High-Threshold K <sup>+</sup> Current Increases Gain by Offsetting a Frequency-Dependent Increase in Low-Threshold K <sup>+</sup> Current
Notice bibliographique
Résumé
High-frequency firing neurons are found in numerous central systems, including the auditory brainstem, thalamus, hippocampus, and neocortex. The kinetics of high-threshold K+ currents (IK(HT)) from the Kv3 subfamily has led to the proposal that these channels offset cumulative Na+ current inactivation and stabilize tonic high-frequency firing. However, all high-frequency firing neurons, examined to date, also express low-threshold K+ currents (IK(LT)) that have slower kinetics and play an important role in setting the subthreshold and filtering properties of the neuron. IK(LT) has also been shown to dampen excitability and is therefore likely to oppose high-frequency firing. In this study, we examined the role of IK(HT) in pyramidal cells of the electrosensory lobe of weakly electric fish, which are characterized by high-frequency firing, a very wide frequency range, and high levels of IK(HT). In particular, we examined the mechanisms that allow IK(HT) to set the gain of the F-I relationship by interacting with another low-threshold K+ current. We found that IK(HT) increases the gain of the F-I relationship and influences spike waveform almost exclusively in the high-frequency firing range. The frequency dependence arises from IK(HT) influencing both the IK(LT) and Na+ currents. IK(HT) thus plays a significant role in stabilizing high-frequency firing by preventing a steady-state accumulation of IK(LT) that is as important as preventing Na+ current inactivation.
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 | 0,000 | 0,000 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».