Identifying Cortical Molecular Biomarkers Potentially Associated with Learning in Mice Using Artificial Intelligence
Notice bibliographique
Résumé
In this study, we identify cortical molecular biomarkers potentially associated with learning in mice using artificial intelligence (AI), inclusive of established and novel feature selection combined with supervised learning technologies. We applied multiple machine learning (ML) algorithms, using public domain ML software, to a public domain dataset, in order to support reproducible findings. We developed technologies tasked with predicting whether a given mouse was shocked to learn, based on protein expression levels extracted from their cortices. Results indicate that it is possible to predict whether a mouse has been shocked to learn or not based only on the following cortical molecular biomarkers: brain-derived neurotrophic factor (BDNF), NR2A subunit of N-methyl-D-aspartate receptor, B-cell lymphoma 2 (BCL2), histone H3 acetylation at lysine 18 (H3AcK18), protein kinase R-like endoplasmic reticulum kinase (pERK), and superoxide dismutase 1 (SOD1). These results were obtained with a novel redundancy-aware feature selection method. Five out of six protein expression biomarkers (BDNF, NR2A, H3AcK18, pERK, SOD1) identified have previously been associated with aspects of learning in the literature. Three of the proteins (BDNF, NR2A, and BCL2) have previously been associated with pruning, and one has previously been associated with apoptosis (BCL2), implying a potential connection between learning and both cortical pruning and apoptosis. The results imply that these six protein expression profiles (BDNF, NR2A, BCL2, H3AcK18, pERK, SOD1) are highly predictive of whether or not a mouse has been shocked to learn.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| 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 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 ».