Neurophotonics tutorial on making connectivity diagrams from Channelrhodopsin-2 stimulated data
Notice bibliographique
Résumé
This package of sample data and matlab codes will process, filter, and average raw voltage sensitive dye images, generate a comprehensive connectivity matrix and a network diagram (as seen in Lim et al., 2012, 2014). Requirements: Matlab (with Bioinformatics Toolbox and Brain Connectivity Toolbox) Inputs: sample data; Matlab functions; Mask.tif (as included in .zip file) Outputs: dF/F0(%) VSD connectivity matrix; Figure of network properties as a function of threshold levels; Network diagram To use this package: Unzip data files and ensure all Matlab functions are in the same directory as the NetworkAnalysis_VSD.m Open NetworkAnalysis_VSD.m with Matlab In NetworkAnalysis_VSD.m, enter the folder name where the data is stored (line 5) Execute code. See corresponding articles: Lim et al.(2012). In vivo Large-Scale Cortical Mapping Using Channelrhodopsin-2 Stimulation in Transgenic Mice Reveals Asymmetric and Reciprocal Relationships between Cortical Areas. Front Neural Circuits 6:11. Lim et al.(2014). Optogenetic mapping after stroke reveals network-wide scaling of functional connections and heterogeneous recovery of the peri-infarct. J Neurosci 34:16455-16466. See also: Brain connectivity toolbox: https://sites.google.com/site/bctnet/ Rubinov and Sporns (2010). Complex network measures of brain connectivity: uses and interpretations. Neuroimage 52:1059-1069. Diana Lim and Jeffrey LeDue, University of British Columbia, 2015.
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 | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,245 | 0,062 |
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 ».