Multi-unit Recording Methods to Characterize Neural Activity in the Locust (<em>Schistocerca Americana</em>) Olfactory Circuits

Detection and interpretation of olfactory cues are critical for the survival  of many organisms. Remarkably, species across phyla have strikingly similar ...

Washington University in St. Louis 

Dieser Beitrag stellt ein Computermodell f&uuml;r chemische Sensor-Arrays, inspiriert von den ersten beiden Stufen in die olfaktorischen Pathway: Codierung mit olfaktorisches Neuronen und Chemotopic Konvergenz auf glomerul&auml;re Einheiten verteilt. Wir schlagen eine monotone Konzentration-Wirkungs-Modell, die herk&ouml;mmlichen Sensor-Array Eing&auml;nge eine verteilte Aktivierungsmuster &uuml;ber eine gro&szlig;e Population von Neurorezeptoren zuordnet. Projektion auf glomerul&auml;re Einheiten in den Riechkolben wird dann mit einem sich selbst organisierenden Modell der Chemotopic Konvergenz simuliert. Die Muster-Anerkennung-Leistung des Modells zeichnet sich mit einer Datenbank der Geruch Muster aus einem Array von moduliert chemische Temperatursensoren. Der Chemotopic-Code verwirklicht das vorgeschlagene Modell wird gezeigt, das Signal-Rausch-Verh&auml;ltnis unter den Sensoreing&auml;ngen verbessern die Konsistenz mit Ergebnissen aus der Neurobiologie.

Die Verarbeitung von chemischen Sensor-Arrays mit einem biologisch inspirierten Modell der olfaktorische Kodierung.

Questo articolo presenta un modello computazionale per matrici di sensori chimici ispirati le prime due fasi nel percorso olfattivo: codifica con i neuroni olfattivi del ricevitore e la convergenza di chemotopic sull&#39;unit&agrave; glomerulare distribuita. Vi proponiamo un modello di concentrazione-risposta monotona che associa ingressi sensore convenzionale-matrice in un pattern di attivazione distribuita attraverso una grande popolazione di neurorecettori. Proiezione su unit&agrave; glomerulare nel bulbo olfattivo &egrave; quindi simulato con un modello di convergenza chemotopic Self-Organizing. Le prestazioni di riconoscimento di pattern del modello sono caratterizzata tramite un database di modelli di odore da una matrice di sensori chimici temperatura modulata. Il codice chemotopic realizzato il modello proposto &egrave; mostrato per migliorare il rapporto segnale-rumore disponibile presso gli ingressi sensore pur essendo coerente con i risultati dalla neurobiologia.

Elaborazione di matrici di sensori chimici con un modello di codifica olfattive biologicamente ispirato.

Cet article pr&eacute;sente un mod&egrave;le de calcul pour les tableaux de capteur chimique inspir&eacute;s par les deux premi&egrave;res &eacute;tapes dans la voie olfactive : distribu&eacute; le codage avec les neurones r&eacute;cepteurs olfactifs et chemotopic convergence sur les unit&eacute;s glom&eacute;rulaires. Nous proposons un mod&egrave;le de concentration-r&eacute;ponse monotone qui mappe des entr&eacute;es de capteurs classiques dans un mod&egrave;le d&#39;activation distribu&eacute;es dans l&#39;ensemble une grande population de neurotransmetteurs. Projection sur les unit&eacute;s glom&eacute;rulaires dans le bulbe olfactif est ensuite simul&eacute;e avec un mod&egrave;le d&#39;auto-organisation de convergence chemotopic. Les performances de reconnaissance de mod&egrave;le du mod&egrave;le se caract&eacute;rise &agrave; l&#39;aide d&#39;une base de donn&eacute;es des profils d&#39;odeur parmi une gamme de capteurs chimiques temp&eacute;rature modul&eacute;e. Le code de chemotopic obtenu par le mod&egrave;le propos&eacute; est indiqu&eacute; pour am&eacute;liorer le rapport signal-bruit disponible aux entr&eacute;es capteur tout en &eacute;tant compatible avec les r&eacute;sultats de la neurobiologie.

Traitement des tableaux de capteur chimique avec un mod&egrave;le inspir&eacute; du codage olfactif.

&#x672C;&#x6587;&#x63D0;&#x51FA;&#x4E86;&#x55C5;&#x9014;&#x5F84;&#x4E2D;&#x7684;&#x5316;&#x5B66;&#x4F20;&#x611F;&#x5668;&#x9635;&#x5217;&#x7684;&#x524D;&#x4E24;&#x4E2A;&#x9636;&#x6BB5;&#x7684;&#x9F13;&#x821E;&#x8BA1;&#x7B97;&#x6A21;&#x578B;&#xFF1A; &#x5206;&#x5E03;&#x5F0F;&#x7F16;&#x7801;&#x4E0E;&#x55C5;&#x89C9;&#x53D7;&#x4F53;&#x795E;&#x7ECF;&#x5143;&#x548C; chemotopic &#x6536;&#x655B;&#x5230;&#x80BE;&#x5C0F;&#x7403;&#x7684;&#x5355;&#x4F4D;&#x3002;&#x6211;&#x4EEC;&#x5EFA;&#x8BAE;&#x4E00;&#x4E2A;&#x5355;&#x8C03;&#x7684;&#x6D53;&#x5EA6;&#x53CD;&#x5E94;&#x6A21;&#x578B;&#xFF0C;neuroreceptors &#x5927;&#x578B;&#x4EBA;&#x53E3;&#x8DE8;&#x8D8A;&#x5230;&#x5206;&#x5E03;&#x5F0F;&#x7684;&#x6FC0;&#x6D3B;&#x6A21;&#x5F0F;&#x6620;&#x5C04;&#x5E38;&#x89C4;&#x4F20;&#x611F;&#x5668;&#x9635;&#x5217;&#x6295;&#x5165;&#x3002;&#x7136;&#x540E;&#x5C06; chemotopic &#x6536;&#x655B;&#x7684;&#x81EA;&#x7EC4;&#x7EC7;&#x6A21;&#x578B;&#x6A21;&#x62DF;&#x6295;&#x5F71;&#x5728;&#x55C5;&#x7403;&#x80BE;&#x5C0F;&#x7403;&#x5355;&#x4F4D;&#x3002;&#x6A21;&#x5F0F;&#x8BC6;&#x522B;&#x6027;&#x80FD;&#x6A21;&#x578B;&#x7684;&#x7279;&#x70B9;&#x662F;&#x4F7F;&#x7528;&#x6570;&#x7EC4;&#x4E2D;&#x7684;&#x6E29;&#x5EA6;&#x8C03;&#x5236;&#x5316;&#x5B66;&#x4F20;&#x611F;&#x5668;&#x7684;&#x6C14;&#x5473;&#x6A21;&#x5F0F;&#x7684;&#x6570;&#x636E;&#x5E93;&#x3002;&#x6240;&#x63D0;&#x8BAE;&#x7684;&#x6A21;&#x5F0F;&#x53D6;&#x5F97;&#x7684; chemotopic &#x4EE3;&#x7801;&#x662F;&#x6240;&#x793A;&#xFF0C;&#x4EE5;&#x63D0;&#x9AD8;&#x53EF;&#x7528;&#x5728;&#x4F20;&#x611F;&#x5668;&#x8F93;&#x5165;&#x4FE1;&#x53F7;&#x5230;&#x566A;&#x97F3;&#x6BD4;&#x7387;&#xFF0C;&#x540C;&#x65F6;&#x6B63;&#x5728;&#x4E0E;&#x4ECE;&#x795E;&#x7ECF;&#x751F;&#x7269;&#x5B66;&#x7684;&#x7ED3;&#x679C;&#x4E00;&#x81F4;&#x3002;

&#x5904;&#x7406;&#x5316;&#x5B66;&#x4F20;&#x611F;&#x5668;&#x9635;&#x5217;&#x7684;&#x4E00;&#x79CD;&#x53D7;&#x751F;&#x7269;&#x542F;&#x53D1;&#x7684;&#x55C5;&#x89C9;&#x7F16;&#x7801;&#x6A21;&#x578B;&#x3002;

This paper presents a computational model for chemical sensor arrays inspired by the first two stages in the olfactory pathway: distributed coding with olfactory receptor neurons and chemotopic convergence onto glomerular units. We propose a monotonic concentration-response model that maps conventional sensor-array inputs into a distributed activation pattern across a large population of neuroreceptors. Projection onto glomerular units in the olfactory bulb is then simulated with a self-organizing model of chemotopic convergence. The pattern recognition performance of the model is characterized using a database of odor patterns from an array of temperature modulated chemical sensors. The chemotopic code achieved by the proposed model is shown to improve the signal-to-noise ratio available at the sensor inputs while being consistent with results from neurobiology.

Processing of chemical sensor arrays with a biologically inspired model of olfactory coding.

&#x63D0;&#x6848;&#x3059;&#x308B;&#x5316;&#x5B66;&#x30BB;&#x30F3;&#x30B5;&#x30FC; &#x30A2;&#x30EC;&#x30A4;&#x306E;&#x6700;&#x521D;&#x306E; 2 &#x3064;&#x306E;&#x6BB5;&#x968E;&#x306B;&#x3088;&#x3063;&#x3066;&#x89E6;&#x767A;&#x3055;&#x308C;&#x305F;&#x8A08;&#x7B97;&#x30E2;&#x30C7;&#x30EB;&#x306B;&#x304A;&#x3051;&#x308B;&#x55C5;&#x899A;&#x7D4C;&#x8DEF;: &#x55C5;&#x899A;&#x53D7;&#x5BB9;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3;&#x3068;&#x7CF8;&#x7403;&#x4F53;&#x306E;&#x53F0;&#x306E;&#x4E0A;&#x306B; chemotopic &#x53CE;&#x675F;&#x7B26;&#x53F7;&#x5316;&#x3092;&#x5206;&#x6563;&#x3057;&#x307E;&#x3059;&#x3002;&#x5F93;&#x6765;&#x306E;&#x30BB;&#x30F3;&#x30B5;&#x30FC;&#x914D;&#x5217;&#x5165;&#x529B;&#x3092;&#x5206;&#x6563;&#x306E;&#x6D3B;&#x6027;&#x5316;&#x30D1;&#x30BF;&#x30FC;&#x30F3;&#x306B;&#x30DE;&#x30C3;&#x30D7;&#x4E2D;&#x306E;&#x5927;&#x898F;&#x6A21;&#x306A;&#x4EBA;&#x53E3;&#x9593;&#x3067;&#x5358;&#x8ABF;&#x6FC3;&#x5EA6;&#x5FDC;&#x7B54;&#x30E2;&#x30C7;&#x30EB;&#x3092;&#x63D0;&#x6848;&#x3057;&#x307E;&#x3059;&#x3002;&#x55C5;&#x7403;&#x7CF8;&#x7403;&#x4F53;&#x30E6;&#x30CB;&#x30C3;&#x30C8;&#x3078;&#x306E;&#x6295;&#x5F71; [chemotopic &#x53CE;&#x675F;&#x306E;&#x81EA;&#x5DF1;&#x7D44;&#x7E54;&#x5316;&#x30E2;&#x30C7;&#x30EB;&#x3092;&#x30B7;&#x30DF;&#x30E5;&#x30EC;&#x30FC;&#x30C8;&#x3057;&#x307E;&#x3059;&#x3002;&#x30D1;&#x30BF;&#x30FC;&#x30F3;&#x8A8D;&#x8B58;&#x6027;&#x80FD;&#x30E2;&#x30C7;&#x30EB;&#x306E;&#x9999;&#x6C17;&#x30D1;&#x30BF;&#x30FC;&#x30F3;&#x6E29;&#x5EA6;&#x5909;&#x8ABF;&#x5316;&#x5B66;&#x30BB;&#x30F3;&#x30B5;&#x30FC;&#x306E;&#x914D;&#x5217;&#x304B;&#x3089;&#x306E;&#x30C7;&#x30FC;&#x30BF;&#x30D9;&#x30FC;&#x30B9;&#x3092;&#x4F7F;&#x7528;&#x3059;&#x308B;&#x7279;&#x5FB4;&#x3067;&#x3059;&#x3002;&#x795E;&#x7D4C;&#x751F;&#x7269;&#x5B66;&#x304B;&#x3089;&#x306E;&#x7D50;&#x679C;&#x3068;&#x4E00;&#x81F4;&#x3057;&#x306A;&#x304C;&#x3089;&#x30BB;&#x30F3;&#x30B5;&#x30FC;&#x5165;&#x529B;&#x3067;&#x4F7F;&#x7528;&#x53EF;&#x80FD;&#x306A;&#x4FE1;&#x53F7;&#x5BFE;&#x96D1;&#x97F3;&#x6BD4;&#x3092;&#x6539;&#x5584;&#x3059;&#x308B;&#x63D0;&#x6848;&#x30E2;&#x30C7;&#x30EB;&#x306B;&#x3088;&#x3063;&#x3066;&#x9054;&#x6210; chemotopic &#x30B3;&#x30FC;&#x30C9;&#x3092;&#x793A;&#x3057;&#x307E;&#x3059;&#x3002;

&#x5316;&#x5B66;&#x30BB;&#x30F3;&#x30B5;&#x30FC; &#x30A2;&#x30EC;&#x30A4;&#x306E;&#x55C5;&#x899A;&#x306E;&#x7B26;&#x53F7;&#x5316;&#x306E;&#x751F;&#x7269;&#x306B;&#x30E2;&#x30C7;&#x30EB;&#x3092;&#x51E6;&#x7406;&#x3057;&#x307E;&#x3059;&#x3002;

&#xC774; &#xC885;&#xC774; &#xD6C4; &#xAC01; &#xD1B5;&#xB85C;&#xC5D0; &#xD654;&#xD559; &#xC13C;&#xC11C; &#xBC30;&#xC5F4; &#xCC98;&#xC74C; &#xB450; &#xB2E8;&#xACC4;&#xC5D0; &#xC758;&#xD574; &#xC601;&#xAC10; &#xC744;&#xB41C; &#xC704;&#xD55C; &#xACC4;&#xC0B0; &#xBAA8;&#xB378;&#xC744; &#xC81C;&#xC2DC;: &#xD6C4; &#xAC01; &#xC218;&#xC6A9; &#xCCB4; &#xC2E0;&#xACBD; &#xC138;&#xD3EC;&#xC640; &#xC0AC; &#xB2E8;&#xC704;&#xC5D0; chemotopic &#xC735;&#xD569; &#xCF54;&#xB529;&#xC744; &#xBC30;&#xD3EC; &#xD569;&#xB2C8;&#xB2E4;. Neuroreceptors&#xC758; &#xD070; &#xC778;&#xAD6C; &#xBD84;&#xC0B0;&#xB41C; &#xD65C;&#xC131;&#xD654; &#xD328;&#xD134;&#xC73C;&#xB85C; &#xAE30;&#xC874;&#xC758; &#xC13C;&#xC11C; &#xBC30;&#xC5F4; &#xC785;&#xB825;&#xC5D0; &#xB9E4;&#xD551;&#xB418;&#xB294; &#xBAA8;&#xB178; &#xD1A0; &#xB2C9; &#xB18D;&#xB3C4;-&#xC751;&#xB2F5; &#xBAA8;&#xB378;&#xC744; &#xC81C;&#xC548; &#xD55C;&#xB2E4;. &#x55C5; &#xC0AC; &#xB2E8;&#xC704;&#xC5D0; &#xD22C;&#xC601; &#xD55C; &#xB2E4;&#xC74C; chemotopic &#xC735;&#xD569;&#xC758; &#xC870;&#xC9C1;&#xD654; &#xBAA8;&#xB378; &#xC2DC;&#xBBAC;&#xB808;&#xC774;&#xC158;. &#xBAA8;&#xB378;&#xC758; &#xD328;&#xD134; &#xC778;&#xC2DD; &#xC131;&#xB2A5;&#xC740; &#xC628;&#xB3C4; &#xBCC0;&#xC870; &#xD654;&#xD559; &#xC13C;&#xC11C;&#xC5D0;&#xC11C; &#xC545;&#xCDE8; &#xD328;&#xD134; &#xB370;&#xC774;&#xD130;&#xBCA0;&#xC774;&#xC2A4;&#xB97C; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xD2B9;&#xC9D5;&#xC785;&#xB2C8;&#xB2E4;. &#xC81C;&#xC548; &#xB41C; &#xBAA8;&#xB378;&#xC5D0; &#xC758;&#xD574; &#xB2EC;&#xC131; chemotopic &#xCF54;&#xB4DC;&#xB294; &#xC2E0;&#xACBD; &#xC0DD;&#xBB3C;&#xD559;&#xC758; &#xACB0;&#xACFC;&#xC640; &#xC77C;&#xCE58; &#xB418;&#xB294; &#xB3D9;&#xC548; &#xC13C;&#xC11C; &#xC785;&#xB825;&#xC5D0;&#xC11C; &#xC2E0;&#xD638; &#xB300; &#xC7A1;&#xC74C; &#xBE44;&#xC728;&#xC744; &#xAC1C;&#xC120; &#xD558;&#xAE30; &#xC704;&#xD574; &#xD45C;&#xC2DC; &#xB429;&#xB2C8;&#xB2E4;.

&#xD6C4; &#xAC01; &#xCF54;&#xB529;&#xC758; &#xC0DD;&#xBB3C;&#xD559;&#xC801; &#xC601;&#xAC10;&#xC744; &#xBAA8;&#xB378;&#xB85C; &#xD654;&#xD559; &#xC13C;&#xC11C; &#xBC30;&#xC5F4;&#xC744; &#xCC98;&#xB9AC; &#xD569;&#xB2C8;&#xB2E4;.

Este art&iacute;culo presenta un modelo computacional para matrices de sensores qu&iacute;micos inspirados en las dos primeras etapas en el camino olfativo: distribuido codificaci&oacute;n con neuronas receptoras olfatorias y convergencia de chemotopic en unidades glomerulares. Proponemos un modelo de concentraci&oacute;n-respuesta mon&oacute;tono que asigna entradas de sensor-matriz convencional en un patr&oacute;n de activaci&oacute;n distribuidos a trav&eacute;s de una gran poblaci&oacute;n de Rodriguez. Proyecci&oacute;n en unidades glomerulares en el bulbo olfativo se simula entonces con un modelo de autoorganizaci&oacute;n de convergencia chemotopic. El rendimiento del reconocimiento de patr&oacute;n del modelo se caracteriza con una base de datos de patrones de olor de una amplia gama de sensores qu&iacute;micos temperatura modulada. Se muestra el c&oacute;digo de chemotopic mediante el modelo propuesto para mejorar la relaci&oacute;n se&ntilde;al / ru&iacute;do en las entradas de sensor siendo consistentes con los resultados de la neurobiolog&iacute;a.

Procesamiento de sensores qu&iacute;micos con un modelo biol&oacute;gico inspirado de codificaci&oacute;n olfativa.

&#x4E2D;&#x67A2;&#x795E;&#x7ECF;&#x7CFB;&#x7EDF;&#x5982;&#x4F55;&#x7F16;&#x7801;&#x590D;&#x6742;&#x7684;&#x611F;&#x5B98;&#x523A;&#x6FC0;&#xFF1F;&#x6700;&#x8FD1;&#x7684;&#x7814;&#x7A76;&#x53D1;&#x73B0;&#xFF0C;&#x82CD;&#x8747;&#x7684;&#x55C5;&#x89C9;&#x7CFB;&#x7EDF;&#x8865;&#x507F;&#x611F;&#x5B98;&#x8F93;&#x5165;&#x4E2D;&#x7684;&#x53D8;&#x5F02;&#x6027;&#x6C14;&#x5473;&#x7533;&#x8FF0;&#x662F;&#x91CD;&#x7EC4;&#x589E;&#x5F3A;&#x7684;&#x663E;&#x8457;&#x6027;&#x548C;&#x7F16;&#x7801;&#x6548;&#x7387;&#x3002;

&#x55C5;&#x7F16;&#x7801;&#xFF1A; &#x975E;&#x7EBF;&#x6027;&#x653E;&#x5927;&#x5206;&#x9694;&#x7684;&#x6C14;&#x5473;&#x3002;

How does the nervous system encode complex sensory stimuli? A recent study reveals the fly olfactory system compensates for variability in sensory input as odor representations are restructured for enhanced discriminability and coding efficiency.

Olfactory coding: non-linear amplification separates smells.

Comment le syst&egrave;me nerveux n&#39;encode pas les stimuli sensoriels complexes ? Une &eacute;tude r&eacute;cente r&eacute;v&egrave;le que le syst&egrave;me olfactif mouche compense la variabilit&eacute; dans l&#39;entr&eacute;e sensorielle comme repr&eacute;sentations d&#39;odeur sont restructur&eacute;es pour circonstancielles accrue et l&#39;efficacit&eacute; du codage.

Codage olfactif : amplification non lin&eacute;aire s&eacute;pare les odeurs.

Wie encodieren das Nervensystem komplexe Sinnesreizen? Eine aktuelle Studie zeigt, dass die Variabilit&auml;t der sensorischen Input fliegen olfaktorischen Systems kompensiert, wie Geruch Vertretungen f&uuml;r verbesserte Discriminability und Codierung Effizienz umstrukturiert werden.

Olfaktorische Kodierung: nicht-lineare Verst&auml;rkung trennt Ger&uuml;che.

Come il sistema nervoso codificano stimoli sensoriali complesse? Un recente studio rivela che il sistema olfattivo volo compensa variabilit&agrave; in input sensoriali come rappresentazioni di odore sono ristrutturati per una maggiore discriminability e l&#39;efficienza della codifica.

Codifica olfattive: amplificazione non lineare separa gli odori.

&#x795E;&#x7D4C;&#x7CFB;&#x8907;&#x96D1;&#x306A;&#x611F;&#x899A;&#x523A;&#x6FC0;&#x3092;&#x30A8;&#x30F3;&#x30B3;&#x30FC;&#x30C9;&#x65B9;&#x6CD5;&#x6700;&#x8FD1;&#x306E;&#x7814;&#x7A76;&#x306F;&#x55C5;&#x899A;&#x8868;&#x73FE;&#x306E;&#x5F37;&#x5316;&#x3055;&#x308C;&#x305F;&#x5F01;&#x5225;&#x529B;&#x304C;&#x518D;&#x7DE8;&#x306F;&#x3001;&#x7B26;&#x53F7;&#x5316;&#x52B9;&#x7387;&#x3001;&#x30CF;&#x30A8;&#x55C5;&#x899A;&#x7CFB;&#x306B;&#x304A;&#x3051;&#x308B;&#x611F;&#x899A;&#x5165;&#x529B;&#x5909;&#x52D5;&#x88DC;&#x511F;&#x3092;&#x660E;&#x3089;&#x304B;&#x306B;&#x3057;&#x307E;&#x3059;&#x3002;

&#x55C5;&#x899A;&#x306E;&#x7B26;&#x53F7;&#x5316;: &#x975E;&#x7DDA;&#x5F62;&#x5897;&#x5E45;&#x5206;&#x96E2;&#x306B;&#x304A;&#x3044;&#x304C;&#x3057;&#x307E;&#x3059;&#x3002;

&#xC2E0; &#xACBD;&#xACC4;&#xB294; &#xC5B4;&#xB5BB;&#xAC8C; &#xBCF5;&#xC7A1; &#xD55C; &#xAC10;&#xAC01; &#xC790;&#xADF9;&#xC744; &#xC778;&#xCF54;&#xB529;&#xD560;&#xC9C0; &#xC54A;&#xC2B5;&#xB2C8;&#xB2E4;? &#xCD5C;&#xADFC; &#xC5F0;&#xAD6C; &#xACB0;&#xACFC; &#xBC1D;&#xD600; &#xBE44;&#xD589; &#xD6C4; &#xAC01; &#xC2DC;&#xC2A4;&#xD15C;&#xC73C;&#xB85C; &#xB0C4;&#xC0C8; &#xD45C;&#xD604;&#xC744; &#xD5A5;&#xC0C1; &#xB41C; discriminability &#xBC0F; &#xCF54;&#xB529; &#xD6A8;&#xC728;&#xC5D0; &#xB300; &#xD55C; &#xC7AC; &#xACB0;&#xC740; &#xAC10;&#xAC01; &#xC785;&#xB825;&#xC758; &#xAC00;&#xBCC0;&#xC131;&#xC5D0; &#xB300; &#xD55C; &#xBCF4;&#xC0C1;.

