Акустические признаки ультразвуковых вокализаций крыс, лежащие в основе эмоциональных реакций

Введение

Ультразвуковые вокализации (USVs) крыс являются ключевым инструментом социальной коммуникации, позволяющим передавать эмоциональное состояние. Традиционно USVs классифицируются на два основных диапазона: ~22 кГц (отрицательные эмоции, такие как страх или боль) и ~50 кГц (положительные эмоции, такие как ожидание вознаграждения или игровое поведение). Несмотря на обширные поведенческие корреляции, точные акустические параметры, которые формируют реакцию слушателя, остаются не полностью изученными.

В данном исследовании мы систематически разделили вклад трех основных акустических признаков – **средней частоты (MF)**, **продолжительности вокализации (D)** и **частотномодуляционных изменений (FMI)** – в формировании физиологических (вариабельность сердечного ритма, HRV) и поведенческих (время пребывания в радиальном лабиринте) реакций. Работа также обеспечивает расшифровку всех специальных терминов, что делает её доступной для широкой научной аудитории.

Методы исследования

Животные и субъекты

Самцы крыс породы Wistar (n = 24) в возрасте 8–12 недель содержались в стандартных условиях с контролем температуры и светового режима. Все процедуры были одобрены Комитетом по контролю за экспериментами на животных Университета Токио (разрешение № 27−8) и соответствуют руководящим принципам ARRIVE.

Запись ультразвуковых вокализаций

Естественные USVs записывали с использованием ультразвукового микрофона (рельеф 40 кГц), усиленного и оцифрованного аппаратурой с частотой дискретизации 200 кГц. Записи проводились во время взаимодействия крыс с сопоставимыми контекстами: одиночное преодоление открытого пространства (источник негативных 22 кГц-клипов) и период ожидания вознаграждения (источник позитивных 50 кГц-клипов). Эти записи легли в основу синтетических стимулов.

Создание синтетических стимулов

Мы использовали методы **подмена акустических параметров** следующим образом: (i) swapping MF 22 кГц на MF 50 кГц, сохраняя исходную D (обозначено как 22‑>50 MF); (ii) swapping D 22 кГц на D 50 кГц, сохраняя исходную MF (22‑>50 D); (iii) комбинированное изменение обоих параметров (MF+ D). Полученные стимулы хранятся в формате WAV и воспроизводятся через акустическую систему (до 30 дБSPL на расстоянии 30 см от животного). Индекс частотномодуляционных изменений (FMI) рассчитывался по стандартной формуле (см. раздел «Акустические определения» ниже).

Физиологические измерения

Электрокардиограммы (ЭКГ) записывались с помощью биологического усилителя (направление 1000 Гц, разряд 12 бит). Интервалы между последовательными комплексами QRS (R–R интервалы) экспортировались для последующего анализа HRV. Используемые параметры HRV включали:

• RRI – среднее значение интервалов R–R (мс).
• SDNN – стандартное отклонение интервалов R–R (мс), отражающее общую вариабельность.
• rMSSD – корень квадратный средних квадратов последовательных разностей интервалов R–R (мс), отражающий кратковременную вариабельность.

Все сигналы обрабатывались с помощью скриптов NeuroKit, чтобы обеспечить согласованность дефференциации и интерполяции.

Поведенческий эксперимент – радиальный лабиринт

Каждая крыса подвергалась тесту на «звуковую платформу» в модификации радиального лабиринта (7 лучей, каждый длиной 1 м). В центре расположена поднимающаяся платформа, которую можно услышать только при проигрывании USVs. После периода адаптации к лаборатории крысе предлагалось остаться на звуковой платформе в течение 5 минут, в то время как время пребывания на других лучах регистрировалось автоматически (с помощью инфракрасной системы слежения). Это временное измерение (в секундах) служило поведенческим результатом.

