Role for G Protein Gβγ Isoform Specificity in Synaptic Signal Processing: A Computational Study
Notice bibliographique
Résumé
Computational modeling is used to investigate the functional impact of G protein-mediated presynaptic autoinhibition on synaptic filtering properties. It is demonstrated that this form of autoinhibition, which is relieved by depolarization, acts as a high-pass filter. This contrasts with vesicle depletion, which acts as a low-pass filter. Model parameters are adjusted to reproduce kinetic slowing data from different Gbetagamma dimeric isoforms, which produce different degrees of slowing. With these sets of parameter values, we demonstrate that the range of frequencies filtered out by the autoinhibition varies greatly depending on the Gbetagamma isoform activated by the autoreceptors. It is shown that G protein autoinhibition can enhance the spatial contrast between a spatially distributed high-frequency signal and surrounding low-frequency noise, providing an alternate mechanism to lateral inhibition. It is also shown that autoinhibition can increase the fidelity of coincidence detection by increasing the signal-to-noise ratio in the postsynaptic cell. The filter cut, the input frequency below which signals are filtered, depends on several biophysical parameters in addition to those related to Gbetagamma binding and unbinding. By varying one such parameter, the rate at which transmitter unbinds from autoreceptors, we show that the filter cut can be adjusted up or down for several of the Gbetagamma isoforms. This allows for great synapse-to-synapse variability in the distinction between signal and noise.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».