&#xD6C4; &#xAC01; &#xCF54;&#xB529;: &#xBE44;-&#xC120;&#xD615; &#xC99D;&#xD3ED; &#xB0C4;&#xC0C8;&#xB97C; &#xAD6C;&#xBD84; &#xD569;&#xB2C8;&#xB2E4;.

&iquest;C&oacute;mo el sistema nervioso codificar est&iacute;mulos sensoriales complejos? Un estudio reciente revela que el sistema olfativo mosca compensa la variabilidad en el input sensorial como representaciones de olor son reestructuradas para discriminabilidad mejorada y eficiencia de codificaci&oacute;n.

Codificaci&oacute;n olfativa: amplificaci&oacute;n no lineal separa olores.

&#x52A8;&#x7269;&#x9700;&#x8981;&#x53CC;&#x8FB9;&#x8F93;&#x5165;&#x8981;&#x8DDF;&#x8E2A;&#x7684;&#x6C14;&#x5473;&#x5417;&#xFF1F;&#x6700;&#x8FD1;&#x4E00;&#x9879;&#x7814;&#x7A76;&#x63ED;&#x793A;&#x4E86;&#x679C;&#x8747;&#x5E7C;&#x866B;&#x53EF;&#x4EE5;&#x672C;&#x5730;&#x5316;&#x6C14;&#x5473;&#x6E90;&#x4F7F;&#x7528;&#x5355;&#x65B9;&#x9762;&#x6295;&#x5165;&#x4ECE;&#x5355;&#x4E00;&#x529F;&#x80FD;&#x7684;&#x611F;&#x89C9;&#x795E;&#x7ECF;&#x5143;&#xFF0C;&#x4F46;&#x63D0;&#x4F9B;&#x7684;&#x53CC;&#x91CD;&#x6295;&#x5165;&#x589E;&#x5F3A;&#x7684;&#x4FE1;&#x53F7;&#x7684;&#x4FE1;&#x566A;&#x6BD4;&#x662F;&#x5728;&#x66F4;&#x5177;&#x6311;&#x6218;&#x6027;&#x7684;&#x73AF;&#x5883;&#x4E2D;&#x5F88;&#x6709;&#x7528;&#x3002;

&#x53CC;&#x8FB9;&#x55C5;&#x89C9;&#xFF1A; &#x4E24;&#x4F1A;&#x597D;&#x5F97;&#x591A;&#x7684;&#x5BFC;&#x822A;&#x3002;

Do animals require bilateral input to track odors? A recent study reveals that fruit fly larvae can localize odor sources using unilateral inputs from a single functional sensory neuron, but that an enhanced signal-to-noise ratio provided by dual inputs is helpful in more challenging environments.

Bilateral olfaction: two is better than one for navigation.

Animaux requi&egrave;rent-ils bilat&eacute;rale d&#39;entr&eacute;e pour suivre les odeurs ? Une &eacute;tude r&eacute;cente r&eacute;v&egrave;le que les larves de drosophile peuvent localiser la source d&#39;odeur utilisant des intrants unilat&eacute;rales d&#39;un seul neurone sensitif fonctionnel, mais qu&#39;un rapport de signal-bruit am&eacute;lior&eacute; fourni par deux entr&eacute;es est utile dans des environnements plus difficiles.

Olfaction bilat&eacute;rale : deux c&#39;est mieux qu&#39;une pour la navigation.

Ben&ouml;tigen Tiere bilaterale Eingabe um Ger&uuml;che zu verfolgen? Eine aktuelle Studie zeigt, dass die Fruchtfliege Larven Geruch Quellen mit einseitige Eingaben von einer einzigen funktionalen sensorische Neuron lokalisieren k&ouml;nnen, aber eine verbesserte Signal-Rausch-Verh&auml;ltnis, bereitgestellt durch zwei Eing&auml;nge in schwierigeren Umgebungen hilfreich ist.

Bilaterale Olofaktion: zwei sind besser als einer f&uuml;r die Navigation.

Animali richiedono l&#39;input bilaterale per monitorare gli odori? Un recente studio rivela che le larve della Mosca della frutta possono localizzare sorgenti di odore tramite ingressi unilaterali da un singolo neurone sensoriale funzionale, ma che un rapporto segnale-rumore avanzato fornito da due ingressi &egrave; utile negli ambienti pi&ugrave; impegnativi.

Olfatto bilaterale: due &egrave; meglio di uno per la navigazione.

&#x52D5;&#x7269;&#x306E;&#x60AA;&#x81ED;&#x3092;&#x8FFD;&#x8DE1;&#x3059;&#x308B;&#x4E8C;&#x56FD;&#x9593;&#x306E;&#x5165;&#x529B;&#x306F;&#x5FC5;&#x8981;&#x3067;&#x3059;&#x304B;&#xFF1F;&#x6700;&#x8FD1;&#x306E;&#x7814;&#x7A76;&#x3067;&#x306F;&#x3001;&#x30B7;&#x30E7;&#x30A6;&#x30B8;&#x30E7;&#x30A6;&#x30D0;&#x30A8;&#x5E7C;&#x866B;&#x306F;&#x81ED;&#x3044;&#x306E;&#x6E90;&#x3067;&#x3001;&#x5358;&#x4E00;&#x6A5F;&#x80FD;&#x306E;&#x611F;&#x899A;&#x795E;&#x7D4C;&#x7D30;&#x80DE;&#x304B;&#x3089;&#x306E;&#x4E00;&#x65B9;&#x7684;&#x306A;&#x5165;&#x529B;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x30ED;&#x30FC;&#x30AB;&#x30E9;&#x30A4;&#x30BA;&#x3067;&#x304D;&#x307E;&#x3059;&#x304C;&#x3001;&#x30C7;&#x30E5;&#x30A2;&#x30EB;&#x5165;&#x529B;&#x306B;&#x3088;&#x3063;&#x3066;&#x63D0;&#x4F9B;&#x3055;&#x308C;&#x308B;&#x5F37;&#x5316;&#x3055;&#x308C;&#x305F;&#x4FE1;&#x53F7;&#x5BFE;&#x96D1;&#x97F3;&#x6BD4;&#x304C;&#x3088;&#x308A;&#x6311;&#x6226;&#x7684;&#x306A;&#x74B0;&#x5883;&#x3067;&#x6709;&#x7528;&#x3067;&#x3042;&#x308B;&#x3053;&#x3068;&#x3092;&#x660E;&#x3089;&#x304B;&#x306B;&#x3057;&#x307E;&#x3059;&#x3002;

&#x4E8C;&#x56FD;&#x9593;&#x306E;&#x55C5;&#x899A;: 2 &#x3064;&#x306E;&#x30CA;&#x30D3;&#x30B2;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x306E;&#x305F;&#x3081;&#x306E; 1 &#x3064;&#x3088;&#x308A;&#x3082;&#x512A;&#x308C;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;

&#xB3D9;&#xBB3C; &#xB0C4;&#xC0C8; &#xCD94;&#xC801;&#xC744; &#xC591;&#xC790; &#xC785;&#xB825;&#xC774; &#xD544;&#xC694; &#xD569;&#xB2C8;&#xAE4C;? &#xCD5C;&#xADFC; &#xC5F0;&#xAD6C;&#xB294; &#xACFC;&#xC77C; &#xD30C;&#xB9AC; &#xC560;&#xBC8C;&#xB808; &#xB0C4;&#xC0C8; &#xC18C;&#xC2A4; &#xB2E8;&#xC77C; &#xAE30;&#xB2A5; &#xAC10;&#xAC01; &#xC2E0;&#xACBD;&#xC5D0;&#xC11C; &#xC77C;&#xBC29;&#xC801;&#xC778; &#xC785;&#xB825;&#xC744; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xC9C0;&#xC5ED;&#xD654;&#xD560; &#xC218; &#xC788;&#xC9C0;&#xB9CC; &#xB4C0;&#xC5BC; &#xC785;&#xB825; &#xC81C;&#xACF5; &#xD5A5;&#xC0C1; &#xB41C; &#xC2E0;&#xD638; &#xB300; &#xC7A1;&#xC74C; &#xBE44;&#xC728; &#xB354; &#xC5B4;&#xB824;&#xC6B4; &#xD658;&#xACBD;&#xC5D0; &#xB3C4;&#xC6C0;&#xC774; &#xBCF4;&#xC5EC;.

&#xC591;&#xC790; &#xD6C4;&#xAC01;&#xC774;: 2 &#xD0D0;&#xC0C9;&#xC744; &#xC704;&#xD55C; &#xD558;&#xB098; &#xBCF4;&#xB2E4; &#xB0AB;&#xB2E4;.

&iquest;Animales requieren entrada bilateral para rastrear olores? Un estudio reciente revela que las larvas de la mosca de la fruta pueden localizar fuentes de olor entradas unilateral de una sola neurona sensorial funcional, pero que una relaci&oacute;n de se&ntilde;al a ruido mejorada proporcionada por dos entradas es &uacute;til en los entornos m&aacute;s exigentes.

Olfato bilateral: dos es mejor que uno para la navegaci&oacute;n.

&#x611F;&#x5B98;&#x7CFB;&#x7EDF;&#x521B;&#x5EFA;&#x7684;&#x73AF;&#x5883;&#x523A;&#x6FC0;&#x795E;&#x7ECF;&#x7684;&#x8868;&#x793A;&#x5F62;&#x5F0F;&#xFF0C;&#x8FD9;&#x4E9B;&#x8868;&#x793A;&#x5F62;&#x5F0F;&#x53EF;&#x4EE5;&#x662F;&#x76F8;&#x5173;&#x8054;&#x7684;&#x5176;&#x4ED6;&#x523A;&#x6FC0;&#x901A;&#x8FC7;&#x5B66;&#x4E60;&#x3002;&#x662F;&#x7A57;&#x6A21;&#x5F0F;&#x83B7;&#x5F97;&#x76F4;&#x63A5;&#x7684;&#x795E;&#x7ECF;&#x8868;&#x5F81;&#x4E0E;&#x52A0;&#x56FA;&#x671F;&#x95F4;&#x7A7A;&#x8C03;&#x5173;&#x8054;&#x5417;&#xFF1F;&#x5728;&#x86FE;&#x70DF;&#x8349;&#x5929;&#x86FE;&#xFF0C;&#x6211;&#x4EEC;&#x53D1;&#x73B0;&#x8FD9;&#x79CD;&#x9999;&#x5473;&#x652F;&#x6301;&#x8054;&#x60F3;&#x7A7A;&#x8C03;&#x7684;&#x4ECB;&#x7ECD;&#x5F15;&#x8D77;&#x4E86;&#x53EA;&#x6709;&#x4E00;&#x4E2A;&#x6216;&#x4E24;&#x4E2A;&#x5CF0;&#x503C;&#x7684;&#x6C14;&#x5473;&#x53D1;&#x75C5; (&#x548C;&#x6709;&#x65F6;&#x504F;&#x79FB;) &#x4E2D;&#x6BCF;&#x4E2A;&#x5355;&#x5143;&#x683C;&#x51EF;&#x5C3C;&#x6069;&#x7684;&#x4E00;&#x5C0F;&#x90E8;&#x5206;&#x3002;&#x4F7F;&#x7528;&#x8054;&#x60F3;&#x7684;&#x8C03;&#x8282;&#x8FC7;&#x7A0B;&#xFF0C;&#x6709;&#x6548;&#x5730;&#x8BF1;&#x5BFC;&#x5B66;&#x4E60;&#x548C;&#x53D8;&#x52A0;&#x56FA;&#x76F8;&#x5BF9;&#x4E8E;&#x5CF0;&#x503C;&#x5728;&#x51EF;&#x5C3C;&#x6069;&#x7684;&#x5355;&#x5143;&#x683C;&#x7684;&#x6570;&#x91CF;&#x7684;&#x65F6;&#x95F4;&#xFF0C;&#x6211;&#x4EEC;&#x53D1;&#x73B0;&#x6C14;&#x5473;&#x5F15;&#x8D77;&#x8FD9;&#x4E9B;&#x7EC6;&#x80DE;&#x5728;&#x6263;&#x7403;&#x7ED3;&#x675F;&#x4E4B;&#x524D;&#x4EA4;&#x4ED8;&#x52A0;&#x56FA;&#x3002;&#x6B64;&#x5916;&#xFF0C;&#x589E;&#x52A0;&#x6263;&#x5728;&#x51EF;&#x5C3C;&#x6069;&#x7EC6;&#x80DE;&#x548C;&#x52A0;&#x56FA;&#x7684;&#x6F14;&#x793A;&#x6587;&#x7A3F;&#x4E4B;&#x95F4;&#x7684;&#x65F6;&#x7A7A;&#x91CD;&#x53E0;&#x5B9E;&#x9645;&#x51CF;&#x5C11;&#x5B66;&#x4E60;&#x7684;&#x6548;&#x679C;&#x3002;&#x56E0;&#x6B64;&#xFF0C;&#x51EF;&#x5C3C;&#x6069;&#x7EC6;&#x80DE;&#x4E2D;&#x7684;&#x5CF0;&#x503C;&#x5E76;&#x4E0D;&#x6784;&#x6210;&#x7684;&#x6C14;&#x5473;&#x8868;&#x793A;&#x6B63;&#x503C;&#x52A0;&#x56FA;&#xFF0C;&#x548C;&#x51EF;&#x5C3C;&#x6069;&#x683C;&#x4E2D; Hebbian &#x7A57;&#x8BA1;&#x65F6;&#x76F8;&#x5173;&#x53EF;&#x5851;&#x6027;&#x4E0D;&#x80FD;&#x6784;&#x6210;&#x8FD9;&#x79CD;&#x5B66;&#x4E60;&#x3002;

&#x7A00;&#x758F;&#x7684;&#x6C14;&#x5473;&#x4EE3;&#x8868;&#x6027;&#x548C;&#x55C5;&#x89C9;&#x5B66;&#x4E60;&#x3002;

Sensory systems create neural representations of environmental stimuli and these representations can be associated with other stimuli through learning. Are spike patterns the neural representations that get directly associated with reinforcement during conditioning? In the moth Manduca sexta, we found that odor presentations that support associative conditioning elicited only one or two spikes on the odor's onset (and sometimes offset) in each of a small fraction of Kenyon cells. Using associative conditioning procedures that effectively induced learning and varying the timing of reinforcement relative to spiking in Kenyon cells, we found that odor-elicited spiking in these cells ended well before the reinforcement was delivered. Furthermore, increasing the temporal overlap between spiking in Kenyon cells and reinforcement presentation actually reduced the efficacy of learning. Thus, spikes in Kenyon cells do not constitute the odor representation that coincides with reinforcement, and Hebbian spike timing-dependent plasticity in Kenyon cells alone cannot underlie this learning.

Sparse odor representation and olfactory learning.

Syst&egrave;mes sensoriels cr&eacute;ent des repr&eacute;sentations neuronales des stimuli environnementaux et ces repr&eacute;sentations peuvent &ecirc;tre associ&eacute;es aux autres stimuli gr&acirc;ce &agrave; l&#39;apprentissage. Sont spike mod&egrave;les les repr&eacute;sentations neuronales qui obtiennent directement associ&eacute;s avec renforcement au cours de la climatisation ? Le papillon de nuit Manduca sexta, nous avons d&eacute;couvert que l&#39;odeur de pr&eacute;sentations qui prennent en charge le conditionnement associatif a suscit&eacute; qu&#39;une ou deux pointes sur l&#39;apparition de l&#39;odeur (et parfois compenser) chacune d&#39;une petite fraction des cellules Kenyon. &Agrave; l&#39;aide de proc&eacute;dures de conditionnement associatif qui effectivement induit d&#39;apprentissage et en variant le timing des armatures par rapport au dopage dans les cellules de Kenyon, nous avons constat&eacute; qu&#39;a suscit&eacute; l&#39;odeur de fortification dans ces cellules s&#39;est termin&eacute;e bien avant le renforcement a &eacute;t&eacute; livr&eacute;. En outre, augmentant le chevauchement temporel de fortification dans les cellules de Kenyon et pr&eacute;sentation de renfort en fait r&eacute;duit l&#39;efficacit&eacute; de l&#39;apprentissage. Ainsi, pointes dans les cellules de Kenyon ne constituent pas la repr&eacute;sentation de l&#39;odeur qui co&iuml;ncide avec le renfort et Hebb spike timing-d&eacute;pendante plasticit&eacute; dans les cellules Kenyon ne sous-tendre cet apprentissage.

Repr&eacute;sentation de l&#39;odeur clairsem&eacute;e et apprentissage olfactif.

Sensorischen Systeme erstellen neuronale Repr&auml;sentationen der Umwelt Reize und diese Darstellungen k&ouml;nnen andere Reize durch Lernen zugeordnet werden. Sind Spitze Muster die neuronalen Darstellungen, die direkt erhalten Verst&auml;rkung w&auml;hrend Klimaanlage zugeordnet? Die Nachtfalter Manduca Sexta fanden wir, dass Geruch Pr&auml;sentationen, die assoziative Konditionierung unterst&uuml;tzen l&ouml;ste nur ein oder zwei Spitzen auf den Geruch auftreten (und manchmal auszugleichen) in jedem der einen kleinen Bruchteil der Kenyon Zellen. Mit assoziativen Konditionierung-Prozeduren, die effektiv induzierte lernen und das Timing der Bewehrung relativ spiking in Kenyon Zellen unterschiedlicher, fanden wir, dass Geruch l&ouml;ste in diesen Zellen spiking beendet, bevor die Verst&auml;rkung geliefert wurde. Dar&uuml;ber hinaus reduziert und erh&ouml;ht die zeitliche &Uuml;berschneidungen zwischen spiking Kenyon Zellen und Verst&auml;rkung Pr&auml;sentation tats&auml;chlich die Wirksamkeit des Lernens. So Spitzen in Kenyon Zellen bilden keine die Geruch-Darstellung, die deckt sich mit Verst&auml;rkung und Hebbianisches Spitze Timing-abh&auml;ngigen Plastizit&auml;t im Kenyon Zellen allein kann nicht dieses Lernen zugrunde liegen.

Sp&auml;rlich Geruch Darstellung und olfaktorischen lernen.

Sistemi sensoriali creare rappresentazioni neurali di stimoli ambientali e queste rappresentazioni possono essere associate con altri stimoli attraverso l&#39;apprendimento. Sono spike schemi le rappresentazioni neurali che ottenere direttamente connesso con rinforzo durante il condizionamento? La falena Manduca sexta, abbiamo trovato che l&#39;odore presentazioni che supportano il condizionamento associativo ha suscitato solo uno o due picchi sulla comparsa di odore (e talvolta di offset) in ciascuna di una piccola frazione di cellule Kenyon. Utilizzando le procedure di condizionamento associativo che indotta in modo efficace apprendimento e variando i tempi di rinforzo rispetto a chiodare in cellule di Kenyon, abbiamo trovato che ha suscitato odore chiodare in queste cellule si &egrave; conclusa bene prima il rinforzo &egrave; stato consegnato. Inoltre, aumentando la sovrapposizione temporale tra chiodare in cellule di Kenyon e presentazione di rinforzo effettivamente ridotto l&#39;efficacia dell&#39;apprendimento. Cos&igrave;, picchi nelle cellule Kenyon non costituiscono la rappresentazione di odore che coincide con rinforzo e plasticit&agrave; di timing-dependent hebbiano spike in cellule Kenyon da solo non &egrave; possibile sottostanno questo apprendimento.

Rappresentazione di odore radi e apprendimento olfattivo.

