Bilgi

Sıçrama ve ateşleme arasındaki fark

Sıçrama ve ateşleme arasındaki fark


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Y. Dabaghian, F. Mémoli, L. Frank, G. Carlsson'un "Kalıcı Homoloji Kullanarak Hipokampal Mekansal Harita Oluşturma için Topolojik Bir Paradigma" makalesinde, terimlerin kullanımıyla ilgili büyük bir kafa karışıklığıyla bazı cümleler okudum. ateşleme ve sivri. Aynı şeyi mi kastediyorlar? Bana öyle geliyor ki, bir yer hücresinin ateşlendiğini veya bir yer hücresinin yükseldiğini söylediklerinde tamamen aynı şeyi kastediyorlar. Karışıklık, makaleden alınan aşağıdaki örnek cümlelerde olduğu gibi her iki kelimenin de aynı cümlede kullanılmasından kaynaklanmaktadır (benimki vurgulanmıştır):

Gerçekten de, bir farenin küçük bir boşluktaki yolu, daha sonra hipokampal kayıt yapılarak yüksek derecede doğrulukla yeniden izlenebilir. çivileme faaliyeti keşifleri sırasında ve daha sonra konumu, boyutu ve atış oranları sadece 40-50 yer alan [… ]

Beynin hipokampusun şifresini çözmek için hangi algoritmaları kullanabileceğini anlamak hücre ateşlemesini yerleştir, o zaman, yalnızca tarafından sağlanan bilgilere güvenmeliyiz hücre spiking aktivitesi yerleştirin [… ]

Aslında, genellikle hipokampusun aşağısındaki nöronların yorumladığı varsayılır. hücre sivri desenleri yerleştirin dayalı birlikte ateşleme [… ]

Bu nedenle, topolojik bilginin ortaya çıkışının izini giderek daha fazla takip etmek mümkün olmalıdır. sivri uçlar NS işten çıkarmak [… ]

Biyofiziksel değişkenler vardır (atış oranları, sivri genlik, vesaire.) [… ]


Alıntılarınızda, ani yükselme ve ateş etme terimleri eşanlamlı olarak kullanılmıştır. Aslında, her iki terim de aynı aksiyon potansiyeli oluşumu olgusuna atıfta bulunur ve bu bağlamda, ani yükselme ve ateşleme arasında fizyolojik fonksiyonel bir fark yoktur.

Bununla birlikte, bazı bağlamlarda bir fark olabileceğini, yani bazı yazarların bir nöronu ayırt edebileceğini unutmayın. sivri ve patlama; ilki tonik ateşleme moduna, ikincisi ise patlamalı ateşleme moduna atıfta bulunur (Örneğin. Ramcharan ve diğerleri. (2000)).

Referans
- Ramcharan ve diğerleri., Vis Neurosci (2000); 17(1):55-62


Pfizer Aşısı Nedir?

Pfizer hakkında bilgi: Tanım

Pfizer aşısı, Pfizer, Inc. ve BioNTech tarafından koronavirüs, Covid-19'a karşı kullanılmak üzere geliştirilen bir aşıdır.

Pfizer'in Oluşumu:

MRNA, DNA'ya benzer bir nükleik asittir, ancak RNA, DNA bazlarının gerçek bir kopyası olan transkript olarak adlandırılır. Protein sentezi sırasında, bir mRNA transkripti, daha sonra proteinlerin yapıldığı bir hücrenin sitoplazmasına gider. Pfizer aşısı, virüsün sivri uçlu proteinini kodlayan mRNA'nın alınması ve ardından bir tür lipid nanoparçacığı ile kaplanmasıyla yapılır. Bu lipid kaplama, nükleik asidi koruma işlevi görür. Vücuda yerleştirildikten sonra mRNA, bağışıklık sistemimizi yanıt vermesi için tetikler.

Pfizer almanın avantajları:

Pfizer aşısının iki dozundan sonraki etkinlik, yaklaşık %95 gibi yüksektir, bu da yeterli sayıda insan aşılanırsa sürü bağışıklığının kolayca elde edilebileceğini düşündürür. Pfizer Covid-19 aşısı gibi virüsler, virüsün tamamını kullanmaları gerekmediğinden geleneksel aşılardan daha hızlı yapılabilir.

Herhangi bir Pfizer aşısının Dezavantajları var mı?

Aşı, -80°C ila -60°C gibi çok düşük sıcaklıklarda saklanmalı ve virüsü üretmek için gelişmiş ekipmanlara ihtiyaç duyulmaktadır. Aşı mRNA kullanılarak yapıldığından, kontaminasyonun bir risk olduğu ve maddenin ekstrakte edilmesi ve saflaştırılması sürecinin oldukça teknik olduğu ve üretim sürecinde yüksek düzeyde beceri gerektirdiği anlamına gelir.


Sonuçlar

Ca üretimiV3.3 Ca 2+ Kanal Nakavt Fareler.

Ca'nın fizyolojik işlevini keşfetmekV3.3, Ca'nın hedeflenen bozulmasını gerçekleştirdikVŞekil 1'de gösterildiği gibi farelerde 3.3 geniA. Hedefleme vektörü, Ca'nın N terminalini oluşturan ekson3 ve ekson4'ü silmek için tasarlanmıştır.V3.3 protein (Amgen Co. Şekil 1A). Başarılı germ hattı iletiminin ardından, hedefleme olayı için heterozigot fareler, homozigot Ca2 elde etmek için melezlendi.VPCR ve/veya Southern blot ile onaylandığı üzere 3.3 nakavt (KO'lar) (Şekil 1B). Yavrularda cinsiyet yanlılığı gözlenmedi ve beklenen Mendel oranı vahşi tip, heterozigot ve homozigot mutant fareler arasında gözlendi (veriler gösterilmemiştir). Ca'nın bozulup bozulmadığını değerlendirmek içinV3.3 geni etkiliydi, Ca seviyesini inceledik.V3.3 mRNA. RT-PCR analizi Ca olmadığını gösterdiVCa'da 3.3 mRNA üretildiV3.3 beyin, gen hedeflemesinin bu lokus için boş bir mutasyonla sonuçlandığını gösterir (Şekil 1C). Ayrıca Ca'nın ekspresyonunu ve hücresel lokalizasyonunu kontrol etmek için in situ hibridizasyon kullandık.V3.3 vahşi tip ve mutant fare beyinlerinde (Şekil 1NS).

