Effects of various cannabinoid ligands on choice behaviour in a rat model of gambling
Notice bibliographique
Résumé
It is estimated that 0.6-1% of the population in the USA and Canada fulfil the Diagnostic and Statistical Manual of Mental Disorders, 5th ed. (DSM-5) criteria for gambling disorders (GD). To date, there are no approved pharmacological treatments for GD. The rat gambling task (rGT) is a recently developed rodent analogue of the Iowa gambling task in which rats are trained to associate four response holes with different magnitudes and probabilities of food pellet rewards and punishing time-out periods. Similar to healthy human volunteers, most rats adopt the optimal strategies (optimal group). However, a subset of animals show preference for the disadvantageous options (suboptimal group), mimicking the choice pattern of patients with GD. Here, we explored for the first time the effects of various cannabinoid ligands (WIN 55,212-2, AM 4113, AM 630 and URB 597) on the rGT. Administration of the cannabinoid agonist CB1/CB2 WIN 55,212-2 improved choice strategy and increased choice latency in the suboptimal group, but only increased perseverative behaviour, when punished, in the optimal group. Blockade of CB1 or CB2 receptors or inhibition of fatty-acid amide hydrolase did not affect rGT performance. These results suggest that stimulation of cannabinoid receptors could affect gambling choice behaviours differentially in some subgroups of subjects.
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) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».