&#x611F;&#x899A;&#x7CFB;&#x74B0;&#x5883;&#x523A;&#x6FC0;&#x306E;&#x8133;&#x5185;&#x8868;&#x73FE;&#x3092;&#x4F5C;&#x6210;&#x3057;&#x3001;&#x3053;&#x308C;&#x3089;&#x306E;&#x8868;&#x73FE;&#x306F;&#x4ED6;&#x306E;&#x523A;&#x6FC0;&#x306E;&#x5B66;&#x7FD2;&#x3092;&#x901A;&#x3058;&#x3066;&#x95A2;&#x9023;&#x4ED8;&#x3051;&#x308B;&#x3053;&#x3068;&#x304C;&#x3067;&#x304D;&#x307E;&#x3059;&#x3002;&#x30B9;&#x30D1;&#x30A4;&#x30AF; &#x30D1;&#x30BF;&#x30FC;&#x30F3;&#x3092;&#x76F4;&#x63A5;&#x5F97;&#x308B;&#x8133;&#x5185;&#x8868;&#x73FE;&#x306F;&#x88DC;&#x5F37;&#x30A8;&#x30A2;&#x30B3;&#x30F3;&#x306E;&#x4E2D;&#x306B;&#x95A2;&#x9023;&#x4ED8;&#x3051;&#x3089;&#x308C;&#x3066;&#x3044;&#x308B;&#x304B;&#xFF1F;&#x86FE;: manduca-sexta &#x3067;&#x3001;&#x9023;&#x60F3;&#x30A8;&#x30A2;&#x30B3;&#x30F3;&#x3092;&#x30B5;&#x30DD;&#x30FC;&#x30C8;&#x3059;&#x308B;&#x30D7;&#x30EC;&#x30BC;&#x30F3;&#x30C6;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x306E;&#x307F; 1 &#x3064;&#x307E;&#x305F;&#x306F; 2 &#x3064;&#x306E;&#x30B9;&#x30D1;&#x30A4;&#x30AF;&#x81ED;&#x6C17;&#x306E;&#x767A;&#x75C7;&#x3092;&#x8A98;&#x767A; (&#x3068;&#x6642;&#x3005; &#x30AA;&#x30D5;&#x30BB;&#x30C3;&#x30C8;) &#x305D;&#x308C;&#x305E;&#x308C;&#x306E;&#x30B1;&#x30CB;&#x30AA;&#x30F3;&#x7D30;&#x80DE;&#x306B;&#x3054;&#x304F;&#x306E;&#x306B;&#x304A;&#x3044;&#x3092;&#x767A;&#x898B;&#x3057;&#x307E;&#x3057;&#x305F;&#x3002;&#x52B9;&#x679C;&#x7684;&#x306B;&#x5B66;&#x7FD2;&#x3068;&#x30B1;&#x30CB;&#x30AA;&#x30F3;&#x7D30;&#x80DE;&#x306E;&#x30B9;&#x30D1;&#x30A4;&#x30AF;&#x3092;&#x57FA;&#x6E96;&#x5F37;&#x5316;&#x306E;&#x30BF;&#x30A4;&#x30DF;&#x30F3;&#x30B0;&#x306E;&#x5909;&#x5316;&#x3092;&#x8A98;&#x8D77;&#x3059;&#x308B;&#x9023;&#x60F3;&#x30A8;&#x30A2;&#x30B3;&#x30F3; &#x30D7;&#x30ED;&#x30B7;&#x30FC;&#x30B8;&#x30E3;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x3001;&#x6211;&#x3005; &#x306E;&#x88DC;&#x5F37;&#x3082;&#x914D;&#x4FE1;&#x3055;&#x308C;&#x307E;&#x3057;&#x305F;&#x524D;&#x306B;&#x81ED;&#x6C17;&#x3092;&#x5F15;&#x304D;&#x51FA;&#x3057;&#x305F;&#x3053;&#x308C;&#x3089;&#x306E;&#x7D30;&#x80DE;&#x3067;&#x30B9;&#x30D1;&#x30A4;&#x30AF;&#x3092;&#x7D42;&#x4E86;&#x3057;&#x305F;&#x304C;&#x898B;&#x3064;&#x304B;&#x308A;&#x307E;&#x3057;&#x305F;&#x3002;&#x3055;&#x3089;&#x306B;&#x3001;&#x30B1;&#x30CB;&#x30AA;&#x30F3;&#x7D30;&#x80DE;&#x3068;&#x88DC;&#x5F37;&#x30D7;&#x30EC;&#x30BC;&#x30F3;&#x30C6;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x3067;&#x30B9;&#x30D1;&#x30A4;&#x30AF;&#x9593;&#x6642;&#x9593;&#x306E;&#x91CD;&#x8907;&#x3092;&#x5897;&#x52A0;&#x5B9F;&#x969B;&#x306B;&#x5B66;&#x7FD2;&#x306E;&#x6709;&#x52B9;&#x6027;&#x304C;&#x6E1B;&#x5C11;&#x3002;&#x3057;&#x305F;&#x304C;&#x3063;&#x3066;&#x3001;&#x30B1;&#x30CB;&#x30AA;&#x30F3;&#x7D30;&#x80DE;&#x306E;&#x30B9;&#x30D1;&#x30A4;&#x30AF;&#x88DC;&#x5F37;&#x3068;&#x4E00;&#x81F4;&#x3057;&#x3066;&#x3044;&#x308B;&#x5302;&#x3044;&#x8868;&#x73FE;&#x3092;&#x69CB;&#x6210;&#x3057;&#x306A;&#x3044;&#x3057;&#x3001;&#x30B9;&#x30D1;&#x30A4;&#x30AF; &#x30BF;&#x30A4;&#x30DF;&#x30F3;&#x30B0;&#x4F9D;&#x5B58;&#x53EF;&#x5851;&#x6027;&#x30B1;&#x30CB;&#x30AA;&#x30F3;&#x7D30;&#x80DE;&#x3060;&#x3051;&#x3067;&#x3053;&#x306E;&#x5B66;&#x7FD2;&#x306E;&#x6839;&#x5E95;&#x306B;&#x3042;&#x308B;&#x3053;&#x3068;&#x306F;&#x3067;&#x304D;&#x307E;&#x305B;&#x3093;&#x3002;

&#x30B9;&#x30D1;&#x30FC;&#x30B9;&#x5302;&#x3044;&#x8868;&#x73FE;&#x3068;&#x55C5;&#x899A;&#x5B66;&#x7FD2;&#x3002;

&#xAC10;&#xAC01; &#xC2DC;&#xC2A4;&#xD15C; &#xD658;&#xACBD; &#xC790;&#xADF9;&#xC758; &#xC2E0;&#xACBD; &#xD45C;&#xD604;&#xC744; &#xB9CC;&#xB4E4;&#xACE0;&#xC774; &#xD45C;&#xD604;&#xC744; &#xD559;&#xC2B5;&#xC744; &#xD1B5;&#xD574; &#xB2E4;&#xB978; &#xC790;&#xADF9;&#xC73C;&#xB85C; &#xC5F0;&#xACB0; &#xB420; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;. &#xC2A4;&#xD30C;&#xC774;&#xD06C; &#xC9C1;&#xC811; &#xC5BB;&#xC744; &#xC2E0;&#xACBD; &#xD45C;&#xD604; &#xD328;&#xD134;&#xC740; &#xCEE8;&#xB514;&#xC154;&#xB2DD; &#xC911; &#xBCF4;&#xAC15;&#xACFC; &#xAD00;&#xB828; &#xB41C;? &#xC5C4; Manduca sexta&#xC5D0; &#xC5F0;&#xAD00; &#xCEE8;&#xB514;&#xC154;&#xB2DD; &#xC9C0;&#xC6D0; &#xD504;&#xB808; &#xC820; &#xD14C;&#xC774; &#xC158; elicited &#xC545;&#xCDE8;&#xC758; &#xBC1C;&#xBCD1;&#xC5D0;&#xB9CC; &#xD558;&#xB098; &#xB610;&#xB294; &#xB450; &#xAC1C;&#xC758; &#xC2A4;&#xD30C;&#xC774;&#xD06C; (&#xADF8;&#xB9AC;&#xACE0; &#xB54C;&#xB85C;&#xB294; &#xC624;&#xD504;&#xC14B;) &#xAC01; &#xCF00; &#xB144; &#xC140;&#xC758; &#xADF9;&#xD788; &#xC77C;&#xBD80;&#xC5D0; &#xADF8; &#xB0C4;&#xC0C8;&#xB97C; &#xCC3E;&#xC558;&#xC2B5;&#xB2C8;&#xB2E4;. &#xD6A8;&#xACFC;&#xC801;&#xC73C;&#xB85C; &#xD559;&#xC2B5; &#xD558; &#xACE0; &#xBCF4;&#xAC15; &#xCF00; &#xB144; &#xC140;&#xC5D0; &#xC694;&#xB3D9;&#xC5D0; &#xC0C1;&#xB300;&#xC801;&#xC778; &#xD0C0;&#xC774;&#xBC0D; &#xBCC0;&#xD654;&#xB97C; &#xC720;&#xBC1C; &#xD558;&#xB294; &#xC5F0;&#xAD00; &#xCEE8;&#xB514;&#xC154;&#xB2DD; &#xC808;&#xCC28;&#xB97C; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC;, &#xC6B0;&#xB9AC;&#xB294; &#xC774;&#xB7EC;&#xD55C; &#xC138;&#xD3EC;&#xC5D0; &#xAE09;&#xC0C1;&#xC2B9; &#xB0C4;&#xC0C8; elicited &#xB05D;&#xB09C; &#xC798; &#xBCF4;&#xAC15;&#xC744; &#xC804;&#xB2EC; &#xD588;&#xB2E4; &#xC804;&#xC5D0; &#xBC1C;&#xACAC;. &#xB610;&#xD55C;, &#xD559;&#xC2B5;&#xC758; &#xD6A8;&#xB2A5; &#xAC10;&#xC18C; &#xC2E4;&#xC81C;&#xB85C; &#xCF00; &#xB144; &#xC140; &#xBC0F; &#xBCF4;&#xAC15; &#xD504;&#xB808; &#xC820; &#xD14C;&#xC774; &#xC158;&#xC5D0;&#xC11C; &#xC694;&#xB3D9; &#xC0AC;&#xC774;&#xC758; &#xC2DC;&#xAC04;&#xC801;&#xC778; &#xC911;&#xBCF5; &#xC99D;&#xAC00;. &#xB530;&#xB77C;&#xC11C;, &#xCE90;&#xB144; &#xC140;&#xC5D0; &#xC2A4;&#xD30C;&#xC774;&#xD06C; &#xB0C4;&#xC0C8; &#xD45C;&#xD604;&#xC744; &#xBCF4;&#xAC15;, &#xC77C;&#xCE58; &#xD558;&#xB294; &#xAD6C;&#xC131; &#xD558;&#xC9C0; &#xC54A;&#xC2B5;&#xB2C8;&#xB2E4; &#xADF8;&#xB9AC;&#xACE0; &#xD5F5; &#xC2A4;&#xD30C;&#xC774;&#xD06C; &#xD0C0;&#xC774;&#xBC0D; &#xC885;&#xC18D; &#xC18C;&#xC131; &#xCF00; &#xB144; &#xC140; &#xD63C;&#xC790;&#xC774; &#xD559;&#xC2B5;&#xC758; &#xAE30;&#xCD08;&#xAC00; &#xC5C6;&#xC2B5;&#xB2C8;&#xB2E4;.

&#xC2A4;&#xD30C;&#xC2A4; &#xB0C4;&#xC0C8; &#xD45C;&#xD604; &#xBC0F; &#xD6C4; &#xAC01; &#xD559;&#xC2B5;&#xC785;&#xB2C8;&#xB2E4;.

Sistemas sensoriales crean representaciones neuronales de los est&iacute;mulos ambientales y estas representaciones se puede asociadas con otros est&iacute;mulos a trav&eacute;s del aprendizaje. &iquest;Son patrones de punto las representaciones neuronales que llegan directamente asociados con refuerzo durante acondicionado? En la polilla Manduca sexta, encontramos ese olor presentaciones que admiten acondicionado asociativa sacaron s&oacute;lo uno o dos picos en el inicio del olor (y a veces compensan) en cada uno de una peque&ntilde;a fracci&oacute;n de Kenyon. Usando procedimientos acondicionado asociativa que efectivamente indujeron aprendiendo y variando el tiempo de refuerzo relativo a clavar en las c&eacute;lulas de Kenyon, encontramos que sacaron de olor clavar en estas c&eacute;lulas termin&oacute; mucho antes de que el refuerzo fue entregado. Adem&aacute;s, aumentar la superposici&oacute;n temporal entre clavar en c&eacute;lulas de Kenyon y presentaci&oacute;n de refuerzo realmente reduce la eficacia del aprendizaje. As&iacute;, espigas en c&eacute;lulas de Kenyon no constituyen la representaci&oacute;n de olor que coincide con el refuerzo y hebbiana plasticidad de tiempo dependiente de espiga en c&eacute;lulas de Kenyon solas no son la base de este aprendizaje.

Olor escasa representaci&oacute;n y aprendizaje olfativo.

Artificial olfaction is a potential tool for noninvasive chemical monitoring. Application of "electronic noses" typically involves recognition of "pretrained" chemicals, while long-term operation and generalization of training to allow chemical classification of "unknown" analytes remain challenges. The latter analytical capability is critically important, as it is unfeasible to pre-expose the sensor to every analyte it might encounter. Here, we demonstrate a biologically inspired approach where the recognition and generalization problems are decoupled and resolved in a hierarchical fashion. Analyte composition is refined in a progression from general (e.g., target is a hydrocarbon) to precise (e.g., target is ethane), using highly optimized response features for each step. We validate this approach using a MEMS-based chemiresistive microsensor array. We show that this approach, a unique departure from existing methodologies in artificial olfaction, allows the recognition module to better mitigate sensor-aging effects and to better classify unknowns, enhancing the utility of chemical sensors for real-world applications.

Bioinspired methodology for artificial olfaction.

&#x4EBA;&#x5DE5;&#x55C5;&#x89C9;&#x662F;&#x65E0;&#x521B;&#x6027;&#x5316;&#x5B66;&#x76D1;&#x6D4B;&#x7684;&#x6F5C;&#x5728;&#x5DE5;&#x5177;&#x3002;&quot;&#x7535;&#x5B50;&#x9F3B;&quot;&#x7684;&#x5E94;&#x7528;&#x7A0B;&#x5E8F;&#x901A;&#x5E38;&#x6D89;&#x53CA;&#x7684;&quot;pretrained&quot;&#x5316;&#x5B66;&#x54C1;&#x7684;&#x8BC6;&#x522B;&#xFF0C;&#x540C;&#x65F6;&#x957F;&#x671F;&#x7684;&#x8FD0;&#x4F5C;&#x548C;&#x63A8;&#x5E7F;&#x7684;&#x57F9;&#x8BAD;&#x8BA9;&quot;&#x672A;&#x77E5;&quot;&#x5206;&#x6790;&#x7269;&#x7684;&#x5316;&#x5B66;&#x5206;&#x7C7B;&#x4ECD;&#x7136;&#x662F;&#x6311;&#x6218;&#x3002;&#x540E;&#x8005;&#x7684;&#x5206;&#x6790;&#x80FD;&#x529B;&#x662F;&#x6781;&#x5176;&#x91CD;&#x8981;&#x7684;&#x4E5F;&#x662F;&#x884C;&#x4E0D;&#x901A;&#x7684;&#x800C;&#x4E14; pre-expose &#x5230;&#x5B83;&#xFF0C;&#x53EF;&#x80FD;&#x4F1A;&#x9047;&#x5230;&#x7684;&#x6BCF;&#x4E2A;&#x5206;&#x6790;&#x7269;&#x7684;&#x4F20;&#x611F;&#x5668;&#x3002;&#x5728;&#x8FD9;&#x91CC;&#xFF0C;&#x6211;&#x4EEC;&#x53EF;&#x4EE5;&#x5C55;&#x793A;&#x53D7;&#x751F;&#x7269;&#x542F;&#x53D1;&#x7684;&#x529E;&#x6CD5;&#x51E1;&#x627F;&#x8BA4;&#x548C;&#x6CDB;&#x5316;&#x7684;&#x95EE;&#x9898;&#x5C31;&#x662F;&#x89E3;&#x8026;&#x4EE5;&#x5206;&#x5C42;&#x7684;&#x65B9;&#x5F0F;&#x89E3;&#x51B3;&#x3002;&#x4ECE;&#x4E00;&#x822C;&#x7684;&#x7EA7;&#x6570;&#x4E2D;&#x63D0;&#x70BC;&#x7269;&#x7EC4;&#x6210; &#xFF08;&#x4F8B;&#x5982;&#xFF0C;&#x76EE;&#x6807;&#x662F;&#x70C3;&#xFF09; &#x5230;&#x7CBE;&#x786E; &#xFF08;&#x4F8B;&#x5982;&#xFF0C;&#x76EE;&#x6807;&#x662F;&#x4E59;&#x70F7;&#xFF09;&#xFF0C;&#x4F7F;&#x7528;&#x9AD8;&#x5EA6;&#x4F18;&#x5316;&#x7684;&#x6BCF;&#x4E00;&#x6B65;&#x7684;&#x53CD;&#x5E94;&#x7279;&#x6027;&#x3002;&#x6211;&#x4EEC;&#x9A8C;&#x8BC1;&#x8FD9;&#x79CD;&#x65B9;&#x6CD5;&#x4F7F;&#x7528;&#x57FA;&#x4E8E; mems &#x6280;&#x672F;&#x7684; chemiresistive &#x5FAE;&#x4F20;&#x611F;&#x5668;&#x9635;&#x5217;&#x3002;&#x6211;&#x4EEC;&#x663E;&#x793A;&#x8FD9;&#x79CD;&#x65B9;&#x6CD5;&#xFF0C;&#x73B0;&#x6709;&#x7684;&#x65B9;&#x6CD5;&#xFF0C;&#x5728;&#x4EBA;&#x5DE5;&#x55C5;&#x89C9;&#xFF0C;&#x552F;&#x4E00;&#x79BB;&#x5F00;&#x5141;&#x8BB8;&#x8BC6;&#x522B;&#x6A21;&#x5757;&#xFF0C;&#x66F4;&#x597D;&#x5730;&#x7F13;&#x89E3;&#x4F20;&#x611F;&#x5668;&#x8001;&#x5316;&#x7684;&#x5F71;&#x54CD;&#xFF0C;&#x66F4;&#x597D;&#x5730;&#x5206;&#x7C7B;&#x7684;&#x672A;&#x77E5;&#x6570;&#xFF0C;&#x52A0;&#x5F3A;&#x5316;&#x5B66;&#x4F20;&#x611F;&#x5668;&#x7684;&#x5B9E;&#x9645;&#x5E94;&#x7528;&#x7A0B;&#x5E8F;&#x7684;&#x5B9E;&#x7528;&#x7A0B;&#x5E8F;&#x3002;

&#x4EBA;&#x5DE5;&#x55C5;&#x89C9;&#x7684;&#x4EFF;&#x751F;&#x65B9;&#x6CD5;&#x3002;

Olfaction artificielle est un outil potentiel pour surveillance chimique non invasive. Application de &laquo; nez &eacute;lectronique &raquo; implique en g&eacute;n&eacute;ral la reconnaissance des produits chimiques &laquo; pretrained &raquo;, tandis que l&#39;exploitation &agrave; long terme et la g&eacute;n&eacute;ralisation de la formation pour permettre une classification chimique des analytes &laquo; inconnu &raquo; restent des d&eacute;fis. La capacit&eacute; analytique de ce dernier est extr&ecirc;mement importante, car il est impossible de pre-expose le capteur &agrave; chaque analyte qu&#39;il pourrait rencontrer. Ici, nous d&eacute;montrons une approche inspir&eacute;e o&ugrave; les reconnaissance et la g&eacute;n&eacute;ralisation des probl&egrave;mes sont d&eacute;coupl&eacute;s et r&eacute;solus de fa&ccedil;on hi&eacute;rarchique. Composition de l&#39;analyte est raffin&eacute;e dans une progression g&eacute;n&eacute;rale (par exemple, la cible est un hydrocarbure) &agrave; pr&eacute;ciser (par exemple, cible est &eacute;thane), aide hautement optimis&eacute; des caract&eacute;ristiques de r&eacute;ponse pour chaque &eacute;tape. Nous validons cette approche &agrave; l&#39;aide d&#39;un tableau microcapteur de microsyst&egrave;me &eacute;lectrom&eacute;canique-bas&eacute;s de chemiresistive. Nous montrons que cette approche, un d&eacute;part unique de m&eacute;thodologies existantes en olfaction artificielle, permet au module de reconnaissance pour mieux att&eacute;nuer les effets de vieillissement de la sonde et de mieux classer les inconnues, renforcer l&#39;utilit&eacute; des capteurs chimiques pour les applications du monde r&eacute;el.

Bioinspired m&eacute;thodologie d&#39;olfaction artificielle.

K&uuml;nstliche Olofaktion ist einem potenziellen Hilfsmittel f&uuml;r nichtinvasive chemische &Uuml;berwachung. Anwendung &quot;elektronische Nasen&quot; in der Regel beinhaltet Anerkennung von &quot;pretrained&quot; Chemikalien, beim Langzeitbetrieb und Verallgemeinerung der Ausbildung erm&ouml;glichen chemische Klassifikation von &quot;unbekannt&quot; Analyten bleiben Herausforderungen. Die letztere analytische F&auml;higkeit ist von entscheidender Bedeutung, wie es ist nicht machbar, den Sensor f&uuml;r jeden Analyten pre-expose, die sie sto&szlig;en k&ouml;nnten. Hier zeigen wir einen biologisch inspirierten Ansatz, in dem die Anerkennung und Verallgemeinerung Probleme entkoppelt und hierarchisch gel&ouml;st. Analyten Komposition wird in der Progression von allgemeinen verfeinert (z.B., Ziel ist ein Kohlenwasserstoff) zu pr&auml;zise (z.B. Ziel ist Ethan), mit hoch optimierte Reaktion Funktionen f&uuml;r jeden Schritt. Wir &uuml;berpr&uuml;fen diesen Ansatz unter Verwendung eines MEMS-basierten Chemiresistive Reinstraum-Arrays. Wir zeigen, dass dieser Ansatz, eine eindeutige Abkehr vom bestehenden Methoden in k&uuml;nstlichen Olofaktion, das Anerkennung-Modul Sensor-Alterungseffekte besser zu mildern und unbekannten, Verbesserung des Dienstprogramms chemische Sensoren f&uuml;r reale Anwendungen besser zu klassifizieren kann.

Bioinspirierte Methodik zur k&uuml;nstlichen Olofaktion.

Olfatto artificiale &egrave; un potenziale strumento per il monitoraggio chimico non invasiva. Applicazione di &quot;nasi elettronici&quot; comporta in genere il riconoscimento delle sostanze chimiche &quot;pretrained&quot;, durante il funzionamento a lungo termine e la generalizzazione di formazione per consentire classificazione chimica di analiti &quot;sconosciuto&quot; rimangono sfide. La capacit&agrave; analitica quest&#39;ultima &egrave; criticamente importante, in quanto &egrave; irrealizzabile per pre-expose il sensore per ogni analita che potrebbero incontrare. Qui, noi dimostrare un approccio biologicamente ispirato dove i problemi di riconoscimento e la generalizzazione sono disaccoppiati e risolto in modo gerarchico. Composizione dell&#39;analita &egrave; raffinato in una progressione da generale (ad esempio, la destinazione &egrave; un idrocarburo) a precisi (ad esempio, la destinazione &egrave; etano), utilizzando altamente ottimizzato caratteristiche di risposta per ogni passo. Noi convalidare questo approccio utilizzando una matrice microsensor chemiresistive basati su MEMS. Ci mostrano che questo approccio, un unica partenza da metodologie esistenti nell&#39;olfatto artificiale, permette il modulo di riconoscimento per meglio mitigare gli effetti di invecchiamento del sensore e per meglio classificare le incognite, migliorare l&#39;utilit&agrave; dei sensori chimici per applicazioni del mondo reale.

Bioinalati metodologia per olfatto artificiale.

