情绪反应动物模型的研究进展

情绪在日常生活中对人的影响巨大,而情绪反应引发疾病并影响其发展的机制尚未清晰。为追本求源,情绪反应动物模型的建立显得尤为重要。但是从情绪模型诞生起,就存在造模方法的缺陷,如存在躯体的应激。同时,模型的评价也不尽客观。而寻找其解决方法对于完善模型和扩大模型的应用极为重要。现对常见的情绪反应动物模型的造模方法和评价方法进行综述,以期为情绪反应动物模型的研制提供可资借鉴的思路与方法学参考。     

郁怒诱发经前期综合征肝气郁证猕猴模型血清单胺类神经递质含量分析

目的：观察猕猴血清中单胺类神经递质含量的变化,探讨血清中单胺类神经递质在郁怒诱发经前期综合征（premenstrualsyndrome,PMS）肝气郁证猕猴模型中的作用。方法：以雌性实验猕猴为对象,分为正常组、郁怒情绪反应组、PMS肝气郁证模型组和治疗组。应用社会等级压力应激法诱导猕猴出现“怒”的情绪反应,然后筛选出郁怒情绪反应猕猴进行择时挤压造模,制备PMS肝气郁证猕猴模型。造模成功后,采用雌性实验猕猴情绪评价量表进行行为学评价,并于卵泡期或黄体中晚期采集猕猴血清,分析血清去甲肾上腺素、多巴胺、5-羟色胺含量。结果：与正常对照组相比,PMS肝气郁证模型组和郁怒情绪反应组猕猴的量表抑郁情绪积分显著高于对照组（P〈0．01,P〈0．05）,且造模组显著高于情绪反应组（P〈0．05）,用药后恢复正常;与正常对照组相比,PMS肝气郁证模型组和郁怒情绪反应组猕猴血清单胺类神经递质含量显著升高（P〈0．05,P〈0．01）,肝气郁证模型组也显著高于情绪反应组（P〈0．05）,用药后恢复正常。结论：郁怒情绪极易诱发PMS肝气郁证,其机制与单胺类神经递质改变有关。     

抑郁情绪模型大鼠旷场数据的聚合分析

背景:多次测量正常大鼠的旷场数据,以加和方式进行数据聚合,可显著提高旷场指标的稳定性与一致性,此方法对造模后大鼠的旷场行为是否适用?目的:分析抑郁情绪模型大鼠旷场实验中活动量总得分的最佳聚合方式。方法:采用慢性温和刺激法复制抑郁情绪大鼠模型。在4周的造模过程中,每隔1周采集1次旷场行为学指标。采用两两聚合的分析方法(连续聚合,间隔聚合,立意聚合)处理数据,比对不同聚合手段对模型制备信度及相关性的影响。结果与结论:①一致性系数Kappa结果:间隔聚合与立意聚合的聚合方式都能得到较好的可信度(Kappa=0.611,P<0.05),连续聚合方式可信度一般(Kappa=0.222)。②组内相关系数ICC结果:只有立意聚合的可信度极好(ICC=0.835,P<0.01),间隔聚合方式呈较好可信度(ICC=0.792,P<0.05),连续聚合方式可信度差(ICC=0.196)。说明恰当的立意聚合可以大幅提升抑郁情绪大鼠旷场数据的可信度与稳定性。     

抑郁情绪大鼠模型中糖水偏好实验数据的聚合分析

目的 探讨抑郁情绪大鼠模型糖水偏好实验(Sucrose preference test,SPT)中糖水偏好SP(Sucrose preference,sp)系数的最佳聚合方式.方法 慢性温和刺激法复制抑郁情绪大鼠模型.4周造模过程中,每隔一周采集一次大鼠的行为学数据,并对糖水偏好实验数据采用两两聚合的分析方法处理.比对不同聚合手段对模型制备信度及相关性的影响.结果 ①一致性系数(Kappa)结果显示,只有第3种聚合方式能得到较高的可信度(Kappa=0.611),②组内相关系数(ICC)结果表明,聚合方式中TM的可信度最高(ICC=0.910).结论 恰当的数据聚合方式可以大幅提升抑郁情绪大鼠糖水偏好实验中数据的可信度与稳定性.     

山东省罗庄区2种铁线莲的指纹图谱研究

目的 建立山东省罗庄区2种铁线莲(太行铁线莲和长冬草)与威灵仙标准药材及棉团铁线莲标准药材的指纹图谱,通过对比4者指纹图谱,研究其内在成分的差异性.方法 采用高效液相色谱法,WondaSil C18色谱柱(4.6 mm×250 mm,5μm)乙腈-0.2％磷酸水溶液进行梯度洗脱,检测波长210 nm,柱温25℃,流速0.8 mL·min-1,对4种铁线莲进行检测.结果 建立4种铁线莲的指纹图谱,经过对比其相似度较高,共有峰面积占各自峰总面积比例较高.结论 太行铁线莲及长冬草与威灵仙2种标准药材主要成分相似.     

基于猕猴面部图像特征的计算机自动定位方法

目的提出一种基于猕猴面部图像特征的计算机自动定位方法。方法针对猕猴面部图像的特点建立其在HSI颜色空间中的肤色模型,然后根据各分量的阈值对图像进行分割,分割后的结果再经过数学形态学的腐蚀与膨胀处理得到猕猴面部较为完整的区域。结果基于面部器官位置的相对比例关系,实现了对猕猴眼睛、嘴巴等特征部位的自动定位,并且使用边缘提取算子获取了特征部位的细节轮廓。结论本文的算法经过了猕猴面部图像的测试,能准确的自动定位猕猴面部并找到眼部与嘴部区域,其结果可以为进一步的表情识别提供依据。