Informație

Diferența dintre împingere și tragere


În articolul „A Topological Paradigm for Hippocampal Spatial Map Formation Using Persistent Homology” de Y. Dabaghian, F. Mémoli, L. Frank, G. Carlsson am citit câteva propoziții cu o mare confuzie în ceea ce privește utilizarea termenilor tragere și înţepând. Înseamnă ele același lucru? Mi se pare că atunci când se spune că o celulă de loc se declanșează sau o celulă de loc se întinde, se referă la exact același lucru. Confuzia vine din folosirea ambelor cuvinte în aceeași propoziție ca în următoarele exemple de propoziții din articol (sublinierea mea):

Într-adevăr, traseul unui șobolan printr-un spațiu mic poate fi retrasat ulterior cu un grad ridicat de acuratețe prin înregistrarea hipocampului. activitate de spiking în timpul explorărilor sale și apoi analizând locația, dimensiunea și ratele de tragere de doar 40-50 de câmpuri de locuri […]

Pentru a înțelege ce algoritmi ar putea folosi creierul pentru a decoda hipocampul plasați arderea celulelor, atunci, ar trebui să ne bazăm exclusiv pe informațiile furnizate de plasați activitatea de creștere a celulelor [… ]

De fapt, se presupune în general că neuronii din aval de hipocamp interpretează plasați modele de creștere a celulelor bazat pe co-tragere [… ]

Astfel, ar trebui să fie posibilă urmărirea apariției informațiilor topologice ca din ce în ce mai multe tepi sunt dat afara [… ]

Există variabile biofizice (ratele de tragere, amplitudinea vârfului, etc.) […]


În citatele dvs., termenii spiking și firing sunt folosiți ca sinonimi. Într-adevăr, ambii termeni se referă la același fenomen de generare a potențialului de acțiune și în acest context nu există nicio diferență funcțională fiziologică între spiking și tragere.

Cu toate acestea, rețineți că în unele contexte poate exista o diferență, și anume unii autori fac distincția între un neuron ţepând și izbucnind; primul se referă la un mod de tragere tonic, cel de-al doilea la un mod de tragere în explozie (de exemplu. Ramcharan et al. (2000)).

Referinţă
- Ramcharan et al., Vis Neurosci (2000); 17(1):55-62


Ce este vaccinul Pfizer?

Informații despre Pfizer: Definiție

Vaccinul Pfizer este un vaccin dezvoltat de Pfizer, Inc. și BioNTech pentru utilizare împotriva coronavirusului, Covid-19.

Formarea Pfizer:

ARNm este un acid nucleic similar cu ADN-ul, dar ARN-ul se numește transcript, o copie literală a bazelor ADN. În timpul sintezei proteinelor, o transcriere de ARNm se deplasează în citoplasma unei celule unde apoi sunt produse proteine. Vaccinul Pfizer se face prin luarea ARNm, care codifică o proteină spike a virusului, apoi acoperirea cu un tip de nanoparticulă lipidică. Acest înveliș lipidic funcționează pentru a proteja acidul nucleic. Odată introdus în organism, ARNm declanșează sistemul nostru imunitar să răspundă.

Avantajele obținerii Pfizer:

Eficacitatea după două doze de vaccin Pfizer este mare, de aproximativ 95%, ceea ce sugerează că imunitatea de turmă poate fi atinsă cu ușurință dacă sunt vaccinați suficienți oameni. Viruși precum vaccinul Pfizer Covid-19 pot fi fabricați mai rapid decât vaccinurile tradiționale, deoarece nu trebuie să utilizeze întregul virus.

Există dezavantaje ale vaccinului Pfizer

Vaccinul trebuie păstrat la temperaturi foarte scăzute de la -80°C până la -60°C și este nevoie de echipamente sofisticate pentru a produce virusul. Deoarece vaccinul este realizat folosind ARNm, înseamnă că contaminarea este un risc și procesul de extracție și purificare a substanței este extrem de tehnic, necesitând un nivel ridicat de calificare în procesul de fabricație.


Rezultate

Generarea de CaV3.3 Soareci Knockout Canal Ca 2+.

Pentru a explora funcția fiziologică a CaV3.3, am efectuat o întrerupere țintită a CaV3.3 gena la șoareci, așa cum se arată în Fig. 1A. Vectorul de țintire a fost conceput pentru a șterge exonul 3 și exonul 4 care cuprind capătul N-terminal al CaV3.3 proteine ​​(Amgen Co. Fig. 1A). După transmiterea cu succes a liniei germinale, șoarecii heterozigoți pentru evenimentul de țintire au fost încrucișați pentru a obține Ca homozigot.V3.3 knockouts (KO), confirmate de PCR și/sau Southern blot (Fig. 1B). Nu s-a observat nicio părtinire sexuală la descendenți și raportul mendelian așteptat a fost observat în rândul șoarecilor mutanți de tip sălbatic, heterozigoți și homozigoți (datele nu sunt prezentate). Pentru a evalua dacă perturbarea CaVGena 3.3 a fost eficientă, am examinat nivelul de CaV3,3 ARNm. Analiza RT-PCR a arătat că nu CaV3,3 ARNm au fost produse în CaV3.3 creier, indicând faptul că țintirea genei a dus la o mutație nulă pentru acest locus (Fig. 1C). De asemenea, am folosit hibridizarea in situ pentru a verifica expresia și localizarea celulară a CaV3.3 în creierul de șoarece de tip sălbatic și mutant (Fig. 1D).

Perturbarea țintită a șoarecelui CaV3.3 genă și curent de tip T scăzut în CaV3,3 KO. (A) Reprezentări schematice ale Ca de tip sălbaticV3.3 alela, vector de țintire și alela mutantă. Exonii erau reprezentați prin cutii negre. Exon3 și exon4 au fost concepute pentru a fi șterse pentru a genera alela mutantă. (B) Analiza Southern blot a ADN-ului genomic izolat din cozile de șoareci KO de tip sălbatic (WT) și homozigoți. Enzimele de restricție și sondele utilizate sunt prezentate în A. Segmentul de 12 kb corespunde alelei sălbatice 9 kb, alela țintă. (C) Analiza RT-PCR a fost efectuată cu ARNm derivat din probe combinate de tip sălbatic sau CaV3.3 tot creierul mutant. Primerii PCR pentru RT-PCR au fost exon3-7. Banda de 690 bp indică produsul PCR de tip sălbatic, în timp ce CaV3.3 mutantul nu afișează nicio bandă. (D) Analiza cantitativă a expresiei CaV3.3 ARNm cu hibridizare in situ. Există o expresie robustă a lui CaV3.3 în TRN al șoarecelui de tip sălbatic, dar nicio expresie în TRN mutant. Sondele pentru hibridizarea in situ au fost exonul 3 și 4. (E) Curenții LVA Ca 2+ au fost evocați de impulsurile depolarizante cuprinse între -100 și -40 mV la tipul sălbatic și CaV3.3 −/− neuroni. (F) Relația curent-tensiune a afișat o reducere semnificativă a densității curentului de vârf în CaV3.3 −/− (cerc deschis) în comparație cu tipul sălbatic (cerc închis). Datele sunt reprezentate ca medie ± SEM *P & lt 0,05, **P & lt 0,01, ***P < 0,001 cu două cozi t Test.

