Olfactory Bulb Glomerular NMDA Receptors Mediate Olfactory Nerve Potentiation and Odor Preference Learning in the Neonate Rat
Notice bibliographique
Résumé
Rat pup odor preference learning follows pairing of bulbar beta-adrenoceptor activation with olfactory input. We hypothesize that NMDA receptor (NMDAR)-mediated olfactory input to mitral cells is enhanced during training, such that increased calcium facilitates and shapes the critical cAMP pattern. Here, we demonstrate, in vitro, that olfactory nerve stimulation, at sniffing frequencies, paired with beta-adrenoceptor activation, potentiates olfactory nerve-evoked mitral cell firing. This potentiation is blocked by a NMDAR antagonist and by increased inhibition. Glomerular disinhibition also induces NMDAR-sensitive potentiation. In vivo, in parallel, behavioral learning is prevented by glomerular infusion of an NMDAR antagonist or a GABA(A) receptor agonist. A glomerular GABA(A) receptor antagonist paired with odor can induce NMDAR-dependent learning. The NMDA GluN1 subunit is phosphorylated in odor-specific glomeruli within 5 min of training suggesting early activation, and enhanced calcium entry, during acquisition. The GluN1 subunit is down-regulated 3 h after learning; and at 24 h post-training the GluN2B subunit is down-regulated. These events may assist memory stability. Ex vivo experiments using bulbs from trained rat pups reveal an increase in the AMPA/NMDA EPSC ratio post-training, consistent with an increase in AMPA receptor insertion and/or the decrease in NMDAR subunits. These results support a model of a cAMP/NMDA interaction in generating rat pup odor preference learning.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».