An Automated Home-Cage System to Assess Learning and Performance of a Skilled Motor Task in a Mouse Model of Huntington’s Disease
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Behavioral testing is a critical step in assessing the validity of rodent models of neurodegenerative disease, as well as evaluating the efficacy of pharmacological interventions. In models of Huntington's disease (HD), a gradual progression of impairments is observed across ages, increasing the need for sensitive, high-throughput and longitudinal assessments. Recently, a number of automated systems have been developed to perform behavioral profiling of animals within their own home-cage, allowing for 24-h monitoring and minimizing experimenter interaction. However, as of yet, few of these have had functionality for the assessment of skilled motor learning, a relevant behavior for movement disorders such as HD. To address this, we assess a lever positioning task within the mouse home-cage. Animals first acquire a simple operant response, before moving to a second phase where they must learn to hold the lever for progressively longer in a rewarded position range. Testing with this paradigm has revealed the presence of distinct phenotypes in the YAC128 mouse model of HD at three early symptomatic time points. YAC128 mice at two months old, but not older, had a motor learning deficit when required to adapt their response to changes in task requirements. In contrast, six-month-old YAC128 mice had disruptions of normal circadian activity and displayed kinematic abnormalities during performance of the task, suggesting an impairment in motor control. This system holds promise for facilitating high throughput behavioral assessment of HD mouse models for preclinical therapeutic screening.
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.
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 | 0,001 |
| 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 | 0,000 |
| 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 découle