Fare Ca'sının hedeflenen bozulmasıVCa'da 3.3 gen ve azalmış T tipi akımV3.3 KO. (A) Yabani tip Ca'nın şematik gösterimleriV3.3 alel, hedefleme vektörü ve mutant alel. Eksonlar kara kutularla temsil edildi. Exon3 ve exon4, mutant alel oluşturmak için silinmek üzere tasarlanmıştır. (B) Yabani tip (WT) ve homozigot KO farelerinin kuyruklarından izole edilen genomik DNA'nın Southern blot analizi. Kullanılan kısıtlama enzimleri ve problar A. 12 kb'lik bölüm, hedeflenen alel olan 9 kb'lik vahşi alele karşılık gelir. (C) RT-PCR analizi, vahşi tip veya Ca'nın havuzlanmış örneklerinden türetilen mRNA ile gerçekleştirilmiştir.V3.3 mutant tüm beyin. RT-PCR için PCR primerleri ekson3-7 idi. 690 bp bandı, vahşi tipteki PCR ürününü gösterirken CaV3.3 mutant bant göstermez. (NS) Ca ifadesinin kantitatif analiziVYerinde hibridizasyon ile 3.3 mRNA. Ca'nın sağlam ifadesi varVYabani tip farenin TRN'sinde 3.3, ancak mutant TRN'de ekspresyon yok. Yerinde hibridizasyon için sondalar ekson3 ve 4 idi. (E) LVA Ca 2+ akımları, vahşi tipte -100 ila -40 mV arasında değişen depolarize edici darbeler tarafından uyarıldı ve CAV3.3 −/− nöronlar. (F) Akım-voltaj ilişkisi, tepe akım yoğunluğunda önemli bir azalma gösterdi. CAV3.3 −/− (açık daire), vahşi tiple (kapalı daire) karşılaştırıldığında. Veriler ortalama ± SEM * olarak temsil edilirP < 0.05, **P < 0.01, ***P < 0.001 iki kuyruklu T Ölçek.

Ca'da T-Tipi Akımlar ve Salınım Patlaması Ateşleme BozulurV3.3 KO Fareleri.

Ca'nın fonksiyonel kaybıV3.3, ∼ 3-4 haftalık KO ve vahşi tip farelerden akut beyin dilimlerinde TRN nöronlarının tam hücre voltaj kelepçe analizi ile incelendi. LVA içeri akımları –100 mV tutma potansiyelinden –90 ile –40 mV arasında değişen depolarizasyon seviyelerine kadar uyarıldı (Şekil 1E). Uygun test potansiyellerinde uyandırılan, tipik T tipi Ca2+ akımları olan hızlı inaktive edici bir akımın tepe yoğunluğu, aşağıdaki durumlarda önemli ölçüde azaltılmıştır. CAV3.3 −/− Yabani tip kontrollerle karşılaştırıldığında TRN nöronları (Şekil 1F). Bu sonuçlar daha önce bildirilenlerle (22) tutarlıdır ve CaV3.3, TRN nöronlarındaki çoğu T-tipi Ca2+ akımından sorumludur. Gözlenen az miktarda artık akım CAV3.3 −/− –40 mV'deki nöronlara muhtemelen Ca aracılık ederV3.2 ve daha önce gözlemlendiği gibi (22).

TRN'den TC'ye yansıyan GABAerjik nöronları belirlemek için Ca'yı geçtik.VGlutamat dekarboksilaz 65 (GAD65)-GFP transgenik farelere sahip 3.3 mutant fareler. Bu farelerin TC bölgesine retrograd izleyici enjeksiyonu, TRN'nin dorsomedial bölgesindeki GFP-pozitif GABAerjik nöronların bazılarını retrograd olarak etiketledi (Şekil 2A), TRN'nin GABAerjik projeksiyon nöronlarını tanımlamamıza ve karakterize etmemize izin verir. Yabani tip farelerden alınan akut beyin dilimlerinde, zar potansiyelini -100 mV'a getiren kısa bir hiperpolarize edici akım darbesi, projeksiyon nöronlarının yaklaşık %40'ında müteakip salınımlı geri tepme patlamasına neden olurken, %45'i yalnızca tek bir düşük eşik (LT) gösterdi. patlama ve %15'i LT patlaması göstermedi. İçinde CAV3.3 −/− farelerde, GFP-pozitif projeksiyon nöronlarının %80'i LT patlaması ateşlemesi göstermedi, oysa %20'si tek bir zayıf LT patlaması sergiledi ve salınım patlamaları hiçbir zaman gözlemlenmedi (Fisher'ın kesin olasılık testinin Freeman-Halton uzantısı, P = 0.0000053) (Şek. 2B). Bu nedenle, TRN nöronlarının aksiyon potansiyeli patlamalarını ateşleme yeteneği, aşağıdaki durumlarda ciddi şekilde bozulur. CAV3.3 −/− fareler.

