Deep behavioural phenotyping of the Q175 Huntington disease mouse model: effects of age, sex, and weight
Notice bibliographique
Résumé
BACKGROUND: Huntington disease (HD) is a neurodegenerative disorder with complex motor and behavioural manifestations. The Q175 knock-in mouse model of HD has gained recent popularity as a genetically accurate model of the human disease. However, behavioural phenotypes are often subtle and progress slowly in this model. Here, we have implemented machine-learning algorithms to investigate behaviour in the Q175 model and compare differences between sexes and disease stages. We explore distinct behavioural patterns and motor functions in open field, rotarod, water T-maze, and home cage lever-pulling tasks. RESULTS: In the open field, we observed habituation deficits in two versions of the Q175 model (zQ175dn and Q175FDN, on two different background strains), and using B-SOiD, an advanced machine learning approach, we found altered performance of rearing in male manifest zQ175dn mice. Notably, we found that weight had a considerable effect on performance of accelerating rotarod and water T-maze tasks and controlled for this by normalizing for weight. Manifest zQ175dn mice displayed a deficit in accelerating rotarod (after weight normalization), as well as changes to paw kinematics specific to males. Our water T-maze experiments revealed response learning deficits in manifest zQ175dn mice and reversal learning deficits in premanifest male zQ175dn mice; further analysis using PyMouseTracks software allowed us to characterize new behavioural features in this task, including time at decision point and number of accelerations. In a home cage-based lever-pulling assessment, we found significant learning deficits in male manifest zQ175dn mice. A subset of mice also underwent electrophysiology slice experiments, revealing a reduced spontaneous excitatory event frequency in male manifest zQ175dn mice. CONCLUSIONS: Our study uncovered several behavioural changes in Q175 mice that differed by sex, age, and strain. Our results highlight the impact of weight and experimental protocol on behavioural results, and the utility of machine learning tools to examine behaviour in more detailed ways than was previously possible. Specifically, this work provides the field with an updated overview of behavioural impairments in this model of HD, as well as novel techniques for dissecting behaviour in the open field, accelerating rotarod, and T-maze tasks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».