Curenții de tip T și exploziile oscilatorii sunt afectați în CaV3.3 KO Soareci.

Pierderea funcțională a CaV3.3 a fost examinat prin analiza de clemă de tensiune a celulelor întregi a neuronilor TRN în felii de creier acute de la șoareci KO în vârstă de aproximativ 3-4 săptămâni și de tip sălbatic. Curenții LVA în interior au fost evocați de la un potențial de reținere de –100 mV la niveluri de depolarizare cuprinse între –90 și –40 mV (Fig. 1).E). Densitatea de vârf a unui curent de inactivare rapidă, tipică curenților de Ca 2+ de tip T, evocată la potențialele de testare adecvate, a fost redusă semnificativ în CaV3.3 −/− Neuronii TRN în comparație cu martorii de tip sălbatic (Fig. 1F). Aceste rezultate sunt în concordanță cu cele raportate anterior (22) și sugerează că CaV3.3 este responsabil pentru majoritatea curenților de Ca 2+ de tip T din neuronii TRN. Cantitatea mică de curent rezidual observată în CaV3.3 −/− neuronii la –40 mV este probabil mediat de CaV3.2 și așa cum sa observat anterior (22).

Pentru a identifica neuronii GABAergici care se proiectează de la TRN la TC, am traversat CaV3.3 șoareci mutanți cu șoareci transgenici glutamat decarboxilază 65 (GAD65)-GFP. Injectarea unui trasor retrograd în regiunea TC a acestor șoareci a marcat retrograd unii dintre neuronii GABAergici GFP-pozitivi din regiunea dorsomedială a TRN (Fig. 2).A), permițându-ne să identificăm și să caracterizăm neuronii de proiecție GABAergici ai TRN. În secțiunile acute de creier de la șoareci de tip sălbatic, un scurt impuls de curent hiperpolarizant care a adus potențialul membranei la -100 mV a evocat explozia ulterioară de rebound oscilatorie în aproximativ 40% din neuronii de proiecție, în timp ce 45% au prezentat doar un singur prag scăzut (LT) izbucnit, iar 15% nu au prezentat nicio spargere LT. În CaV3.3 −/− șoareci, 80% dintre neuronii de proiecție pozitivi GFP nu au arătat nicio explozie LT, în timp ce 20% au prezentat o singură explozie LT slabă și exploziile oscilatorii nu au fost niciodată observate (extensia Freeman-Halton a testului de probabilitate exact al lui Fisher, P = 0,0000053) (Fig. 2B). Astfel, capacitatea neuronilor TRN de a declanșa explozii de potențiale de acțiune este grav afectată în CaV3.3 −/− șoareci.

Proprietățile de ardere modificate ale neuronilor TRN lipsiți de CaV3.3 canale și susceptibilitate crescută la SWD indusă de GBL în CaV3,3 șoareci KO. (A) Neuroni TRN marcați cu trasor retrograd roșu injectați în TC de șoareci GAD65-GFP. Imagine confocală a neuronilor TRN marcați cu margele retrograde (roșu) și GFP (imagine extinsă). (B) Trage personaje ale CaV3.3 +/+ (trei urme superioare) și CaV3.3 −/− (două urme mai mici) neuroni TRN. (C) Urme EEG ale adultului CaV3.3 +/+ (Superior) și CaV3.3 −/− (Inferior) șoareci timp de 1 min înainte și de mai multe ori după injectarea GBL. SWD-urile marcate cu asteriscuri sunt cheltuite în partea de jos. (D) Densitatea SWD calculată prin durata totală a SWD pe minut in CaV3.3 +/+ (cerc negru) și CaV3.3 −/− (cerc roșu) șoareci. (E) Distribuția duratei episodului SWD după injectarea GBL. (F) Spectrograme de putere medie EEG de CaV3.3 +/+ și CaV3.3 -/- șoareci în timpul unei înregistrări de 50 de minute. GBL a fost injectat după 10 minute de înregistrare a liniei de bază. Datele sunt reprezentate ca medie ± SEM *P & lt 0,05, **P < 0,01.

Creșterea convulsiilor de absență induse de GBL în CaV3.3 KO sau Knockdown Mouse.

Pentru că CaV3.3 este exprimat abundent în TRN, dar nu și în TC (17), am putea folosi CaV3.3 −/− șoareci pentru a determina rolul spargerii neuronilor TRN în SWD. Pe baza modelului actual (10), am prezis că SWD-urile ar trebui să scadă sau să dispară în CaV3.3 −/− soareci. Pentru a testa această predicție, am examinat susceptibilitatea adulților CaV3.3 -/- șoareci la medicamentul care induce convulsii GBL (Fig. 2C). Administrarea de GBL (70 mg/kg greutate corporală, i.p.) la șoareci de tip sălbatic la vârsta de aproximativ 10 săptămâni a indus SWD paroxistice tipice (Fig. 2).C) și stop comportamental (Fig. S1A). Contrar așteptărilor noastre, în CaV3.3 −/− șoareci, SWD-urile nu au fost reduse, de fapt, GBL a indus mai eficient SWD-urile atât ca densitate (s/min) cât și ca durata totală în CaV3.3 −/− șoareci decât la șoarecii de tip sălbatic [ANOVA cu măsuri repetate (rmANOVA), efect de grup, F(1) = 15.67, P = 0,0008 efect TIME, F(57) = 14.46, P < 0,0001 Grup × Interacțiune timp, F(57) = 4.35, P < 0,0001] (Fig. 2D), cu durata mai mare a episodului SWD (testul Kolmogorov–Smirnov, P = 0,00003) (Fig. 2E). Puterea relativă EEG în intervalul 3-5 Hz caracteristică SWD-urilor a fost semnificativ mai mare în CaV3.3 −/− șoareci decât de tip sălbatic pentru întreaga durată de înregistrare după tratamentul cu GBL (Fig. 2F). Rezultate similare au fost găsite la șoareci mutanți juvenili (vârsta 3-4 săptămâni) [rmANOVA, efect de grup, F(1) = 1.94, P = 0,1807 efect de timp, F(57) = 15.2, P < 0,0001 Grup × Interacțiune timp, F(57) = 1.9, P < 0,0001] (Fig. S1 C și D). SWD-urile au fost analizate pe baza formei de undă brute și filtrate a înregistrărilor EEG, așa cum este descris în detaliu în Materiale și Metode SI (Fig. S1 A și B). Medicamentul antiabsență etosuximida (ETX) a suprimat dramatic SWD induse de GBL la animalele mutante, ceea ce confirmă că acestea erau SWD tipice (Fig. S1).B1).