Ca içermeyen TRN nöronlarının değişen ateşleme özellikleriV3.3 kanal ve Ca'da GBL kaynaklı SWD'ye karşı artan duyarlılıkV3.3 KO fareleri. (A) GAD65-GFP farelerinin TC'sine enjekte edilen kırmızı retrograd izleyici ile etiketlenmiş TRN nöronları. Retrograd boncuklar (kırmızı) ve GFP (genişletilmiş görüntü) ile etiketlenmiş TRN nöronlarının konfokal görüntüsü. (B) Ateşleme karakterleri CAV3.3 +/+ (üst üç iz) ve CAV3.3 −/− (iki alt iz) TRN nöronları. (C) Erişkin EEG izleri CAV3.3 +/+ (Üst) ve CAV3.3 −/− (Daha düşük) GBL enjeksiyonundan önce ve çeşitli zamanlarda 1 dakika süreyle fareler. Yıldızlarla işaretlenmiş SWD'ler altta harcanır. (NS) Dakikada toplam SWD süresi ile hesaplanan SWD yoğunluğu CAV3.3 +/+ (siyah daire) ve CAV3.3 -/- (kırmızı daire) fareler. (E) GBL enjeksiyonundan sonra SWD epizod süresinin dağılımı. (F) Ortalama EEG güç spektrogramları CAV3.3 +/+ ve CAV3.3 −/− 50 dakikalık bir kayıt sırasında fareler. GBL, 10 dakikalık başlangıç ​​kaydından sonra enjekte edildi. Veriler ortalama ± SEM * olarak temsil edilirP < 0.05, **P < 0.01.

Ca'da GBL'ye Bağlı Artan Yokluk NöbetleriV3.3 KO veya Knockdown Fareler.

çünkü CaV3.3, TRN'de bolca ifade edilir, ancak TC'de (17) ifade edilmez, kullanabiliriz CAV3.3 −/− SWD'lerde TRN nöron patlamasının rolünü belirlemek için fareler. Mevcut modele (10) dayanarak, SWD'lerin azalması veya kaybolması gerektiğini tahmin ettik. CAV3.3 -/- fareler. Bu öngörüyü test etmek için yetişkinlerin duyarlılığını inceledik. CAV3.3 −/− fareler, nöbet indükleyen ilaç GBL'ye (Şekil 2)C). ∼10 haftalıkken vahşi tip farelere GBL (70 mg/kg vücut ağırlığı, i.p.) uygulanması tipik paroksismal SWD'leri indükledi (Şekil 2C) ve davranışsal tutuklama (Şekil S1A). Beklentilerimizin aksine, CAV3.3 −/− farelerde, SWD'ler aslında azalmadı, GBL hem yoğunluk (s/dk) hem de toplam süre bakımından SWD'leri daha etkili bir şekilde indükledi CAV3.3 −/− fareler vahşi tip farelere göre [tekrarlanan ölçümler ANOVA (rmANOVA), grup etkisi, F(1) = 15.67, P = 0.0008 ZAMAN etkisi, F(57) = 14.46, P < 0.0001 Grup × Zaman etkileşimi, F(57) = 4.35, P < 0.0001] (Şek. 2NS), daha uzun SWD bölüm süresi ile (Kolmogorov–Smirnov testi, P = 0,00003) (Şek. 2E). SWD'lerin karakteristik özelliği olan 3-5 Hz aralığındaki nispi EEG gücü, CAV3.3 −/− GBL tedavisinden sonra tüm kayıt süresi boyunca vahşi tipten fareler (Şekil 2F). Jüvenil (3-4 haftalık) mutant farelerde de benzer sonuçlar bulundu [rmANOVA, grup etkisi, F(1) = 1.94, P = 0.1807 zaman etkisi, F(57) = 15.2, P < 0.0001 Grup × Zaman etkileşimi, F(57) = 1.9, P < 0.0001] (Şekil S1 C ve NS). SWD'ler, ayrıntılı olarak açıklandığı gibi EEG kayıtlarının ham ve filtrelenmiş dalga biçimine dayalı olarak analiz edildi. SI Materyalleri ve Yöntemleri (Şekil S1 A ve B). Yokluk önleyici ilaç etosuksimid (ETX), mutant hayvanlarda GBL ile indüklenen SWD'leri dramatik bir şekilde bastırdı ve bu, bunların tipik SWD'ler olduğunu doğruladı (Şekil S1).B1).

Talamokortikal yol içinde CaV3.3 hem kortekste hem de TRN'de ifade edilir (17). nöbet fenotipine olası kortikal katkıları ele almak için CAV3.3 −/− farelerde, Ca'yı yıkmak için virüs aracılı gen susturma kullandıkV3.3 ağırlıklı olarak TRN'de. Ca'ya özgü shRNA içeren adeno-ilişkili viral (AAV) vektörüV3.3 (Şekil S2 A ve B), 8 haftalık GAD65-GFP farelerinin TRN'sine iki taraflı olarak enjekte edildi (Şekil 3A, Üst). Üç hafta sonra, hem karıştırılmış (kontrol) hem de Ca için shRNAV3.3 (shCaV3.3) TRN'de GAD65-pozitif (GFP eksprese eden) nöronlarla birlikte lokalize edilmiş kırmızı floresan (mCherry) ile görselleştirildi. Virüs ekspresyonu TRN nöronları ile sınırlandırılmıştır (Şekil 3A, Orta ve Daha düşük) ve önemli ölçüde azaltılmış CaV3,3 mRNA ifadesi, kontrol ile karşılaştırıldığında TRN'de yaklaşık %62 oranında (Şekil 3B). Ca'nın bu tür TRN'ye özgü gen susturulmasıVTRN nöronlarında 3.3 azaltılmış T-tipi Ca2+ akımları (Şekil S2 C ve NS) ve GBL'ye karşı artan hassasiyet, gözlemlediğimize benzer şekilde CAV3.3 −/− fareler. CAV3.3 devrilme, kontrol virüsü [rmANOVA, grup etkisi, F(1) = 4.52, P = 0.0468 zaman etkisi, F(57) = 9.21, P = 0 Grup × Zaman etkileşimi, F(57) = 1.12, P = 0.2514] (Şekil 3 C ve NS). 3-5 Hz aralığında bir EEG güç spektrumu da Ca'da önemli ölçüde daha yüksekti.V3.3 demonte fareler, kontrol farelerine göre (Şekil 3E). Bu nedenle, bu sonuçlar Ca'da GBL'nin neden olduğu absans nöbetinin arttığını göstermektedir.V3.3 KO, Ca'nın silinmesine aracılık ettiV3.3 TRN'de, kortekste değil.

