Morphometric Identification of Parvalbumin-Positive Interneurons: A Data-Driven Approach
Notice bibliographique
Résumé
Abstract Traditionally, anatomical studies of parvalbumin-positive (PV+) labelled interneurons describe them as a homogeneous population of neurons. In contrast, recent single-cell RNAseq studies have identified multiple transcriptomically distinct categories of PV+ cells. That difference between a single anatomical category of PV+ neurons and multiple transcriptomic categories presents a problem in understanding the role of these neurons in cortical function. One gap that might contribute to this discrepancy is that PV+ morphology is typically addressed using qualitative descriptions and simple quantifications, while single-cell RNAseq studies use big data and high dimensional analyses. PV+ neurons play critical roles in the experience-dependent development of the cortex and are often involved in disease-related changes associated with neurodegenerative and neuropsychiatric disorders. Here, we developed a modern data-driven analysis pipeline to quantify PV+ morphology. We quantified 97 morphometric features from 14274 PV+ neurons and applied unsupervised clustering that identified 13 different PV+ morphologies. We extended the analysis to compare PV+ dendritic arbour patterns and cell body morphologies. Finally, we compared the morphologies of PV+ neurons with the cell body morphologies of neurons expressing various genes associated with PV+ transcriptomic cell types. This approach identified a range of PV+ morphologies similar to the number of transcriptomic categories. It also found that the PV+ morphologies have cortical area, laminar, and transcriptomic biases that might contribute to cortical function.
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 | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».