MétaCan
Menu
Retour à la cohorte
Enregistrement W4406657231 · doi:10.1371/journal.pcbi.1012101

Balancing central control and sensory feedback produces adaptable and robust locomotor patterns in a spiking, neuromechanical model of the salamander spinal cord

2025· article· en· W4406657231 sur OpenAlexaff
A Pazzaglia, Andrej Bičanski, Andrea Ferrario, Jonathan Arreguit, Dimitri Ryczko, Auke Jan Ijspeert

Notice bibliographique

RevuePLoS Computational Biology · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Memory and Neural Computing
Établissements canadiensUniversité de Sherbrooke
Organismes subventionnairesHORIZON EUROPE European Research CouncilMax-Planck-Institut für Kognitions- und NeurowissenschaftenMax-Planck-GesellschaftEuropean Commission
Mots-clésCentral pattern generatorBiological neural networkSensory systemComputer scienceNegative feedbackNeuroscienceControllabilityFeedback loopControl theory (sociology)Biological systemArtificial intelligenceBiologyPhysicsControl (management)Mathematics

Résumé

récupéré en direct d'OpenAlex

This study introduces a novel neuromechanical model employing a detailed spiking neural network to explore the role of axial proprioceptive sensory feedback, namely stretch feedback, in salamander locomotion. Unlike previous studies that often oversimplified the dynamics of the locomotor networks, our model includes detailed simulations of the classes of neurons that are considered responsible for generating movement patterns. The locomotor circuits, modeled as a spiking neural network of adaptive leaky integrate-and-fire neurons, are coupled to a three-dimensional mechanical model of a salamander with realistic physical parameters and simulated muscles. In open-loop simulations (i.e., without sensory feedback), the model replicates locomotor patterns observed in-vitro and in-vivo for swimming and trotting gaits. Additionally, a modular descending reticulospinal drive to the central pattern generation network allows to accurately control the activation, frequency and phase relationship of the different sections of the limb and axial circuits. In closed-loop swimming simulations (i.e. including axial stretch feedback), systematic evaluations reveal that intermediate values of feedback strength increase the tail beat frequency and reduce the intersegmental phase lag, contributing to a more coordinated, faster and energy-efficient locomotion. Interestingly, the result is conserved across different feedback topologies (ascending or descending, excitatory or inhibitory), suggesting that it may be an inherent property of axial proprioception. Moreover, intermediate feedback strengths expand the stability region of the network, enhancing its tolerance to a wider range of descending drives, internal parameters' modifications and noise levels. Conversely, high values of feedback strength lead to a loss of controllability of the network and a degradation of its locomotor performance. Overall, this study highlights the beneficial role of proprioception in generating, modulating and stabilizing locomotion patterns, provided that it does not excessively override centrally-generated locomotor rhythms. This work also underscores the critical role of detailed, biologically-realistic neural networks to improve our understanding of vertebrate locomotion.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,025
Tête enseignante GPT0,240
Écart entre enseignants0,215 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePLoS Computational BiologyMême sujetAdvanced Memory and Neural ComputingTravaux en français237 207