Application of deep neural network reveals novel effects of maternal pre-conception exposure to nicotine on rat pup behavior
Notice bibliographique
Résumé
Abstract We present a deep neural network for data-driven analyses of infant rat behavior in an open field task. The network was applied to study the effect of maternal nicotine exposure prior to conception on offspring motor development. The neural network outperformed human expert designed animal locomotion measures in distinguishing rat pups born to nicotine exposed dams versus control dams. Notably, the network discovered novel movement alterations in posture, movement initiation and a stereotypy in “warm-up” behavior (the initiation of movement along specific dimensions) that were predictive of nicotine exposure. The results suggest that maternal preconception nicotine exposure delays and alters offspring motor development. In summary, we demonstrated that a deep neural network can automatically assess animal behavior with high accuracy, and that it offers a data-driven approach to investigating pharmacological effects on brain development. Significance Relating neuronal activity to behavior is crucial to understand brain function. Despite the staggering progress in monitoring brain activity, behavioral analyses still do not differ much from methods developed 30-50 years ago. The reason for that is the difficulty for automated video analyses to detect small differences in complex movements. Here we show that applying deep neuronal networks for automated video analyses can help to solve this problem. More importantly, knowledge extracted from the network allowed to identify subtle changes in multiple behavioral components, which were caused by maternal preconception nicotine exposure in rat pups. Thus, the examples presented here show how neuronal networks can guide the development of more accurate behavioral tests to assess symptoms of neurological disorders.
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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».