În cadrul căii talamocorticale, CaV3.3 este exprimat atât în ​​cortex, cât și în TRN (17). Pentru a aborda posibilele contribuții corticale la fenotipul convulsiilor CaV3.3 −/− șoareci, am folosit tăcere genetică mediată de virus pentru a doborî CaV3.3 predominant în TRN. Un vector viral adeno-asociat (AAV) care conține shARN specific pentru CaV3.3 (Fig. S2 A și B) a fost injectat bilateral în TRN al șoarecilor GAD65-GFP de 8 săptămâni (Fig. 3).A, Superior). Trei săptămâni mai târziu, ambele au fost amestecate (de control) și shRNA pentru CaV3,3 (shCaV3.3) vizualizat cu fluorescență roșie (mCherry) colocalizați cu neuroni GAD65-pozitivi (exprimă GFP) în TRN. Expresia virusului a fost limitată la neuronii TRN (Fig. 3A, Mijloc și Inferior) și a redus semnificativ CaV3,3 expresie ARNm cu aproximativ 62% în TRN în comparație cu controlul (Fig. 3B). O astfel de tăcere genică specifică TRN a CaV3.3 curenți redusi de Ca 2+ de tip T în neuronii TRN (Fig. S2 C și D) și sensibilitate sporită la GBL, similar cu ceea ce am observat în CaV3.3 −/− șoareci. CaV3.3 knockdown a provocat un timp de debut semnificativ mai scurt și o densitate mai mare a SWD în comparație cu șoarecii injectați cu virusul martor [rmANOVA, efect de grup, F(1) = 4.52, P = 0,0468 efect de timp, F(57) = 9.21, P = 0 Grup × Interacțiune în timp, F(57) = 1.12, P = 0,2514] (Fig. 3 C și D). Un spectru de putere EEG în intervalul 3-5 Hz a fost, de asemenea, semnificativ mai mare în CaV3.3 șoareci knockdown decât la șoarecii de control (Fig. 3E). Prin urmare, aceste rezultate sugerează că o criză de absență crescută indusă de GBL în CaV3,3 KO a fost mediată de ștergerea CaV3.3 la TRN, nu cortex.

Susceptibilitate sporită la SWD indusă de GBL după microinjecția de AAV-shCaV3.3 în TRN-ul șoarecilor GAD65-GFP. (A) Imagini confocale care arată expresia controlului AAV și AAV-shCaV3.3 (cercurile galbene indică regiunea TRN în Top panouri). Neuronii infectați cu virus sunt etichetați cu GFP (verde, neuroni GAD65-GFP-pozitivi roșii, neuroni infectați cu control AAV în Mijloc panou și AAV-shCaV3,3 in Partea de jos panou galben, îmbinat). (B) Imagini reprezentative ale hibridizării in situ (Superior, control AAV Inferior, AAV-shCaV3.3). (C) Urme EEG ale controlului AAV (Stânga) și AAV-shCaV3,3 șoareci (Dreapta) timp de 1 min înainte și timp după injectarea GBL. (D) Densitatea SWD calculată prin durata totală a SWD pe minut în controlul AAV – (cerc negru) și AAV-shCaV3.3– (cerc roșu) șoareci injectați. (E) Spectrogramele de putere medie EEG ale AAV-control– și AAV-shCaV3.3 – șoareci injectați în timpul unei înregistrări de 50 de minute. GBL a fost injectat după 10 minute de înregistrare a liniei de bază. Datele sunt reprezentate ca medie ± SEM, *P & lt 0,05.

Ștergerea completă a tragerii în rafală în TRN îmbunătățește crizele de absență în CaV3.3 −/− KO și CaV3.2 −/− /3.3 −/− Soareci dublu-KO.

Pentru a evita posibilele efecte ale activității reziduale ale canalului de tip T prezente în TRN de CaV3.3 doborare și CaV3.3 −/− șoareci (fig. 1F), am făcut șoareci dublu-KO (DKO) lipsiți atât de CaV3,2 și CaV3.3 (CaV3.2 −/− /3.3 −/− șoareci) (Fig. S3A). Deși acești șoareci nu au avut activitate de spargere în neuronii lor TRN (probabilitatea exactă a lui Fisher, P = 0,0012) (Fig. 4A), efectul injectării cu GBL a fost similar cu ceea ce am observat în CaV3.3 −/− și CaV3.3 șoareci knockdown [rmANOVA, efect de grup, F(1) = 21.35, P = 0,0004 efect de timp, F(57) = 13.99, P < 0,0001 Grup × Interacțiune timp, F(57) = 5.43, P < 0,0001] (Fig. 4 BF). Intervalul interspike în cadrul unui SWD nu a fost modificat. Mai departe, nici CaV3.3 −/− KO nici CaV3.2 −/− /3.3 −/− Șoarecii DKO au prezentat SWD spontan (datele nu sunt prezentate). Aceste constatări indică faptul că SWD poate fi menținut în absența completă a exploziei TRN și, de fapt, este îmbunătățită atunci când exploziile sunt eliminate.

Tragerea tonicului este crescută în CaV3.3 −/− KO și CaV3.2 −/− /3.3 −/− DKO Soareci.

Pentru a explica această observație neașteptată, am luat în considerare posibilitatea ca pierderea curenților de Ca 2+ de tip T să aibă alte efecte asupra neuronilor TRN care sporesc SWD-urile. Spre deosebire de pierderea exploziilor TRN, frecvența declanșării tonice evocate de curenții depolarizatori a fost semnificativ crescută în neuronii de proiecție pozitivi pentru TRN GFP ai CaV3.3 −/− șoareci în comparație cu cei de la șoarecii de tip sălbatic [ANOVA în două direcții, efect de grup, F(1,36) = 4.8, P = 0,035] (Fig. 5 A și B). Tragerea tonicului a fost, de asemenea, crescută în CaV3.2 −/− /3.3 −/− șoareci (Fig. S3 B și C). Pentru a examina cauza creșterii declanșării tonicelor, am analizat post-hiperpolarizările (AHP) despre care se știe că reglează frecvența potențialului de acțiune. Amplitudinea AHP rapid (fAHP), care joacă un rol important în repolarizarea potențialului membranei după un potențial de acțiune, nu a fost semnificativ diferită între CaV3.3 −/− și neuronii de tip sălbatic (Fig. 5C). Cuplarea dintre canalele T și canalele K + activate de Ca 2+ este cunoscută a fi indispensabilă pentru descărcările oscilatorii ale neuronilor TRN (23). Astfel, am examinat amplitudinea AHP mediu (mAHP) cauzată de activarea canalelor K+ activate de Ca 2+ și am constatat că mAHP-urile au fost reduse semnificativ la șoarecii mutanți (Fig. 5).D). Acest lucru a fost observat și în CaV3.2 −/− /3.3 −/− șoareci (Fig. S3 D și E). Prin urmare, o declanșare tonic crescută a neuronilor TRN mutanți s-ar putea datora cel puțin parțial unei scăderi mAHP. În schimb, alte proprietăți electrofiziologice intrinseci ale neuronilor TC nu au fost afectate la șoarecii mutanți (Fig. S4). ANUNȚ). De asemenea, acești neuroni nu au prezentat diferențe în amplitudinea sau frecvența curenților postsinaptici inhibitori spontani (IPSC) care rezultă din intrarea TRN (Fig. S4). DE EXEMPLU), ceea ce este în concordanță cu lipsa SWD spontane în CaV3.3 −/− șoareci.

Conexiune sinaptică inhibitoare TRN-TC îmbunătățită la mutant.