AAV-shCa'nın mikro enjeksiyonundan sonra GBL kaynaklı SWD'ye karşı gelişmiş duyarlılıkV3.3, GAD65-GFP farelerinin TRN'sinde. (A) AAV-kontrol ve AAV-shCa ifadesini gösteren konfokal görüntülerV3.3 (sarı daireler TRN bölgesini göstermektedir. Tepe paneller). Virüs bulaşmış nöronlar GFP (yeşil, GAD65-GFP-pozitif nöronlar kırmızı, AAV-kontrol-enfekte nöronlar Orta paneli ve AAV-shCaV3,3 inç Alt panel sarı, birleştirilmiş). (B) Yerinde hibridizasyonun temsili görüntüleri (Üst, AAV-kontrol Daha düşük, AAV-shCaV3.3). (C) AAV kontrolünün EEG izleri (Sol) ve AAV-shCaV3.3 fare (Doğru) GBL enjeksiyonundan 1 dakika önce ve sonra çeşitli süreler için. (NS) AAV-kontrol– (siyah daire) ve AAV-shCa'da dakika başına toplam SWD süresi ile hesaplanan SWD yoğunluğuV3.3– (kırmızı daire) enjekte edilen fareler. (E) AAV-kontrol- ve AAV-shCa'nın ortalama EEG güç spektrogramlarıV50 dakikalık bir kayıt sırasında 3.3 enjekte edilen fareler. GBL, 10 dakikalık başlangıç ​​kaydından sonra enjekte edildi. Veriler ortalama ± SEM olarak temsil edilir, *P < 0.05.

TRN'de Seri Ateşlemenin Tamamen Silinmesi, Türkiye'de Devamsızlık Nöbetlerini Artırıyor CAV3.3 −/− KO ve CAV3.2 −/− /3.3 −/− Çift KO Fareler.

Ca'nın TRN'sinde bulunan kalıntı T tipi kanal aktivitesinin olası etkilerinden kaçınmak içinV3.3 devrilme ve CAV3.3 −/− fareler (Şekil 1F), her iki Ca'dan yoksun çift KO (DKO) fareler yaptık.V3.2 ve CaV3.3 (CAV3.2 −/− /3.3 −/− fareler) (Şekil S3A). Bu farelerin TRN nöronlarında patlama aktivitesi olmamasına rağmen (Fisher'ın kesin olasılığı, P = 0.0012) (Şek. 4A), GBL enjeksiyonunun etkisi, gözlemlediğimize benzerdi. CAV3.3 −/− ve CaV3.3 demonte fareler [rmANOVA, grup etkisi, F(1) = 21.35, P = 0,0004 zaman etkisi, F(57) = 13.99, P < 0.0001 Grup × Zaman etkileşimi, F(57) = 5.43, P < 0.0001] (Şek. 4 BF). Bir SWD içindeki interspike aralığı değiştirilmedi. Dahası, hiçbiri CAV3.3 −/− KO ne de CAV3.2 −/− /3.3 −/− DKO fareleri, kendiliğinden SWD sergiledi (veriler gösterilmemiştir). Bu bulgular, SWD'nin, TRN patlama ateşlemesinin tamamen yokluğunda muhafaza edilebileceğini ve aslında, patlamalar ortadan kaldırıldığında arttığını göstermektedir.

Tonik Ateşleme Arttı CAV3.3 −/− KO ve CAV3.2 −/− /3.3 −/− DKO Fareleri.

Bu beklenmedik gözlemi açıklamak için, T-tipi Ca2+ akımlarının kaybının, SWD'leri artıran TRN nöronları üzerinde başka etkileri olabileceği olasılığını düşündük. TRN patlamalarının kaybının aksine, depolarize edici akımlar tarafından uyarılan tonik ateşleme frekansı, TRN GFP-pozitif projeksiyon nöronlarında önemli ölçüde arttı. CAV3.3 −/− fareler, vahşi tip farelerdekilerle karşılaştırıldığında [iki yönlü ANOVA, grup etkisi, F(1,36) = 4.8, P = 0.035] (Şek. 5 A ve B). Tonik ateşleme de arttı CAV3.2 −/− /3.3 −/− fareler (Şekil S3 B ve C). Artan tonik ateşlemenin nedenini incelemek için, aksiyon potansiyeli frekansını düzenlediği bilinen hiperpolarizasyonları (AHP'ler) analiz ettik. Bir aksiyon potansiyelinden sonra membran potansiyelinin repolarizasyonunda önemli bir rol oynayan hızlı AHP'nin (fAHP) genliği, arasında önemli ölçüde farklı değildi. CAV3.3 −/− ve vahşi tip nöronlar (Şekil 5C). T kanalları ile Ca2+ ile aktive olan K+ kanalları arasındaki eşleşmenin, TRN nöronlarının salınımlı deşarjları için vazgeçilmez olduğu bilinmektedir (23). Böylece, Ca2+ ile aktive olan K+ kanallarının aktivasyonunun neden olduğu AHP (mAHP) ortamının genliğini inceledik ve mutant farelerde mAHP'lerin önemli ölçüde azaldığını bulduk (Şekil 5).NS). Bu da gözlemlendi CAV3.2 −/− /3.3 −/− fareler (Şekil S3 NS ve E). Bu nedenle, mutant TRN nöronlarının artan tonik ateşlemesi, en azından kısmen azalmış bir mAHP nedeniyle olabilir. Buna karşılık, TC nöronlarının diğer içsel elektrofizyolojik özellikleri, mutant farelerde etkilenmedi (Şekil S4) A–D). Bu nöronlar ayrıca, TRN girişinden kaynaklanan spontan inhibitör postsinaptik akımların (IPSC'ler) genliği veya frekansında hiçbir farklılık göstermedi (Şekil S4) ÖRNEĞİN), bu, spontan SWD'lerin eksikliği ile tutarlıdır. CAV3.3 −/− fareler.

