Neural Heterogeneities Determine Response Characteristics to Second-, but Not First-Order Stimulus Features
Notice bibliographique
Résumé
Neural heterogeneities are seen ubiquitously, but how they determine neural response properties remains unclear. Here we show that heterogeneities can either strongly, or not at all, influence neural responses to a given stimulus feature. Specifically, we recorded from peripheral electroreceptor neurons, which display strong heterogeneities in their resting discharge activity, in response to naturalistic stimuli consisting of a fast time-varying waveform (i.e., first-order) whose amplitude (i.e., second-order or envelope) varied slowly in the weakly electric fish Apteronotus leptorhynchus. Although electroreceptors displayed relatively homogeneous responses to first-order stimulus features, further analysis revealed two subpopulations with similar sensitivities that were excited or inhibited by increases in the envelope, respectively, for stimuli whose frequency content spanned the natural range. We further found that a linear-nonlinear cascade model incorporating the known linear response characteristics to first-order features and a static nonlinearity accurately reproduced experimentally observed responses to both first- and second-order features for all stimuli tested. Importantly, this model correctly predicted that the response magnitude is independent of either the stimulus waveform's or the envelope's frequency content. Further analysis of our model led to the surprising prediction that the mean discharge activity can be used to determine whether a given neuron is excited or inhibited by increases in the envelope. This prediction was validated by our experimental data. Thus, our results provide key insight as to how neural heterogeneities can determine response characteristics to some, but not other, behaviorally relevant stimulus features.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».