A novel method for comparative analysis of retinal specialization traits from topographic maps
Notice bibliographique
Résumé
Vertebrates possess different types of retinal specializations that vary in number, size, shape, and position in the retina. This diversity in retinal configuration has been revealed through topographic maps, which show variations in neuron density across the retina. Although topographic maps of about 300 vertebrates are available, there is no method for characterizing retinal traits quantitatively. Our goal is to present a novel method to standardize information on the position of the retinal specializations and changes in retinal ganglion cell (RGC) density across the retina from published topographic maps. We measured the position of the retinal specialization using two Cartesian coordinates and the gradient in cell density by sampling ganglion cell density values along four axes (nasal, temporal, ventral, and dorsal). Using this information, along with the peak and lowest RGC densities, we conducted discriminant function analyses (DFAs) to establish if this method is sensitive to distinguish three common types of retinal specializations (fovea, area, and visual streak). The discrimination ability of the model was higher when considering terrestrial (78%-80% correct classification) and aquatic (77%-86% correct classification) species separately than together. Our method can be used in the future to test specific hypotheses on the differences in retinal morphology between retinal specializations and the association between retinal morphology and behavioral and ecological traits using comparative methods controlling for phylogenetic effects.
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 | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».