Pentru a determina efectul în aval al declanșării tonice crescute în neuronii TRN, am examinat apoi conexiunea sinaptică inhibitorie TRN-TC. Înregistrări cu clemă de plasture întregi celule de la neuronii TC ale CaV3.3 −/− șoarecii, măsurați în prezența blocanților receptorilor de glutamat 6-ciano-7-nitrochinoxalină-2, 3-dionă și acid 2-amino-5-fosfonopentanoic, au evidențiat IPSC monosinaptice ca răspuns la stimularea electrică a TRN. Nu a existat o diferență semnificativă în amplitudinea IPSC-urilor evocate în neuronii TC de stimuli unici (tip sălbatic, 274 ± 117 pA, n = 8 CaV3.3 −/− , 321 ± 131 pA, n = 9, P = 0,8). Acest lucru indică faptul că puterea sinaptică bazală este neschimbată la mutant. Cu toate acestea, s-au observat diferențe ca răspuns la stimuli multipli TRN. Am folosit cinci stimuli la 100 Hz sau 500 Hz pentru a imita tragerea tonica sau, respectiv, în rafală (Fig. 5).E). Observațiile anterioare in vivo arată că neuronii TRN declanșează explozii compuse din 5-15 vârfuri la frecvențe cuprinse între 250 și 550 Hz (24). Kim şi colab. (25) au demonstrat că o descărcare tonică de 100 Hz sau o frecvență de explozie de 500 Hz a nucleului perigeniculat generează IPSP în celulele TC postsinaptice in vitro. Pentru stimularea cu frecvență tonică, puterea sinaptică, măsurată ca sarcină integrată a IPSC-urilor, a fost semnificativ mai mare în CaV3.3 −/− în comparație cu șoarecii de tip sălbatic (Fig. 5F). Cu toate acestea, nu a existat nicio diferență între cele două genotipuri în răspunsurile lor la stimularea cu frecvență de explozie. Ca rezultat, în IPSC mutantul, răspunsurile la stimularea cu frecvență tonică au fost semnificativ mai mari decât răspunsurile la stimularea cu frecvența în explozie. Pentru a dezvălui modul în care stimularea frecvenței tonice a crescut transmisia sinaptică inhibitorie în CaV3.3 −/− șoareci, am analizat raportul impulsurilor pereche (raportul PPR al doilea/primul răspuns) al IPSC-urilor. PPR evocat de stimularea cu frecvență tonica a fost mai mare (P = 0,038) in CaV3.3 −/− (0,74 ± 0,6) decât la tipul sălbatic (0,55 ± 0,75) (Fig. 5G). Acest lucru indică faptul că creșterea transmiterii sinaptice inhibitoare în CaV3.3 −/− șoarecii este dependent de activitate și de origine presinaptică, probabil cauzat de scăderea mAHP-urilor neuronilor TRN. Modificarea PPR poate reflecta modificări ale probabilității de eliberare presinaptică.


Rețele și învățare

Până acum am discutat doar proprietățile rudimentare ale neuronilor individuali. Cu toate acestea, modul în care neuronii sunt puși împreună în rețele și antrenați a avut istoric un impact mai mare asupra performanței lor decât structura unei singure unități.

Primul ANN practic a fost introdus de Frank Rosenblatt în anii 1950, numit Perceptron. Nu includea niciun strat ascuns și, ca atare, era profund limitat. Cu toate acestea, natura sa paralelă i-a permis să învețe cu ușurință logica simplă - efectuarea logicii pe intrările paralele este mult mai ușoară decât pe serial, deoarece nu este necesară nicio memorie pentru a stoca valori intermediare. Straturile adânci nu existau încă, mai ales pentru că nimeni nu știa cum să le antreneze. Minsky și Pappert au demonstrat în 1969 că acest tip de bază de arhitectură ANN nu poate rezolva niciodată probleme liniar inseparabile (de exemplu, efectuarea de operații logice precum OR exclusiv) și au concluzionat că nu vor putea niciodată să rezolve nicio problemă cu adevărat interesantă. În cartea lor, ei au invocat în mod greșit că această problemă este comună tuturor ANN-urilor, ceea ce a cauzat o scădere uriașă a interesului/finanțării pentru ANN-uri, oprind în esență cercetarea în zonă timp de aproape două decenii.

A durat până în anii 1980 pentru a salva ceea ce a mai rămas din ANN-uri. Un grup internațional de cercetători (David Rumelhart, Jeff Hinton și alții) a venit cu o metodă de antrenare a ANN-urilor profunde numită backpropagation. Acest lucru a infirmat imediat conjectura lui Minsky și Pappert și a demarat un efort amplu de cercetare asupra ANN-urilor. Merită să observăm că retropropagarea este, probabil, aspectul ANN-urilor cel mai larg criticat pentru că este neplauzibil din punct de vedere biologic.

Backpropagarea se bazează pe propagarea erorilor înapoi printr-un ANN profund pentru a corecta/antrenează straturile profunde. Algoritmul de retropropagare are rădăcini în diferențierea automată, o metodă dezvoltată de Newton într-o perioadă în care, în esență, nu se înțelegea biologia care stă la baza inteligenței. A revendica inspirația biologică ca început ar fi așadar o prostie.

Principala critică la adresa plauzibilității biologice a propagării inverse se concentrează pe cerința de a alimenta semnalele înapoi, ceea ce se știe că neuronii biologici nu le pot face (Acest lucru nu este în întregime adevărat, deoarece au fost raportate unele cazuri marginale de semnalizare inversă). Cu toate acestea, oamenii de știință în neuroștiință știu de mult timp că neuronii nu sunt o masă uniformă de material omogen, ci în schimb apar în mod repetat în ansambluri structurate care au conexiuni de feedback [2]. Prin urmare, este pe deplin plauzibil ca cel puțin în unele zone ale creierului neuronii să existe în perechi în care unul se hrănește înainte, în timp ce celălalt se alimentează înapoi, făcând retropropagarea complet posibilă în cadrul unui ansamblu neuronal. Acestea fiind spuse, până acum nu a existat o demonstrație convingătoare a propagării inverse a erorii în creier - ceva ce ar trebui să ne așteptăm să fie relativ ușor de observat dacă este o caracteristică proeminentă a rețelelor neuronale biologice.

Backpropagarea a fost un progres necesar pentru rețelele neuronale profunde, deoarece adâncimea este unul dintre cele mai puternice concepte aduse ANN-urilor. Adâncimea permite reprezentarea ierarhică a unei probleme - rezolvarea problemelor mai mici (de exemplu, detectarea marginilor) mai întâi înainte de a trece la cele mai mari (de exemplu, recunoașterea unui obiect dintr-o colecție de margini). Natura ierarhică este, de asemenea, o caracteristică proeminentă a procesării informațiilor în creier [16], oferind o aliniere elegantă între inteligența biologică și cea artificială.

O altă îmbunătățire majoră a capacităților ANN-urilor a fost introducerea convoluției ca una dintre componentele principale [13]. Convoluția înseamnă în esență mutarea unui filtru între date pentru a identifica caracteristicile. Acest lucru a adus un mare avantaj pentru formarea ANN-urilor, deoarece scade enorm numărul de parametri liberi care trebuie ajustați. Interesant, este bine dovedit că principii similare sunt aplicate în creier [6] și este probabil unul dintre fenomenele cruciale care permit creierului să proceseze stimuli vizuali foarte eficient.

