Neuronal Spatial Arrangement Shapes Effective Connectivity Traits of <i>in vitro</i> Cortical Networks
Notice bibliographique
Résumé
We studied effective connectivity in rat cortical cultures with various degrees of spatial aggregation, ranging from homogeneous networks to highly aggregated ones. We considered small cultures 3 mm in diameter and that contained about 2;000 neurons. Spatial inhomogeneity favored an increase of metric correlations and connectivity among neighboring neurons. Effective connectivity was determined from spontaneous activity recordings using calcium fluorescence imaging. We used generalized transfer entropy as tool to infer the effective connectivity. We carried out numerical simulations to build networks that mimicked the experimental ones and to test the reliability of the connectivity-inference algorithm. Effective connectivity traits were investigated during the development of the cultures over two weeks, and along the gradual blockade of excitatory connections through CNQX. We observed that the average effective connectivity rapidly increased during culture development. At day in vitro (DIV) 15 the average excitatory in-degree was measured as ≃kinE50 for homogeneous and semi aggregated networks, and ≃kinE120 for aggregated ones, and with 20 percent inhibition. Aggregated cultures exhibited assortative traits and a high resilience to chemical damage, while the other cultures were dissassortative or neutral, and less resilient. Our work illustrates the role of metric correlations in spatially embedded networks in shaping connectivity and activity traits in living neuronal networks.
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 | 0,001 |
| 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 | 0,001 | 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 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 ».