XiaoMi-AI文件搜索系统
World File Search System全脑
成人斑马鱼中的全脑映射和新型储罐测试的功能性脑网络的识别
研究文章：方法/新工具| Novel Tools and Methods Whole-brain mapping in adult zebrafish and identification of the functional brain network underlying the novel tank test https://doi.org/10.1523/ENEURO.0382-24.2025 Received: 30 August 2024 Revised: 10 January 2025 Accepted: 13 January 2025 Copyright © 2025 Rajput et al.这是根据Creative Commons Attribution 4.0国际许可条款分发的开放访问文章，只要将原始工作正确归因于任何媒介，它允许在任何媒介中进行无限制的使用，分发和复制。
abba是一种用于全脑映射的新工具，它揭示了学习后脑部的脑范围差异
全脑细胞结构的无偏表征代表了理解大脑功能的宝贵工具。为此，从2D切片到3D脑图的组织学标记物的精确映射是关键的。在这里，我们提供了两个新型的软件工具，促进了这一过程：对齐大脑和地图集（ABBA），旨在简化2D段的精确注册到3D参考地图集，而Braian，一个用于多头标记的集成套件，用于多头标记器自动序列，全脑统计分析，全脑统计分析和数据可视化。结合了这些工具，我们对三个最广泛使用的早期基因（IEG）的全脑表达进行了全面的比较研究。由于其神经活动依赖性表达，IEG已被用作神经活动的代表来产生行为后的无偏图映射，但是它们对整个大脑中神经元激活的响应均尚不清楚。为了解决这个问题，我们在与记忆有关的三种不同的行为条件下，系统地比较了三个大量使用的IEG的脑部表达CFO，ARC和NPAS4。我们的结果突出了其分布和诱导模式的主要差异，表明它们不代表整个大脑区域或活动状态的等效标记，而是可以提供互补信息。简介
<全国读书推广日>基地领导朗读
2023 年 3 月 7 日 作者：参谋军士Braden Anderson 第 374 空运联队公共事务 在全国阅读推广日之际，第 374 空运联队的指挥官和其他管理人员最近为横田空军基地的儿童保育设施 Yume 儿童发展中心揭幕。孩子们。 这个周年纪念日是由国家教育协会于1998年设立的，是一个向孩子们传达阅读乐趣的日子。之所以选择3月2日，是因为这是图画书作者苏斯博士的生日。 横田图书馆一直参与国防部福利服务管理局的暑期阅读计划，该计划旨在鼓励年轻人在暑假期间养成阅读的习惯。允许日本员工使用图书馆。
从全分辨率全分辨率全分辨率SMRI扫描
摘要 - 阿尔茨海默氏病（AD）是痴呆症最为流行的形式，比前列腺癌和乳腺癌杀死更多的人。结构磁共振成像（SMRI）广泛用于分析进行性脑部加重及其在区分AD方面的临床实用性。即使尚不存在有效治愈，早期发现对于减轻症状恶化的速度也是至关重要的。因此，本工作的目的是提出端到端3D卷积长的短期记忆（ConvlSTM）的基于全分辨率全分辨率全脑SMRI扫描的AD的框架。提出的框架应用于属于OASIS和ADNI数据库的427个全分辨率全分辨率全分辨率SMRI扫描，以提供较少的数据集特定于方法。的结果表明，我们的框架在区分AD的框架与认知上的Normal（CN）患者方面表现良好，达到86％的分类精度，敏感性为96％，F1评分为88％，AUC为88％，AUC的AUC为93％。测试是在可扩展的GPU云服务上进行的，并可以公开使用以保证可重复性。由于所提出的框架在没有AD的领域特定知识以及计算成本的过程（例如分割）的情况下表现良好，因此可以使用全脑SMRI扫描作为输入数据将其应用于其他精神疾病。索引术语 - Alzheimer病，深度学习，诊断，端到端方法，可扩展的GPU云，结构磁共振成像，3D卷积长的短期记忆
用于增强全脑分割的曲率引导粗到精框架