Акустические определения и расшифровка терминов

• USV (ультразвуковая вокализация) – короткие звуки частотой 15–150 кГц, издаваемые грызунами; часто обозначаются как «ультразвук».
• MF (средняя частота) – среднее значение частоты в кГц для отдельного клипа; напрямую коррелирует с эмоциональным контекстом (22 кГц ≈ негативно, 50 кГц ≈ позитивно)
• D (продолжительность вокализации) – время trvání одного USV в миллисекундах; влияет на интенсивность восприятия.
• FMI (индекс частотномодуляционных изменений) – измеритель изменения частоты внутри одного клипа; выражает сложность акустического сигнала.
• HRV (вариабельность сердечного ритма) – естественные колебания времени между сердечными сокращениями; показатель автономной нервной регуляции.
• ECG (электрокардиограмма) – запись электриальной активности сердца; используется для извлечения R–R интервалов.
• GLM (обобщенная линейная модель) – статистическая модель, связывающая линейные предсказатели с ответной переменной; применялась для оценки влияния MF и D.
• AIC (критерий Аикаке) – мера качества модели, корректированная на сложность; используется для выбора лучших моделей.
• WAIC (широко применимый информационный критерий) – расширение AIC для Bayes-моделей; обеспечивает оценку предсказательной способности.
• MCMC (марковска цепь Монте-Карло) – метод эмпирического интегрирования; использовался для оценки априорных распределений.

Статистический анализ

Для проверки гипотез использовали **Bayes-модели**, реализованные в PyMC3. Каждая модель включала HRV-индекс (RRI, SDNN, rMSSD) в качестве целевой переменной; предикторами были MF, D и FMI. Эффективное число параметров (ENBP) определялось с помощью **MCMC** (50 000 итераций, 5 000 итераций подогрева). Качество модели оценивалось с помощью **WAIC** и **AIC**. Для сравнения неперекрывающихся моделей использовался **bayes‑factor** (BF > 3 свидетельствует о значимой поддержке). Все статистические тесты проводились с использованием α = 0.05 после коррекции на множественные сравнения (метод Бенджамини–Хochberg).

Результаты

Физиологические реакции

Проигрывание естественных негативных 22 кГц USVs привело к значительному увеличению **RRI** (среднее изменение = +12.3 мс, 95 % CrI = [7.1, 17.5]; BF = 12.8), что указывает на замедление сердечного ритма (повышение парасимпаторного тонуса). Напротив, проигрывание позитивных 50 кГц USVs не повлияло на RRI (изменение = +1.2 мс, 95 % CrI = [‑3.4, 5.9]), и Bayes-модель с FMI как предиктором имела наилучшую адаптацию (WAIC = ‑123.4) по сравнению с моделями, включающими MF или D (WAIC ≈ ‑108.7). Аналогичные модели для SDNN и rMSSD показали незначимое влияние всех акустических признаков после коррекции на множественные сравнения.

Поведенческие реакции

В поведенческом тесте **время пребывания на звуковой платформе** продемонстрировало сильную зависимость от MF (коэффициент = 0.47 с/кГц, 95 % CrI = [0.31, 0.63]) и D (коэффициент = 0.21 с/мс, 95 % CrI = [0.09, 0.33]), при этом FMI не оказал значимого эффекта (коэффициент = ‑0.04 с/единица, 95 % CrI = [‑0.12, 0.04]). Bayes-модели с MF + D совместно обеспечили превосходную предсказательную способность (WAIC = ‑95.2), в то время как модель с только FMI имела значительно более низкую адаптацию (WAIC = ‑78.9).

Обсуждение

Данные результаты подтверждают гипотезу о том, что **средняя частота и продолжительность вокализации являются основными акустическими признаками, информирующими слушателя о эмоциональном состоянии**. Независимое влияние MF и D согласуется с результатами поведенческих исследований у людей, где тональность и темп речи влияют на восприятие эмоций. Отсутствие эффекта FMI указывает на то, что сложность частотномодуляционных изменений, хотя и представляет интерес для кодирования нюансов, не является необходимым для базовых эмоциональных реакций в данном контексте.

С физиологической точки зрения, негативные 22 кГц USVs инициируют парасимпатический ответ (увеличение RRI), в то время как позитивные 50 кГц USVs не вызывают заметных изменений HRV. Это соответствует концепции «сигнал-убегай» для негативных эмоций, в то время как позитивные сигналы могут служить для укрепления социальных связей без сильного влияния на автономную регуляцию.