Mutantta Gelişmiş TRN–TC Engelleyici Sinaptik Bağlantı.

TRN nöronlarında artan tonik ateşlemenin akış aşağı etkisini belirlemek için daha sonra TRN-TC inhibitör sinaptik bağlantısını inceledik. TC nöronlarından tüm hücre yama kelepçe kayıtları CAV3.3 −/− 6-siyano-7-nitrokinoksalin-2, 3-dion ve 2-Amino-5-fosfonopentanoik asit glutamat reseptör blokerlerinin varlığında ölçülen fareler, TRN'nin elektriksel uyarımına yanıt olarak monosinaptik IPSC'ler ortaya çıkardı. TC nöronlarında tek uyaranla uyarılan IPSC'lerin genliğinde anlamlı bir fark yoktu (vahşi tip, 274 ± 117 pA, n = 8 CAV3.3 −/− , 321 ± 131 pA, n = 9, P = 0.8). Bu, mutantta bazal sinaptik gücün değişmediğini gösterir. Bununla birlikte, çoklu TRN uyaranlarına yanıt olarak farklılıklar gözlendi. Tonik veya seri ateşlemeyi taklit etmek için sırasıyla 100 Hz veya 500 Hz'de beş uyaran kullandık (Şekil 5E). Önceki in vivo gözlemler, TRN nöronlarının 250 ila 550 Hz arasında değişen frekanslarda 5-15 sivri uçtan oluşan patlamaları ateşlediğini göstermektedir (24). Kim et al. (25), 100 Hz'lik bir tonik deşarjın veya 500 Hz'lik bir perigenik nükleus patlama frekansının, in vitro olarak postsinaptik TC hücrelerinde IPSP'ler ürettiğini göstermiştir. Tonik frekans stimülasyonu için, IPSC'lerin entegre yükü olarak ölçülen sinaptik güç, önemli ölçüde daha büyüktü. CAV3.3 −/− vahşi tip farelerle karşılaştırıldığında (Şekil 5F). Bununla birlikte, patlama frekansı uyarımına tepkilerinde iki genotip arasında bir fark yoktu. Sonuç olarak, mutant IPSC'de, tonik frekans uyarısına verilen yanıtlar, patlama frekansı uyarısına verilen yanıtlardan önemli ölçüde daha büyüktü. Tonik-frekans stimülasyonunun inhibisyon sinaptik iletimi nasıl arttırdığını ortaya çıkarmak için CAV3.3 −/− farelerde, IPSC'lerin eşleştirilmiş nabız oranını (ikinci/ilk yanıtın PPR oranı) analiz ettik. Tonik frekans stimülasyonu tarafından uyarılan PPR daha büyüktü (P = 0.038) içinde CAV3.3 −/− (0,74 ± 0,6) vahşi tipten (0,55 ± 0,75) (Şekil 5)G). Bu, inhibitör sinaptik iletimdeki artışın CAV3.3 −/− fareler aktiviteye bağımlıdır ve köken olarak presinaptiktir, belki de TRN nöronlarının azalmış mAHP'lerinden kaynaklanır. PPR'deki değişiklik, presinaptik salım olasılığındaki değişiklikleri yansıtabilir.


Ağlar ve Öğrenme

Şimdiye kadar bireysel nöronların yalnızca ilkel özelliklerini tartıştık. Bununla birlikte, nöronların ağlarda bir araya getirilme ve eğitilme biçimlerinin tarihsel olarak performansları üzerinde tek bir birimin yapısından daha büyük bir etkisi olmuştur.

İlk pratik YSA, 1950'lerde Perceptron olarak adlandırılan Frank Rosenblatt tarafından tanıtıldı. Herhangi bir gizli katman içermiyordu ve bu nedenle son derece sınırlıydı. Bununla birlikte, paralel yapısı basit mantığı kolayca öğrenmesine izin verdi - ara değerleri depolamak için bellek gerekmediğinden paralel girişlerde mantık yürütmek seriden çok daha kolaydır. Derin katmanlar henüz ortalıkta yoktu, çünkü çoğunlukla kimse onları nasıl eğiteceğini bilmiyordu. Minsky ve Pappert 1969'da bu temel türdeki YSA mimarisinin doğrusal olarak ayrılmaz sorunları asla çözemeyeceğini (örneğin, özel VEYA gibi mantıksal işlemler gerçekleştiremeyeceğini) gösterdiler ve hiçbir zaman gerçekten ilginç bir sorunu çözemeyecekleri sonucuna vardılar. Kitaplarında, bu sorunun tüm YSA'lar için ortak olduğunu, bu da YSA'lara olan ilgide/finansmanda büyük bir düşüşe neden olduğunu ve bu alandaki araştırmayı neredeyse yirmi yıl boyunca durdurduğunu yanlış bir şekilde uydurdular.

