Weak signal amplification and detection by higher-order sensory neurons
Notice bibliographique
Résumé
Sensory systems must extract behaviorally relevant information and therefore often exhibit a very high sensitivity. How the nervous system reaches such high sensitivity levels is an outstanding question in neuroscience. Weakly electric fish (Apteronotus leptorhynchus/albifrons) are an excellent model system to address this question because detailed background knowledge is available regarding their behavioral performance and its underlying neuronal substrate. Apteronotus use their electrosense to detect prey objects. Therefore, they must be able to detect electrical signals as low as 1 μV while using a sensory integration time of <200 ms. How these very weak signals are extracted and amplified by the nervous system is not yet understood. We studied the responses of cells in the early sensory processing areas, namely, the electroreceptor afferents (EAs) and pyramidal cells (PCs) of the electrosensory lobe (ELL), the first-order electrosensory processing area. In agreement with previous work we found that EAs cannot encode very weak signals with a spike count code. However, PCs can encode prey mimic signals by their firing rate, revealing a huge signal amplification between EAs and PCs and also suggesting differences in their stimulus encoding properties. Using a simple leaky integrate-and-fire (LIF) model we predict that the target neurons of PCs in the midbrain torus semicircularis (TS) are able to detect very weak signals. In particular, TS neurons could do so by assuming biologically plausible convergence rates as well as very simple decoding strategies such as temporal integration, threshold crossing, and combining the inputs of PCs.
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 | 0,000 | 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 | 0,000 |
| 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 ».