MétaCan
Menu
← Retour à la cohorte
Enregistrement W4416389709 · doi:10.1101/2025.11.14.688340

Quantitative profiling of whole-brain connectomes at single-axon resolution using deep learning and high-resolution light sheet microscopy

2025· preprint· en· W4416389709 sur OpenAlexafffund
Ahmadreza Attarpour, Misha Raffiee, Tony Xu, Jonas Osmann, Shruti Patel, Fengqing Yu, Braedyn Au, Andrew Clappison, Mahdi Biparva, Rui Zhu, Ailey Crow, Barsin Eshaghi Gharagoz, Matthew Rozak, Isabelle Aubert, JoAnne McLaurin, Karl Deisseroth, Bojana Stefanovic, Maged Goubran

Notice bibliographique

RevuebioRxiv (Cold Spring Harbor Laboratory) · 2025
Typepreprint
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueCell Image Analysis Techniques
Établissements canadiensHealth Sciences CentreSunnybrook HospitalUniversity of TorontoSunnybrook Health Science Centre
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaNational Institutes of HealthCanadian Institutes of Health ResearchAlliance de recherche numérique du CanadaUniversity of TorontoCanada Research ChairsAlzheimer's Society
Mots-clésDeep learningConnectomeProfiling (computer programming)Pipeline (software)ConnectomicsHuman Connectome ProjectLight sheet fluorescence microscopyHigh resolution

Résumé

récupéré en direct d'OpenAlex

Revealing how individual axons create a brain-wide connectome would be indispensable for understanding brain function and behavior, yet remains technically challenging. We introduce MAPL3, an end-to-end pipeline that integrates self-supervised learning with an innovative deep architecture to capture local and global brain-wide axonal projections. MAPL3 enables subject- and population-level quantitative laminar analysis, generalizes across experiments, and outperforms state-of-the-art methods. We showcase its ability to map the circuitry of the orbitofrontal cortex from single axons to whole-brain projectome.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,012
Tête enseignante GPT0,263
Écart entre enseignants0,250 · 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'étudeExpérimental (laboratoire)
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

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuebioRxiv (Cold Spring Harbor Laboratory)→Même sujetCell Image Analysis Techniques→Travaux en français237 207→