Particle-Swarm Based Modelling Reveals Two Distinct Classes of CRH <sup>PVN</sup> Neurons
Notice bibliographique
Résumé
Abstract Electrophysiological recordings can provide detailed information of single neurons’ dynamical features and shed light into their response to stimuli. Unfortunately, rapidly modeling electrophysiological data for inferring network-level behaviours remains challenging. Here, we investigate how modeled single neuron dynamics lead to network-level responses in the paraventricular nucleus of the hypothalamus (PVN), a critical nucleus for the mammalian stress response. Recordings of corticotropinreleasing hormone neurons from the PVN (CRH PVN ) were performed using whole-cell current-clamp. These, neurons, which initiate the endocrine response to stress, were rapidly and automatically fit to a modified Adaptive Exponential Integrate and Fire model (AdEx) with Particle Swarm Optimization (PSO). All CRH PVN neurons were accurately fit by the AdEx model with PSO. Multiple sets of parameters were found that reliably reproduced current-clamp traces for any single neuron. Despite multiple solutions, the dynamical features of the models such as the rheobase current levels, fixed points, and bifurcations, were shown to be stable across fits. We found that CRH PVN neurons can be divided into two sub-types according to their bifurcation at the onset of firing: saddles (integrators) and sub-critical Hopf (resonators). We constructed networks of these fit CRH PVN model neurons to investigate the network level responses of CRH PVN neurons. We found that CRH PVN -resonators maintain baseline firing in networks even when all inputs are inhibitory. The dynamics of a small subset of CRH PVN neurons may be critical to maintaining a baseline firing tone in the PVN. Key Points Corticotropin-releasing hormone neurons (CRH PVN ) in the paraventricular nucleus of the hypothalamus act as the final neural controllers of the stress response. We developed a rapid computational modeling platform that uses Particle-Swarm Optimization to rapidly and accurately fit biophysical neuron models. A model was fit to each patched neuron without the use of dynamic clamping, or other procedures requiring sophisticated inputs and fitting procedures. Any neuron undergoing standard current clamping for a few minutes can be fit by this procedure The dynamical analysis of the modeled neurons shows thatCRH PVN comes in two specific ‘flavours’: CRH PVN -resonators and CRH PVN -integrators. Network simulations show thatCRH PVN -resonators are critical to retaining the baseline firing rate of the entire network of CRH PVN neurons as these cells can fire rebound spikes and bursts in the presence of strong inhibitory synaptic input.
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 ».