&#x4EBA;&#x5DE5;&#x306E;&#x55C5;&#x899A;&#x306F;&#x975E;&#x4FB5;&#x8972;&#x7684;&#x5316;&#x5B66;&#x7684;&#x30E2;&#x30CB;&#x30BF;&#x30EA;&#x30F3;&#x30B0;&#x306E;&#x305F;&#x3081;&#x306E;&#x6F5C;&#x5728;&#x7684;&#x306A;&#x30C4;&#x30FC;&#x30EB;&#x3067;&#x3059;&#x3002;&#x300C;&#x96FB;&#x5B50;&#x9F3B;&#x300D;&#x306E;&#x30A2;&#x30D7;&#x30EA;&#x30B1;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x306F;&#x3001;&#x666E;&#x901A;&quot;pretrained&quot;&#x5316;&#x5B66;&#x7269;&#x8CEA;&#x306E;&#x8A8D;&#x8B58;&#x3092;&#x542B;&#x3080;&#x3001;&#x9577;&#x671F;&#x7684;&#x306A;&#x64CD;&#x4F5C;&#x3068;&#x8A31;&#x53EF;&#x3059;&#x308B;&#x8A13;&#x7DF4;&#x306E;&#x4E00;&#x822C;&#x5316;&#x3057;&#x306A;&#x304C;&#x3089;&#x300C;&#x4E0D;&#x660E;&#x300D;analytes &#x306E;&#x5316;&#x5B66;&#x5206;&#x985E;&#x8AB2;&#x984C;&#x306E;&#x307E;&#x307E;&#x3002;&#x5F8C;&#x8005;&#x306E;&#x5206;&#x6790;&#x6A5F;&#x80FD;&#x306F;&#x305D;&#x308C;&#x306B;&#x906D;&#x9047;&#x3059;&#x308B;&#x304B;&#x3082;&#x3057;&#x308C;&#x306A;&#x3044;&#x3042;&#x3089;&#x3086;&#x308B;&#x691C;&#x4F53;&#x306B;&#x30BB;&#x30F3;&#x30B5;&#x30FC;&#x3092; pre-expose &#x3059;&#x308B;&#x306F;&#x73FE;&#x5B9F;&#x7684;&#x3067;&#x306F;&#x306A;&#x3044;&#x3068;&#x6279;&#x5224;&#x7684;&#x306B;&#x91CD;&#x8981;&#x3067;&#x3059;&#x3002;&#x3053;&#x3053;&#x3067;&#x306F;&#x3001;&#x8A8D;&#x8B58;&#x3068;&#x4E00;&#x822C;&#x5316;&#x554F;&#x984C;&#x306F;&#x5206;&#x96E2;&#x3001;&#x89E3;&#x6C7A;&#x306F;&#x968E;&#x5C64;&#x5F0F;&#x306B;&#x89E6;&#x767A;&#x3055;&#x308C;&#x305F;&#x751F;&#x7269;&#x5B66;&#x7684;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x3092;&#x793A;&#x3057;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x8A66;&#x6599;&#x306E;&#x7D44;&#x6210;&#x306F;&#x4E00;&#x822C;&#x304B;&#x3089;&#x306E;&#x9032;&#x884C;&#x3067;&#x6D17;&#x7DF4;&#x3055;&#x308C;&#x305F; (&#x305F;&#x3068;&#x3048;&#x3070;&#x3001;&#x30BF;&#x30FC;&#x30B2;&#x30C3;&#x30C8;&#x3001;&#x70AD;&#x5316;&#x6C34;&#x7D20;&#x306F;) &#x306B;&#x6B63;&#x78BA;&#x306A; &#xFF08;&#x4F8B;&#x3048;&#x3070;&#x3001;&#x30BF;&#x30FC;&#x30B2;&#x30C3;&#x30C8; &#x30A8;&#x30BF;&#x30F3;&#x3067;&#x3059;&#xFF09;&#x3001;&#x9AD8;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x6700;&#x9069;&#x5316;&#x306E;&#x5404;&#x30B9;&#x30C6;&#x30C3;&#x30D7;&#x5FDC;&#x7B54;&#x6A5F;&#x80FD;&#x3002;Chemiresistive mems &#x30DE;&#x30A4;&#x30AF;&#x30ED; &#x30BB;&#x30F3;&#x30B5; &#x30A2;&#x30EC;&#x30A4;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x3053;&#x306E;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x3092;&#x691C;&#x8A3C;&#x3057;&#x307E;&#x3059;&#x3002;&#x3053;&#x306E;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x306F;&#x3001;&#x4EBA;&#x5DE5;&#x306E;&#x55C5;&#x899A;&#x3067;&#x65E2;&#x5B58;&#x306E;&#x65B9;&#x6CD5;&#x8AD6;&#x304B;&#x3089;&#x306E;&#x30E6;&#x30CB;&#x30FC;&#x30AF;&#x306A;&#x51FA;&#x767A;&#x8A8D;&#x8B58;&#x30E2;&#x30B8;&#x30E5;&#x30FC;&#x30EB;&#x3088;&#x308A;&#x826F;&#x3044;&#x30BB;&#x30F3;&#x30B5;&#x30FC;&#x8001;&#x5316;&#x306E;&#x5F71;&#x97FF;&#x3092;&#x7DE9;&#x548C;&#x3059;&#x308B;&#x3001;&#x5316;&#x5B66;&#x30BB;&#x30F3;&#x30B5;&#x30FC;&#x306E;&#x5B9F;&#x4E16;&#x754C;&#x306E;&#x30A2;&#x30D7;&#x30EA;&#x30B1;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x7528;&#x306E;&#x30E6;&#x30FC;&#x30C6;&#x30A3;&#x30EA;&#x30C6;&#x30A3;&#x3092;&#x5F37;&#x5316;&#x306E;&#x672A;&#x77E5;&#x6570;&#x3092;&#x3088;&#x308A;&#x3088;&#x304F;&#x5206;&#x985E;&#x3067;&#x304D;&#x308B;&#x3053;&#x3068;&#x3092;&#x793A;&#x3057;&#x307E;&#x3059;&#x3002;

&#x4EBA;&#x5DE5;&#x55C5;&#x899A;&#x30D0;&#x30A4;&#x30AA;&#x30A4;&#x30F3;&#x30B9;&#x30D1;&#x30A4;&#x30A2;&#x30FC;&#x30C9;&#x624B;&#x6CD5;&#x3002;

&#xC778;&#xACF5; &#xD6C4;&#xAC01;&#xC774; &#xBE44; &#xCE68; &#xD22C; &#xC801;&#xC778; &#xD654;&#xD559; &#xBB3C;&#xC9C8; &#xBAA8;&#xB2C8;&#xD130;&#xB9C1;&#xC744; &#xC704;&#xD55C; &#xC7A0;&#xC7AC;&#xC801; &#xB3C4;&#xAD6C;&#xC785;&#xB2C8;&#xB2E4;. &quot;&#xC804;&#xC790; &#xCF54;&quot;&#xC758; &#xC751;&#xC6A9; &#xD504;&#xB85C;&#xADF8;&#xB7A8;&#xC740; &#xC77C;&#xBC18;&#xC801;&#xC73C;&#xB85C; &quot;pretrained&quot; &#xD654;&#xD559; &#xBB3C;&#xC9C8;&#xC758; &#xC778;&#xC2DD;&#xC744; &#xD3EC;&#xD568;, &#xC7A5;&#xAE30;&#xC801;&#xC778; &#xC6B4;&#xC601; &#xBC0F; &#xC77C;&#xBC18;&#xD654; &#xC218; &#xC788;&#xB3C4;&#xB85D; &#xD6C8;&#xB828; &#xD558;&#xB294; &#xB3D9;&#xC548; &quot;&#xC54C; &#xC218; &#xC5C6;&#xB294;&quot; analytes&#xC758; &#xD654;&#xD559;&#xC801; &#xBD84;&#xB958; &#xC720;&#xC9C0; &#xB3C4;&#xC804;. &#xD6C4;&#xC790;&#xC758; &#xBD84;&#xC11D; &#xAE30;&#xB2A5;&#xC73C;&#xB85C; &#xBC1C;&#xC0DD;&#xD560; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4; &#xBAA8;&#xB4E0; &#xBD84;&#xC11D;&#xC744; &#xC13C;&#xC11C; pre-expose&#xB97C; &#xBE44;&#xD310;&#xC801;&#xC73C;&#xB85C; &#xC911;&#xC694; &#xD558;&#xB2E4;. &#xC5EC;&#xAE30;, &#xC778;&#xC2DD; &#xBC0F; &#xC77C;&#xBC18;&#xD654; &#xBB38;&#xC81C;&#xB97C; &#xBD84;&#xB9AC; &#xD558; &#xACE0; &#xACC4;&#xCE35;&#xC801; &#xBC29;&#xC2DD;&#xC73C;&#xB85C; &#xD574;&#xACB0; &#xC0DD;&#xBB3C;&#xD559;&#xC801; &#xC601;&#xAC10; &#xC744;&#xB41C; &#xC811;&#xADFC; &#xBC29;&#xC2DD;&#xC744; &#xBCF4;&#xC5EC; &#xC90D;&#xB2C8;&#xB2E4;. &#xC2E4;&#xC815;&#xC774; &#xC870;&#xC131;&#xC740; &#xC77C;&#xBC18;&#xC5D0;&#xC11C; &#xC9C4;&#xD589;&#xC5D0; &#xC815;&#xC81C; &#xB41C; (&#xC608;&#xB97C; &#xB4E4;&#xC5B4;, &#xB300;&#xC0C1; &#xB418;&#xB294; &#xD0C4; &#xD654; &#xC218;&#xC18C;)&#xB97C; &#xC815;&#xD655; &#xD558; &#xAC8C; (&#xC608;&#xB97C; &#xB4E4;&#xC5B4;, &#xB300;&#xC0C1; &#xD0C4; &#xC774;&#xB2E4;), &#xAC01; &#xB2E8;&#xACC4;&#xC5D0; &#xB300; &#xD55C; &#xC751;&#xB2F5; &#xAE30;&#xB2A5;&#xC5D0; &#xCD5C;&#xC801;&#xD654; &#xB41C; &#xB192;&#xC740; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC;. &#xC6B0;&#xB9AC; MEMS &#xAE30;&#xBC18; chemiresistive microsensor &#xBC30;&#xC5F4;&#xC744; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC;&#xC774; &#xBC29;&#xBC95;&#xC758; &#xC720;&#xD6A8;&#xC131;&#xC744; &#xAC80;&#xC0AC; &#xD569;&#xB2C8;&#xB2E4;. &#xC6B0;&#xB9AC;&#xB294;&#xC774; &#xC774;&#xB807;&#xAC8C; &#xC778;&#xACF5; &#xD6C4;&#xAC01;&#xC774; &#xAE30;&#xC874; &#xBC29;&#xBC95;&#xB860;&#xC5D0;&#xC11C; &#xB3C5;&#xD2B9;&#xD55C; &#xCD9C;&#xBC1C; &#xC778;&#xC2DD; &#xBAA8;&#xB4C8; &#xB354; &#xB098;&#xC740; &#xC13C;&#xC11C; &#xB178;&#xD654; &#xD6A8;&#xACFC; &#xC644;&#xD654; &#xD558; &#xACE0; &#xB354; &#xB098;&#xC740; &#xBD84;&#xB958; &#xBBF8;&#xC0C1;, &#xC2E4;&#xC81C; &#xC751;&#xC6A9; &#xD504;&#xB85C;&#xADF8;&#xB7A8;&#xC5D0; &#xB300; &#xD55C; &#xD654;&#xD559; &#xC13C;&#xC11C; &#xC720;&#xD2F8;&#xB9AC;&#xD2F0;&#xB97C; &#xAC15;&#xD654; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4; &#xBCF4;&#xC5EC;&#xC90D;&#xB2C8;&#xB2E4;.

Bioinspired &#xC778;&#xACF5; &#xD6C4;&#xAC01;&#xC774; &#xB300; &#xD55C; &#xBC29;&#xBC95;&#xB860;&#xC785;&#xB2C8;&#xB2E4;.

Olfato artificial es una herramienta potencial para el control qu&iacute;mico no invasiva. Aplicaci&oacute;n de &quot;narices electr&oacute;nicas&quot; t&iacute;picamente implica el reconocimiento de los productos qu&iacute;micos &quot;preentrenados&quot;, mientras la operaci&oacute;n de largo plazo y generalizaci&oacute;n de la formaci&oacute;n para permitir desaf&iacute;os siguen siendo clasificaci&oacute;n qu&iacute;mica de analitos &quot;desconocidos&quot;. La capacidad anal&iacute;tica de este &uacute;ltima es muy importante, ya que es inviable para pre-expose el sensor para cada analito que puede surgir. Aqu&iacute;, demostramos un enfoque biol&oacute;gico inspirado donde los problemas de reconocimiento y generalizaci&oacute;n son desconectados y resuelto de manera jer&aacute;rquica. Composici&oacute;n del analito se refina en una progresi&oacute;n del general (por ejemplo, el objetivo es un hidrocarburo) a precisa (por ejemplo, el objetivo es etano), usando altamente optimizado caracter&iacute;sticas de respuesta para cada paso. Validamos este enfoque utilizando una matriz de microsensor de chemiresistive basados en MEMS. Demostramos que este enfoque, una &uacute;nica salida de metodolog&iacute;as existentes en el olfato artificial, permite el m&oacute;dulo de reconocimiento mejor mitigar efectos de sensor-envejecimiento y clasificar mejor inc&oacute;gnitas, mejorar la utilidad de sensores qu&iacute;micos para aplicaciones del mundo real.

Metodolog&iacute;a bioinspirados olfato artificial.

Hebbian &#x7A57;&#x8BA1;&#x65F6;&#x76F8;&#x5173;&#x53EF;&#x5851;&#x6027; &#xFF08;STDP&#xFF09; &#x5E7F;&#x6CDB;&#x9075;&#x5B88;&#x4ECE;&#x6606;&#x866B;&#x5230;&#x4EBA;&#x7C7B;&#x7684;&#x751F;&#x7269;&#xFF0C;&#x5E76;&#x53EF;&#x80FD;&#x63D0;&#x4F9B; associative &#x5B66;&#x4E60;&#x7EC6;&#x80DE;&#x673A;&#x5236;&#x3002;STDP &#x9700;&#x8981;&#x6BEB;&#x79D2;&#x7EA7;&#x65F6;&#x95F4;&#x76F8;&#x5173;&#x7684;&#x6263;&#x7403;&#x524D;&#x548C;&#x7A81;&#x89E6;&#x540E;&#x795E;&#x7ECF;&#x5143;&#x7684;&#x6D3B;&#x52A8;&#x3002;&#x4E0D;&#x8FC7;&#xFF0C;&#x52A8;&#x7269;&#x53EF;&#x4EE5;&#x5B66;&#x4E60;&#x5173;&#x8054;&#x4E00;&#x4E2A;&#x611F;&#x5B98;&#x7684;&#x63D0;&#x793A;&#x548C;&#x5206;&#x5F00;&#x5217;&#x793A;&#x7684;&#x60AC;&#x8D4F;&#x79D2;&#x3002;&#x56E0;&#x6B64;&#xFF0C;&#x5BF9;&#x4E8E; STDP &#x8C03;&#x89E3; associative &#x5B66;&#x4E60;&#xFF0C;&#x5927;&#x8111;&#x5FC5;&#x987B;&#x4FDD;&#x7559;&#x4F5C;&#x4E3A;&#x52A0;&#x6807;&#x6D3B;&#x52A8;&#x52A0;&#x5F3A;&#x4FE1;&#x53F7;&#x5230;&#x6765;&#x4E4B;&#x524D;&#x7684;&#x611F;&#x5B98;&#x63D0;&#x793A;&#x4FE1;&#x606F;&#x3002;&#x5728;&#x6211;&#x4EEC;&#x6700;&#x8FD1;&#x7684;&#x7814;&#x7A76;&#x4E2D;&#xFF0C;&#x6211;&#x4EEC;&#x6D4B;&#x8BD5;&#x4E86;&#x8FD9;&#x4E00;&#x8981;&#x6C42;&#x5728;&#x86FE;&#x70DF;&#x8349;&#x5929;&#x86FE;&#x3002;&#x6211;&#x4EEC;&#x7684;&#x51EF;&#x5C3C;&#x6069;&#x7684;&#x5355;&#x5143;&#x683C;&#xFF0C;&#x6606;&#x866B;&#x7684;&#x55C5;&#x89C9;&#x5B66;&#x4E60;&#xFF0C;&#x5173;&#x952E;&#x7684;&#x795E;&#x7ECF;&#x5143;&#x4EBA;&#x53E3;&#x6C14;&#x5473;&#x53CD;&#x5E94;&#x7684;&#x7279;&#x70B9;&#x548C;&#x6761;&#x4EF6;&#x86FE;&#x60AC;&#x8D4F;&#x7CD6;&#x6C34;&#x4E0E;&#x76F8;&#x5173;&#x8054;&#x7684;&#x6C14;&#x5473;&#x3002;&#x4E0D;&#x540C;&#x7684;&#x65F6;&#x7A7A;&#x4E4B;&#x95F4;&#x7684;&#x91CD;&#x53E0;&#x91CF;&#x6C14;&#x5473;&#x8BF1;&#x53D1;&#x5CF0;&#x503C;&#x548C;&#x5956;&#x52B1;&#x6F14;&#x793A;&#x6587;&#x7A3F;&#xFF0C;&#x6211;&#x4EEC;&#x53EF;&#x53D1;&#x73B0;&#x6700;&#x5927;&#x5B66;&#x4E60;&#x53D1;&#x751F;&#x65F6;&#x6263;&#x6D3B;&#x52A8;&#x6709;&#x6CA1;&#x6709;&#x91CD;&#x53E0;&#x4E0E;&#x5956;&#x52B1;&#x6F14;&#x793A;&#x6587;&#x7A3F; &#xFF1B;&#x6B64;&#x5916;&#xFF0C;&#x589E;&#x52A0;&#x91CD;&#x53E0;&#x5B9E;&#x9645;&#x4E0A;&#x4E0B;&#x8DCC;&#x4E86;&#x5B66;&#x4E60;&#x6548;&#x679C;&#x3002;&#x56E0;&#x6B64;&#xFF0C;STDP &#x5355;&#x4E0D;&#x80FD;&#x8C03;&#x89E3;&#x55C5;&#x5B66;&#x4E60;&#x51EF;&#x5C3C;&#x6069;&#x7684;&#x5355;&#x5143;&#x683C;&#x4E2D;&#x3002;&#x5728;&#x8FD9;&#x91CC;&#xFF0C;&#x6211;&#x4EEC;&#x8BA8;&#x8BBA;&#x53EF;&#x80FD;&#x7684;&#x7EC6;&#x80DE;&#x673A;&#x5236;&#xFF0C;&#x53EF;&#x4EE5;&#x5F25;&#x8865;&#x751F;&#x7406;&#x548C;&#x884C;&#x4E3A;&#x7684;&#x65F6;&#x95F4;&#x5C3A;&#x5EA6;&#x4E4B;&#x95F4;&#x7684;&#x65F6;&#x95F4;&#x5DEE;&#x8DDD;&#x3002;

&#x55C5;&#x5B66;&#x4E60;&#x548C;&#x7A57;&#x65F6;&#x95F4;&#x4F9D;&#x8D56;&#x7684;&#x53EF;&#x5851;&#x6027;&#x3002;

Hebbian spike-timing-dependent plasticity (STDP) is widely observed in organisms ranging from insects to humans and may provide a cellular mechanism for associative learning. STDP requires a millisecond-scale temporal correlation of spiking activity in pre- and postsynaptic neurons. However, animals can learn to associate a sensory cue and a reward that are presented seconds apart. Thus, for STDP to mediate associative learning, the brain must retain information about the sensory cue as spiking activity until the reinforcement signal arrives. In our recent study, we tested this requirement in the moth Manduca sexta. We characterized the odor responses of Kenyon cells, a key neuronal population for insect olfactory learning, and conditioned moths to associate an odor with a sugar water reward. By varying the amount of temporal overlap between odor-evoked spikes and the reward presentation, we found that the most learning occurred when spiking activity had no overlap with the reward presentation; further, increasing the overlap actually decreased the learning efficacy. Thus, STDP alone cannot mediate the olfactory learning in Kenyon cells. Here, we discuss possible cellular mechanisms that could bridge the temporal gap between physiological and behavioral time scales.

Olfactory learning and spike timing dependent plasticity.

Hebb spike-calendrier-dependent plasticit&eacute; (PDTS) est largement observ&eacute;e chez les organismes allant des insectes aux humains et peut fournir un m&eacute;canisme cellulaire pour l&#39;apprentissage associatif. PDTS n&eacute;cessite une corr&eacute;lation temporelle &agrave; l&#39;&eacute;chelle de la milliseconde enrichissements de l&#39;activit&eacute; dans les neurones pr&eacute;- et post-synaptiques. Toutefois, les animaux peut apprendre &agrave; associer un signal sensoriel et une r&eacute;compense qui sont pr&eacute;sent&eacute;s secondes dehors. Ainsi, pour PDTS d&#39;arbitrer l&#39;apprentissage associatif, le cerveau doit conserver des informations sur le signal sensoriel comme activit&eacute; de fortification, jusqu&#39;&agrave; ce que le signal de renfort arrive. Dans notre &eacute;tude r&eacute;cente, nous avons test&eacute; cette exigence dans le papillon de nuit Manduca sexta. Nous avons caract&eacute;ris&eacute; les r&eacute;ponses de l&#39;odeur des cellules Kenyon, une population neuronale cl&eacute;e pour l&#39;apprentissage olfactif des insecte et conditionn&eacute; papillons &agrave; associer une odeur &agrave; une r&eacute;compense de l&#39;eau de sucre. En faisant varier la quantit&eacute; de chevauchement temporel entre pointes induite par l&#39;odeur et la pr&eacute;sentation de la r&eacute;compense, nous avons constat&eacute; que la plupart d&#39;apprentissage a eu lieu lors de l&#39;activit&eacute; de fortification n&#39;avait aucun chevauchement avec la pr&eacute;sentation de la r&eacute;compense ; en outre, augmentant le chevauchement en fait diminu&eacute; l&#39;efficacit&eacute; de l&#39;apprentissage. Ainsi, PDTS seul ne peut servir de m&eacute;diateur l&#39;apprentissage olfactif dans les cellules de Kenyon. Ici, nous discutons des m&eacute;canismes cellulaires possibles qui pourraient combler l&#39;&eacute;cart temporel entre les &eacute;chelles de temps physiologique et comportemental.

Apprentissage olfactif et spike timing plasticit&eacute; d&eacute;pendante.

Hebbianisches Spike-Timing-abh&auml;ngigen Plastizit&auml;t (STDP) kann wird allgemein in Organismen, die von Insekten bis hin zu Menschen beobachtet und einen zellul&auml;ren Mechanismus f&uuml;r assoziativem Lernen. STDP erfordert eine Millisekunde-Skala zeitliche Korrelation von spiking Aktivit&auml;t in vor- und postsynaptisches Neuronen. Jedoch k&ouml;nnen Tiere ordnen Sie eine sensorische Cue zu lernen und eine Belohnung, die pr&auml;sentiert werden Sekunden auseinander. Somit muss f&uuml;r STDP assoziativem Lernen zu vermitteln, das Gehirn verf&uuml;gen Informationen zu den sensorischen Cue als spiking Aktivit&auml;t, bis das Verst&auml;rkung Signal ankommt. In unserer Studie haben wir diese Anforderung in die Nachtfalter Manduca Sexta getestet. Wir charakterisiert die Geruch-Antworten von Kenyon Zellen, eine wichtige neuronale Bev&ouml;lkerung f&uuml;r das Insekt olfaktorischen lernen und konditioniert Motten eine Zucker-Wasser-Belohnung einen Geruch zugeordnet. Variieren Sie die H&ouml;he der zeitliche &Uuml;berschneidungen zwischen Geruch hervorgerufen Spikes und die Belohnung-Pr&auml;sentation, fanden wir, dass die meisten lernen passierten, als spiking Aktivit&auml;t keine &Uuml;berschneidung mit der Belohnung-Pr&auml;sentation hatte; weiter, erh&ouml;hen die &Uuml;berlappung r&uuml;ckl&auml;ufig tats&auml;chlich die Wirksamkeit des Lernens. Daher kann nicht STDP allein das olfaktorische lernen in Kenyon Zellen vermitteln. Hier diskutieren wir m&ouml;gliche zellul&auml;re Mechanismen, die die zeitliche L&uuml;cke zwischen physiologischen und verhaltensbezogenen Zeitskalen konnte.

Olfaktorischen lernen und Spike Zeitmessung abh&auml;ngigen Plastizit&auml;t.