摘要。全脑分割是将整个脑体积划分为解剖标记的感兴趣区域 (ROI)，是脑图像分析中的关键步骤。传统方法通常依赖于复杂的管道，这些管道虽然准确，但由于其复杂性而耗时且需要专业知识。或者，端到端深度学习方法提供快速的全脑分割，但通常会由于忽略几何特征而牺牲准确性。在本文中，我们提出了一种新颖的框架，将以前由复杂的基于表面的管道使用但被基于体积的方法忽略的关键曲率特征集成到深度神经网络中，从而实现高精度和高效率。具体而言，我们首先训练一个粗略的解剖分割模型，重点关注高对比度组织类型，即白质 (WM)、灰质 (GM) 和皮层下区域。接下来，我们使用 WM/GM 接口重建皮质表面，并计算表面上每个顶点的曲率特征。然后将这些曲率特征映射回图像空间，在那里它们与强度特征相结合以训练更精细的皮质分割模型。我们还简化了皮质表面重建和曲率计算的过程，从而提高了框架的整体效率。此外，我们的框架非常灵活，可以将任何神经网络作为其主干。它可以作为即插即用组件来增强任何分割网络的全脑分割结果。在公共 Mindboggle-101 数据集上的实验结果表明，与各种深度学习方法相比，分割性能有所提高，速度相当。
从局部记录神经潜力的局部记录的皮质全脑活动
抽象目标。从脑表面的神经活动的电记录已广泛用于基础神经科学研究和临床实践中，用于研究神经回路功能，脑部计算器界面和神经系统疾病的治疗方法。传统上，这些表面电位被认为主要反映了局部神经活动。尚不清楚在多个皮质区域的神经活动中本地记录的表面电位有多信息。方法。为了调查这一点，我们在清醒的头部固定小鼠中同时进行局部电气记录和宽场钙成像。使用复发性神经网络模型，我们尝试从局部电记录中解码多个皮质区域的钙荧光活性。主要结果。可以从局部记录的表面电位解码不同皮质区域的平均活性。此外，每个表面电势的频带差异地编码了来自多个皮质区域的活性，因此在解码模型中包括所有频段都具有最高的解码性能。尽管记录通道之间的间距很紧密，但来自不同通道的表面电势提供了有关大规模皮质活动的互补信息，并且随着更多的通道包括更多的通道，解码性能仍在继续改善。最后，我们使用局部记录的表面电势证明了像素级上整个背皮层活性的成功解码。意义。这些结果表明，本地记录的表面电位确实包含了大规模神经活动的丰富信息，可以进一步将其解散以恢复各个皮质区域的神经活动。将来，我们的交叉模式推断方法可以适应实际上重建宽皮质的大脑活动，从而大大扩展了表面电记录的空间范围而不会增加侵入性。此外，它可以用来促进自由移动动物的整个皮质中的神经活动，而无需进行头部固定显微镜构型。
共表达网络架构揭示了疾病易感性的全脑和多区域基础
神经精神疾病在遗传上很复杂，遵循由数千种风险变异和基因组成的多基因结构。1 与孟德尔遗传病（可通过分析单个基因获得可推广的机制见解）不同，复杂遗传病的病因围绕基因的功能组或通路进行组织。1 预计这些组中的基因将共同调节并在允许通路发挥作用的水平上表达。2,3 RNA 共表达和蛋白质-蛋白质相互作用 (PPI) 网络为理解此类基因组的组织方式提供了强大的概念框架，并具有预测能力，可优先考虑多基因疾病中的疾病相关变异。4,5,6 该框架通过将基因排列成更小、更易处理且连贯的模块集以进行实验分析，有助于表征相关的生物通路。此外，基因共表达网络可以通过将目标组织中普遍存在的细胞类型和细胞状态共同变化的基因连接在一起，进一步加深我们对复杂多基因疾病的理解。 7,8
共表达网络架构揭示了疾病易感性的全脑和多区域基础
神经精神疾病在遗传上很复杂，遵循由数千种风险变异和基因组成的多基因结构。1 与孟德尔遗传病（可通过分析单个基因获得可推广的机制见解）不同，复杂遗传疾病的病因围绕基因的功能组或通路进行组织。1 预计这些组中的基因将共同调节并在允许通路发挥作用的水平上表达。2,3 RNA 共表达和蛋白质-蛋白质相互作用 (PPI) 网络为理解此类基因组如何组织提供了一个强大的概念框架，并具有预测能力，可以优先考虑多基因疾病中的疾病相关变异。4,5,6 该框架通过将基因排列成更小、更易处理且连贯的模块集以进行实验分析，有助于表征相关的生物通路。此外，基因共表达网络可以通过将目标组织中普遍存在的细胞类型和细胞状态共同变化的基因连接在一起，进一步加深我们对复杂多基因疾病的理解。 7,8
Cubic-Cloud：针对社区驱动的全鼠脑映射的综合计算框架
组织清除技术的最新进步为研究人员提供了无与伦比的机会，可以在细胞分辨率下探索整个小鼠大脑。随着这种实验技术的扩展，需要有效分析和集成全脑映射数据集的可扩展且易于使用的计算工具。到此为止，我们在这里提出了Cupic-Cloud，这是一个基于云的框架，旨在量化，可视化和集成整个鼠标脑数据。Cubic-Cloud是一个完全自动化的系统，用户可以在其中上传其全脑数据，运行分析并发布结果。我们通过多种应用来证明立方云的通用性。首先，我们研究了PV，SST，CHAT，TH和IBA1表达细胞的大脑范围分布。第二，对AD模型小鼠大脑中的β斑块沉积进行了定量。第三，我们通过C-FOS免疫染色在LPS诱导的炎症下重建神经元活性。最后，我们通过伪型狂犬病病毒显示了整个大脑的连通性映射。共同提供了一个集成平台，以推动可扩展和协作的全脑映射。