Până acum am văzut că critica la adresa retropropagarii pentru neplauzibilitatea sa biologică este șocantă (în timp ce nu a fost găsită nicio dovadă pentru retropropagarea în rețelele neuronale biologice), iar această convoluție pare bine întemeiată din punct de vedere biologic. Cu toate acestea, ultimul aspect al ANN-urilor contemporane nu urmează această linie de raționament. Inițializarea ponderilor printr-o matrice de identitate [12] este o tehnică care facilitează formarea rețelelor mai profunde. Funcționează pentru că inițial straturile profunde își transmit intrările nemodificate - un punct de plecare mai bun decât învățarea dintr-o transformare complexă aleatorie. După cum vă puteți aștepta, acest lucru nu se pretează la nicio comparație semnificativă cu creierul, ilustrând faptul că biologia, deși este o inspirație utilă pentru arhitectura ANN, nu este de departe singurul mijloc de progres în AI.

În concluzie, principalele progrese care conduc la succesul actual al ANN-urilor se concentrează pe modul în care sunt antrenate ANN-urile, nu pe ce sunt ele exact. Aceste progrese sunt o combinație de alegeri inginerești în principal pragmatice și o inspirație biologică discutabilă, care este, de asemenea, o alegere inginerească bună.


Ar trebui oamenii să primească în continuare noul vaccin ARNm?

Apariția acestui nou B.1.1.7 face și mai important ca oamenii să se vaccineze cât mai curând posibil.

Dacă această nouă versiune este mai transmisibilă sau dacă vaccinul este mai puțin eficient din cauza unei nepotriviri virus-vaccin, mai mulți oameni vor trebui vaccinați pentru a obține imunitatea de turmă și a ține această boală sub control.

Mai mult decât atât, acum avem dovezi că proteina de vârf a SARS-CoV-2 se poate schimba drastic într-un timp scurt și, prin urmare, este esențial să punem virusul sub control pentru a preveni evoluția în continuare și a submina complet eforturile de vaccinare.


4. Hardware neuromorfic

Există o mare discrepanță între promisiunea de a calcula eficient cu SNN-uri și implementarea efectivă pe hardware-ul de calcul disponibil în prezent. Simularea SNN-urilor pe mașinile von Neumann este de obicei ineficientă, deoarece activitatea rețelei asincrone duce la un acces cvasialeatoriu al greutăților sinaptice în timp și spațiu. În mod ideal, fiecare neuron în creștere este un procesor propriu într-o rețea fără ceas central, care este principiul de proiectare neuromorfă platforme. Structura extrem de paralelă, comunicarea rară și calculul în memorie propuse de SNN-uri sunt în contrast cu procesarea secvențială și centrală a datelor constrânsă de peretele de memorie dintre procesor și memorie pe CPU și GPU. Eficiența computațională a SNN-urilor poate fi observată în creiere care pot rezolva sarcini complexe în timp ce necesită mai puțină energie decât un bec slab (Laughlin și Sejnowski, 2003). Pentru a reduce decalajul în ceea ce privește eficiența energetică dintre simulările SNN-urilor și SNN-urile biologice în ultimul deceniu au fost dezvoltate mai multe sisteme hardware neuromorfe care sunt optimizate pentru execuția SNN-urilor (a se vedea tabelul 1 pentru o revizuire a specificațiilor tehnice, a se vedea Furber, 2016 Singh Thakur). et al., 2018). Eficiența energetică a sistemelor neuromorfe le face candidații ideali pentru dispozitivele încorporate supuse constrângerilor de putere, de exemplu, telefoane mobile, roboți mobili și aerieni și dispozitive Internet of Things (IoT). În plus, dispozitivele neuromorfe ar putea fi utilizate în centrele de date pentru a reduce costul aplicațiilor cloud care se bazează pe rețelele neuronale.

tabelul 1. Acest tabel listează sisteme neuromorfe construite pentru care au fost afișate rezultate cu SNN profunde la sarcinile de clasificare (pentru liste extinse de sisteme hardware care pot fi utilizate potențial pentru SNN profunde, vezi, de exemplu, Indiveri și Liu, 2015 Liu și colab., 2016).

Inspirate de biologie, dispozitivele neuromorfe partajează localitatea datelor pentru a reduce traficul pe cip, reflectat în cea mai mare parte prin utilizarea vârfurilor pentru comunicare și limitarea fan-in-ului neuronilor. Paralelismul masiv al dispozitivelor neuromorfe se manifestă în reprezentarea fizică a neuronilor și a sinapselor pe hardware inspirată de studiul seminal al lui Mead (1990) (pentru o revizuire, vezi Indiveri et al., 2011). Sistemele neuromorfe analogice, care implementează funcționalități de stimulare a neuronilor și a sinapselor cu circuite electronice analogice, au de obicei o mapare unu-la-unu între neuroni și sinapse în descrierea rețelei și pe hardware. În schimb, sistemele digitale implementează structura paralelă mai puțin fină prin gruparea și virtualizarea neuronilor miezuri (sute pentru TrueNorth și mii pentru sistemul SpiNNaker, vezi și Tabelul 1). Cu toate acestea, în comparație cu virtualizarea extinsă pe CPU și GPU, adică numărul total de neuroni dintr-o rețea împărțit la numărul de nuclee, virtualizarea pe sistemele neuromorfe este destul de scăzută. Acest lucru duce la mai puțină flexibilitate în ceea ce privește conectivitatea și dimensiunea rețelelor și, prin urmare, demonstrațiile hardware care arată că SNN-urile profunde funcționale sunt puține. Toate sistemele hardware enumerate în Tabelul 1 au o schemă de calcul asincronă care permite calculul la cerere și reduce consumul de energie în cazul unei activități reduse a rețelei.

În principiu, hardware-ul neuromorf ar putea fi folosit atât pentru antrenament, cât și pentru inferența SNN-urilor. În timp ce DNN-urile originale și constrânse (secțiunea 3.3) pot fi de obicei antrenate pe GPU-uri și apoi sunt convertite în SNN-uri (secțiunea 3.2), antrenamentul bazat pe spike (secțiunea 3.4) și în special regulile de învățare locale (secțiunea 3.5) sunt mai costisitoare din punct de vedere computațional pe von Neumann mașini și, prin urmare, ar putea beneficia foarte mult de accelerarea hardware. Cu toate acestea, până acum, instruirea bazată pe spike și regulile de învățare locale nu au fost demonstrate pentru rețelele profunde competitive. Dezvoltarea rapidă în acest domeniu de cercetare face dificilă construirea hardware-ului dedicat pentru instruire, deoarece proiectarea și producția lor necesită timp și costisitoare (a se vedea, de asemenea, secțiunea 6).

