A Neural Network Reveals Motoric Effects of Maternal Preconception Exposure to Nicotine on Rat Pup Behavior: A New Approach for Movement Disorders Diagnosis
Notice bibliographique
Résumé
Neurodevelopmental disorders can stem from pharmacological, genetic, or environmental causes and early diagnosis is often a key to successful treatment. To improve early detection of neurological motor impairments, we developed a deep neural network for data-driven analyses. The network was applied to study the effect of maternal nicotine exposure prior to conception on 10-day-old rat pup motor behavior in an open field task. Female Long-Evans rats were administered nicotine (15 mg/L) in sweetened drinking water (1% sucralose) for seven consecutive weeks immediately prior to mating. The neural network outperformed human expert designed animal locomotion measures in distinguishing rat pups born to nicotine exposed dams vs. control dams (87 vs. 64% classification accuracy). Notably, the network discovered novel movement alterations in posture, movement initiation and a stereotypy in "warm-up" behavior (repeated movements along specific body dimensions) that were predictive of nicotine exposure. The results suggest novel findings that maternal preconception nicotine exposure delays and alters offspring motor development. Similar behavioral symptoms are associated with drug-related causes of disorders such as autism spectrum disorder and attention-deficit/hyperactivity disorder in human children. Thus, the identification of motor impairments in at-risk offspring here shows how neuronal networks can guide the development of more accurate behavioral tests to earlier diagnose symptoms of neurodevelopmental disorders in infants and children.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 ».