Elucidating the complex organization of neural micro-domains in the locust <i>Schistocerca gregaria</i> using dMRI
Notice bibliographique
Résumé
Abstract To understand brain function it is necessary to characterize both the underlying structural connectivity between neurons and the physiological integrity of these connections. Previous research exploring insect brain connectivity has used microscopy techniques, but this methodology is time consuming and cannot be applied to living animals and so cannot be used to understand dynamic physiological processes. The relatively large brain of the desert locust, Schistercera gregaria (Forksȧl) is ideal for exploring a novel methodology; diffusion magnetic resonance imaging (dMRI) for the characterization of neuronal connectivity in an insect brain. The diffusion-weighted imaging (DWI) data were acquired on a preclinical system using a customised multi-shell diffusion MRI scheme. Endogenous imaging contrasts from the averaged DWIs and Diffusion Kurtosis Imaging (DKI) scheme were applied to classify various anatomical features and diffusion patterns in neuropils, respectively. The application of micro-MRI and dMRI modelling to the locust brain provides a novel means of identifying anatomical regions and connectivity in an insect brain. Furthermore, quantitative imaging indices derived from the kurtosis model that include fractional anisotropy (FA), mean diffusivity (MD) and kurtosis anisotropy (KA) could, in future, be used to quantify longitudinal structural changes in neuronal connectivity due to environmental stressors or ageing.
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 | 0,000 |
| 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) | 0,001 | 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 ».