Inhibitory Networks of Fast-Spiking Interneurons Generate Slow Population Activities due to Excitatory Fluctuations and Network Multistability
Notice bibliographique
Résumé
Slow population activities (SPAs) exist in the brain and have frequencies below ~5 Hz. Despite SPAs being prominent in several cortical areas and serving many putative functions, their mechanisms are not well understood. We studied a specific type of in vitro GABAergic, inhibition-based SPA exhibited by C57BL/6 murine hippocampus. We used a multipronged approach consisting of experiment, simulation, and mathematical analyses to uncover mechanisms responsible for hippocampal SPAs. Our results show that hippocampal SPAs are an emergent phenomenon in which the "slowness" of the network is due to interactions between synaptic and cellular characteristics of individual fast-spiking, inhibitory interneurons. Our simulations quantify characteristics underlying hippocampal SPAs. In particular, for hippocampal SPAs to occur, we predict that individual fast-spiking interneurons should have frequency-current (f-I) curves that exhibit a suitably sized kink where the slope of the curve decreases more abruptly in the gamma frequency range with increasing current. We also predict that these interneurons should be well connected with one another. Our mathematical analyses show that the combination of synaptic and intrinsic conditions, as predicted by our simulations, promotes network multistability. Population slow timescales occur when excitatory fluctuations drive the network between different stable network firing states. Since many of the parameters we use are extracted from experiments and subsequent measurements of experimental f-I curves of fast-spiking interneurons exhibit characteristics as predicted, we propose that our network models capture a fundamental operating mechanism in biological hippocampal networks.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».