Exhaustive behavioral profile assay to detect genotype differences between wild-type, inflammasome-deficient, and Nlrp12 knock-out mice
Notice bibliographique
Résumé
Technological advances in computer vision led to the development of various algorithms that are designed to analyze human and animal behavior. We have used an algorithm based on hidden Markov model to monitor the behavior of two different knock-out mice and a healthy control. The goal of this study was to detect behavioral changes in mice with single gene deletion in different inflammatory molecular pathways. Mice with elevated inflammatory activity were compared to wild-type and to mice that lack an inflammasome, a multiprotein complex that processes main inflammatory cytokines, IL-1 beta and IL-18. Importantly, there were no previous reports of any behavioral abnormalities in these mice. We used 10 days continuous recording analysis of 34 behavioral activities. Resulting data were analyzed using R programming. Within the dataset, we found a large number of statistically significant correlations and therefore used factor analysis and hierarchical clustering to reduce the dimensionality of the data that resulted in the 6 factors and 6 clusters. We found that 3 factors and 4 clusters were significantly different between three groups of mice. In conclusion, by using computerized video assessment method paired with R, we have found profound differences where differences could not have been detected by a naked eye. This method allows for fast, accurate, sensitive, and unbiased evaluating of multiparametric behavioral arrays in biomedical research.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».