抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
現代の高密度ニューロン記録は,情報が神経集団によってどのように表現されるかという高い精度を示す。なお,著者らは,ニューロン,シナプスおよびネットワーク構造の生物物理学的特性から出現するこれらのプロセスボトムアップを理解するツールを欠いている。動的利得関数の概念,集団符号化能力のスペクトル分解近似は,セルレベル特性をネットワークレベル性能にリンクする可能性を有する。しかし,この概念は,動的利得形状が軸索と体節のパラメータおよび個体群操作領域によって共決定されるので,有用であるだけでなく,非常に複雑である。以前に,この複雑性は個々のパラメータ影響の理解を除外した。ここでは,動的利得関数を分離信号変換に対応する3成分に分解した。これにより,特定のセルレベルパラメータに対するネットワークレベル符号化特徴の属性が可能になった。実際のニューロンと生物物理学的に妥当なモデルからのデータにこの方法を適用して,1.実ニューロンの符号化帯域幅は約400Hzであり,初期活動電位開始時の軸索電流の電圧依存性により制約される。2.最先端のモデルは,約100Hzの符号化帯域幅を達成するだけであり,代わりにサブ閾値過程によって制限される。3.大きな樹枝状結晶と低閾値カリウム電流は,サブスレッショルド刺激-電圧変換を形成することによって帯域幅を調節する。この分解は,動的利得曲線が変化する場合,例えばスペクトリンパチーと神経変性時に生理学的解釈を提供する。現在のモデルの短所を指摘して,大規模ネットワークシミュレーションに最も適しているニューロンモデルの推論も誘導する。動的利得関数は,ニューロンが集団的,ネットワークレベル活性,形状脳リズム,および情報符号化にどのように関与できるかを定量化する。その形状は,異なる分子(イオンチャネル)と細胞区画(形態,抵抗)の間の複雑な相互作用から生じ,最も単純なニューロンモデルについてのみ理解されている。ここでは,個々のニューロンにおける刺激変換ステップに基づく動的利得を分解する解釈可能な解析を提供した。実際のニューロンと複雑なモデルからのデータに分解を適用し,動的利得の特定のサブ閾値と超閾値プロセスへの属性変化を適用した。この分解法を用いて,超高速情報符号化のためのサブ閾値カリウムチャネルの関連性を明らかにし,最先端のニューロンモデルの欠点を克服した。【JST・京大機械翻訳】