机构名称：
¥ 1.0
摘要：用于成像神经递质、神经调节剂和神经肽的新工具的出现改变了我们对神经化学在大脑发育和认知中的作用的理解，但对这一新维度的神经生物学信息的分析仍然具有挑战性。在这里，我们使用近红外儿茶酚胺纳米传感器 (nIRCat) 对纹状体脑组织切片中的多巴胺调节进行成像，并实施机器学习以确定多巴胺调节的哪些特征是刺激强度变化和不同神经解剖区域所独有的。我们训练了一个支持向量机和一个随机森林分类器来判断记录是从背外侧纹状体 (DLS) 还是背内侧纹状体 (DMS) 进行的，并发现机器学习能够准确区分 DLS 中发生的多巴胺释放和 DMS 中发生的多巴胺释放，而这是典型统计分析无法实现的。此外，我们的分析表明，多巴胺调节信号（包括独特的多巴胺释放位点的数量和每次刺激事件释放的多巴胺峰值）最能预测神经解剖学。这是因为综合神经调节剂的量是用于监测动物研究中神经调节的常规指标。最后，我们的研究发现，机器学习对不同刺激强度或神经解剖区域的区分仅在成年动物中才有可能，这表明在动物发育过程中多巴胺调节动力学具有高度的可变性。我们的研究强调，机器学习可以成为一种广泛使用的工具，用于区分神经解剖区域或神经典型状态和疾病状态，具有传统统计分析无法检测到的特征。关键词：多巴胺、机器学习、纳米传感器、纹状体■简介
利用机器学习识别多巴胺信号的神经特征
主要关键词
相关文件推荐