4.1. Inferență asupra hardware-ului neuromorfic

Odată ce parametrii SNN-urilor sunt obținuți prin oricare dintre metodele de antrenament analizate în secțiunea 3, de obicei, aceste rețele trebuie să fie adaptate la sistemul hardware specific care urmează să fie utilizat pentru inferență. Sistemele neuromorfe analogice care suferă de variația parametrilor pot necesita o reglare fină greoaie a rețelelor pre-antrenate cu sistemul hardware în buclă (Schmitt et al., 2017). Acest lucru nu este întotdeauna practic, deoarece reconfigurarea sistemelor neuromorfe este adesea lentă în comparație cu, de exemplu, CPU-urile și GPU-urile. O altă abordare comună pentru îmbunătățirea performanței testului este de a încorpora constrângeri hardware, cum ar fi, de exemplu, număr limitat de conexiuni de intrare și ponderi cuantificate în procesul de instruire (secțiunea 3.3). Odată ce parametrii sunt antrenați și dispozitivul este configurat, inferența este de obicei rapidă și eficientă din punct de vedere energetic, datorită optimizării lor pentru intrarea și ieșirea spike. Din cunoștințele noastre, au fost prezentate doar rezultatele sistemelor hardware TrueNorth, SpiNNaker și BrainScaleS, în care SNN-urile profunde pe cipuri de siliciu au fost utilizate pentru sarcini de clasificare cu complexitatea cel puțin MNIST (pentru specificațiile hardware și performanțe de clasificare, vezi Tabelul 1). Pentru alte sisteme neuromorfe promițătoare, nu sunt afișate încă rezultate pentru SNN profunde (Park și colab., 2014 Lin și colab., 2018), sau numărul de neuroni și sinapse prezentat este prea mic pentru a arăta rezultate competitive (Pfeil și colab., 2013a Schmuker et al., 2014 Indiveri et al., 2015 Qiao et al., 2015 Moradi et al., 2017 Petrovici et al., 2017). Implementările software prototipice și sistemele FPGA (field-programmable gate array) nu sunt luate în considerare în acest studiu. Ca o excepție, am dori să menționăm noul cip Intel Loihi (Davies și colab., 2018), pentru care sunt prezentate rezultatele unei rețele cu un singur strat pe imagini MNIST preprocesate pe o implementare FPGA prototip (Lin et al., 2018) . Odată pus în funcțiune, numărul mare de neuroni al Loihi, conectivitatea și configurabilitatea acestora și capacitățile de învățare pe cip ar putea fi o bază bună pentru a activa rețele profunde pe date brute de imagine. Tabelul 1 arată SNN-urile profunde pe sistemele SpiNNaker și BrainScaleS care aproximează perceptronii multistrat (MLP) și, respectiv, rețelele de credință profundă (DBN) bazate pe rate, arătând activitatea rețelei așa cum este reprezentată în mod exemplar în Figura 1D. În schimb, CNN-urile profunde sunt binarizate pentru execuția lor pe sistemul TrueNorth (comparați cu Figura 1C). Aceasta înseamnă că activările neuronilor pe TrueNorth sunt reprezentate de vârfuri unice și fiecare neuron dintr-o rețea este apatrid și se declanșează cel mult o dată pentru fiecare intrare. Cu alte cuvinte, vârfurile nu mai conțin informații temporale, dar debitul mare face inferența eficientă din punct de vedere energetic.

Sistemele neuromorfe prezentate sunt mai eficiente din punct de vedere energetic decât GPU-urile? Răspunsul la această întrebare depinde foarte mult de sarcina de referință aleasă și putem oferi doar numere aproximative pentru sarcinile de clasificare bazate pe cadre (pentru discuții suplimentare vezi secțiunea 6). Deoarece măsurătorile de putere pe GPU-uri mobile moderne (Nvidia Tegra X1) sunt raportate numai pentru rețelele mari (AlexNet) pe imagini comparabil mari din setul de date ImageNet (NVIDIA Corporation, 2015), iar numerele de putere ale celui mai eficient sistem neuromorf sunt înregistrate pentru rețele personalizate pe imagini mai mici din setul de date CIFAR10 (Esser et al., 2016), o comparație directă nu este posibilă. Totuși, dacă presupunem o scădere liniară a numărului de operațiuni cu aria imaginii de intrare, ceea ce este aproximativ adevărat pentru rețelele convoluționale, energia raportată de 76 mJ pentru GPU-uri pentru a procesa o imagine de dimensiunea 224 × 224 scale. până la aproximativ 2 mJ pentru o imagine din setul de date CIFAR10 cu dimensiunea 32 × 32. Acest consum de energie este cu aproximativ un ordin de mărime mai mare decât pentru soluția neuromorfă cea mai eficientă din punct de vedere energetic, adică DNN-urile binarizate pe sistemul TrueNorth ( pentru numere vezi Tabelul 1). Since the energy consumption of most neuromorphic systems is dominated by that of synaptic events, i.e., communication and processing of spikes, higher benefits are expected for models that exploit sparse temporal codes, rather than rate-based models.

4.2. On-Chip Learning

Although unified methods to train SNNs are still missing, the SpiNNaker and BrainScaleS hardware systems implement spike-timing-dependent plasticity (STDP), a local unsupervised learning rule inspired by biology. Synaptic weights are updated by means of local correlations between pre- and postsynaptic activity (see also section 3.5). Neuromorphic systems are valuable tools to investigate such local learning rules, because the training of networks with STDP often requires long simulations of SNNs in terms of biological time, and neuromorphic systems usually accelerate such simulations compared to conventional computers. The BrainScaleS system (Schemmel et al., 2010) and its successor (Aamir et al., 2018) is an especially promising candidate for on-chip learning due to its acceleration of up to a factor of 10000 compared to biological real time, but so far STDP is only shown for small networks on a prototype chip (Pfeil et al., 2013b) and shows significant parameter variation due to imperfections in the production process (Pfeil et al., 2012). In addition, Friedmann et al. (2017) investigated the integration of on-chip plasticity processors into the BrainScaleS system to modulate STDP based on the model of neuromodulators in biology (Pawlak et al., 2010) allowing for supervised training. Although the implementation of STDP is in terms of chip area costly for the presented neuromorphic systems, novel electronic components, so called memristors, may allow for much higher densities of plastic synapses (Jo et al., 2010 Saïghi et al., 2015 Boyn et al., 2017 Burr et al., 2017 Pedretti et al., 2017).


Club mosses

The club mosses include around 400 species of lycophytes from the class Lycopsida. The vast majority of species are found within a single genus known as Huperzia, which are sometime referred to as the fir mosses.

They are found all around the world, most commonly growing in rainforests on the trunks of trees but some species inhabit Arctic regions and the southern end of South America. The most significant difference between club mosses and other lycophytes is that club mosses only have one type of spore.


MATERIALE ȘI METODE

Ethics statement.

All animal handling and procedures were in accordance with the National Institutes of Health animal welfare guidelines and were approved by the George Mason University institutional animal care and use committee.

D1 and D2 MSN models.

