Exhaustive Multi-Parametric Assessment of the Behavioral Array of Daily Activities of Mice Using Cluster and Factor Analysis
Notice bibliographique
Résumé
Using automated supervised behavioral assessment software, we recorded and analyzed 24 h non-interrupted recordings of mice for a duration of 11 days. With the assistance of free R programming, we used correlation matrix-based hierarchical clustering and factor analysis to separate the 33 activities into meaningful clusters and groups without losing the exhaustive nature of the findings. These groups represent novel meaningful behavioral patterns exhibited by mice in home cage. Thirty-three activities were separated into 5 clusters based on dissimilarity between activities and 6 factors based on statistical modeling. Using these two methods, we describe and compare behavioral arrays of two groups of animals: 1. Continuously recorded for 11 days in social isolation and 2. Intermittently socially isolated for recording on days 1, 3, 5, 8, and 10, while socializing on the other days. This is the first work to our knowledge that interprets mouse home cage activities throughout a 24 h period and proposes a base line of a daily routine of a healthy C57Bl/6J mouse that can be used for various experimental paradigms, including disease, neuroinflammation, or drug testing to trace behavioral changes that follow intervention. In this work, we defined the necessary acclimatization period for the 24 h recording paradigm of home cage behavior. We demonstrated the behavioral changes that are associated with the effect of social isolation, intermittent socialization, and re-introduction to a familiar home cage. We provide the full description of the codes used in R.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».