YSA'lardan geriye kalanları kurtarmak 1980'lere kadar sürdü. Uluslararası bir grup araştırmacı (David Rumelhart, Jeff Hinton ve diğerleri), geri yayılım adı verilen derin YSA'ları eğitmek için bir yöntem buldu. Bu, Minsky ve Pappert'in varsayımını hemen çürüttü ve YSA'lara yönelik büyük bir araştırma çabasını başlattı. Geri yayılımın belki de YSA'ların biyolojik olarak mantıksız olduğu için en çok eleştirilen yönü olduğunu belirtmekte fayda var.

Geri yayılım, derin katmanları düzeltmek/eğitmek için derin bir YSA aracılığıyla hataları geriye doğru yaymaya dayanır. Geri yayılım algoritması, otomatik farklılaşmada kök saldı; Newton tarafından, zekanın altında yatan biyolojinin esasen hiçbir anlayışının olmadığı bir zamanda geliştirilen bir yöntem. Bu nedenle biyolojik ilhamın başlangıcı olduğunu iddia etmek aptalca olur.

Geri yayılımın biyolojik olarak akla yatkınlığına yönelik ana eleştiri, biyolojik nöronların yapamadığı bilinen sinyalleri geriye doğru besleme gerekliliğine odaklanmıştır (bazı marjinal geri sinyalleme vakaları rapor edildiğinden bu tamamen doğru değildir). Bununla birlikte, sinirbilimciler, nöronların tek tip homojen bir malzeme kütlesi olmadığını uzun zamandır biliyorlardı, bunun yerine geri bildirim bağlantılarına sahip yapılandırılmış meclislerde tekrar tekrar ortaya çıktılar [2]. Bu nedenle, en azından bazı beyin bölgelerinde nöronların, birinin ileri doğru beslendiği, diğerinin geri beslendiği çiftler halinde bulunması, bir nöral düzenek içinde geri yayılımı tamamen mümkün kılacak şekilde tamamen akla yatkındır. Bununla birlikte, şu ana kadar beyinde hatanın geri yayılımının ikna edici bir kanıtı olmadı - biyolojik sinir ağlarının belirgin bir özelliğiyse, gözlemlemenin nispeten kolay olmasını beklememiz gereken bir şey.

Derinlik, YSA'lara getirilen en güçlü kavramlardan biri olduğundan, derin sinir ağları için geri yayılım gerekli bir ilerlemeydi. Derinlik, bir problemin hiyerarşik temsiline izin verir - daha büyük problemlere geçmeden önce (örneğin bir kenar koleksiyonundan bir nesneyi tanıma) önce daha küçük problemleri çözme (örneğin kenarların tespiti). Hiyerarşik doğa, biyolojik ve yapay zeka arasında zarif bir uyum sağlayan beyinlerdeki bilgi işlemenin de öne çıkan bir özelliğidir [16].

YSA'ların yeteneklerindeki bir diğer büyük gelişme, ana bileşenlerden biri olarak evrişimin tanıtılmasıydı [13]. Evrişim, esasen, özellikleri tanımlamak için bir filtrenin veriler arasında taşınması anlamına gelir. Bu, ayarlanacak serbest parametrelerin sayısını büyük ölçüde azalttığı için YSA'ların eğitimine büyük bir avantaj getirdi. İlginç bir şekilde, benzer ilkelerin beyinde de uygulanmakta olduğu iyi bir şekilde kanıtlanmıştır [6] ve belki de bu, beynin görsel uyaranları çok verimli bir şekilde işlemesine izin veren çok önemli fenomenlerden biridir.

Şimdiye kadar biyolojik mantıksızlığı nedeniyle geri yayılım eleştirisinin titrek olduğunu gördük (ancak şu ana kadar biyolojik sinir ağlarında geri yayılım için hiçbir kanıt bulunamadı) ve bu evrişim biyolojik olarak iyi kurulmuş görünüyor. Ancak, çağdaş YSA'ların son yönü bu akıl yürütme çizgisini takip etmemektedir. Ağırlıkların bir kimlik matrisi tarafından başlatılması [12], daha derin ağların eğitimini kolaylaştıran bir tekniktir. İşe yarıyor çünkü başlangıçta derin katmanlar girdilerini değiştirilmeden aktarıyor - rastgele bir karmaşık dönüşümden öğrenmekten daha iyi bir başlangıç ​​noktası. Tahmin edebileceğiniz gibi, bu, biyolojiyi gösteren, beyinle anlamlı bir karşılaştırmaya izin vermiyor, ancak YSA mimarisine faydalı bir ilham kaynağı olmakla birlikte, AI'daki ilerlemenin tek yolu değil.

Sonuç olarak, YSA'ların mevcut başarısını yönlendiren ana gelişmeler, YSA'ların tam olarak ne olduklarına değil, nasıl eğitildiklerine odaklanmaktadır. Bu ilerlemeler, temelde pragmatik mühendislik seçimlerinin ve aynı zamanda iyi bir mühendislik seçimi olan bazı şüpheli biyolojik ilhamların bir karışımıdır.


İnsanlar hala yeni mRNA aşısını almalı mı?

Bu yeni B.1.1.7'nin ortaya çıkışı, insanların mümkün olan en kısa sürede aşılanmasını daha da önemli hale getiriyor.

Bu yeni versiyon daha bulaşıcı ise veya virüs-aşı uyumsuzluğu nedeniyle aşı daha az etkiliyse, sürü bağışıklığı elde etmek ve bu hastalığı kontrol altına almak için daha fazla insanın aşılanması gerekecektir.

