Synapse specific and plasticity-regulated AMPAR mobility tunes synaptic integration
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Synaptic responses adapt to fast repetitive inputs during bursts of neuronal network activity over timescales of milliseconds to seconds, either transiently facilitating or depressing. This high-frequency stimulus-dependent short-term synaptic plasticity (HF-STP) relies on a number of molecular processes that collectively endow synapses with filtering properties for information processing, optimized for the transmission of certain input frequencies and patterns in distinct circuits 1–3 . Changes in HF-STP are traditionally thought to stem from changes in pre-synaptic transmitter release 1,2 , but post-synaptic modifications in receptor biophysical properties or surface diffusion also regulate HF-STP 4–11 . A major challenge in understanding synapse function is to decipher how pre- and post-synaptic mechanisms synergistically tune synaptic transmission efficacy during HF-STP, and to determine how neuronal activity modifies post-synaptic signal computation and integration to diversify neuronal circuit function. Here, taking advantage of new molecular tools to directly visualize glutamate release 12 and specifically manipulate the surface diffusion of endogenous AMPAR in intact circuits 13 , we define the respective contributions of pre-synaptic glutamate release, AMPAR desensitization and surface mobility to frequency-dependent synaptic adaptation. We demonstrate that post-synaptic gain control and signal integration capacity in synaptic networks is influenced by synapse-specific differences in AMPAR desensitization and diffusion-trapping characteristics that are shaped by molecular signaling events recruited during LTP.
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.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 découle