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 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 | 0,001 |
| 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 ».