Optic nerve microcirculation: Fluid flow and electrodiffusion
Notice bibliographique
Résumé
Complex fluids flow in complex ways in complex structures. Transport of water and various organic and inorganic molecules in the central nervous system (CNS) are important in a wide range of biological and medical processes [C. Nicholson and S. Hrabětová, “Brain extracellular space: The final frontier of neuroscience,” Biophys. J. 113(10), 2133 (2017)]. However, the exact driving mechanisms are often not known. In this paper, we investigate flows induced by action potentials in an optic nerve as a prototype of the CNS. Different from traditional fluid dynamics problems, flows in biological tissues such as the CNS are coupled with ion transport. It is driven by osmosis created by the concentration gradient of ionic solutions, which in turn influence the transport of ions. Our mathematical model is based on the known structural and biophysical properties of the experimental system used by the Harvard group [R. K. Orkand, J. G. Nicholls, and S. W. Kuffler, “Effect of nerve impulses on the membrane potential of glial cells in the central nervous system of amphibia,” J. Neurophysiol. 29(4), 788 (1966)]. Asymptotic analysis and numerical computation show the significant role of water in convective ion transport. The full model (including water) and the electrodiffusion model (excluding water) are compared in detail to reveal an interesting interplay between water and ion transport. In the full model, convection due to water flow dominates inside the glial domain. This water flow in the glia contributes significantly to the spatial buffering of potassium in the extracellular space. Convection in the extracellular domain does not contribute significantly to spatial buffering. Electrodiffusion is the dominant mechanism for flows confined to the extracellular domain.
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 | 0,000 | 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 ».