Ayrıca, artık SARS-CoV-2'nin sivri uç proteininin kısa sürede büyük ölçüde değişebileceğine dair kanıtımız var ve bu nedenle virüsün daha fazla gelişmesini ve aşılama çabalarını tamamen baltalamasını önlemek için virüsü kontrol altına almamız kritik önem taşıyor.


4. Nöromorfik Donanım

SNN'lerle verimli bilgi işlem vaadi ile mevcut bilgi işlem donanımındaki fiili uygulama arasında büyük bir tutarsızlık var. SNN'leri von Neumann makinelerinde simüle etmek tipik olarak verimsizdir, çünkü asenkron ağ etkinliği zaman ve uzayda sinaptik ağırlıkların yarı rasgele erişimine yol açar. İdeal olarak, her bir spiking nöron, tasarım ilkesi olan merkezi saati olmayan bir ağda kendi işlemcisidir. nöromorfik platformlar. SNN'ler tarafından önerilen yüksek düzeyde paralel yapı, seyrek iletişim ve bellek içi hesaplama, CPU ve GPU'larda işlemci ve bellek arasındaki bellek duvarı tarafından sınırlandırılan verilerin sıralı ve merkezi olarak işlenmesinin aksine. SNN'lerin hesaplama verimliliği, loş bir ampulden daha az güç gerektirirken karmaşık görevleri çözebilen beyinlerde gözlemlenebilir (Laughlin ve Sejnowski, 2003). Son on yılda SNN'lerin ve biyolojik SNN'lerin simülasyonları arasındaki enerji verimliliği açısından açığı kapatmak için, SNN'lerin yürütülmesi için optimize edilmiş birkaç nöromorfik donanım sistemi geliştirildi (teknik özelliklerin gözden geçirilmesi için bkz. Tablo 1, Furber, 2016 Singh Thakur et al., 2018). Nöromorfik sistemlerin enerji verimliliği, onları, örneğin cep telefonları, mobil ve hava robotları ve nesnelerin interneti (IoT) cihazları gibi güç kısıtlamalarına tabi gömülü cihazlar için ideal adaylar haline getirir. Ayrıca, sinir ağlarına dayanan bulut uygulamalarının maliyetini azaltmak için veri merkezlerinde nöromorfik cihazlar kullanılabilir.

tablo 1. Bu tablo, sınıflandırma görevlerinde derin SNN'lerle sonuçların gösterildiği yerleşik nöromorfik sistemleri listeler (derin SNN'ler için potansiyel olarak kullanılabilecek donanım sistemlerinin genişletilmiş listeleri için bkz., örneğin, Indiveri ve Liu, 2015 Liu ve diğerleri, 2016).

Biyolojiden ilham alan nöromorfik cihazlar, çip üzerindeki trafiği azaltmak için verilerin yerini paylaşır, çoğunlukla iletişim için sivri uçlar kullanarak ve nöronların fan girişini sınırlandırarak yansıtılır. Nöromorfik cihazların muazzam paralelliği, Mead'in (1990) ufuk açıcı çalışmasından esinlenen donanım üzerindeki nöronların ve sinapsların fiziksel temsilinde kendini gösterir (inceleme için bkz. Indiveri ve diğerleri, 2011). Analog elektronik devrelerle spiking nöronların ve sinapsların işlevlerini uygulayan analog nöromorfik sistemler, genellikle ağ açıklamasında ve donanım üzerinde nöronlar ve sinapslar arasında bire bir eşlemeye sahiptir. Buna karşılık, dijital sistemler, nöronları gruplandırarak ve sanallaştırarak paralel yapıyı daha az ince taneli olarak uygular. çekirdek (TrueNorth için yüzlerce ve SpiNNaker sistemi için binlerce, ayrıca bkz. Tablo 1). Bununla birlikte, CPU ve GPU'lardaki kapsamlı sanallaştırma, yani bir ağdaki toplam nöron sayısının çekirdek sayısına bölünmesiyle karşılaştırıldığında, nöromorfik sistemlerdeki sanallaştırma oldukça düşüktür. Bu, bağlantı ve ağ boyutu açısından daha az esnekliğe yol açar ve bu nedenle işlevsel derin SNN'leri gösteren donanım gösterimleri azdır. Tablo 1'de listelenen tüm donanım sistemleri, istek üzerine hesaplama sağlayan ve düşük ağ etkinliği durumunda güç tüketimini azaltan eşzamansız bir hesaplama şemasını paylaşır.

Prensipte, nöromorfik donanım, SNN'lerin hem eğitimi hem de çıkarımı için kullanılabilir. Orijinal ve kısıtlı DNN'ler (bölüm 3.3) genellikle GPU'larda eğitilebilir ve daha sonra SNN'lere dönüştürülebilir (bölüm 3.2), başak tabanlı eğitim (bölüm 3.4) ve özellikle yerel öğrenme kuralları (bölüm 3.5) von Neumann'da hesaplama açısından daha pahalıdır. makineler ve dolayısıyla donanım hızlandırmasından büyük ölçüde yararlanabilir. Ancak şimdiye kadar, rekabetçi derin ağlar için başak tabanlı eğitim ve yerel öğrenme kuralları gösterilmemiştir. Bu araştırma alanındaki hızlı gelişmeler, tasarım ve üretimlerinin zaman alıcı ve maliyetli olması nedeniyle eğitim için özel donanım oluşturmayı zorlaştırmaktadır (ayrıca bkz. bölüm 6).

