Assessing spontaneous sensory neuron activity using in vivo calcium imaging
Notice bibliographique
Résumé
ABSTRACT: Heightened spontaneous activity in sensory neurons is often reported in individuals living with chronic pain. It is possible to study this activity in rodents using electrophysiology, but these experiments require great skill and can be prone to bias. Here, we have examined whether in vivo calcium imaging with GCaMP6s can be used as an alternative approach. We show that spontaneously active calcium transients can be visualised in the fourth lumbar dorsal root ganglion (L4 DRG) through in vivo imaging in a mouse model of inflammatory pain. Application of lidocaine to the nerve, between the inflamed site and the DRG, silenced spontaneous firing and revealed the true baseline level of calcium for spontaneously active neurons. We used these data to train a machine learning algorithm to predict when a neuron is spontaneously active. We show that our algorithm is accurate in 2 different models of pain: intraplantar complete Freund adjuvant and antigen-induced arthritis, with accuracies of 90.0% ±1.2 and 85.9% ±2.1, respectively, assessed against visual inspection by an experienced observer. The algorithm can also detect neuronal activity in imaging experiments generated in a different laboratory using a different microscope configuration (accuracy = 94.0% ±2.2). We conclude that in vivo calcium imaging can be used to assess spontaneous activity in sensory neurons and provide a Google Colaboratory Notebook to allow anyone easy access to our novel analysis tool, for the assessment of spontaneous neuronal activity in their own imaging setups.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».