XiaoMi-AI文件搜索系统
World File Search SystemPrimate
灵长类动物的同域性塑造了它们大脑结构的进化
关于动物认知进化的主要假设强调了同种物种在影响塑造认知的社会生态环境方面所发挥的作用。然而，空间通常同时被来自同一生态行会的多个物种占据。这些同域物种可以竞争食物，从而刺激或阻碍认知。将大脑大小视为认知的代理，我们测试了物种同域性是否影响食果灵长类动物认知的进化。我们首先追溯了食果灵长类谱系之间同域性的进化史。然后，我们拟合了考虑或不考虑物种同域性的食果灵长类动物几个大脑区域大小进化的系统发育模型。我们发现，用于即时信息处理的整个大脑或大脑区域的进化最适合不考虑同域性的模型。相比之下，考虑物种同域性的模型最能预测与社会生态环境互动的长期记忆相关的大脑区域的进化，同域性越高，这些区域的面积就越小。我们推测，物种同域性通过产生严重的食物枯竭，可能导致资源时空过度复杂化，从而抵消高认知能力的好处和/或可能导致生态位划分和专业化，从而导致大脑区域面积减小。此外，我们报告称，同域性的灵长类物种多样化速度较慢。这项比较研究表明，物种同域性对塑造灵长类进化有重大贡献。
灵长类视网膜神经计算的个体变异
神经代码的变化使每个个体都独一无二。我们使用来自猕猴视网膜中主要神经节细胞类型的 100 个群体记录，结合可解释的个体变异计算表示，探测了神经代码的变化。这种表示捕捉了非线性、时间动态和空间感受野大小等属性的变化和共变，并保留了开细胞和关细胞之间不对称等不变性。不同细胞类型中响应属性的共变与其突触输入的层压接近度有关。令人惊讶的是，男性视网膜比女性视网膜表现出更高的放电率和更快的时间整合。利用以前记录的视网膜数据可以有效地表征新的猕猴视网膜和人类视网膜。模拟表明，将大量视网膜记录与行为反馈相结合可以揭示活体人类的神经代码，从而改善视网膜植入物的视力恢复。
纵向非人类灵长类神经影像的优势和挑战
这是一篇文章的pdf文件，该文章在接受后经历了增强功能，例如添加封面和元数据，并为可读性而格式化，但尚未是记录的定义版本。此版本将在以最终形式发布之前进行其他复制，排版和审查，但是我们正在提供此版本以赋予本文的早期可见性。请注意，在生产过程中，可能会发现可能影响内容的错误，以及适用于期刊的所有法律免责声明。
游客对动物园非灵长类物种的影响
简单的摘要：动物园的访客对动物的影响有所不同；主要归类为正，负或中性。本文根据文献中发现的105篇论文量化了访客在非青少年物种中的影响。总共研究了252种非青睐物种。自2012年以来，发布的论文数量有所增加，现在评估了一系列动物群体（包括禽，爬行动物，两栖动物，鱼，哺乳动物和无脊椎动物）。两栖动物对游客的反应频率比预期的要多，中性反应比预期的要高的反应频率要高，而在中立和“未知”的反应频率比预期的要频繁。许多基于动物的指标已被用来评估游客对动物的影响，而在整个分类单元中使用的措施各不相同。建议前进的研究人员纳入一套措施，尤其是那些在代表单个动物经验和动物福利方面有意义的措施，以应准确捕获这些指标的方式收集。
等距为祖先条件，在灵长类动物中呼唤和歌曲
图2 t k和r k k发行，用于歌曲和呼叫。（a）每种人声类型的t k的概率密度函数。（b）每种人声类型的节奏比（R K）的概率密度函数。r k分布的本地最大值为：广告歌曲的0.331、0.487和0.688； 0.347、0.482和0.680用于粘合歌曲；领土歌曲的0.339、0.478和0.682；歌曲咆哮的0.444和0.349；警报轰鸣声0.471；和0.497鸣叫。（c）BARPLOT，显示了室内（实心条）和off-Integer（条纹条形）比率的平均标准化R K的发生范围。* p <0.05;经验分布与小整数节律类别之间具有统计学意义的匹配。
荧光传感器在灵长类动物的大脑中揭示了多巴胺信号
大多数人都熟悉帕夫洛维亚的调节，其中奖励的预期行为遵循了预测的刺激。这种机制的背后是纹状体中释放的多巴胺，纹状体是皮层基底神经节的最大结构，它连接运动运动和动机。然而，尚不清楚将哪种多巴胺信号传输到纹状体以引起灵长类动物的行为。
皮层电图 (ECoG) 在灵长类动物视觉皮层中提供大量信息
这篇早期发布的文章已经过同行评审并被接受，但尚未经过撰写和编辑过程。最终版本在风格或格式上可能略有不同，并将包含指向任何扩展数据的链接。
灵长类视觉腹侧流任务优化模型的缩放定律
在足够大的对象分类数据集上进行训练时，特定的人工神经网络模型可以合理匹配核心对象识别 (COR) 行为和灵长类视觉腹侧流 (VVS) 中的潜在神经反应模式。机器学习的最新发现表明，在更大的数据集上训练更大的模型并投入更多的计算预算可以提高任务性能，但目前尚不清楚规模如何影响大脑对齐。我们在此研究了灵长类 VVS 建模的缩放定律，这些定律涉及以受控方式训练的 300 多个模型中数据集和模型大小的计算最优分配。为了评估模型的大脑对齐，我们使用了一组涵盖整个 VVS 和 COR 行为的基准。我们发现，虽然增加模型参数的数量最初会改善大脑对齐，但更大的模型最终会导致收益递减。增加数据集大小可以从经验上持续改善对齐，但我们推断，这里的规模对于非常大的数据集也会趋于平稳。将我们对模型和数据大小的最佳计算预算分配与缩放定律相结合，我们预测单凭规模不会导致大脑与当前架构和数据集的一致性取得实质性进展。
灵长类动物前额叶皮质发育过程中神经元成熟的多模态分析
Yu Gao 1 †, Qiping Dong 1 †, Kalpana Hanthanan Arachchilage 1,2 †, Ryan D. Risgaard 1 , Jie Sheng 1,2 , Moosa Syed 1 , Danielle K. Schmidt 1 , Ting Jin 1,2 , Shuang Liu 1 , Dan Doherty 2 , Ian Glass 2 , Birth Defects Research Laboratory 3 , Jon E. Levine 4,5 , Daifeng Wang 1,2,6 *, Qiang Chang 1,7,8 *, Xinyu Zhao 1,4 *, André M. M. Sousa 1,4 *