4.1. Nöromorfik Donanım Üzerine Çıkarım

SNN'lerin parametreleri, 3. bölümde incelenen eğitim yöntemlerinden herhangi biri ile elde edildikten sonra, genellikle bu ağların çıkarım için kullanılacak belirli donanım sistemine uyarlanması gerekir. Parametre varyasyonundan muzdarip analog nöromorfik sistemler, döngü içi donanım sistemi ile önceden eğitilmiş ağların hantal ince ayarını gerektirebilir (Schmitt ve diğerleri, 2017). Bu her zaman pratik değildir, çünkü nöromorfik sistemlerin yeniden yapılandırılması, örneğin CPU'lar ve GPU'lara kıyasla genellikle yavaştır. Test performansını iyileştirmeye yönelik diğer bir yaygın yaklaşım, örneğin sınırlı sayıda gelen bağlantı ve nicelenmiş ağırlıklar gibi donanım kısıtlamalarını eğitim sürecine dahil etmektir (bölüm 3.3). Parametreler eğitildikten ve cihaz yapılandırıldıktan sonra, ani giriş ve çıkış optimizasyonları nedeniyle çıkarım genellikle hızlı ve enerji verimlidir. Bildiğimiz kadarıyla, yalnızca TrueNorth için, en azından MNIST karmaşıklığına sahip sınıflandırma görevleri için silikon çipler üzerindeki derin SNN'lerin kullanıldığı SpiNNaker ve BrainScaleS donanım sistemi sonuçları gösterildi (donanım özellikleri ve sınıflandırma performansları için, bkz. Tablo 1). Diğer umut verici nöromorfik sistemler için, derin SNN'ler için henüz hiçbir sonuç gösterilmemiştir (Park ve diğerleri, 2014 Lin ve diğerleri, 2018) veya sunulan nöron ve sinaps sayısı, rekabetçi sonuçlar gösteremeyecek kadar küçüktür (Pfeil ve diğerleri, 2013a Schmuker). et al., 2014 Indiveri et al., 2015 Qiao et al., 2015 Moradi et al., 2017 Petrovici et al., 2017). Prototipik yazılım uygulamaları ve sahada programlanabilir kapı dizisi (FPGA) sistemleri bu çalışmada ele alınmamıştır. Bir istisna olarak, prototipik bir FPGA uygulamasında önceden işlenmiş MNIST görüntüleri üzerinde tek katmanlı bir ağın sonuçlarının gösterildiği yeni Intel Loihi çipinden (Davies ve diğerleri, 2018) bahsetmek isteriz (Lin ve diğerleri, 2018). . Bir kez hizmete alındığında, Loihi'nin çok sayıda nöronu, bunların bağlanabilirliği ve yapılandırılabilirliği ve çip üzerinde öğrenme yetenekleri, ham görüntü verileri üzerinde derin ağları etkinleştirmek için iyi bir temel olabilir. Tablo 1, sırasıyla çok katmanlı algılayıcılara (MLP'ler) ve hıza dayalı derin inanç ağlarına (DBN'ler) yaklaşan SpiNNaker ve BrainScaleS sistemlerindeki derin SNN'leri gösterir ve Şekil 1D'de örnek olarak çizilen gibi ağ etkinliğini gösterir. Buna karşılık, derin CNN'ler TrueNorth sisteminde yürütülmeleri için ikili hale getirilir (Şekil 1C'ye kıyasla). Bu, TrueNorth'taki nöron aktivasyonlarının tek ani artışlarla temsil edildiği ve bir ağdaki her nöronun durumsuz olduğu ve her giriş için en fazla bir kez tetiklendiği anlamına gelir. Başka bir deyişle, ani artışlar artık geçici bilgi içermiyor, ancak yüksek verim, çıkarımı enerji açısından verimli hale getiriyor.

Sunulan nöromorfik sistemler GPU'lardan daha mı güç verimli? Bu sorunun cevabı büyük ölçüde seçilen kıyaslama görevine bağlıdır ve çerçeve tabanlı sınıflandırma görevleri için sadece yaklaşık sayılar verebiliriz (daha fazla tartışma için bölüm 6'ya bakınız). Modern mobil GPU'lardaki (Nvidia Tegra X1) güç ölçümleri yalnızca büyük ağlar (AlexNet) için ImageNet veri setinden (NVIDIA Corporation, 2015) alınan nispeten büyük görüntüler üzerinde rapor edildiğinden ve en verimli nöromorfik sistemin güç numaraları özel ağlar için kaydedildiğinden CIFAR10 veri setinden daha küçük görüntülerde (Esser ve diğerleri, 2016), doğrudan bir karşılaştırma yapmak mümkün değildir. Ancak, yaklaşık olarak evrişimli ağlar için doğru olan giriş görüntüsünün alanıyla işlem sayısında doğrusal bir azalma olduğunu varsayarsak, GPU'ların 224 × 224 ölçekli bir görüntüyü işlemesi için bildirilen enerji 76×02009mJ 32 × 32 boyutuna sahip CIFAR10 veri kümesinden bir görüntü için yaklaşık 2 mJ'ye kadar. Bu enerji tüketimi, TrueNorth sistemindeki ikili DNN'ler gibi güç açısından en verimli nöromorfik çözümden yaklaşık bir büyüklük mertebesi daha yüksektir ( sayılar için bkz. Tablo 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.


MALZEMELER VE YÖNTEMLER

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, Mg2BU YÜZDEN4 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, Mg2BU YÜZDEN4 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.


Arka plan

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.

Sonuçlar

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.

Sonuçlar

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


Çiçeklenme

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. Örneğin. mustard.
  2. başak
    It consists of a long laterally like in racemose. Örneğin. 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. Örneğin. Mulberry,etc.
  5. Çiçeklenme
    It is also like spike but axis is fleshly and whole axis is enclosed by one or more large bracts called spathes. Örneğin. 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. Örneğin. candytuft. In some cases, the main axis is long and upper flower form corymb whereas lower form raceme. Örneğin. 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: