XiaoMi-AI文件搜索系统
World File Search Systemdorsal
休息和运动期间背侧苍白球和丘脑底核的帕金森病β动力学
在帕金森病 (PD) 中，病理性高水平的 β 活动 (12-30 Hz) 反映了特定的症状，并通过药物或手术干预恢复正常。尽管接受深部脑刺激 (DBS) 的 PD 患者丘脑底核 (STN) 中的 β 特征现已转化为自适应 DBS 系统，但只有有限数量的研究表征了苍白球内部 (GPi) 中的 β 功率，而苍白球内部是同样有效的 DBS 目标。我们的目标是比较接受 DBS 的 PD 患者在休息和运动时 STN 和 GPi 中的 β 功率。37 名人类女性和男性参与者完成了一项简单的行为实验，包括休息和按下按钮的时间，从而从 19 个（15 名参与者）STN 和 26 个（22 名参与者）GPi 核中记录局部场电位。我们检查了整体 beta 功率以及 beta 时域动态（即 beta 爆发）。我们发现 GPi 在静息和运动期间的 beta 功率更高，运动期间 beta 失同步也更多。beta 功率与运动迟缓和僵硬严重程度呈正相关；然而，这些临床关联仅存在于 GPi 队列中。关于 beta 动态，GPi 和 STN 中的爆发持续时间和频率相似，但 GPi 爆发更强且与运动迟缓-僵硬严重程度相关。因此，不同基底神经节核的 beta 动态不同。相对于 STN，GPi 中的 beta 功率可能更容易被检测到，随着运动而发生更多调节，并且与临床损伤更相关。总之，这可能表明 GPi 是基于 beta 的自适应 DBS 的潜在有效目标。
背侧苍白球和丘脑底核静息和运动过程中帕金森病 β 波动力学
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。
脊髓背角的多尺度计算机模型揭示与慢性疼痛相关的网络处理变化
与疼痛相关的感觉输入在脊髓背角 (SDH) 中经过处理，然后传递到大脑。这种处理极大地影响了刺激是否被正确或错误地感知为疼痛。在识别组成 SDH 的兴奋性和抑制性神经元类型方面已经取得了重大进展，并且有一些关于神经元类型如何连接的信息，但尚不清楚整个回路如何处理感觉输入或这种处理在慢性疼痛条件下是如何被打乱的。为了探索 SDH 功能，我们开发了一个受实验数据严格约束的回路计算模型。我们的模型包括基于电导的神经元模型，这些模型可重现脊髓神经元的特征性放电模式。根据可用的定性数据，兴奋性和抑制性神经元群体通过其遗传标记表达、放电模式或形态进行突触连接。使用遗传算法，根据一系列机械刺激强度下的初级传入发放率（模型输入），调整突触权重以重现投射神经元发放率（模型输出）。不同的突触权重组合可以产生等效电路功能，揭示可能造成不同电路对扰动或病理损伤产生异质反应的退化。为了验证我们的模型，我们验证了它对抑制的减少（即去抑制）和特定神经元类型的消融的反应方式与实验一致。经过验证，我们的模型为解释实验结果和在计算机上测试假设提供了宝贵的资源，以计划用于检查正常和病理性 SDH 电路功能的实验。
利用 CRISPR-Cas9 对人类原代背根神经节神经元进行基因编辑并进行功能确认
1 德克萨斯大学西南医学中心麻醉学和疼痛管理系；6202 Harry Hines Blvd.，9 楼，德克萨斯州达拉斯 75235。2 德克萨斯大学达拉斯分校神经科学系和高级疼痛研究中心，800 W Campbell Rd，Richardson，TX 75080，美国。3 西南移植联盟。8190 Manderville Ln，德克萨斯州达拉斯 75231，美国。4 圣路易斯大学药理学和生理学系，1402 S. Grand Blvd.，密苏里州圣路易斯 63104，美国。5 亚利桑那大学药理学系，1501 N Campbell Ave，亚利桑那州图森 85721，美国。 6 佛罗里达大学药理学和治疗学系，1200 Newell Drive，ARB R5-234 Gainesville，FL 32610-0267。 * 通讯作者：Amol Patwardhan 和 Theodore Price † 这些作者对本文的贡献相同
颈背根的硬膜外电刺激恢复了瘫痪的猴子的自愿臂控制
图1。实验框架。（a）在左侧，行为实验平台的示意图。当动物执行机器人覆盖，掌握和拉动任务时，我们测量了施加到机器人接头，全LIMB运动学，肌电图（EMG）活性的3D力，来自手臂和手的八个肌肉，以及来自感觉运动区域的皮层内信号。实验方案的右，概念方案：（1）在控制计算机上运行的解码器确定了运动的尝试，（2）（2）将电脊髓刺激传递到适当的脊髓根。（3）刺激产生了我们在离线记录和分析的手臂和手动运动。（b）任务的示意图。猴子经过训练，可以抓住，掌握并拉出放置在机器人臂末端效应子上的目标对象。我们认为当目标空间阈值在拉动过程中越过时，我们认为运动完整。版权所有JemèreRuby。
脊髓背角的多尺度计算机模型揭示了与慢性疼痛相关的网络处理的变化
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。
背柱核神经信号特征允许对自然触觉和本体感觉主导的刺激进行强大的机器学习
神经假体通过将脑信号转换成运动控制信号，使用户能够通过各种执行器实现运动。然而，要通过这些设备实现更自然的肢体运动，需要恢复体感反馈。我们使用特征学习能力（一种机器学习方法）来评估信号特征，以了解它们能否增强自然触觉和本体感觉刺激引起的神经信号的解码性能，这些刺激是从乌拉坦麻醉大鼠的背柱核 (DCN) 表面记录的。表现最好的单个特征尖峰幅度以 70% 的准确率对体感 DCN 信号进行分类。使用从 DCN 信号的高频和低频 (LF) 波段中提取的 13 个特征，最高准确率达到 87%。总体而言，高频 (HF) 特征包含有关外周体感事件的最多信息，但当从短时间窗口获取特征时，通过向特征集添加 LF 特征可以显著提高分类准确率。我们发现本体感觉主导的刺激在动物中的推广效果优于触觉主导的刺激，并且我们展示了信号特征有助于神经解码的信息如何随着动态体感事件的时间过程而变化。这些发现可能为可以激活 DCN 以替代体感反馈的人工刺激的仿生设计提供参考。虽然我们研究了体感结构，但我们研究的特征集也可能对解码其他（例如运动）神经信号有用。
在学习自定时反应持续时间任务的过程中，时间编码从前额叶皮质迁移到背侧纹状体
摘要 尽管时间是生命的一个基本维度，但我们不知道大脑各个区域如何协作来跟踪和处理时间间隔。值得注意的是，对学习过程中神经活动的分析很少，主要是因为计时任务通常需要很多天的训练。我们研究了当动物学习计时 1.5 秒间隔时，时间编码是如何演变的。我们设计了一种新颖的训练方案，让大鼠在一次训练中从幼稚到熟练的计时表现，这让我们能够研究非常早期学习阶段的神经元活动。我们使用药理学实验和机器学习算法来评估内侧前额叶皮层和背侧纹状体的时间编码水平。我们的结果显示，在时间学习过程中，内侧前额叶皮层和背侧纹状体之间存在双重分离，前者致力于早期学习阶段，而后者在动物熟练掌握任务时参与其中。
通过慢性快速扫描环状伏安法确定的多巴胺释放的性别差异和背纹状体：社会住房和反复刺激的影响
我们使用慢性16通道碳纤维电极和快速扫描的环状伏安法（FSCV）研究了伏隔核（NAC）和背外侧纹状体（DLS）中多巴胺（DA）释放的性别差异。电刺激诱导的（ES; 60 Hz）DA释放记录在单人或成对的雄性和雌性大鼠的NAC中。同时记录核心（NACC）和壳（NAC）时，与单个女性和男性相比，NACC的NACC中有更大的ES DA释放。住房不影响男性的ES NAC DA释放。相比之下，雌性大鼠DL的ES DA释放明显高于雄性大鼠。在用甲基苯丙胺治疗之前和之后，这是正确的。此外，在cast割的（铸造）男性和卵形（OVX）女性中，DLS的ES DA释放没有性别差异，这表明这种性别差异的激素依赖性。然而，在完整的和性腺切除大鼠的DL中，女性的da重摄取比男性慢。最后，在4周内研究了60 Hz的内侧前脑束后的DA释放。es da释放随着时间的流逝而增加，表现出敏感性。使用这种新颖的16通道慢性FSCV电极，我们发现社会住房在NACS中的影响，DLS完整大鼠的DA释放性别差异以及DLS摄入和Gonadectomized大鼠DLS的性别差异以及DA重新摄取的性别差异，以及我们报告了Es-eS诱导的DA释放da In dls in dls dls in vivo的敏感性。
3/11/2024 1主动脉弓异常
• Main Components : • Aortic Sac and its 2 horns • Paired Pharyngeal Arteries (Aortic Arch) 1, 2, 3‐4 and 6 • Paired Dorsal Descending Aorta • 7 th intersegmental arteries • Primitive Paired Aorta • Ventral aorta and Dorsal Aorta connected by an arched portion in first pharyngeal arch • Aortic sac forms from fusion of paired腹主动脉•随后的配对咽动脉在腹侧主动脉腹主动脉腹侧连接到•7个段分段动脉以形成降主动脉