D1 and D2 MSN models were generated by modifying a previously published MSN model (Evans et al. 2012). The morphology of both MSN models was the same as this previous model, except with the spines removed (to improve computational efficiency), and consisted of 189 compartments with 4 primary dendrites which divide into 8 secondary and then 16 tertiary dendrites. Each primary dendrite was 20 μm long, secondary dendrites were 24 μm long, and tertiary dendrites were composed of 11 compartments, each 36 μm long. The kinetics of the channels included in the model were identical to the previous model (Evans et al. 2012). D1 and D2 MSN models were created by changing the maximal conductance of intrinsic and synaptic channels from values used for our previous MSN model (Table 1), based on experimental data measuring the effect of D1 or D2 receptor agonists, as summarized in Nicola et al. (2000) and Moyer et al. (2007). The maximal conductances of the α-amino-3-hydroxy-5-methyl-4-isoxazolepropionic acid (AMPA) and N-methyl- d -aspartate (NMDA) receptors of both MSN classes were additionally adjusted to maintain the NMDA-to-AMPA ratio of 2.75:1 measured in cortico-striatal terminals from dorsal striatum of adult animals (Ding et al. 2008), as used previously (Evans et al. 2012). Note that this value is considerably greater than the NMDA-to-AMPA ratio measured in the striatum from other striatal regions (ventral −0.22 Popescu et al. 2007) or from younger animals (∼1.0 Logan et al. 2007).

Table 1. Modulation of channel conductances

Values are % conductance value reported in Evans et al. (2012).

For simulations that investigate the contribution of morphology differences between D1 and D2 MSNs in explaining differences in excitability, the number of primary dendrites for D1 MSNs was increased from 4 to 6 based on reconstructions of these neurons (Gertler et al. 2008). The intrinsic channel properties of both MSN classes were set to match those of a D2 MSN for these simulations since this produced frequency-current (F–I) curves that matched experimental results most accurately.

FSI network.

A previously published FSI network model was used (Hjorth et al. 2009) and extended to include chemical synapses, as seen experimentally (Gittis et al. 2010). Each FSI in this network consisted of 127 compartments with a soma and 2 primary dendrites, which divide into 4 secondary and 8 tertiary dendrites. The channels incorporated in this model included a fast-sodium channel (NaF), voltage-dependent K + (Kv) 3.1, Kv1.3 and slowly inactivating A-type (transient) potassium channel (KAs) (Kotaleski et al. 2006). The gap junction connections between the FSIs were modeled as resistive elements between the primary dendrites, with a conductance of 0.5 nS, coupling coefficient of 25% and probability of gap junction connection between nearby FSIs of 0.3 (Galarreta and Hestrin 2002 Hjorth et al. 2009 Koós and Tepper 1999). Chemical synapses were GABAergic, chloride-permeable channels [rise time constant, 1.33 ms decay time constant, 4 ms reversal potential, −60 mV maximal conductance, 1 nS (Gittis et al. 2010)]. The probability of chemical synapse connection between FSIs was 0.58 (Gittis et al. 2010) and was independent of the probability of gap junction connection.

Striatal network.

The striatal network consisted of 1,000 MSNs (500 D1 MSNs and 500 D2 MSNs) and 49 FSIs (see Fig. 2A). The MSN-to-FSI ratio was based on experimental observations: each MSN receives input from 55% of nearby striatal FSIs (Tecuapetla et al. 2007), and between 4 and 27 converge on the same MSN (Koós and Tepper 1999). Based on these estimates, the 49 neuron FSI network corresponded to the FSI network seen by 1,000 postsynaptic MSNs. Although the percentage of FSIs is slightly larger than observed experimentally, a smaller number of FSIs would have incorrectly produced homogenous FSI input to each MSN in the network model. A heterogeneous network of neurons was generated by changing the KAs conductance (both MSNs and FSIs) and NMDA channel conductance (MSN only) by ±10%. The range of activity of MSNs used in the network, in response to current injections, was within the range of experimentally observed responses (see Fig. 2B electrophysiology methods described below). The distance between each MSN soma in the model was 25 μm both in the X-axis and the y-axis based on experimental observations (Tunstall et al. 2002), resulting in a 775 × 775 μm 2 grid. At each grid location, the assignment of either D1 or D2 MSNs was random with probability = 0.5.

The probabilities of connection of MSN-MSN and FSI-MSN synapses were modeled using a distance-based exponential function, tuned to match experimentally observed probabilities of connections (Gittis et al. 2010 Planert et al. 2010 Plenz 2003 Taverna et al. 2008): P ( x ) = e − [ ( x 2 − x 1 ) 2 − ( y 2 − y 1 ) 2 ] / f where f = 95 μm 2 . FSIs were connected to MSNs with GABAergic synapses [rise time constant, 0.25 ms decay time constant, 3.65 ms reversal potential, −60 mV maximal conductance, 8.4 nS (Gittis et al. 2010)], whereas the GABAergic synapses between MSNs had a maximal conductance of 0.75 nS with the same rise and decay times (Koos et al. 2004). Note that GABAergic synapses in MSNs are depolarizing due to the hyperpolarized (−80 to −90 mV) resting membrane potential of mature MSNs (Wilson and Kawaguchi 1996), coupled with GABA responses which reverse between −60 and −50 mV (Kita 1996 Mercuri et al. 1991 Tunstall et al. 2002). The FSI-MSN synapses also were more proximal than MSN-MSN synapses (Oorschot et al. 2010). The probability and strength of connection of MSN-MSN and FSI-MSN synapses in the network model were independent of the type of pre- or postsynaptic MSN (Planert et al. 2010). The transmission delays were distance-based using a conduction velocity of 0.8 m/s for both FSI and MSN synapses (Tepper and Lee 2007 Wilson 1986 Wilson et al. 1990).

Extrinsic synaptic input.

Excitatory input to the striatum comes primarily from the cortex and thalamus. We simulated this glutamatergic input as Poisson distributed spike trains with a minimum time between spikes of 100 μs. Both MSN classes in this model have 360 AMPA and NMDA synapses and 227 GABA synapses. Note that each Poisson train represents activity from more than one cortical neuron, and each synapse represents the population of synapses in a single isopotential compartment. Thus the 100-μs minimum interspike interval is to prevent more than 1 spike per time step to each MSN. Each synaptic channel in the MSN model receives an input of 10 Hz during the upstate, which results in a total input of ∼800 synaptic inputs per second and 1/20 of this input during down states (Blackwell et al. 2003). Each FSI model has 127 AMPA synapses and 93 GABA synapses, resulting in a total AMPA input of 282 Hz and GABA input of 207 Hz, when 2 Hz input is provided to each synapse (Kotaleski et al. 2006). To introduce correlations within both the MSN and FSI input, each spike from the set of spike trains was assigned to more than one synapse, with probability P = 1/n, where n = N − c ( N − 1 ) , where N = number of synapses, and c = 0.5 (Hjorth et al. 2009). For each neuron, starting from a single mother spike train per neuron, spike trains for each synapse were created by assigning the spike to that synapse if a uniform random number was greater than P. This produced a mean number of synapses activated by each spike of 1.4 for the control simulations. To introduce between-neuron input correlation, an additional shared set of input spikes was generated. The between-neuron input correlation was then adjusted by changing the fraction of input each neuron received from this shared pool (as opposed to the spike trains that were unique to each neuron). Unless otherwise stated, 30% of all excitatory synaptic input to either the FSI or MSN populations was shared with FSIs and MSNs each having their own sets of shared inputs. This base level of between-neuron correlation was incorporated based on studies that report correlation among the cortical input to the striatum (Krüger and Aiple 1988 Stern et al. 1998 Ts'o and Gilbert 1988). For the case where synchronized cortical input was provided to FSIs to compensate for lack of gap junctions, the correlation value was doubled for FSI inputs only.

