MétaCan
Menu
Retour à la cohorte
Enregistrement W4409001436 · doi:10.7554/elife.105347.1.sa4

eLife Assessment: Misclassification in memory modification in AppNL-G-F knock-in mouse model of Alzheimer’s disease

2025· peer-review· en· W4409001436 sur OpenAlexaff

Notice bibliographique

Revuenon disponible
Typepeer-review
Langueen
DomaineComputer Science
ThématiqueComputational Drug Discovery Methods
Établissements canadiensConcordia University
Organismes subventionnairesnon disponible
Mots-clésGene knockinDiseaseAlzheimer's diseaseBiologyMedicineGeneticsInternal medicineGene

Résumé

récupéré en direct d'OpenAlex

Alzheimer’s disease (AD), the leading cause of dementia, could potentially be mitigated through early detection and interventions. However, it remains challenging to assess subtle cognitive changes in the early AD continuum. Computational modeling is a promising approach to explain a generative process underlying subtle behavioral changes with a number of putative variables. Nonetheless, internal models of the patient’s reasoning process remain underexplored in AD. Determining the states of an internal model between measurable pathological states and behavioral phenotypes would advance explanations about the generative process in earlier disease stages beyond assessing behavior alone. In this study, we assumed the latent cause model as an internal model and estimated internal states defined by the model parameters being in conjunction with measurable behavioral phenotypes. The 6- and 12-month-old AppNL-G-F knock-in AD model mice and the age-matched control mice underwent memory modification learning, which consisted of classical fear conditioning, extinction, and reinstatement. The results showed that AppNL-G-F mice exhibited a lower extent of reinstatement of fear memory. Computational modeling revealed that the deficit in the AppNL-G-F mice would be due to their internal states being biased toward overgeneralization or overdifferentiation of their observations, and consequently the competing memories were not retained. This deficit was replicated in another type of memory modification learning in the reversal Barnes maze task. Following reversal learning, AppNL-G-F mice, given spatial cues, failed to infer coexisting memories for two goal locations during the trial. We concluded that the altered internal states of AppNL-G-F mice illustrated their misclassification in the memory modification process. This novel approach highlights the potential of investigating internal states to precisely assess cognitive changes in early AD and multidimensionally evaluate how early interventions may work.

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)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Évaluation · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: aucune
Score de désaccord entre enseignants0,998
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,117
Tête enseignante GPT0,407
Écart entre enseignants0,289 · 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.

Devis d'étudeSans objet
DomaineÉvaluation
GenreAutre

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

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetComputational Drug Discovery MethodsTravaux en français237 207