Impact of open surface area of multi-well microelectrode array on mammalian brain cells recording efficiency
Notice bibliographique
Résumé
Neuro-electrophysiology allows scientists to investigate the underlying electrical properties that constitute brain neural network assembly. Developing tools to study these properties is a rapidly-evolving research field, and recent advancements in micro electrode arrays (MEAs) is opening a new frontier in long-term data acquisition. MEA microfabrication techniques have advanced over the years and led to different types of electrodes. The objective of this study was to optimize MEA design featuring multiple wells per electrodes (MW-MEA), to improve the recording efficiency of MEAs used for in vitro electrophysiological recordings. Methods: Two multi-well electrode designs (5 wells with diameter of 20 μm vs. 6 wells with diameter of 15 μm) were evaluated. Peak to peak signal amplitude of the recorded signals and the noise levels were studied and the signal to noise ratios (SNR) were determined. Results: The signal amplitudes recorded by electrodes with 6 wells (1060.3 μm<sup>2</sup> ) was higher than those recorded by 5-wells electrodes (1570.8 μm<sup>2</sup> ), while the noise level remained identical in both designs (31.3 μv ± 10.2). As such, the SNR recorded by the 6-wells electrodes showed a 1.8-time increase, compared to the electrodes with 5 wells, although the diameter of the wells in the former design was smaller. The results of this study demonstrated an inverse relation between SNR and open surface area of electrodes. Significance: The identified relation between electrode well characteristics and MW-MEA performance and design optimization can improve signals’ resolution during long-term spontaneous extracellular recordings and thus the quality of brain cell activity recordings.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».