MétaCan
Menu
Retour à la cohorte
Enregistrement W1997854340 · doi:10.1186/1471-2202-12-s1-p33

Coding motion direction by action potential patterns

2011· article· en· W1997854340 sur OpenAlexaff
Navid Khosravi, Eric S. Fortune, Maurice J. Chacron

Notice bibliographique

RevueBMC Neuroscience · 2011
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueFish biology, ecology, and behavior
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésCoding (social sciences)Action (physics)Computer scienceMotion (physics)Cognitive scienceNeuroscienceArtificial intelligencePsychologyMathematicsStatisticsPhysics

Résumé

récupéré en direct d'OpenAlex

Directional selectivity, in which neurons respond more strongly to an object moving in a given direction (‘preferred’) than to the same object moving in the opposite direction (‘null’), is an critical computation achieved in brain circuits as it is a correlate of movement perception [1]. Previous studies have almost exclusively characterized directional selectivity by computing the firing rate, which weights each action potential equally. However, neuronal spike trains frequently contain more or less stereotyped action potential patterns such a bursts (i.e. packets of action potentials followed by quiescence). A growing body of evidence suggests that these patterns, rather than being just a collection of action potentials, can be considered as a unitary event that encodes specific stimulus features (see [2] for review). However, as these studies used stationary stimuli, the putative role of action potential patterns in coding for movement direction remains largely a mystery to this day. To investigate this interesting problem, we performed in vivo recordings from direction selective midbrain electrosensory neurons in the weakly electric fish Apteronotus leptorhynchus in response to moving objects. We found that most neurons responded to these objects with a combination of bursts and isolated spikes. Segregating the spike train into bursts and isolated spikes revealed that bursts could carry specific information about movement direction. Indeed, in some neurons, we found that bursts were selectively elicited in the preferred direction while isolated spikes were elicited equally in both directions. However, in other neurons, we found that bursts were mostly elicited in one movement direction while isolated spikes were preferentially elicited in the opposite direction. However, when looking at the full spike train, these neurons displayed little or no directional selectivity. In order to explain these surprising results, we built a mathematical model incorporating the previously established mechanisms that generate directional selectivity in TS neurons, namely the generation of a directional bias by in which different time constants of Short Term Depression (STD) across the receptive field and nonlinear integration of these inputs by a subthreshold T-type calcium conductance [3,4]. We found STD time constant ratio values for which our model could reproduce both experimentally observed neuron types. Our results show that action potential patterns can be used to code for movement direction and raise the interesting possibility that bursts and isolated spikes can be used to distinguish movement direction simultaneously in individual neurons. Moreover, our results show that neurons that do not display directional selectivity when their full spike trains are considered can actually display directional selectivity when action potential patterns such as bursts and isolated spikes are considered instead.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,544
Score d'incertitude au seuil0,748

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,059
Tête enseignante GPT0,261
Écart entre enseignants0,202 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBMC NeuroscienceMême sujetFish biology, ecology, and behaviorTravaux en français237 207