Identifying Neural Signatures of Dopamine Signaling with Machine Learning
Notice bibliographique
Résumé
The emergence of new tools to image neurotransmitters, neuromodulators, and neuropeptides has transformed our understanding of the role of neurochemistry in brain development and cognition, yet analysis of this new dimension of neurobiological information remains challenging. Here, we image dopamine modulation in striatal brain tissue slices with near infrared catecholamine nanosensors (nIRCat) and implement machine learning to determine which features of dopamine modulation are unique to changes in stimulation strength, and to different neuroanatomical regions. We trained a support vector machine and a random forest classifier to determine whether recordings were made from the dorsolateral striatum (DLS) versus the dorsomedial striatum (DMS) and find that machine learning is able to accurately distinguish dopamine release that occurs in DLS from that occurring in DMS in a manner unachievable with canonical statistical analysis. Furthermore, our analysis determines that dopamine modulatory signals including the number of unique dopamine release sites and peak dopamine released per stimulation event are most predictive of neuroanatomy yet note that integrated neuromodulator amount is the conventional metric currently used to monitor neuromodulation in animal studies. Lastly, our study finds that machine learning discrimination of different stimulation strengths or neuroanatomical regions is only possible in adult animals, suggesting a high degree of variability in dopamine modulatory kinetics during animal development. Our study highlights that machine learning could become a broadly-utilized tool to differentiate between neuroanatomical regions, or between neurotypical and disease states, with features not detectable by conventional statistical analysis.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».