В поведенческом тесте более высокая MF и более длительная D увеличивали время пребывания крыс на звуковой платформе, предполагая, что слушатели активно ищут источник эмоционально значимого сигнала. Это находит параллель в исследованиях человеческой речи, где высокая тональность и медленная речь увеличивают внимание слушателя.

В практическом плане понимание конкретных акустических признаков может способствовать разработке более точных поведенческих маркеров для моделей стресса, тревоги и депрессии у грызунов. Кроме того, полученные данные могут быть использованы в области нейроинженерии для создания бионических систем аудио-восприятия, имитирующих эмоциональную передачу.

Заключение

Настоящее исследование продемонстрировало, что **средняя частота и продолжительность вокализации являются основными акустическими параметрами, определяющими эмоциональные реакции у слушателей**, в то время как частотномодуляционные изменения играют вторичную роль. Результаты предоставляют четкую количественную основу для будущих работ по изучению эволюции эмоциональной коммуникации и могут быть использованы в междисциплинарных исследованиях, объединяющих нейробиологию, психология и информатику.

Дополнительная информация

Источники финансирования

Исследование было поддержано грантом MEXT/JSPS на научные исследования инновационных областей #4903 (Evolinguistics) (номер JP17H06380), стипендией JSPS Research Fellow (JP18J13784), грантом KAKENHI (S) (JP23H05428) и грантом Early‑Career Scientist (JP25K17215). Авторы благодарят членов лаборатории Оканаи в Университете Токио и Teikyo University за полезные дискуссии.

Декларация этических норм

• Конкурирующие интересы: Авторы сообщают об отсутствии конкурирующих интересов.
• Этические нормы: Все эксперименты на животных были одобрены Комитетом по контролю за экспериментами на животных Университета Токио (разрешение № 27−8) и проведены в соответствии с Правилами экспериментов на животных Университета Токио и руководящими принципами ARRIVE.

Дополнительные материалы

Электронные дополнительные материалы доступны по ссылке: https://example.org/supplementary‑material‑1.docx.

Список литературы

1. Фишер, А. и Фостер, Дж. (2021). Ультразвуковые вокализации у грызунов как индикаторы эмоций. *Neuroscience & Biobehavioral Reviews*, 124, 102‑119.

2. Ли, Х. и Мюррей, Р. (2022). Влияние частоты и продолжительности вокализаций на восприятие у крыс. *Journal of Experimental Biology*, 225(10), jeb238901.

3. Гарсия, М., Санчез, Л. и Ортис, К. (2020). Bayes-моделирование в поведенческих исследованиях: практическое руководство. *Methods in Psychology*, 3, 100041.

4. Оканаи, К. (2019). Эволюционная лингвистика ультразвуковой речи. *Trends in Cognitive Sciences*, 23(6), 512‑525.

5. Национальный совет по научным стандартам (2019). Руководящие принципы исследования HRV у грызунов. *Physiological Reports*, 7(4), e14325.

6. Ли, Дж. и Ким, С. (2023). Частотномодуляционные изменения в эмоциональной вокализации крыс. *PLOS ONE*, 18(2), e0282014.

7. Ван, X., Чжоу, Y. и Лин, Z. (2024). Комплексный анализ данных ЭКГ с использованием PyMC3. *Bioinformatics*, 40(3), i210‑i218.

8. Спивак, Л., Кларк, Э. и Сэвидж, К. (2021). Радиальный лабиринт как поведенческая парадигма для изучения акустической предпочтительности. *Behavioural Brain Research*, 406, 113203.

9. Zhang, Y., Liu, P. и Wang, Q. (2022). Bayes-модели в анализе HRV: сравнение AIC, WAIC и DIC. *Statistical Methods in Medical Research*, 31(5), 1123‑1139.

10. Suter, R. et al. (2023). Структура ультразвуковых вокализаций крыс: межвидовые сравнения. *Journal of Mammalogy*, 104(1), 150‑162.

Связи с другими разделами

Для более глубокого изучения смежных тем попробуйте следующие направления:

• Нейронаука – исследования эмоционального обучения.
• Физиология – механизмы автономной регуляции.
• Психология – восприятие человеческой речи.