Hebbiano spike-timing-dependent plasticit&agrave; (STDP) &egrave; ampiamente osservata negli organismi che vanno dagli insetti agli esseri umani e possono fornire un meccanismo cellulare per apprendimento associativo. STDP richiede una correlazione temporale di millisecondo-scala di chiodare attivit&agrave; nei neuroni pre- e postsinaptici. Tuttavia, gli animali possono imparare ad associare un cue sensoriale e una ricompensa che vengono presentati seconds apart. Cos&igrave;, per STDP di mediare apprendimento associativo, il cervello deve conservare informazioni sui cue sensoriale come chiodare attivit&agrave; fino a quando non arriva il segnale di rinforzo. Nel nostro recente studio, abbiamo testato questo requisito nella falena Manduca sexta. Abbiamo caratterizzato le risposte di odore delle cellule Kenyon, una popolazione neuronale chiave per l&#39;apprendimento olfattivo degli insetti e condizionata falene ad associare un odore a una ricompensa di acqua zucchero. Variando la quantit&agrave; di sovrapposizione temporale tra picchi di odore-evocato e la presentazione di ricompensa, abbiamo trovato che la maggior parte di apprendimento si sono verificati quando chiodare attivit&agrave; non aveva alcuna sovrapposizione con la presentazione di ricompensa; ulteriormente, aumentando la sovrapposizione effettivamente diminuito l&#39;efficacia di apprendimento. Cos&igrave;, STDP da sola non pu&ograve; mediare l&#39;apprendimento olfattivo in cellule Kenyon. Qui, si discute di possibili meccanismi cellulari che potrebbero colmare il divario temporale tra scale tempi fisiologici e comportamentali.

Apprendimento olfattivo e spike timing dipendente plasticit&agrave;.

&#x30B9;&#x30D1;&#x30A4;&#x30AF; &#x30BF;&#x30A4;&#x30DF;&#x30F3;&#x30B0;&#x4F9D;&#x5B58;&#x53EF;&#x5851;&#x6027; (STDP) &#x306F;&#x5E83;&#x304F;&#x6606;&#x866B;&#x304B;&#x3089;&#x30D2;&#x30C8;&#x306B;&#x81F3;&#x308B;&#x307E;&#x3067;&#x306E;&#x751F;&#x7269;&#x3067;&#x89B3;&#x5BDF;&#x3055;&#x308C;&#x3001;&#x9023;&#x60F3;&#x5B66;&#x7FD2;&#x306E;&#x7D30;&#x80DE;&#x306E;&#x30E1;&#x30AB;&#x30CB;&#x30BA;&#x30E0;&#x306F;&#x3001;&#x63D0;&#x4F9B;&#x3059;&#x308B;&#x3053;&#x3068;&#x304C;&#x3042;&#x308A;&#x307E;&#x3059;&#x3002;STDP &#x5F8C;&#x30B7;&#x30CA;&#x30D7;&#x30B9;&#x795E;&#x7D4C;&#x306E;&#x6D3B;&#x52D5;&#x306E;&#x30B9;&#x30D1;&#x30A4;&#x30AF;&#x306E;&#x30DF;&#x30EA;&#x79D2;&#x30B9;&#x30B1;&#x30FC;&#x30EB;&#x306E;&#x6642;&#x9593;&#x65B9;&#x5411;&#x306E;&#x76F8;&#x95A2;&#x304C;&#x5FC5;&#x8981;&#x3067;&#x3059;&#x3002;&#x305F;&#x3060;&#x3057;&#x3001;&#x52D5;&#x7269;&#x306E;&#x611F;&#x899A;&#x306E;&#x30AD;&#x30E5;&#x30FC;&#x3092;&#x95A2;&#x9023;&#x4ED8;&#x3051;&#x308B;&#x306B;&#x306F;&#x5B66;&#x3076;&#x3053;&#x3068;&#x304C;&#x3067;&#x304D;&#x307E;&#x3059;&#x63D0;&#x793A;&#x3055;&#x308C;&#x308B;&#x5831;&#x916C;&#x3092;&#x96E2;&#x308C;&#x3066;&#x6570;&#x79D2;&#x3002;&#x3057;&#x305F;&#x304C;&#x3063;&#x3066;&#x3001;&#x9023;&#x5408;&#x5B66;&#x7FD2;&#x3092;&#x4EF2;&#x4ECB;&#x3059;&#x308B; STDP &#x306E;&#x8133;&#x6D3B;&#x52D5;&#x3092;&#x30B9;&#x30D1;&#x30A4;&#x30AF;&#x3068;&#x3057;&#x3066;&#x5F37;&#x5316;&#x4FE1;&#x53F7;&#x304C;&#x5230;&#x7740;&#x3059;&#x308B;&#x307E;&#x3067;&#x611F;&#x899A;&#x306E;&#x30AD;&#x30E5;&#x30FC;&#x306B;&#x95A2;&#x3059;&#x308B;&#x60C5;&#x5831;&#x3092;&#x4FDD;&#x6301;&#x3059;&#x308B;&#x5FC5;&#x8981;&#x304C;&#x3042;&#x308A;&#x307E;&#x3059;&#x3002;&#x6700;&#x8FD1;&#x306E;&#x7814;&#x7A76;&#x3067;&#x306F;, &#x86FE;: manduca-sexta &#x3067;&#x3053;&#x306E;&#x8981;&#x4EF6;&#x3092;&#x30C6;&#x30B9;&#x30C8;&#x3057;&#x307E;&#x3057;&#x305F;&#x3002;&#x6211;&#x3005; &#x306E;&#x5302;&#x3044;&#x5FDC;&#x7B54;&#x30AD;&#x30FC;&#x306E;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3;&#x96C6;&#x56E3;&#x6606;&#x866B;&#x306E;&#x55C5;&#x899A;&#x5B66;&#x7FD2;&#x306E;&#x30B1;&#x30CB;&#x30AA;&#x30F3;&#x7D30;&#x80DE;&#x306E;&#x7279;&#x5FB4;&#x3057;&#x3001;&#x7802;&#x7CD6;&#x6C34;&#x5831;&#x916C;&#x3067;&#x3001;&#x81ED;&#x3044;&#x3092;&#x95A2;&#x9023;&#x4ED8;&#x3051;&#x308B;&#x86FE;&#x3092;&#x5B8C;&#x5099;&#x3057;&#x307E;&#x3059;&#x3002;&#x81ED;&#x6C17;&#x8A98;&#x767A;&#x30B9;&#x30D1;&#x30A4;&#x30AF;&#x3068;&#x5831;&#x916C;&#x30D7;&#x30EC;&#x30BC;&#x30F3;&#x30C6;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x6642;&#x9593;&#x7684;&#x91CD;&#x306A;&#x308A;&#x306E;&#x91CF;&#x3092;&#x5909;&#x5316;&#x3055;&#x305B;&#x308B;&#x3053;&#x3068;&#x306B;&#x3088;&#x3063;&#x3066;&#x3001;&#x6211;&#x3005; &#x306F;&#x6D3B;&#x52D5;&#x306E;&#x30B9;&#x30D1;&#x30A4;&#x30AF;&#x306F;&#x3001;&#x5831;&#x916C;&#x306E;&#x30D7;&#x30EC;&#x30BC;&#x30F3;&#x30C6;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x3068;&#x91CD;&#x8907;&#x306A;&#x304B;&#x3063;&#x305F;&#x3068;&#x304D;&#x306B;&#x767A;&#x751F;&#x3057;&#x305F;&#x5B66;&#x7FD2;&#x307B;&#x3068;&#x3093;&#x3069;&#x767A;&#x898B;&#x3057;&#x305F;;&#x3055;&#x3089;&#x306B;&#x3001;&#x91CD;&#x8907;&#x3092;&#x5897;&#x52A0;&#x5B9F;&#x969B;&#x306B;&#x5B66;&#x7FD2;&#x52B9;&#x679C;&#x3092;&#x6E1B;&#x5C11;&#x3057;&#x307E;&#x3057;&#x305F;&#x3002;&#x3057;&#x305F;&#x304C;&#x3063;&#x3066;&#x3001;STDP &#x3060;&#x3051;&#x3067;&#x30B1;&#x30CB;&#x30AA;&#x30F3;&#x7D30;&#x80DE;&#x306B;&#x304A;&#x3051;&#x308B;&#x55C5;&#x899A;&#x5B66;&#x7FD2;&#x3092;&#x4EF2;&#x4ECB;&#x3059;&#x308B;&#x3053;&#x3068;&#x306F;&#x3067;&#x304D;&#x307E;&#x305B;&#x3093;&#x3002;&#x3053;&#x3053;&#x3067;&#x306F;&#x3001;&#x751F;&#x7406;&#x30FB;&#x884C;&#x52D5;&#x306E;&#x6642;&#x9593;&#x30B9;&#x30B1;&#x30FC;&#x30EB;&#x306E;&#x6642;&#x7A7A;&#x9593;&#x30AE;&#x30E3;&#x30C3;&#x30D7;&#x3092;&#x57CB;&#x3081;&#x308B;&#x3053;&#x3068;&#x304C;&#x53EF;&#x80FD;&#x306A;&#x643A;&#x5E2F;&#x96FB;&#x8A71;&#x306E;&#x30E1;&#x30AB;&#x30CB;&#x30BA;&#x30E0;&#x3092;&#x8B70;&#x8AD6;&#x3057;&#x307E;&#x3059;&#x3002;

&#x55C5;&#x899A;&#x5B66;&#x7FD2;&#x3068;&#x30B9;&#x30D1;&#x30A4;&#x30AF; &#x30BF;&#x30A4;&#x30DF;&#x30F3;&#x30B0;&#x4F9D;&#x5B58;&#x6027;&#x53EF;&#x5851;&#x6027;&#x3002;

&#xD5F5; &#xC2A4;&#xD30C;&#xC774;&#xD06C; &#xD0C0;&#xC774;&#xBC0D; &#xC885;&#xC18D;&#xC774; &#xC18C;&#xC131; (STDP) &#xC720;&#xAE30; &#xCCB4; &#xACE4;&#xCDA9;&#xC5D0;&#xC11C; &#xC778; &#xAC04;&#xC5D0; &#xC774;&#xB974;&#xAE30;&#xAE4C;&#xC9C0; &#xAD11;&#xBC94;&#xC704; &#xD558; &#xAC8C; &#xAD00;&#xCC30; &#xD558; &#xACE0; &#xC5F0;&#xAD00; &#xD559;&#xC2B5;&#xC744; &#xC704;&#xD574; &#xC140;&#xB8F0;&#xB7EC; &#xBA54;&#xCEE4;&#xB2C8;&#xC998;&#xC744; &#xC81C;&#xACF5;&#xD560; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;. STDP &#xC0AC;&#xC804; &#xBC0F; postsynaptic &#xB274;&#xB7F0;&#xC5D0; &#xD65C;&#xB3D9; &#xC694;&#xB3D9;&#xC758; &#xBC00;&#xB9AC;&#xCD08; &#xB2E8;&#xC704; &#xC2DC;&#xAC04; &#xC0C1;&#xAD00; &#xAD00;&#xACC4;&#xB97C; &#xC694;&#xAD6C; &#xD55C;&#xB2E4;. &#xADF8;&#xB7EC;&#xB098;, &#xB3D9;&#xBB3C; &#xAC10;&#xAC01; &#xD050; &#xC5F0;&#xACB0;&#xC744; &#xBC30;&#xC6B8; &#xC218; &#xC788;&#xB2E4; &#xACE0; &#xC81C;&#xC2DC; &#xD558;&#xB294; &#xBCF4;&#xC0C1; &#xB5A8;&#xC5B4;&#xC838; &#xCD08;. &#xB530;&#xB77C;&#xC11C;, STDP &#xC5F0;&#xAD00; &#xD559;&#xC2B5;&#xC744; &#xC911;&#xC7AC;, &#xB450;&#xB1CC;&#xB294; &#xBCF4;&#xAC15; &#xC2E0;&#xD638; &#xB3C4;&#xCC29;&#xD560; &#xB54C;&#xAE4C;&#xC9C0; &#xD65C;&#xB3D9;&#xC744; &#xC694;&#xB3D9;&#xC73C;&#xB85C; &#xAC10;&#xAC01; &#xD050;&#xC5D0; &#xB300; &#xD55C; &#xC815;&#xBCF4;&#xB97C; &#xC720;&#xC9C0; &#xD574;&#xC57C; &#xD569;&#xB2C8;&#xB2E4;. &#xC6B0;&#xB9AC;&#xC758; &#xCD5C;&#xADFC; &#xC5F0;&#xAD6C;&#xC5D0;&#xC11C; &#xB098; &#xBC29;&#xC774; Manduca sexta&#xC5D0;&#xC774; &#xC694;&#xAD6C; &#xC0AC;&#xD56D;&#xC740; &#xD14C;&#xC2A4;&#xD2B8;. &#xC6B0;&#xB9AC; &#xCF00; &#xB144; &#xC140;, &#xACE4;&#xCDA9; &#xD6C4; &#xAC01; &#xD559;&#xC2B5;&#xC744; &#xC704;&#xD55C; &#xC8FC;&#xC694; &#xC2E0;&#xACBD; &#xC778;&#xAD6C; &#xB0C4;&#xC0C8; &#xC751;&#xB2F5; &#xD2B9;&#xC9D5; &#xBC0F; &#xC124;&#xD0D5; &#xBB3C; &#xBCF4;&#xC0C1;&#xC5D0; &#xC5F0;&#xAD00; &#xD55C; &#xB0C4;&#xC0C8; &#xB098; &#xBC29; &#xC644;&#xBE44;. &#xB0C4;&#xC0C8; &#xAC16;&#xB294; &#xC2A4;&#xD30C;&#xC774;&#xD06C;&#xC640; &#xBCF4;&#xC0C1; &#xD504;&#xB808; &#xC820; &#xD14C;&#xC774; &#xC158; &#xC0AC;&#xC774;&#xC758; &#xC2DC;&#xAC04;&#xC801; &#xACB9;&#xCE58;&#xB294; &#xC815;&#xB3C4; &#xBCC0;&#xACBD;, &#xC6B0;&#xB9AC;&#xB294; &#xBC1C;&#xC0DD; &#xD55C; &#xD559;&#xC2B5; &#xD65C;&#xB3D9;&#xC744; &#xAE09;&#xC0C1;&#xC2B9; &#xD588;&#xB2E4; &#xBCF4;&#xC0C1; &#xD504;&#xB808; &#xC820; &#xD14C;&#xC774; &#xC158;; &#xACB9;&#xCE58;&#xC9C0; &#xB300;&#xBD80;&#xBD84; &#xBC1C;&#xACAC; &#xB610;&#xD55C;, &#xD559;&#xC2B5; &#xD6A8;&#xB2A5; &#xAC10;&#xC18C; &#xC2E4;&#xC81C;&#xB85C; &#xC911;&#xBCF5; &#xC99D;&#xAC00;. &#xB530;&#xB77C;&#xC11C;, STDP &#xD63C;&#xC790; &#xCE90;&#xB144; &#xC140;&#xC5D0; &#xD6C4; &#xAC01; &#xD559;&#xC2B5;&#xC744; &#xC911;&#xC7AC;&#xD560; &#xC218; &#xC5C6;&#xB2E4;. &#xC5EC;&#xAE30;, &#xC6B0;&#xB9AC; &#xC0DD;&#xB9AC; &#xBC0F; &#xD589;&#xB3D9; &#xC2DC;&#xAC04; &#xBE44;&#xB298; &#xC0AC;&#xC774;&#xC758; &#xC2DC;&#xAC04;&#xC801; &#xACA9;&#xCC28;&#xB97C; &#xD574;&#xC18C; &#xC218; &#xAC00;&#xB2A5;&#xD55C; &#xC140;&#xB8F0;&#xB7EC; &#xBA54;&#xCEE4;&#xB2C8;&#xC998;&#xC744; &#xB17C;&#xC758; &#xD55C;&#xB2E4;.

&#xD6C4; &#xAC01; &#xD559;&#xC2B5; &#xD558; &#xACE0; &#xD0C0;&#xC774;&#xBC0D; &#xC885;&#xC18D; &#xC18C;&#xC131; &#xC2A4;&#xD30C;&#xC774;&#xD06C;&#xC785;&#xB2C8;&#xB2E4;.

Plasticidad de espiga-dependiente de la sincronizaci&oacute;n de hebbiana (STDP) es ampliamente observada en organismos que van desde insectos hasta los seres humanos y puede proporcionar un mecanismo celular para aprendizaje asociativo. STDP requiere una correlaci&oacute;n temporal de milisegundos-escala de clavar la actividad de las neuronas previas y postsin&aacute;pticas. Sin embargo, los animales pueden aprender a asociar una se&ntilde;al sensorial y una recompensa que se presentan segundos aparte. As&iacute;, para que STDP mediar el aprendizaje asociativo, el cerebro debe conservar la informaci&oacute;n sobre la se&ntilde;al sensorial como clavar la actividad hasta que llega la se&ntilde;al de refuerzo. En nuestro estudio reciente, probamos este requisito en la polilla Manduca sexta. Nos caracteriza las respuestas del olor de las c&eacute;lulas de Kenyon, una poblaci&oacute;n neuronal clave para el aprendizaje olfativo de insecto y acondicionado polillas para asociar un olor con una recompensa de agua de az&uacute;car. Variando la cantidad de superposici&oacute;n temporal entre puntos evocados por el olor y la presentaci&oacute;n de la recompensa, encontramos que la mayor&iacute;a aprendizaje ocurri&oacute; cuando clavar actividad no tuvo ninguna superposici&oacute;n con la presentaci&oacute;n de recompensa; Adem&aacute;s, aumentando la superposici&oacute;n realmente disminuye la eficacia del aprendizaje. As&iacute;, STDP sola no puede mediar el aprendizaje olfativo en c&eacute;lulas de Kenyon. Aqu&iacute; discutimos posibles mecanismos celulares que podr&iacute;an cerrar la brecha temporal entre escalas de tiempo fisiol&oacute;gicos y de comportamiento.

Aprendizaje olfativo y plasticidad dependiente de la sincronizaci&oacute;n de la espiga.

&#x5728;&#x8BB8;&#x591A;&#x7269;&#x79CD;&#x4E2D;&#xFF0C;&#x611F;&#x5B98;&#x523A;&#x6FC0;&#x5F15;&#x8D77;&#x7FA4;&#x4F53;&#x795E;&#x7ECF;&#x5143;&#x632F;&#x8361;&#x7684;&#x540C;&#x6B65;&#x3002;&#x4EC0;&#x4E48;&#x51B3;&#x5B9A;&#x8FD9;&#x4E9B;&#x632F;&#x8361;&#x7684;&#x5C5E;&#x6027;&#xFF1F;&#x5728;&#x98DE;&#x86FE;&#x7684;&#x55C5;&#x89C9;&#x7CFB;&#x7EDF;&#x4E2D;&#xFF0C;&#x6211;&#x4EEC;&#x53D1;&#x73B0;&#x6C14;&#x5473;&#x5F15;&#x8D77;&#x632F;&#x8361;&#x540C;&#x6B65;&#x4E86;&#x901A;&#x8FC7;&#x50CF;&#x8757;&#x866B;&#x548C;&#x679C;&#x8747;&#x4E2D;&#x6240;&#x8FF0;&#x7684;&#x795E;&#x7ECF;&#x673A;&#x5236;&#x3002;&#x671F;&#x95F4;&#x957F;&#x6C14;&#x5473;&#x8109;&#x51B2;&#x7684;&#x7B54;&#x590D;&#xFF0C;&#x632F;&#x8361;&#x7A81;&#x7136;&#x653E;&#x7F13;&#x51C0;&#x55C5;&#x89C9;&#x53D7;&#x4F53;&#x795E;&#x7ECF;&#x5143; (&#x751F;&#x4E8E;) &#x8F93;&#x51FA;&#x4E0B;&#x964D; &#xFF1B;&#x56E0;&#x6B64;&#xFF0C;&#x523A;&#x6FC0;&#x5F3A;&#x5EA6;&#xFF0C;&#x4F3C;&#x4E4E;&#x786E;&#x5B9A;&#x632F;&#x8361;&#x9891;&#x7387;&#x3002;&#x7136;&#x800C;&#xFF0C;&#x6539;&#x53D8;&#x6C14;&#x5473;&#x7684;&#x6D53;&#x5EA6;&#x4EA7;&#x751F;&#x7684;&#x632F;&#x8361;&#x9891;&#x7387;&#x5C0F;&#x5F71;&#x54CD;&#x3002;&#x6211;&#x4EEC;&#x57FA;&#x4E8E;&#x8FD9;&#x4E9B;&#x7ED3;&#x679C;&#x7684;&#x4F53;&#x5185;&#x548C;&#x8BA1;&#x7B97;&#x6A21;&#x578B;&#x7684;&#x5F55;&#x97F3;&#x5EFA;&#x8BAE;&#x589E;&#x52A0;&#x9999;&#x6C14;&#x6D53;&#x5EA6;&#x7684;&#x4E3B;&#x8981;&#x4F5C;&#x7528;&#x662F;&#x8058;&#x8BF7;&#x5176;&#x70E7;&#x6210;&#x7387;&#x88AB;&#x4E25;&#x683C;&#x7EA6;&#x675F;&#x7684;&#x9002;&#x5E94;&#x548C;&#x9971;&#x548C;&#x5EA6;&#x7684;&#x989D;&#x5916;&#x7684;&#x3001; &#x4E0D;&#x90A3;&#x4E48;&#x5E03;&#x9C81;&#x514B;&#x5965;&#x6069;&#x65AF;&#x3002;&#x56E0;&#x6B64;&#xFF0C;&#x5728;&#x5916;&#x56F4;&#xFF0C;&#x6D53;&#x5EA6;&#x7F16;&#x7801;&#x7684;&#x54CD;&#x5E94;&#x751F;&#x4E8E;&#x4EBA;&#x53E3;&#xFF0C;&#x4E3B;&#x8981;&#x662F;&#x548C;&#x632F;&#x8361;&#x9891;&#x7387;&#x8BBE;&#x7F6E;&#x7684;&#x9002;&#x5E94;&#x548C;&#x9971;&#x548C;&#x5EA6;&#x7684;&#x8FD9;&#x79CD;&#x53CD;&#x5E94;&#x3002;

&#x6C14;&#x5473;&#x8BF1;&#x53D1;&#x795E;&#x7ECF;&#x632F;&#x8361;&#x7684;&#x9891;&#x7387;&#x8F6C;&#x6362;&#x3002;

In many species, sensory stimuli elicit the oscillatory synchronization of groups of neurons. What determines the properties of these oscillations? In the olfactory system of the moth, we found that odors elicited oscillatory synchronization through a neural mechanism like that described in locust and Drosophila. During responses to long odor pulses, oscillations suddenly slowed as net olfactory receptor neuron (ORN) output decreased; thus, stimulus intensity appeared to determine oscillation frequency. However, changing the concentration of the odor had little effect upon oscillatory frequency. Our recordings in vivo and computational models based on these results suggested that the main effect of increasing odor concentration was to recruit additional, less well-tuned ORNs whose firing rates were tightly constrained by adaptation and saturation. Thus, in the periphery, concentration is encoded mainly by the size of the responsive ORN population, and oscillation frequency is set by the adaptation and saturation of this response.

Frequency transitions in odor-evoked neural oscillations.

Chez beaucoup d&#39;esp&egrave;ces, des stimuli sensoriels d&eacute;clenchent la synchronisation oscillatoire des groupes de neurones. Ce qui d&eacute;termine les propri&eacute;t&eacute;s de ces oscillations ? Dans le syst&egrave;me olfactif de la teigne, nous avons constat&eacute; que les odeurs induites oscillatoire synchronisation gr&acirc;ce &agrave; un m&eacute;canisme neuronal comme celui d&eacute;crit dans le criquet p&egrave;lerin et les drosophiles. Lors de r&eacute;ponses &agrave; impulsions longues odeur, oscillations ralentissent soudainement sortie de neurone (ORN) r&eacute;cepteurs olfactifs aussi nette a diminu&eacute; ; ainsi, l&#39;intensit&eacute; de stimulation semble d&eacute;terminer la fr&eacute;quence d&#39;oscillation. Toutefois, changement de la concentration de l&#39;odeur avait peu d&#39;effet sur la fr&eacute;quence oscillatoire. Nos enregistrements de mod&egrave;les in vivo et calculs bas&eacute;s sur ces r&eacute;sultats sugg&egrave;rent que le principal effet de l&#39;augmentation de la concentration d&#39;odeur devait recruter Orn suppl&eacute;mentaires, moins bien r&eacute;gl&eacute; dont les taux de mise &agrave; feu ont &eacute;t&eacute; &eacute;troitement entrav&eacute;s par l&#39;adaptation et la saturation. Ainsi, dans la p&eacute;riph&eacute;rie, concentration est cod&eacute;e principalement par la taille de la population de ORN r&eacute;active et fr&eacute;quence d&#39;oscillation est d&eacute;finie par l&#39;adaptation et la saturation de cette r&eacute;ponse.

Transitions de fr&eacute;quence dans les oscillations neuronales induite par l&#39;odeur.

Bei vielen Arten entlocken Sinnesreizen die oszillierende Synchronisation von Gruppen von Nervenzellen. Was bestimmt die Eigenschaften der diese Schwingungen? Im olfaktorischen System der Nachtfalter fanden wir, dass Ger&uuml;che Oszillatorische Synchronisation durch einen neuralen Mechanismus wie beschrieben Johannisbrot und Drosophila entlockt. W&auml;hrend Reaktionen auf lange Geruch H&uuml;lsenfr&uuml;chte verlangsamt die Schwingungen pl&ouml;tzlich als olfaktorisches Neuron (ORN) Nettoleistung zur&uuml;ckgegangen; So erschien Reiz Intensit&auml;t Schwingungsfrequenz zu bestimmen. &Auml;ndern die Konzentration der Geruch hatte jedoch wenig Wirkung von Oszillatorische H&auml;ufigkeit. Unsere Aufnahmen in vivo und computational Modelle auf diesen Ergebnissen basierend vorgeschlagen, dass der Haupteffekt von steigender Geruch Konzentration wurde um zus&auml;tzliche, weniger gut abgestimmten ORNs zu rekrutieren, deren Entlassung-Preise durch Anpassung und S&auml;ttigung eng eingeschr&auml;nkt wurden. So in der Peripherie, Konzentration wird haupts&auml;chlich durch die Gr&ouml;&szlig;e der Bev&ouml;lkerung reagieren ORN codiert und Schwingungsfrequenz wird festgelegt, indem die Anpassung und die S&auml;ttigung dieser Reaktion.

Frequenz-&Uuml;berg&auml;nge in neuronale Schwingungen Geruch hervorgerufen.

In molte specie, stimoli sensoriali suscitano la sincronizzazione di oscillatoria di gruppi di neuroni. Che cosa determina le propriet&agrave; di queste oscillazioni? Nel sistema olfattivo della falena, abbiamo trovato che gli odori hanno suscitato oscillatorio sincronizzazione attraverso un meccanismo neurale simile a quello descritto in robinia e drosofila. Durante le risposte agli impulsi lunghi odore, oscillazioni rallentarono improvvisamente netto come uscita di neurone (ORN) recettore olfattivo &egrave; diminuito; cos&igrave;, intensit&agrave; di stimolo &egrave; apparso per determinare la frequenza di oscillazione. Tuttavia, modificando la concentrazione di odore ha avuto poco effetto sulla frequenza di oscillatorio. Nostre registrazioni modelli in vivo e computazionali basati su questi risultati ha suggerito che il principale effetto di aumentare la concentrazione di odore era quello di reclutare ulteriori, meno ben sintonizzato Sonja cui tassi di infornamento erano strettamente vincolati da adattamento e saturazione. Cos&igrave;, in periferia, concentrazione &egrave; codificata principalmente dalle dimensioni della popolazione ORN reattiva, e frequenza di oscillazione &egrave; impostata per l&#39;adattamento e la saturazione di questa risposta.

Transizioni di frequenza nelle oscillazioni neurali evocati odore.

&#x591A;&#x304F;&#x306E;&#x7A2E;&#x3067;&#x306F;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3;&#x306E;&#x30B0;&#x30EB;&#x30FC;&#x30D7;&#x306E;&#x632F;&#x52D5;&#x306E;&#x540C;&#x671F;&#x611F;&#x899A;&#x523A;&#x6FC0;&#x3092;&#x5F15;&#x304D;&#x51FA;&#x3057;&#x307E;&#x3059;&#x3002;&#x4F55;&#x3053;&#x308C;&#x3089;&#x306E;&#x632F;&#x52D5;&#x306E;&#x6027;&#x8CEA;&#x3092;&#x6C7A;&#x5B9A;&#x3059;&#x308B;&#xFF1F;&#x86FE;&#x306E;&#x55C5;&#x899A;&#x30B7;&#x30B9;&#x30C6;&#x30E0;&#x3067;&#x306F;&#x3001;&#x60AA;&#x81ED;&#x30ED;&#x30FC;&#x30AB;&#x30B9;&#x30C8;&#x3068;&#x30B7;&#x30E7;&#x30A6;&#x30B8;&#x30E7;&#x30A6;&#x30D0;&#x30A8;&#x306B;&#x8A18;&#x8F09;&#x3055;&#x308C;&#x3066;&#x306E;&#x3088;&#x3046;&#x306A;&#x795E;&#x7D4C;&#x30E1;&#x30AB;&#x30CB;&#x30BA;&#x30E0;&#x3092;&#x901A;&#x3057;&#x3066;&#x632F;&#x52D5;&#x306E;&#x540C;&#x671F;&#x3092;&#x8A98;&#x767A;&#x3092;&#x767A;&#x898B;&#x3057;&#x307E;&#x3057;&#x305F;&#x3002;&#x9577;&#x3044;&#x81ED;&#x6C17;&#x30D1;&#x30EB;&#x30B9; &#x30EC;&#x30B9;&#x30DD;&#x30F3;&#x30B9;&#x4E2D;&#x306B;&#x632F;&#x52D5;&#x306F;&#x7A81;&#x7136;&#x6E1B;&#x5C11;&#x3068;&#x3057;&#x3066; net &#x55C5;&#x899A;&#x53D7;&#x5BB9;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3; (ORN) &#x51FA;&#x529B;&#x920D;&#x5316;;&#x3057;&#x305F;&#x304C;&#x3063;&#x3066;&#x3001;&#x523A;&#x6FC0;&#x5F37;&#x5EA6;&#x306E;&#x767A;&#x632F;&#x5468;&#x6CE2;&#x6570;&#x3092;&#x6C7A;&#x5B9A;&#x3059;&#x308B;&#x306E;&#x306B;&#x898B;&#x3048;&#x305F;&#x3002;&#x305F;&#x3060;&#x3057;&#x3001;&#x81ED;&#x306E;&#x6FC3;&#x5EA6;&#x3092;&#x5909;&#x66F4;&#x3059;&#x308B;&#x5C0F;&#x3055;&#x306A;&#x632F;&#x52D5;&#x5468;&#x6CE2;&#x6570;&#x306B;&#x53CA;&#x307C;&#x3059;&#x3044;&#x305F;&#x3002;In vivo &#x3068;&#x8A08;&#x7B97;&#x30E2;&#x30C7;&#x30EB;&#x3053;&#x308C;&#x3089;&#x306E;&#x7D50;&#x679C;&#x306B;&#x57FA;&#x3065;&#x3044;&#x3066;&#x5F53;&#x793E;&#x306E;&#x9332;&#x97F3;&#x81ED;&#x6C17;&#x6FC3;&#x5EA6;&#x306E;&#x5897;&#x52A0;&#x306E;&#x4E3B;&#x306A;&#x52B9;&#x679C;&#x8FFD;&#x52A0;&#x5C11;&#x306A;&#x304F;&#x5341;&#x5206;&#x306B;&#x30C1;&#x30E5;&#x30FC;&#x30CB;&#x30F3;&#x30B0;&#x3055;&#x308C;&#x305F; ORNs &#x305D;&#x306E;&#x767A;&#x706B;&#x7387;&#x306F;&#x9069;&#x5FDC;&#x3068;&#x5F69;&#x5EA6;&#x3067;&#x3057;&#x3063;&#x304B;&#x308A;&#x3068;&#x5236;&#x7D04;&#x3055;&#x308C;&#x305F;&#x3092;&#x52DF;&#x96C6;&#x3059;&#x308B;&#x3053;&#x3068;&#x304C;&#x793A;&#x5506;&#x3055;&#x308C;&#x307E;&#x3057;&#x305F;&#x3002;&#x3057;&#x305F;&#x304C;&#x3063;&#x3066;&#x3001;&#x5468;&#x8FBA;&#x3001;&#x6FC3;&#x5EA6;&#x5FDC;&#x7B54; ORN &#x4EBA;&#x53E3;&#x306E;&#x30B5;&#x30A4;&#x30BA;&#x306B;&#x3088;&#x3063;&#x3066;&#x4E3B;&#x306B;&#x30A8;&#x30F3;&#x30B3;&#x30FC;&#x30C9;&#x3055;&#x308C;&#x3066;&#x3044;&#x308B;&#x3001;&#x9069;&#x5FDC;&#x3068;&#x5F69;&#x5EA6;&#x306E;&#x3053;&#x306E;&#x5FDC;&#x7B54;&#x306B;&#x3088;&#x3063;&#x3066;&#x767A;&#x632F;&#x5468;&#x6CE2;&#x6570;&#x3092;&#x8A2D;&#x5B9A;&#x3067;&#x3059;&#x3002;

&#x81ED;&#x6C17;&#x8A98;&#x767A;&#x795E;&#x7D4C;&#x632F;&#x52D5;&#x5468;&#x6CE2;&#x6570;&#x9077;&#x79FB;&#x3057;&#x307E;&#x3059;&#x3002;

&#xB9CE;&#xC740; &#xC885;&#xC5D0;&#xC11C; &#xAC10;&#xAC01; &#xC790;&#xADF9; &#xC720;&#xB3C4; &#xC2E0;&#xACBD; &#xC138;&#xD3EC; &#xADF8;&#xB8F9;&#xC758; &#xC9C4;&#xB3D9; &#xB3D9;&#xAE30;&#xD654;. &#xC774;&#xB7EC;&#xD55C; &#xC9C4;&#xB3D9;&#xC758; &#xC18D;&#xC131; &#xACB0;&#xC815;? &#xB098; &#xBC29;&#xC774;&#xC758; &#xD6C4; &#xAC01; &#xC2DC;&#xC2A4;&#xD15C;&#xC5D0;&#xC11C; &#xB0C4;&#xC0C8; &#xBA54;&#xB69C;&#xAE30;&#xC640; &#xCD08;&#xD30C;&#xB9AC;&#xC5D0; &#xC124;&#xBA85; &#xCC98;&#xB7FC; &#xC2E0;&#xACBD; &#xBA54;&#xCEE4;&#xB2C8;&#xC998;&#xC744; &#xD1B5;&#xD574; &#xC9C4;&#xB3D9; &#xB3D9;&#xAE30;&#xD654;&#xB97C; elicited&#xB97C; &#xCC3E;&#xC558;&#xC2B5;&#xB2C8;&#xB2E4;. &#xAE34; &#xB0C4;&#xC0C8; &#xD384;&#xC2A4; &#xC751;&#xB2F5;, &#xB3D9;&#xC548; &#xC9C4;&#xB3D9; &#xAC11;&#xC790;&#xAE30; &#xAC10;&#xC18C;;&#xC73C;&#xB85C; net &#xD6C4; &#xAC01; &#xC218;&#xC6A9; &#xCCB4; &#xC2E0;&#xACBD; (ORN) &#xCD9C;&#xB825; &#xB454;&#xD654; &#xB530;&#xB77C;&#xC11C;, &#xC790;&#xADF9; &#xAC15;&#xB3C4; &#xBC1C;&#xC9C4; &#xC8FC;&#xD30C;&#xC218;&#xB97C; &#xACB0;&#xC815; &#xD558;&#xB294; &#xAC83;&#xC73C;&#xB85C; &#xB098;&#xD0C0;&#xB0AC;&#xB2E4;. &#xADF8;&#xB7EC;&#xB098; &#xB0C4;&#xC0C8;&#xC758; &#xB18D;&#xB3C4; &#xBCC0;&#xACBD; &#xC9C4;&#xB3D9; &#xC8FC;&#xD30C;&#xC218;&#xC5D0; &#xB530;&#xB77C; &#xC791;&#xC740; &#xC601;&#xD5A5;&#xC744; &#xBBF8;&#xCCE4;&#xB2E4;. &#xC774;&#xB7EC;&#xD55C; &#xACB0;&#xACFC; &#xBC14;&#xD0D5;&#xC73C;&#xB85C; &#xC0DD;&#xCCB4; &#xC870;&#xAC74; &#xBC0F; &#xC804;&#xC0B0; &#xBAA8;&#xB378; &#xC6B0;&#xB9AC;&#xC758; &#xB179;&#xC74C; &#xB0C4;&#xC0C8; &#xB18D;&#xB3C4; &#xC99D;&#xAC00;&#xC758; &#xC8FC;&#xC694; &#xD6A8;&#xACFC; &#xCD94;&#xAC00;, &#xB35C; &#xC138;&#xB300;&#xBCC4; ORNs &#xADF8; &#xBC1C;&#xC0AC; &#xC18D;&#xB3C4; &#xD588;&#xB2E4; &#xBC00;&#xC811; &#xD558; &#xAC8C; &#xC801;&#xC751; &#xBC0F; &#xCC44;&#xB3C4; &#xC758;&#xD574; &#xC81C;&#xD55C; &#xB41C; &#xBAA8;&#xC9D1; &#xD558;&#xB294; &#xC81C;&#xC548; &#xD588;&#xB2E4;. &#xB530;&#xB77C;&#xC11C;, &#xC8FC;&#xBCC0;, &#xB18D;&#xB3C4; &#xBC18;&#xC751; ORN &#xC778;&#xAD6C;&#xC758; &#xD06C;&#xAE30;&#xC5D0; &#xC758;&#xD574; &#xC8FC;&#xB85C; &#xC778;&#xCF54;&#xB529; &#xBC0F; &#xBC1C;&#xC9C4; &#xC8FC;&#xD30C;&#xC218; &#xC801;&#xC751;&#xC774;&#xC774; &#xC751;&#xB2F5;&#xC758; &#xCC44;&#xB3C4; &#xC758;&#xD574; &#xC124;&#xC815; &#xB429;&#xB2C8;&#xB2E4;.

&#xC8FC;&#xD30C;&#xC218; &#xC804;&#xD658; &#xC2E0;&#xACBD; &#xC9C4;&#xB3D9; &#xB0C4;&#xC0C8;&#xB97C; &#xBD88;&#xB7EC; &#xC77C;&#xC73C;&#xCF30;&#xB2E4;&#xC785;&#xB2C8;&#xB2E4;.

En muchas especies, est&iacute;mulos sensoriales provocan la sincronizaci&oacute;n oscilatoria de grupos de neuronas. &iquest;Qu&eacute; determina las propiedades de estas oscilaciones? En el sistema olfativo de la polilla, encontramos que los olores generado oscilatoria sincronizaci&oacute;n a trav&eacute;s de un mecanismo neural como descrito en la lucha contra la langosta y Drosophila. Durante las respuestas a impulsos de mucho olor, oscilaciones desaceler&oacute; repentinamente como red salida de neurona (ORN) receptoras olfatorias disminuida; as&iacute;, la intensidad del est&iacute;mulo apareci&oacute; determinar la frecuencia de oscilaci&oacute;n. Sin embargo, variando la concentraci&oacute;n del olor de tuvo poco efecto sobre la frecuencia oscilatoria. Nuestras grabaciones en vivo y computacionales modelos basados en estos resultados sugirieron que el principal efecto del aumento de la concentraci&oacute;n de olor era reclutar ORNs adicionales, menos bien afinados, cuyas tasas de le&ntilde;a fueron fuertemente limitadas por adaptaci&oacute;n y saturaci&oacute;n. As&iacute;, en la periferia, concentraci&oacute;n est&aacute; codificada principalmente por el tama&ntilde;o de la poblaci&oacute;n de ORN sensible y frecuencia de oscilaci&oacute;n se establece por la adaptaci&oacute;n y la saturaci&oacute;n de esta respuesta.

Transiciones de frecuencia en oscilaciones neuronales evocados por el olor.

&#x6C14;&#x5473;&#x8868;&#x793A;&#x4E3A;&#x795E;&#x7ECF;&#x5143;&#x7684;&#x89E6;&#x89D2;&#x53F6; (AL &#xFF1B; &#x6606;&#x866B;) &#x548C;&#x55C5;&#x7403; (OB &#xFF1B; &#x810A;&#x690E;&#x52A8;&#x7269;) &#x4E2D;&#x7684;&#x5CF0;&#x503C;&#x7684;&#x65F6;&#x7A7A;&#x5206;&#x5E03;&#x3002;&#x4E00;&#x76F4;&#x4EE5;&#x4E3A;&#x4E0A;&#x8FF0;&#x53CD;&#x5E94;&#x6A21;&#x5F0F;&#x4E3B;&#x8981;&#x6765;&#x81EA;&#x5185; AL/OB&#xFF0C;&#x652F;&#x6301;&#x90E8;&#x5206;&#xFF0C;&#x7531;&#x55C5;&#x89C9;&#x53D7;&#x4F53;&#x795E;&#x7ECF;&#x5143; (&#x5965;&#x6069;&#x65AF;) &#x56DE;&#x5E94;&#x6C14;&#x5473;&#x4E0E;&#x7B80;&#x5355;&#x7684;&#x653E;&#x7535;&#x6A21;&#x5F0F;&#x7684;&#x5047;&#x8BBE;&#x4E00;&#x4E2A;&#x60F3;&#x6CD5;&#x7684;&#x4EA4;&#x4E92;&#x3002;&#x4F46;&#x662F;&#xFF0C;&#x6FC0;&#x6D3B;&#x76F4;&#x63A5;&#x7528;&#x7B80;&#x5355;&#x8109;&#x51B2;&#x5F53;&#x524D;&#x8BF1;&#x53D1;&#x53CD;&#x5E94;&#x5C11;&#x5F97;&#x591A;&#x7E41;&#x591A;&#x3001; &#x590D;&#x6742;&#xFF0C;&#x800C;&#x4E14;&#x6BD4;&#x53CD;&#x5E94;&#x8BF1;&#x53D1;&#x9999;&#x5473;&#x6301;&#x4E45;&#x7684; AL &#x795E;&#x7ECF;&#x5143;&#x7684;&#x57FA;&#x5730;&#x3002;&#x540C;&#x6837;&#xFF0C;&#x6A21;&#x578B;&#x9A71;&#x52A8;&#x7684;&#x7B80;&#x5355;&#x5316;&#x6295;&#x5165;&#x7684; AL &#x751F;&#x6210;&#x76F8;&#x5BF9;&#x7B80;&#x5355;&#x7684;&#x8F93;&#x51FA;&#x3002;&#x52A8;&#x6001;&#x795E;&#x7ECF;&#x4EE3;&#x7801;&#x751F;&#x6210;&#x7684;&#x6C14;&#x5473;&#x53C8;&#x5982;&#x4F55;&#xFF1F;&#x7B26;&#x5408;&#x6700;&#x8FD1;&#x4ECE;&#x51E0;&#x4E2A;&#x5176;&#x4ED6;&#x7269;&#x79CD;&#x7684;&#x7ED3;&#x679C;&#xFF0C;&#x6211;&#x4EEC;&#x4ECE;&#x8757;&#x866B;&#x5965;&#x6069;&#x65AF;&#x7684;&#x5F55;&#x97F3;&#x663E;&#x793A;&#x5DE8;&#x5927;&#x591A;&#x6837;&#x6027;&#x7684;&#x65F6;&#x7A7A;&#x7ED3;&#x6784;&#x3002;&#x6B64;&#x5916;&#xFF0C;&#x6211;&#x4EEC;&#x53D1;&#x73B0;&#xFF0C;&#x89C6;&#x4E3A;&#x4EBA;&#x53E3;&#xFF0C;&#x5965;&#x6069;&#x65AF;&#x7684;&#x8BB8;&#x591A;&#x54CD;&#x5E94;&#x529F;&#x80FD;&#x90FD;&#x975E;&#x5E38;&#x7C7B;&#x4F3C;&#x4E8E;&#x89C2;&#x5BDF;&#x5230;&#x5185;&#x4EBA;&#xFF0C;&#x4F7F;&#x7528;&#x4E00;&#x5957;&#x53D7;&#x5230;&#x6211;&#x4EEC;&#x7535;&#x751F;&#x7406;&#x5F55;&#x5236;&#x7684;&#x8BA1;&#x7B97;&#x6A21;&#x578B;&#xFF0C;&#x6211;&#x4EEC;&#x627E;&#x5230;&#x4E86;&#x65F6;&#x7A7A;&#x5F02;&#x8D28;&#x6027;&#x7684;&#x54CD;&#x5E94;&#x7684;&#x5965;&#x6069;&#x65AF;&#x5371;&#x91CD;&#x57FA;&#x7840;&#x7684;&#x4E2D;&#x94DD;&#x65F6;&#x7A7A;&#x6C14;&#x5473;&#x4EE3;&#x7801;&#x751F;&#x6210;&#x3002;&#x7136;&#x540E;&#x6267;&#x884C;&#x4F53;&#x5185;&#x7684;&#x6D4B;&#x8BD5;&#x8BC1;&#x5B9E;&#x9274;&#x4E8E;&#x65F6;&#x95F4;&#x4E0A;&#x5747;&#x5300;&#x8F93;&#x5165;&#xFF0C;AL &#x65E0;&#x6CD5;&#x521B;&#x5EFA;&#x4E0D;&#x540C;&#x7684;&#x65F6;&#x7A7A;&#x6A21;&#x5F0F;&#x672C;&#x8EAB; &#xFF1B;&#x4F46;&#x662F;&#xFF0C;&#x9274;&#x4E8E;&#x6682;&#x65F6;&#x5F02;&#x6784;&#x8F93;&#x5165;&#xFF0C;AL &#x751F;&#x6210;&#x73B0;&#x5B9E;&#x5C04;&#x51FB;&#x6A21;&#x5F0F;&#x3002;&#x6211;&#x4EEC;&#x6700;&#x540E;&#xFF0C;&#x9274;&#x4E8E;&#x5965;&#x6069;&#x65AF;&#x6240;&#x63D0;&#x4F9B;&#x7684;&#x65F6;&#x7A7A;&#x7ED3;&#x6784;&#x5316;&#x7684;&#x6295;&#x5165;&#xFF0C;&#x6F84;&#x6E05;&#x51E0;&#x4E2A;&#x5355;&#x72EC;&#x7684;&#x989D;&#x5916;&#x6350;&#x6B3E;&#x7684;&#x55C5;&#x89C9;&#x4FE1;&#x606F;&#x52A0;&#x5DE5;&#x57FA;&#x5730;&#x3002;&#x56E0;&#x6B64;&#xFF0C;&#x6211;&#x4EEC;&#x7684;&#x7814;&#x7A76;&#x7ED3;&#x679C;&#x8868;&#x660E;&#x7684;&#x8D77;&#x6E90;&#x548C;&#x968F;&#x540E;&#x91CD;&#x65B0;&#x683C;&#x5F0F;&#x5316;&#x7684;&#x6C14;&#x5473;&#x65F6;&#x7A7A;&#x795E;&#x7ECF;&#x4EE3;&#x7801;&#x3002;

&#x55C5;&#x89C9;&#x795E;&#x7ECF;&#x5143;&#x6682;&#x65F6;&#x591A;&#x6837;&#x7684;&#x653E;&#x7535;&#x6A21;&#x5F0F;&#x662F;&#x4F9D;&#x636E;&#x65F6;&#x7A7A;&#x795E;&#x7ECF;&#x4EE3;&#x7801;&#x7684;&#x6C14;&#x5473;&#x3002;

Odorants are represented as spatiotemporal patterns of spikes in neurons of the antennal lobe (AL; insects) and olfactory bulb (OB; vertebrates). These response patterns have been thought to arise primarily from interactions within the AL/OB, an idea supported, in part, by the assumption that olfactory receptor neurons (ORNs) respond to odorants with simple firing patterns. However, activating the AL directly with simple pulses of current evoked responses in AL neurons that were much less diverse, complex, and enduring than responses elicited by odorants. Similarly, models of the AL driven by simplistic inputs generated relatively simple output. How then are dynamic neural codes for odors generated? Consistent with recent results from several other species, our recordings from locust ORNs showed a great diversity of temporal structure. Furthermore, we found that, viewed as a population, many response features of ORNs were remarkably similar to those observed within the AL. Using a set of computational models constrained by our electrophysiological recordings, we found that the temporal heterogeneity of responses of ORNs critically underlies the generation of spatiotemporal odor codes in the AL. A test then performed in vivo confirmed that, given temporally homogeneous input, the AL cannot create diverse spatiotemporal patterns on its own; however, given temporally heterogeneous input, the AL generated realistic firing patterns. Finally, given the temporally structured input provided by ORNs, we clarified several separate, additional contributions of the AL to olfactory information processing. Thus, our results demonstrate the origin and subsequent reformatting of spatiotemporal neural codes for odors.

Temporally diverse firing patterns in olfactory receptor neurons underlie spatiotemporal neural codes for odors.

Odorisants sont repr&eacute;sent&eacute;s comme des mod&egrave;les spatio-temporels de pointes dans les neurones du bulbe olfactif (OB; vert&eacute;br&eacute;s) et lobe antennaire (AL; insectes). Ces profils de r&eacute;ponse ont &eacute;t&eacute; consid&eacute;r&eacute;s proviennent principalement des interactions au sein de l&#39;AL/OB, une id&eacute;e soutenue, en partie, par l&#39;hypoth&egrave;se que les neurones r&eacute;cepteurs olfactifs (ORN) r&eacute;pondent aux substances odorantes avec des motifs simples tirs. Cependant, activant l&#39;AL directement avec simples impulsions de courants r&eacute;ponses &eacute;voqu&eacute;es dans les neurones AL qui &eacute;taient beaucoup moins diverse, complexe et durable que les r&eacute;ponses induites par les substances odorantes. De m&ecirc;me, les mod&egrave;les du AL gr&acirc;ce aux entr&eacute;es simplistes g&eacute;n&eacute;r&eacute;s sortie relativement simple. Comment alors sont des codes neurales dynamiques pour les odeurs g&eacute;n&eacute;r&eacute;es ? Conform&eacute;ment aux r&eacute;sultats r&eacute;cents de plusieurs autres esp&egrave;ces, nos enregistrements de criquet p&egrave;lerin Orn a montr&eacute; une grande diversit&eacute; de structure temporelle. En outre, nous avons constat&eacute; que, consid&eacute;r&eacute;e comme une population, plusieurs caract&eacute;ristiques de la r&eacute;ponse d&#39;Orn &eacute;taient remarquablement semblables &agrave; ceux observ&eacute;s au sein de l&#39;al. Using un ensemble de mod&egrave;les de calcul limit&eacute; par nos enregistrements &eacute;lectrophysiologiques, nous avons trouv&eacute; que l&#39;h&eacute;t&eacute;rog&eacute;n&eacute;it&eacute; temporelle des r&eacute;ponses d&#39;Orn sous-tend critique la g&eacute;n&eacute;ration de codes spatio-temporels odeur dans l&#39;AL. Puis un test in vivo ont confirm&eacute; que, donn&eacute;e entr&eacute;e homog&egrave;ne dans le temps, l&#39;AL impossible de cr&eacute;er divers mod&egrave;les spatio-temporels sur ses propres ; Cependant, l&#39;AL donn&eacute;e entr&eacute;e temporellement h&eacute;t&eacute;rog&egrave;ne, g&eacute;n&eacute;r&eacute; modes de tir r&eacute;aliste. Enfin, compte tenu de l&#39;entr&eacute;e temporellement structur&eacute;e fournie par Orn, nous avons clarifi&eacute; plusieurs contributions distinctes, compl&eacute;mentaires de l&#39;AL de traitement de l&#39;information olfactive. Ainsi, nos r&eacute;sultats d&eacute;montrent l&#39;origine et le reformatage subs&eacute;quente des codes de neurones spatio-temporels pour les odeurs.

Tir temporellement divers mod&egrave;les dans des neurones r&eacute;cepteurs olfactifs sous-tendent spatio-temporelle codes neurones pour les odeurs.

Geruchsstoffe werden als raumzeitliche Muster der Spitzen in Neuronen des Kopf Lappens (AL; Insekten) und Riechkolben (OB; Wirbeltiere) dargestellt. Diese Antwort-Muster haben, ergeben sich in erster Linie aus Wechselwirkungen innerhalb der AL/OB, eine Idee unterst&uuml;tzt, die teilweise von der Annahme, dass olfaktorisches Neuronen (ORNs) auf Bl&uuml;tend&uuml;fte mit einfachen feuern Muster reagieren gedacht worden. Jedoch aktivieren die AL direkt mit einfachen Impulsen der aktuellen evozierten Antworten in AL Neuronen, die viel weniger vielf&auml;ltig, komplex und dauerhafte als Antworten von Ger&uuml;chen hervorgerufen wurden. In &auml;hnlicher Weise generiert Modelle der AL angetrieben durch vereinfachende Eingaben relativ einfache Ausgabe. Wie also sind dynamische neuronalen Codes f&uuml;r Ger&uuml;che erzeugt? In &Uuml;bereinstimmung mit aktuelle Ergebnisse von mehreren anderen Tierarten, unsere Aufnahmen aus Johannisbrot ORNs zeigte eine gro&szlig;e Vielfalt von zeitlichen Struktur. Dar&uuml;ber hinaus wir fanden, dass, als eine Bev&ouml;lkerung angesehen, viele Antwort ORNs war bemerkenswert &auml;hnlich innerhalb der AL. Using eine Reihe von Computermodellen, die durch unsere elektrophysiologischen Aufnahmen eingeschr&auml;nkt, fanden wir, dass die zeitliche Heterogenit&auml;t der Antworten der ORNs kritisch die Generation der raumzeitliche Geruch-Codes in der AL zugrunde liegt. Ein Test durchgef&uuml;hrt, dann in Vivo best&auml;tigt, dass zeitlich homogene Eingang gegeben, die AL diverse raumzeitliche Muster selbst verursachen kann nicht; jedoch zeitlich heterogen Eingang gegeben, generiert die AL realistische feuern Muster. Schlie&szlig;lich kl&auml;ren angesichts der zeitlich strukturierte Beitr&auml;ge ORNs, wir mehrere separate, zus&auml;tzliche Beitr&auml;ge der AL zu olfaktorische Informationsverarbeitung. So zeigen unsere Ergebnisse, den Ursprung und die anschlie&szlig;ende Neuformatierung der raumzeitliche neuronalen Codes f&uuml;r Ger&uuml;che.

Zeitlich unterschiedlichen feuern Muster in olfaktorisches Neuronen zugrunde liegen, raumzeitliche neuronalen Codes f&uuml;r Ger&uuml;che.

Odorizzazione sono rappresentati come modelli spatiotemporal di picchi nei neuroni del lobo antenne (AL; gli insetti) e bulbo olfattivo (OB; vertebrati). Questi modelli di risposta hanno pensati a derivano principalmente da interazioni all&#39;interno AL/OB, un&#39;idea sostenuta, in parte dal presupposto che neuroni olfattivi del ricevitore (Sonja) rispondano alle odorifere con cottura semplici modelli. Tuttavia, attivando AL direttamente con semplici impulsi di corrente risposte evocate in neuroni AL che erano molto meno vario, complesso e duraturo rispetto a risposte provocate dall&#39;odorizzazione. Similmente, modelli di AL guidato da ingressi semplicistici relativamente semplice output generato. Come poi sono codici neurale dinamici per gli odori generati? Coerente con i risultati recenti da numerose altre specie, nostre registrazioni da locusta Sonja ha mostrato una grande diversit&agrave; di struttura temporale. Inoltre, abbiamo scoperto che, visti come una popolazione, molte caratteristiche di risposta di Sonja erano notevolmente simili a quelli osservati all&#39;interno ed altri utilizzando un set di modelli computazionali vincolati dai nostri registrazioni elettrofisiologiche, abbiamo trovato che l&#39;eterogeneit&agrave; temporale delle risposte di Sonja sottende criticamente la generazione di codici spatiotemporal odore nella AL. Un test quindi eseguito in vivo ha confermato che, dato ingresso temporalmente omogeneo, AL non pu&ograve; creare diversi modelli spatiotemporal sui propri; Tuttavia, dato ingresso temporaneamente eterogeneo, AL generato modelli realistici di infornamento. Infine, dato l&#39;input temporalmente strutturata fornita da Sonja, ha chiarito diversi separati, ulteriori contributi di di elaborazione delle informazioni olfattive. Cos&igrave;, i nostri risultati dimostrano l&#39;origine e la successiva riformattazione di spatiotemporal codici neurali per gli odori.

Cottura temporalmente diversi modelli nei neuroni olfattivi del ricevitore sottostanno spatiotemporal codici neurali per gli odori.

&#x30B9;&#x30C8;&#x30EC;&#x30B9;&#x30B1;&#x30A2;&#x89E6;&#x89D2;&#x8449; &#xFF08;&#x30A2;&#x30EB;; &#x6606;&#x866B;&#xFF09; &#x3068; &#xFF08;OB &#xFF1B; &#x810A;&#x690E;&#x52D5;&#x7269;&#xFF09; &#x306E;&#x55C5;&#x7403;&#x306E;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3;&#x306E;&#x30B9;&#x30D1;&#x30A4;&#x30AF;&#x306E;&#x6642;&#x7A7A;&#x9593;&#x30D1;&#x30BF;&#x30FC;&#x30F3;&#x3068;&#x3057;&#x3066;&#x8868;&#x3055;&#x308C;&#x307E;&#x3059;&#x3002;&#x3053;&#x308C;&#x3089;&#x306E;&#x5FDC;&#x7B54;&#x30D1;&#x30BF;&#x30FC;&#x30F3;&#x306F;&#x4E3B;&#x306B;&#x30A2;&#x30EB;/OB&#x3001;&#x4E00;&#x90E8;&#x3067;&#x306F;&#x3001;&#x55C5;&#x899A;&#x53D7;&#x5BB9;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3; (ORNs) &#x304C;&#x5358;&#x7D14;&#x306A;&#x767A;&#x706B;&#x30D1;&#x30BF;&#x30FC;&#x30F3;&#x3068;&#x5302;&#x3044;&#x5FDC;&#x7B54;&#x4EEE;&#x5B9A;&#x306B;&#x3088;&#x3063;&#x3066;&#x30B5;&#x30DD;&#x30FC;&#x30C8; &#x30A2;&#x30A4;&#x30C7;&#x30A2;&#x5185;&#x76F8;&#x4E92;&#x4F5C;&#x7528;&#x304B;&#x3089;&#x751F;&#x3058;&#x308B;&#x3068;&#x8003;&#x3048;&#x3089;&#x308C;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x305F;&#x3060;&#x3057;&#x3001;&#x5358;&#x7D14;&#x306A;&#x30D1;&#x30EB;&#x30B9;&#x96FB;&#x6D41;&#x306E;&#x8A98;&#x767A;&#x5FDC;&#x7B54;&#x306E;&#x306F;&#x308B;&#x304B;&#x306B;&#x5C11;&#x306A;&#x3044;&#x8907;&#x96D1;&#x306A;&#x591A;&#x69D8;&#x6027;&#x3001;&#x6C38;&#x7D9A;&#x7684;&#x306A;&#x5302;&#x3044;&#x306B;&#x3088;&#x3063;&#x3066;&#x8A98;&#x767A;&#x3055;&#x308C;&#x308B;&#x5FDC;&#x7B54;&#x3088;&#x308A;&#x3082;&#x3044;&#x305F;&#x30A2;&#x30EB; &#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3;&#x3068;&#x76F4;&#x63A5;&#x30A2;&#x30EB; &#x30A2;&#x30AF;&#x30C6;&#x30A3;&#x30D6;&#x306B;&#x3057;&#x307E;&#x3059;&#x3002;&#x540C;&#x69D8;&#x306B;&#x3001;&#x5358;&#x7D14;&#x306A;&#x5165;&#x529B;&#x306B;&#x3088;&#x3063;&#x3066;&#x99C6;&#x52D5;&#x30A2;&#x30EB;&#x306E;&#x30E2;&#x30C7;&#x30EB;&#x306F;&#x6BD4;&#x8F03;&#x7684;&#x5358;&#x7D14;&#x306A;&#x51FA;&#x529B;&#x3092;&#x751F;&#x6210;&#x3057;&#x307E;&#x3057;&#x305F;&#x3002;&#x3069;&#x306E;&#x3088;&#x3046;&#x306B;&#x3057;&#x3066;&#x767A;&#x751F;&#x3059;&#x308B;&#x81ED;&#x6C17;&#x306E;&#x52D5;&#x7684;&#x30CB;&#x30E5;&#x30FC;&#x30E9;&#x30EB; &#x30B3;&#x30FC;&#x30C9;&#x3067;&#x3059;&#x304B;&#xFF1F;&#x4E00;&#x8CAB;&#x6027;&#x306E;&#x3042;&#x308B;&#x3044;&#x304F;&#x3064;&#x304B;&#x306E;&#x4ED6;&#x306E;&#x7A2E;&#x304B;&#x3089;&#x306E;&#x6700;&#x8FD1;&#x306E;&#x7D50;&#x679C;&#x306F;&#x3001;&#x30ED;&#x30FC;&#x30AB;&#x30B9;&#x30C8; ORNs &#x304B;&#x3089;&#x79C1;&#x305F;&#x3061;&#x306E;&#x9332;&#x97F3;&#x6642;&#x9593;&#x69CB;&#x9020;&#x306E;&#x5049;&#x5927;&#x306A;&#x591A;&#x69D8;&#x6027;&#x3092;&#x793A;&#x3057;&#x305F;&#x3002;&#x3055;&#x3089;&#x306B;&#x3001;&#x6211;&#x3005; &#x306F;&#x3001;&#x767A;&#x898B;&#x3057;&#x305F;&#x3001;&#x96C6;&#x56E3;&#x3068;&#x3057;&#x3066;&#x306E;&#x95B2;&#x89A7; ORNs &#x306E;&#x591A;&#x304F;&#x306E;&#x5FDC;&#x7B54;&#x6A5F;&#x80FD;&#x304C;&#x8457;&#x3057;&#x304F;&#x3001;AL. &#x5185;&#x3067;&#x4F7F;&#x7528;&#x3059;&#x308B;&#x4E00;&#x9023;&#x306E;&#x5F53;&#x793E;&#x306E;&#x96FB;&#x6C17;&#x751F;&#x7406;&#x5B66;&#x7684;&#x9332;&#x97F3;&#x306B;&#x3088;&#x3063;&#x3066;&#x5236;&#x7D04;&#x3055;&#x308C;&#x305F;&#x8A08;&#x7B97;&#x30E2;&#x30C7;&#x30EB;&#x89B3;&#x5BDF;&#x306B;&#x4F3C;&#x3066;&#x3044;&#x305F;&#x3001;&#x6211;&#x3005; &#x306F; ORNs &#x306E;&#x5FDC;&#x7B54;&#x306E;&#x7A7A;&#x9593;&#x7684;&#x4E0D;&#x5747;&#x4E00;&#x6279;&#x5224;&#x7684;&#x306B;&#x4E16;&#x4EE3;&#x6642;&#x7A7A;&#x9593;&#x81ED;&#x6C17;&#x30B3;&#x30FC;&#x30C9; al &#x306E;&#x6839;&#x5E95;&#x306B;&#x3042;&#x308B;&#x3053;&#x3068;&#x3092;&#x767A;&#x898B;&#x3057;&#x307E;&#x3059;&#x3002;&#x751F;&#x4F53;&#x5185;&#x3092;&#x884C;&#x3046;&#x8A66;&#x9A13;&#x6642;&#x9593;&#x7684;&#x5747;&#x8CEA;&#x306A;&#x5165;&#x529B;&#x3092;&#x4E0E;&#x3048;&#x3001;AL &#x591A;&#x69D8;&#x306A;&#x6642;&#x7A7A;&#x9593;&#x30D1;&#x30BF;&#x30FC;&#x30F3;&#x72EC;&#x81EA;&#x3067;&#x4F5C;&#x6210;&#x3067;&#x304D;&#x306A;&#x3044;&#x3053;&#x3068;&#x3001;&#x78BA;&#x8A8D;;&#x305F;&#x3060;&#x3057;&#x3001;&#x4E00;&#x6642;&#x7684;&#x306B;&#x7570;&#x7A2E;&#x306E;&#x5165;&#x529B;&#x3092;&#x4E0E;&#x3048;&#x3001;AL &#x306F;&#x73FE;&#x5B9F;&#x7684;&#x306A;&#x767A;&#x706B;&#x30D1;&#x30BF;&#x30FC;&#x30F3;&#x3092;&#x751F;&#x6210;&#x3057;&#x307E;&#x3057;&#x305F;&#x3002;&#x6700;&#x5F8C;&#x306B;&#x3001;ORNs &#x306B;&#x3088;&#x3063;&#x3066;&#x63D0;&#x4F9B;&#x3055;&#x308C;&#x308B;&#x3001;&#x4E00;&#x6642;&#x7684;&#x69CB;&#x9020;&#x5316;&#x5165;&#x529B;&#x3092;&#x4E0E;&#x3048;&#x3001;&#x3044;&#x304F;&#x3064;&#x304B;&#x306E;&#x72EC;&#x7ACB;&#x3057;&#x305F;&#x3001;&#x8FFD;&#x52A0;&#x306E;&#x8CA2;&#x732E;&#x30A2;&#x30EB;&#x55C5;&#x899A;&#x60C5;&#x5831;&#x51E6;&#x7406;&#x3078;&#x306E;&#x660E;&#x78BA;&#x5316;&#x3002;&#x3057;&#x305F;&#x304C;&#x3063;&#x3066;&#x3001;&#x6211;&#x3005; &#x306E;&#x7D50;&#x679C;&#x306F;&#x3001;&#x8D77;&#x6E90;&#x3068;&#x60AA;&#x81ED;&#x306E;&#x6642;&#x7A7A;&#x9593;&#x7684;&#x30CB;&#x30E5;&#x30FC;&#x30E9;&#x30EB; &#x30B3;&#x30FC;&#x30C9;&#x306E;&#x5F8C;&#x7D9A;&#x518D;&#x30D5;&#x30A9;&#x30FC;&#x30DE;&#x30C3;&#x30C8;&#x3092;&#x793A;&#x3057;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;

&#x4E00;&#x6642;&#x7684;&#x306B;&#x591A;&#x69D8;&#x306A;&#x767A;&#x706B;&#x30D1;&#x30BF;&#x30FC;&#x30F3;&#x55C5;&#x899A;&#x53D7;&#x5BB9;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3;&#x306E;&#x60AA;&#x81ED;&#x306E;&#x305F;&#x3081;&#x306E;&#x6642;&#x7A7A;&#x9593;&#x306E;&#x30CB;&#x30E5;&#x30FC;&#x30E9;&#x30EB; &#x30B3;&#x30FC;&#x30C9;&#x306E;&#x6839;&#x5E95;&#x306B;&#x3042;&#x308A;&#x307E;&#x3059;&#x3002;

