХОАКТИВНЫХ ВЕЩЕСТВ
AUTOMATED ANALYSIS OF ZEBRAFISH LOCOMOTOR BEHAVIOUR UNDER THE INFLUENCE OF PSYCHOACTIVE DRUGS
DOI
Аннотация: Изменения в движении модельных организмов используются для определения эффекта лекарственных веществ на этапе доклинических испытаний. В этой работе мы представляем новый метод автоматического анализа данных о передвижении животных, определяющий схожесть эффекта с ранее известными веществами на основе классификации. Метод позволяет установить действующее вещество по отрывкам записей движения, сравнить с базой данных и получить возможный поведенческий эффект.
Ключевые слова: локомоция; данио-ренио; нейронные сети; машинное обучение; классификация.
Abstract: Behavioural changes in model organisms are often used to quantify an effect of drugs of interest during preclinical trials. In this study we present a novel method of automated analysis of locomotor behaviour to assess similarity with already known drugs based on classification probabilities. The method allows to classify a drug based on short recordings, compare it with a database and quantify a possible behavioural effect.
Keywords: locomotion; zebrafish; neural networks; machine learning; classification
Современное тестирование лекарств на этапе доклинических испытаний включает в себя обработку огромного количества данных по поведению модельных организмов под воздействием исследуемых химических факторов [1]. Для сравнения используются характеристики поведения такие как средняя скорость, ее вариабельность или положение организма в арене. Недостатком такого подхода является невозможность сравнения сложных паттернов поведения, где эти статистики сходны, хотя само поведение различно. Так же невозможно сказать насколько схожи два вещества и выделить самое близкое к исследуемому [2]. В данной работе мы представляем метод исследования сложных паттернов движения, позволяющий обрабатывать большой объем экспериментальных данных и автоматически классифицировать вещества [3].
Методика: В работе использовался датасет видеозаписей свободного передвижения рыб данио-рерио в аквариуме из которых 204 записи относятся к контрольной группе, а остальные относятся к различным психоактивным веществам: ареколин, ЛСД, псилобицин, ТГК, МДМА, ибогаин, никотин, мескалин, кокаин, AP и этанол. Видеозаписи были порезаны на сегменты длиной 30 секунд. На сегментах была обучена сверточная нейронная сеть для предсказания типа действующего вещества. По результатам классификации на тестовой выборке была посчитана точность, построена матрица смежности веществ и оценена схожесть поведенческих шаблонов.
Результаты: Результаты классификации контроля и действующего вещества показали значимое отличие поведения от контрольной группы для ареколина (точность 90 %), PCP (точность 87 %), никотина (точность 73 %) и MDMA (точность 71 %). Эксперимент с использованием всех классов показал, что по результатам схожести веществ получилось три кластера: самый небольшой это объединенный МДМА с ЛСД, большой кластер состоящий из мескали-на, псилобицина, кокаина, кофеина, THC и AP, а этанол и ибогаин оказались наиболее схожи с контролем т. к. не показали значимых поведенческих отличий (фигура 1.).
Интересно, что при сравнении концентраций, схожее количество вещества показало высокую степень взаимной классификации, например дозы MDMA в 80 и 120 мг показали высокую степень взаимной классификации, а также LSD часто предсказывался как MDMA, особенно в высокой дозировке (120 мг). Авторы объясняют это единым фармакологическим эффектом, воздействием на серо-
тониновую систему и, следовательно, схожим изменением поведения модельных организмов.
Благодаря использованию не всей записи, а коротких отрезков и последовательного предсказания класса для них, был произведен и анализ воздействия во времени. В частности, MDMA показало наибольшую схожесть с ареколином на отрезке 5—10 минут, а эффект никотина и ареколина одинаковую динамику во времени.
Заключение: Возможно использование машинного обучения, а в частности сверточных нейронных сетей в задачах автоматизированного анализа поведения модельных организмов. Метод ускоряет анализ, позволяя анализировать большие объемы данных, обработка которых ранее была бы либо слишком долгой, либо попросту невозможной в силу огромного объема ручных работ. Используя данный подход, была классифицирована большая выборка видеозаписей ло-комоции и выявлены семейства схожих по своему воздействию веществ. Так же данный метод применим не только для анализа движения рыб, но и других модельных организмов, например крыс.
Список литературы:
1. Rupert J. Egan et. al., Understanding behavioral and physiological phenotypes of stress and anxiety in zebrafish, Behavioural Brain Research, 2009
2. Fitzgerald, J. A., Kirla, K. T., Zinner, C. P. et al. Emergence of consistent intra-individual locomotor patterns during zebrafish development. Sci Rep 9, 13647 (2019).
3. Dmitrii V. Bozhko et. al. Artificial intelligence-driven phenotyping of zebrafish psychoactive drug responses, Progress in Neuro-Psy-chopharmacology and Biological Psychiatry, 2021
УДК 612.821
Неклюдова А. К., Сысоева О. В.
ФГБУН Институт высшей нервной деятельности и нейрофизиологии РАН, Москва, Россия.
Neklyudova A. K., Sysoeva O. V.
Institute of Higher Nervous Activity and Neurophysiology RAS, Moscow, Russia E-mail: anastacia.neklyudova@gmail.com
УСТОЙЧИВАЯ НЕГАТИВНАЯ ВОЛНА В ОТВЕТ НА 40 ГЦ СЛУХОВУЮ СТИМУЛЯЦИЮ ПРИ СИНДРОМЕ АНГЕЛЬМАНА И СИНДРОМЕ РЕТТА
SUSTAINED NEGATIVE WAVE IN RESPONSE TO 40 HZ AUDITORY STIMULATION IN RETT AND ANGELMAN SYNDROMES
DOI
Аннотация: В работе исследуется ответ мозга на 40 Гц-стимуля-цию щелчками при синдроме Ретта и синдроме Ангельмана. Ответ нарушен при синдроме Ретта, но не при синдроме Ангельмана. Это указывает на специфичность данного нарушения при синдроме Ретта