The model was implemented in GENESIS (Bower and Beeman 2007), and simulations used a time step of 100 μs. The simulation time was 2 s with five 0.2-s duration upstates separated by 0.2-s duration downstates. Each upstate used a different set of cortical input spikes and thus was an independent observation of the network response. Each network simulation experiment took 3 wk to run. The cortico-striatal Poisson spike trains were generated using MATLAB (version 2007b, MathWorks). The simulation and output processing software, along with the files used for the simulations, are freely available from the authors' website (http://krasnow1.gmu.edu/CENlab/) and modelDB (http://senselab.med.yale.edu/ModelDB/).

Analysis of spikes.

Mean firing frequency during upstates was plotted by averaging across neurons of the same class using 10-ms time bins. The firing frequency was expressed as mean ± SD of values obtained from five different upstates. To investigate the contribution of gap junctions on synchronization, cross-correlograms were constructed for each directly coupled neuron pair in the FSI network and then averaged over the network (Hjorth et al. 2009). Cross-correlograms also were constructed for directly coupled MSN pairs. Correlation was corrected for firing frequency by subtracting the shuffled cross-correlograms for the same network condition. Statistical analyses were performed using SAS. When only two groups were being compared, the procedure TTEST was used. When more than two groups were compared, one-way analysis of variance was performed using the GLM procedure with network condition as the independent variable and difference between D1 and D2 MSN frequencies as the dependent variable. Each of the five upstates was considered as an independent replication, and P < 0.05 was considered significant. Post hoc analyses used Bonferroni correction for multiple comparisons with P < 0.01 considered significant.

Electrophysiology for model tuning.

Patch-clamp recordings were performed to obtain a range of responses of MSNs to somatic current injection (Fig. 2B). C57B6 male and female mice (at least 20 days old) were anesthetized with isoflurane and decapitated. Brains were quickly extracted and placed in oxygenated ice-cold slicing solution (in mM: KCl 2.8, dextrose 10, NaHCO3 26.2, NaH2PO4 1.25, CaCl2 0.5, Mg2ASA DE4 7, sucrose 210). Hemicoronal slices from both hemispheres were cut 350-μm thick using a vibratome (Leica VT 1000S). Slices were immediately placed in an incubation chamber containing artificial cerebrospinal fluid (in mM: NaCl 126, NaH2PO4 1.25, KCl 2.8, CaCl2 2, Mg2ASA DE4 1, NaHCO3 26.2, dextrose 11) for 30 min at 33°C, then removed to room temperature (21–24°C) for at least 90 more minutes before use.

A single hemislice was transferred to a submersion recording chamber (ALA Science) gravity-perfused with oxygenated artificial cerebrospinal fluid containing 50 μM picrotoxin. Temperature was maintained at 30–32°C (ALA Science) and was monitored with an external thermistor. Whole cell patch-clamp recordings were obtained from neurons under visual guidance using infrared differential interference contrast imaging (Zeiss Axioskop2 FS plus). Pipettes were pulled from borosilicate glass on a laser pipette puller (Sutter P-2000) and fire-polished (Narishige MF-830) to a resistance of 3–7 MΩ. Pipettes were filled with a potassium-based internal solution (in mM: K-gluconate 132, KCl 10, NaCl 8, HEPES 10, Mg-ATP 3.56, Na-GTP 0.38, EGTA 0.1, biocytin 0.77) for all recordings. Intracellular signals were collected in current clamp and filtered at 3 kHz using an Axoclamp2B amplifier (Axon Instruments) and sampled at 10–20 kHz using an ITC-16 (Instrutech) and Pulse version 8.80 (HEKA Electronik). Series resistance (6–30 MΩ) was manually compensated.


Fundal

Neural responses in visual cortex depend not only on sensory input but also on behavioral context. One such context is locomotion, which modulates single-neuron activity in primary visual cortex (V1). How locomotion affects neuronal populations across cortical layers and in precortical structures is not well understood.

Rezultate

We performed extracellular multielectrode recordings in the visual system of mice during locomotion and stationary periods. We found that locomotion influenced activity of V1 neurons with a characteristic laminar profile and shaped the population response by reducing pairwise correlations. Although the reduction of pairwise correlations was restricted to cortex, locomotion slightly but consistently increased firing rates and controlled tuning selectivity already in the dorsolateral geniculate nucleus (dLGN) of the thalamus. At the level of the eye, increases in locomotion speed were associated with pupil dilation.

Concluzii

These findings document further, nonmultiplicative effects of locomotion, reaching earlier processing stages than cortex.


Inflorescenţă

The arrangement and distribution of flower in the axis of plant is called inflorescence. The supporting stalk in inflorescence is known as peduncle. The supporting stalk of individual flower is called pedicel.
Solitary terminal is the inflorescence in which single flower of the terminal part of growth.
Solitary axillary: If single flower develops from the axis of leaves and branches of plant, then the inflorescence will be solitary axillary.
Based on the mode of distribution and origination of flower, in plant, inflorescence can be categorized as:

    Racemose:
    In this type of inflorescene, the main axis of inflorescene does not terminate in flower but continuous to scene does not terminate in flower but continuous to grow and fives flowers laterally. The flower at lower or outer side is older and upper or inner flowers are younger. It is termed as arrangement of flowers in zeropetal or centripetal succession.It is of further following types:

  1. Raceme
    In this inflorescene, the main axis is long and bears laterally flowers of equal length. De exemplu. mustard.
  2. Spike
    It consists of a long laterally like in racemose. De exemplu. Amarenthus, etc
  3. Spikelet
  4. Catluin or Amentum:
    In catluim, the flowers are arranged like that of spike but consists of more compactly arranged and unisexual flowers. The axis is long and pendulous. All the flowers of certain mature at the same time and fall as a unit. De exemplu. Mulberry,etc.
  5. Spadix
    It is also like spike but axis is fleshly and whole axis is enclosed by one or more large bracts called spathes. De exemplu. banana. The upper part of it consists of flowers.
  6. Corymb
    The arrangement of flowers in corymb is like in spike but the main axis is short and the pedicals of flowers are of varying length so that they are on the same level. De exemplu. candytuft. In some cases, the main axis is long and upper flower form corymb whereas lower form raceme. De exemplu. mustard.
  7. Umbel
    It consists of a very short axis. All the flowers have long stalk arising from the same point e.g. Cantella.In some cases, a flower is represented by an umber and is called compound umbel. It is foung in Coriandrum.
  8. Head or capitulum
    In this inflorescene, the main axis is compressed and forms a convex structure called receptacle. On the receptacle, sessile less flowers (florets) are arranged in a centripetal order. The whole inflorescene is surrounded by an involucre of bracts. The members of family compositae like sunflower, marigold, etc bear it.

    Monochasial
    The main axis ends in a flower and only are lateral bud grows and again ends in a flower. It is of two types:


Priveste filmarea: 357 MAGNUM VS 38 SPECIAL VS SHEET METAL (Ianuarie 2022).