The dark phase improves genetic discrimination for some high throughput mouse behavioral phenotyping
Notice bibliographique
Résumé
Dark-phase testing has previously been shown by others to improve the outcome of some 'classical' behavior test situations. However, the importance of such ethological correctness and the effect of the light/dark cycle on high throughput behavioral testing situations such as 'mutant vs. wild type' and 'screening', are less or unknown, respectively. These testing situations differ from the 'classical' in that they are designed primarily to discriminate between genetically different mice rather than provide a detailed assessment of ability or psychosocial state. Here we test the hypotheses that dark-phase testing affects the outcome of high throughput behavioral tests and that dark-phase testing improves discrimination between genetically distinct mice (C57BL/6J, 129S1/SvImJ and B6129F1) using high throughput behavioral tests. Our results demonstrate that, although all successful tests showed some effect of phase, only the SHIRPA primary screen, open-field test and motor learning on the rotarod showed improved strain discrimination in the dark phase. Surprisingly, the social interaction test did not show a clear benefit to either phase, and interestingly, the tail-flick test discriminated strains better in the light phase. However, since the preponderance of our data shows that dark-phase testing improves, or does not affect, strain discrimination, we conclude that for these strains and tests, dark-phase testing provided superior outcomes. If discrimination is not achieved in the dark phase, then light phase-testing would be undertaken.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».