MétaCan
Menu
← Retour à la cohorte
Enregistrement W2936850520 · doi:10.1101/613794

Modeling implicates inhibitory network bistability as an underpinning of seizure initiation

2019· preprint· en· W2936850520 sur OpenAlexafffund
Scott Rich, Homeira Moradi Chameh, Marjan Rafiee, Katie Ferguson, Frances K. Skinner, Taufik A. Valiante

Notice bibliographique

RevuebioRxiv (Cold Spring Harbor Laboratory) · 2019
Typepreprint
Langueen
DomaineNeuroscience
ThématiqueNeural dynamics and brain function
Établissements canadiensUniversity of TorontoUniversity Health Network
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésInhibitory postsynaptic potentialNeuroscienceGABAergicBistabilityExcitatory postsynaptic potentialNerve netNetwork dynamicsMechanism (biology)EpilepsyInterneuronBiologyPhysics

Résumé

récupéré en direct d'OpenAlex

Abstract A plethora of recent experimental literature implicates the abrupt, synchronous activation of GABAergic interneurons in driving the sudden change in brain activity that heralds seizure initiation. However, the mechanisms predisposing an inhibitory network toward sudden coherence specifically during ictogenesis remain unknown. We address this question by comparing simulated inhibitory networks containing control interneurons and networks containing hyper-excitable interneurons modeled to mimic treatment with 4-Aminopyridine (4-AP), an agent commonly used to model seizures in vivo and in vitro . Our in silico study demonstrates that model inhibitory networks with 4-AP interneurons are more prone than their control counterparts to exist in a bistable state in which asynchronously firing networks can abruptly transition into synchrony due to a brief perturbation. We further show that perturbations driving this transition could reasonably arise in vivo based on models of background excitatory synaptic activity in the cortex. Thus, these results propose a mechanism by which an inhibitory network can transition from incoherent to coherent dynamics in a fashion that may precipitate seizure as a downstream effect. Moreover, this mechanism specifically explains why inhibitory networks containing hyper-excitable interneurons are more vulnerable to this state change, and how such networks can undergo this transition without a permanent change in the drive to the system. This, in turn, potentially explains such networks’ increased vulnerability to seizure initiated by GABAergic activity. Author summary For decades, the study of epilepsy has focused on the hypothesis that over-excitation or dis-inhibition of pyramidal neurons underlies the transition from normal brain activity to seizure. However, a variety of recent experimental findings have implicated a sudden synchronous burst of activity amongst inhibitory interneurons in driving this transition. Given the counter-intuitive nature of these findings and the correspondingly novel hypothesis of seizure generation, the articulation of a feasible mechanism of action underlying this dynamic is of paramount importance for this theory’s viability. Here, we use computational techniques, particularly the concept of bistability in the context of dynamical systems, to propose a mechanism for the necessary first step in such a process: the sudden synchronization of a network of inhibitory interneurons. This is the first detailed proposal of a computational mechanism explaining any aspect of this hypothesis of which we are aware. By articulating a mechanism that not only underlies this transition, but does so in a fashion explaining why ictogenic networks might be more prone to this behavior, we provide critical support for this novel hypothesis of seizure generation and potential insight into the larger question of why individuals with epilepsy are particularly vulnerable to seizure.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,031
Tête enseignante GPT0,248
Écart entre enseignants0,217 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuebioRxiv (Cold Spring Harbor Laboratory)→Même sujetNeural dynamics and brain function→Travaux en français237 207→