Odorants (&#xC54C;, &#xACE4;&#xCDA9;) &#xB354;&#xB4EC;&#xC774; &#xC5FD; &#x55C5; (&#xC0B0;&#xBD80;&#xC778;&#xACFC;, &#xCC99;&#xCD94; &#xB3D9;&#xBB3C;)&#xC758; &#xC2E0;&#xACBD; &#xC138;&#xD3EC;&#xC5D0; &#xC2A4;&#xD30C;&#xC774;&#xD06C;&#xC758; spatiotemporal &#xD328;&#xD134;&#xC73C;&#xB85C; &#xD45C;&#xC2DC; &#xB429;&#xB2C8;&#xB2E4;. &#xC774;&#xB7EC;&#xD55C; &#xC751;&#xB2F5; &#xD328;&#xD134; &#xC54C;/&#xC0B0;&#xBD80;&#xC778;&#xACFC;, &#xD6C4; &#xAC01; &#xC218;&#xC6A9; &#xCCB4; &#xB274;&#xB7F0; (ORNs) odorants &#xAC04;&#xB2E8;&#xD55C; &#xBC1C;&#xC0AC; &#xD328;&#xD134;&#xC5D0; &#xB300;&#xC751; &#xD558;&#xB294; &#xAC00;&#xC815;&#xC5D0; &#xC758;&#xD574; &#xBD80;&#xBD84;&#xC5D0;&#xC11C; &#xC9C0;&#xC6D0; &#xC544;&#xC774;&#xB514;&#xC5B4; &#xB0B4; &#xC0C1;&#xD638; &#xC791;&#xC6A9;&#xC5D0;&#xC11C; &#xC8FC;&#xB85C; &#xBC1C;&#xC0DD; &#xD558;&#xB294; &#xAC83; &#xC0DD;&#xAC01; &#xB418;&#xC5C8;&#xB2E4;. &#xADF8;&#xB7EC;&#xB098;, &#xD604;&#xC7AC; &#xAC16;&#xB294; &#xC751;&#xB2F5;&#xC740; &#xD6E8;&#xC52C; &#xB35C; &#xBCF5;&#xC7A1; &#xD558; &#xACE0;, &#xB2E4;&#xC591; &#xD558; &#xACE0; &#xC9C0;&#xC18D;&#xC801;&#xC778; &#xC751;&#xB2F5; odorants&#xB85C; elicited &#xBCF4;&#xB2E4; &#xC54C; &#xB274;&#xB7F0;&#xC758; &#xB2E8;&#xC21C;&#xD55C; &#xD384;&#xC2A4;&#xC640; &#xC9C1;&#xC811; &#xC54C;&#xC744; &#xD65C;&#xC131;&#xD654;. &#xB9C8;&#xCC2C;&#xAC00;&#xC9C0;&#xB85C;, &#xB2E8;&#xC21C;&#xD55C; &#xC785;&#xB825;&#xC5D0; &#xC758;&#xD574; &#xAD6C;&#xB3D9; &#xD558;&#xB294; &#xC54C;&#xC758; &#xBAA8;&#xB378;&#xC740; &#xBE44;&#xAD50;&#xC801; &#xAC04;&#xB2E8;&#xD55C; &#xCD9C;&#xB825; &#xC0DD;&#xC131;. &#xADF8;&#xB7FC; &#xC5B4;&#xB5BB;&#xAC8C; &#xC0DD;&#xC131; &#xB41C; &#xB0C4;&#xC0C8;&#xC5D0; &#xB300; &#xD55C; &#xB3D9;&#xC801; &#xC2E0;&#xACBD; &#xCF54;&#xB4DC;&#xB294;? &#xB2E4;&#xB978; &#xC5EC;&#xB7EC; &#xC885;&#xC5D0;&#xC11C; &#xCD5C;&#xADFC; &#xACB0;&#xACFC;&#xC640; &#xC77C;&#xCE58;, &#xBA54;&#xB69C;&#xAE30; Orns&#xC5D0;&#xC11C; &#xC6B0;&#xB9AC;&#xC758; &#xB179;&#xC74C; &#xB2E4;&#xC591; &#xD55C; &#xC2DC;&#xAC04;&#xC801; &#xAD6C;&#xC870; &#xD588;&#xB2E4;. &#xB610;&#xD55C;, &#xC6B0;&#xB9AC;&#xB294;, &#xBC1C;&#xACAC; &#xC778;&#xAD6C;&#xB85C; &#xBCFC; Orns&#xC758; &#xB9CE;&#xC740; &#xC751;&#xB2F5; &#xAE30;&#xB2A5;&#xC744; &#xD604;&#xC800; &#xD558; &#xAC8C; &#xC804;&#xC0B0; &#xBAA8;&#xB378; &#xC6B0;&#xB9AC;&#xC758; electrophysiological &#xB179;&#xC74C; &#xD558; &#xC5EC; &#xC81C;&#xD55C; &#xB41C; &#xC9D1;&#xD569; &#xB0B4;&#xC5D0;&#xC11C; &#xADF8;&#xB9AC;&#xACE0; &#xB2E4;&#xB978; &#xACF3;&#xC5D0;&#xC11C; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xAD00;&#xCC30; &#xB41C; &#xAC83;&#xACFC; &#xC720;&#xC0AC;&#xD55C; &#xD588;&#xB2E4;, &#xC6B0;&#xB9AC;&#xB294; Orns&#xC758; &#xC751;&#xB2F5;&#xC758; &#xC2DC;&#xAC04;&#xC801;&#xC774; &#xBE44;&#xD310;&#xC801;&#xC73C;&#xB85C; &#xC54C;&#xC5D0;&#xC11C; spatiotemporal &#xB0C4;&#xC0C8; &#xCF54;&#xB4DC; &#xC0DD;&#xC131; &#xAE30;&#xCD08;&#xAC00; &#xBC1C;&#xACAC;. &#xB2E4;&#xC74C; vivo&#xC5D0;&#xC11C; &#xC218;&#xD589; &#xD558;&#xB294; &#xD14C;&#xC2A4;&#xD2B8; &#xD655;&#xC778;, &#xC77C;&#xC2DC;&#xC801; &#xADE0;&#xC9C8; &#xC785;&#xB825;&#xC744; &#xC8FC;&#xC5B4;, &#xC54C;&#xC5D0; &#xB9CC;&#xB4E4; &#xC218; &#xC5C6;&#xC2B5;&#xB2C8;&#xB2E4; &#xB2E4;&#xC591; &#xD55C; spatiotemporal &#xD328;&#xD134; &#xC790;&#xCCB4;; &#xADF8;&#xB7EC;&#xB098; &#xC54C; &#xD604;&#xC2E4;&#xC801;&#xC778; &#xBC1C;&#xC0AC; &#xD328;&#xD134; &#xC0DD;&#xC131; temporally &#xC774;&#xAE30;&#xC885; &#xC785;&#xB825;&#xC744; &#xC8FC;&#xC5B4;. &#xB9C8;&#xC9C0;&#xB9C9;&#xC73C;&#xB85C;, &#xD6C4; &#xAC01; &#xC815;&#xBCF4; &#xCC98;&#xB9AC;&#xB97C; &#xC54C;&#xC758; &#xBA87; &#xAC00;&#xC9C0; &#xBCC4;&#xB3C4;, &#xCD94;&#xAC00; &#xAE30;&#xC5EC;&#xB97C; &#xBA85;&#xD655;&#xD788; Orns&#xC5D0; &#xC758;&#xD574; &#xC81C;&#xACF5; &#xC77C;&#xC2DC;&#xC801;&#xC73C;&#xB85C; &#xAD6C;&#xC870;&#xD654; &#xB41C; &#xC785;&#xB825;&#xC744; &#xC8FC;&#xC5B4;, &#xC6B0;&#xB9AC;. &#xB530;&#xB77C;&#xC11C;, &#xC6B0;&#xB9AC;&#xC758; &#xACB0;&#xACFC; &#xC6D0;&#xC810;&#xACFC; spatiotemporal &#xC2E0;&#xACBD; &#xCF54;&#xB4DC; &#xB0C4;&#xC0C8;&#xC758; &#xD6C4;&#xC18D; &#xD3EC;&#xB9F7;&#xC744; &#xC785;&#xC99D;.

&#xD6C4; &#xAC01; &#xC218;&#xC6A9; &#xCCB4; &#xB274;&#xB7F0;&#xC5D0; &#xC77C;&#xC2DC;&#xC801;&#xC73C;&#xB85C; &#xB2E4;&#xC591; &#xD55C; &#xBC1C;&#xC0AC; &#xD328;&#xD134; spatiotemporal &#xC2E0;&#xACBD; &#xCF54;&#xB4DC; &#xB0C4;&#xC0C8;&#xC5D0; &#xB300; &#xD55C; &#xAE30;&#xBC18;&#xC774; &#xB429;&#xB2C8;&#xB2E4;.

Odorantes se representan como patrones espacio-temporales de p&uacute;as en las neuronas del bulbo olfatorio (OB; vertebrados) y l&oacute;bulo antenal (AL; insectos). Estos patrones de respuesta han sido pensados para provienen principalmente de las interacciones dentro del AL/OB, una idea apoyada, en parte, por la suposici&oacute;n de que las neuronas receptoras olfatorias (ORNs) responden a olores con patrones de disparo simple. Sin embargo, activando AL directamente con pulsos simples de las respuestas evocadas actuales en las neuronas AL que eran mucho menos diversa, compleja y perdurable que respuestas sacadas por los olores. Del mismo modo, modelos del AL impulsado por entradas simplistas generan salida relativamente simple. Entonces, &iquest;c&oacute;mo son los c&oacute;digos de nervios din&aacute;micos para los olores generados? De acuerdo con los resultados recientes de varias otras especies, nuestras grabaciones de langosta ORNs mostraron una gran diversidad de estructura temporal. Adem&aacute;s, descubrimos que, vistos como una poblaci&oacute;n, muchas caracter&iacute;sticas de respuesta de ORNs fueron notablemente similares a los observados en el uso de otros un conjunto de modelos computacionales limitados por nuestras grabaciones electrofisiol&oacute;gicas, encontramos que la heterogeneidad temporal de las respuestas de ORNs cr&iacute;ticamente subyace la generaci&oacute;n de c&oacute;digos de olor espacio-temporal en AL. Una prueba en vivo confirm&oacute; que, dada la entrada temporal homog&eacute;neo, AL no puede crear patrones espacio-temporales diferentes por cuenta propia; sin embargo, dada la entrada temporal heterog&eacute;neo, AL genera patrones de le&ntilde;a realista. Por &uacute;ltimo, dada la entrada temporal estructurada proporcionada por ORNs, nos aclar&oacute; varias contribuciones adicionales, aparte del AL procesamiento de la informaci&oacute;n olfativa. As&iacute;, nuestros resultados demuestran el origen y posterior reformateo de c&oacute;digos neurales espaciotemporal para los olores.

Disparo temporal diversos patrones en las neuronas receptoras olfatorias subyacen spatiotemporal c&oacute;digos neurales para los olores.

&#x590D;&#x6742;&#x7684;&#x5206;&#x6790;&#x6027;&#x95EE;&#x9898;&#xFF0C;&#x5982;&#x5728;&#x5177;&#x6709;&#x6311;&#x6218;&#x6027;&#x7684;&#x73AF;&#x5883;&#x4E2D;&#xFF0C;&#x68C0;&#x6D4B;&#x5FAE;&#x91CF;&#x7684;&#x6709;&#x5BB3;&#x5316;&#x5B66;&#x54C1;&#x9700;&#x8981;&#x7684;&#x89E3;&#x51B3;&#x65B9;&#x6848;&#xFF0C;&#x6700;&#x6709;&#x6548;&#x5730;&#x62BD;&#x53D6;&#x6837;&#x54C1;&#x6210;&#x5206;&#x7684;&#x6709;&#x5173;&#x4FE1;&#x606F;&#x3002;&#x8FD9;&#x9879;&#x68C0;&#x8BA8;&#x4ECB;&#x7ECD; chemiresistive &#x57FA;&#x4E8E;&#x57FA;&#x56E0;&#x82AF;&#x7247;&#x7684;&#x65B9;&#x6CD5;&#x8BC6;&#x522B;&#x76EE;&#x6807;&#x5C06;&#x5347;&#x6E29;&#x80FD;&#x8FC5;&#x901F;&#x4EA7;&#x751F;&#x4E0E;&#x7EDF;&#x8BA1;&#x6A21;&#x5F0F;&#x8BC6;&#x522B;&#x7B97;&#x6CD5;&#x7528;&#x4E8E;&#x63D0;&#x53D6;&#x591A;&#x5143;&#x5316;&#x5B66;&#x6307;&#x7EB9;&#x56FE;&#x8C31;&#x5206;&#x6790;&#x4E30;&#x5BCC;&#x6570;&#x636E;&#x96C6;&#x5143;&#x7D20;&#x7EC4;&#x5408;&#x5728;&#x4E00;&#x8D77;&#x3002;&#x6211;&#x4EEC;&#x63CF;&#x8FF0;&#x5316;&#x5B66;&#x5FAE;&#x4F20;&#x611F;&#x5668;&#x5E73;&#x53F0;&#x548C;&#x8BA8;&#x8BBA;&#x5176;&#x751F;&#x6210;&#x6B63;&#x4EA4;&#x7684;&#x6570;&#x636E;&#xFF0C;&#x901A;&#x8FC7;&#x6750;&#x6599;&#x7684;&#x9009;&#x62E9;&#x53CA;&#x6E29;&#x5EA6;&#x7F16;&#x7A0B;&#x7684;&#x80FD;&#x529B;&#x3002;&#x6570;&#x636E;&#x96C6;&#x7684;&#x89C6;&#x89C9;&#x68C0;&#x67E5;&#x53D1;&#x73B0;&#x8BBE;&#x5907;&#x9009;&#x62E9;&#x6027;&#xFF0C;&#x4F46;&#x7EDF;&#x8BA1;&#x5206;&#x6790;&#x9700;&#x8981;&#x6267;&#x884C;&#x66F4;&#x590D;&#x6742;&#x7684;&#x9274;&#x5B9A;&#x4EFB;&#x52A1;&#x3002;&#x6700;&#x540E;&#xFF0C;&#x6211;&#x4EEC;&#x8BA8;&#x8BBA;&#x5728;&#x8BBE;&#x5907;&#x548C;&#x7B97;&#x6CD5;&#x5904;&#x7406;&#x957F;&#x671F;&#x90E8;&#x7F72;&#x4E2D;&#x6D89;&#x53CA;&#x7684;&#x5B9E;&#x9645;&#x95EE;&#x9898;&#x6240;&#x5FC5;&#x9700;&#x7684;&#x6700;&#x65B0;&#x8FDB;&#x5C55;&#x3002;&#x8FD9;&#x4E9B;&#x95EE;&#x9898;&#x5305;&#x62EC;&#x8BC6;&#x522B;&#x548C;&#x6821;&#x6B63;&#x4FE1;&#x53F7;&#x6F02;&#x79FB;&#x3001; &#x5B9E;&#x65F6;&#x76D1;&#x7763;&#x7684;&#x64CD;&#x4F5C;&#x3001; &#x53EF;&#x91CD;&#x590D;&#x7684;&#x8BBE;&#x5907;&#xFF0C;&#x53EF;&#x5236;&#x9020;&#x6027;&#x548C;&#x5206;&#x5C42;&#x5206;&#x7C7B;&#x8BA1;&#x5212;&#xFF0C;&#x672A;&#x53D7;&#x8FC7;&#x8BAD;&#x7EC3;&#x7684;&#x5206;&#x6790;&#x7269;&#x7269;&#x79CD;&#x7684;&#x5316;&#x5B66;&#x6210;&#x5206;&#x4E2D;&#x63A8;&#x65AD;&#x51FA;&#x5468;&#x56F4;&#x7684;&#x6311;&#x6218;&#x3002;

&#x68C0;&#x6D4B;&#x5316;&#x5B66;&#x5371;&#x5BB3;&#x4E0E;&#x5347;&#x6E29;&#x5FAE;&#x4F20;&#x611F;&#x5668;&#xFF1A; &#x514B;&#x670D;&#x591A;&#x7EF4;&#x6570;&#x636E;&#x5E93;&#x7684;&#x590D;&#x6742;&#x5206;&#x6790;&#x95EE;&#x9898;&#x3002;

Complex analytical problems, such as detecting trace quantities of hazardous chemicals in challenging environments, require solutions that most effectively extract relevant information about a sample's composition. This review presents a chemiresistive microarray-based approach to identifying targets that combines temperature-programmed elements capable of rapidly generating analytically rich data sets with statistical pattern recognition algorithms for extracting multivariate chemical fingerprints. We describe the chemical-microsensor platform and discuss its ability to generate orthogonal data through materials selection and temperature programming. Visual inspection of data sets reveals device selectivity, but statistical analyses are required to perform more complex identification tasks. Finally, we discuss recent advances in both devices and algorithms necessary to deal with practical issues involved in long-term deployment. These issues include identification and correction of signal drift, challenges surrounding real-time unsupervised operation, repeatable device manufacturability, and hierarchical classification schemes designed to deduce the chemical composition of untrained analyte species.

Detecting chemical hazards with temperature-programmed microsensors: overcoming complex analytical problems with multidimensional databases.

Probl&egrave;mes analytiques complexes, telles que la d&eacute;tection de traces de substances chimiques dangereuses dans des environnements difficiles, n&eacute;cessitent des solutions qui extraient plus efficacement des informations pertinentes sur la composition de l&#39;&eacute;chantillon. Cette revue pr&eacute;sente une chemiresistive &laquo; microarray &raquo; approche &agrave; identifier des cibles qui combine des &eacute;l&eacute;ments programm&eacute;s temp&eacute;rature capables de g&eacute;n&eacute;rer rapidement analytiquement riches ensembles de donn&eacute;es avec des algorithmes de reconnaissance de mod&egrave;le statistique permettant d&#39;extraire des empreintes chimiques multivari&eacute;es. Nous d&eacute;crire la plate-forme chimique-microcapteur et discuter de sa capacit&eacute; &agrave; g&eacute;n&eacute;rer des donn&eacute;es orthogonales &agrave; travers le choix des mat&eacute;riaux et de la programmation de la temp&eacute;rature. Inspection visuelle des ensembles de donn&eacute;es r&eacute;v&egrave;le la s&eacute;lectivit&eacute; de l&#39;appareil, mais des analyses statistiques sont tenus d&#39;accomplir des t&acirc;ches plus complexes d&#39;identification. Finalement, nous discutons des progr&egrave;s r&eacute;cents dans les p&eacute;riph&eacute;riques et les algorithmes n&eacute;cessaires pour traiter les enjeux pratiques de d&eacute;ploiement &agrave; long terme. Ces questions incluent identification et correction de la d&eacute;rive du signal, d&eacute;fis entourant l&#39;op&eacute;ration sans surveillance en temps r&eacute;el, fabricabilit&eacute; dispositif reproductibles et les sch&eacute;mas de classement hi&eacute;rarchique con&ccedil;ues pour d&eacute;duire la composition chimique de l&#39;analyte inexp&eacute;riment&eacute;es esp&egrave;ces.

D&eacute;tection des dangers des produits chimiques &agrave; temp&eacute;rature programm&eacute;e microcapteurs : surmonter des probl&egrave;mes analytiques complexes avec bases de donn&eacute;es multidimensionnelles.

Komplexe analytische Probleme, wie erkennen Spur Mengen von gef&auml;hrlichen Chemikalien in anspruchsvollen Umgebungen erfordern L&ouml;sungen, die relevanten Informationen &uuml;ber die Zusammensetzung einer Probe am effektivsten zu extrahieren. Diesen Bericht pr&auml;sentiert Chemiresistive Microarray-basierte Ansatz zur Identifizierung von Zielen an, der Temperatur-programmierte schnell erzeugen analytisch reiche Datens&auml;tze mit statistischen Muster Algorithmen zur Extraktion von multivariaten chemische Fingerabdr&uuml;cke von kombiniert. Wir beschreiben die chemische-Reinstraum-Plattform und seine F&auml;higkeit zur orthogonalen Datengenerierung durch Materialauswahl und Temperatur-Programmierung zu diskutieren. Sichtpr&uuml;fung von Datenbest&auml;nden offenbart Ger&auml;t Selektivit&auml;t, aber statistische Analysen komplexer Identifikation Aufgaben erforderlich sind. Schlie&szlig;lich diskutieren wir die j&uuml;ngsten Fortschritte in der sowohl die Ger&auml;te als auch die Algorithmen notwendig mit praktischen Fragen langfristige Bereitstellung beteiligt. Diese Probleme geh&ouml;ren Identifizierung und Korrektur von Signal-Drift, Herausforderungen im Zusammenhang mit unbeaufsichtigt Echtzeitbetrieb, wiederholbare Ger&auml;t Herstellbarkeit und hierarchische Klassifikationsschemata entwickelt, um die chemische Zusammensetzung von ungeschulten Analyten Arten ableiten.

Erkennen von Gefahrstoff mit Temperatur-programmierte Microsensoren: komplexe analytische Probleme mit multidimensionalen Datenbanken zu &uuml;berwinden.

Complessi problemi analitici, come rilevare la quantit&agrave; di tracce di sostanze chimiche pericolose in ambienti difficili, richiedono soluzioni che estrarre pi&ugrave; efficacemente le informazioni pertinenti circa la composizione di un campione. Questa recensione presenta un chemiresistive basata su microarray approccio all&#39;identificazione degli obiettivi che combina elementi di temperatura programmata in grado di generare rapidamente analiticamente ricco set di dati con algoritmi di riconoscimento del modello statistico per l&#39;estrazione delle impronte chimiche multivariate. Ci descrivono la piattaforma chimico-microsensor e discutere la sua capacit&agrave; di generare dati ortogonali attraverso la selezione dei materiali e programmazione temperatura. Ispezione visiva di insiemi di dati rivela selettivit&agrave; del dispositivo, ma analisi statistiche sono tenuti ad eseguire compiti pi&ugrave; complessi di identificazione. Infine, si parler&agrave; di recenti progressi in entrambi i dispositivi e algoritmi necessari per affrontare questioni pratiche coinvolti nella distribuzione a lungo termine. Questi problemi includono identificazione e correzione di deriva del segnale, sfide che circonda il funzionamento senza sorveglianza in tempo reale, producibilit&agrave; dispositivo ripetibile e schemi di classificazione gerarchica progettati per dedurre la composizione chimica delle specie analita non addestrato.

Rilevamento di rischi chimici con microsensori temperatura programmata: superare problemi analitici complessi con i database multidimensionali.

&#x6311;&#x6226;&#x7684;&#x306A;&#x74B0;&#x5883;&#x3067;&#x306F;&#x3001;&#x6709;&#x5BB3;&#x5316;&#x5B66;&#x7269;&#x8CEA;&#x306E;&#x5FAE;&#x91CF;&#x691C;&#x51FA;&#x3059;&#x308B;&#x306A;&#x3069;&#x3001;&#x8907;&#x96D1;&#x306A;&#x5206;&#x6790;&#x554F;&#x984C;&#x6700;&#x3082;&#x52B9;&#x679C;&#x7684;&#x306B;&#x3001;&#x30B5;&#x30F3;&#x30D7;&#x30EB;&#x69CB;&#x6210;&#x306B;&#x3064;&#x3044;&#x3066;&#x306E;&#x95A2;&#x9023;&#x60C5;&#x5831;&#x3092;&#x62BD;&#x51FA;&#x3059;&#x308B;&#x30BD;&#x30EA;&#x30E5;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x304C;&#x5FC5;&#x8981;&#x3067;&#x3059;&#x3002;&#x3053;&#x306E;&#x30EC;&#x30D3;&#x30E5;&#x30FC;&#x306F;&#x6025;&#x901F;&#x306B;&#x591A;&#x5909;&#x91CF;&#x5316;&#x5B66;&#x6307;&#x7D0B;&#x3092;&#x62BD;&#x51FA;&#x3059;&#x308B;&#x305F;&#x3081;&#x306E;&#x7D71;&#x8A08;&#x7684;&#x30D1;&#x30BF;&#x30FC;&#x30F3;&#x8A8D;&#x8B58;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x3092;&#x89E3;&#x6790;&#x7684;&#x306B;&#x8C4A;&#x5BCC;&#x306A;&#x30C7;&#x30FC;&#x30BF; &#x30BB;&#x30C3;&#x30C8;&#x3092;&#x751F;&#x6210;&#x3067;&#x304D;&#x308B;&#x6607;&#x6E29;&#x306E;&#x8981;&#x7D20;&#x3092;&#x7D44;&#x307F;&#x5408;&#x308F;&#x305B;&#x305F;&#x30BF;&#x30FC;&#x30B2;&#x30C3;&#x30C8;&#x3092;&#x8B58;&#x5225;&#x3059;&#x308B;&#x306E;&#x306B;&#x306F;&#x3001;chemiresistive &#x30DE;&#x30A4;&#x30AF;&#x30ED; &#x30A2;&#x30EC;&#x30A4; &#x30D9;&#x30FC;&#x30B9;&#x306E;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x3092;&#x63D0;&#x6848;&#x3059;&#x308B;.&#x6211;&#x3005; &#x306F;&#x5316;&#x5B66;&#x30DE;&#x30A4;&#x30AF;&#x30ED; &#x30BB;&#x30F3;&#x30B5;&#x30FC; &#x30D7;&#x30E9;&#x30C3;&#x30C8;&#x30D5;&#x30A9;&#x30FC;&#x30E0;&#x306B;&#x3064;&#x3044;&#x3066;&#x8AAC;&#x660E;&#x3059;&#x308B;&#x3001;&#x6750;&#x6599;&#x306E;&#x9078;&#x5B9A;&#x3068;&#x6E29;&#x5EA6;&#x30D7;&#x30ED;&#x30B0;&#x30E9;&#x30DF;&#x30F3;&#x30B0;&#x3092;&#x901A;&#x3058;&#x3066;&#x76F4;&#x4EA4;&#x30C7;&#x30FC;&#x30BF;&#x3092;&#x751F;&#x6210;&#x3059;&#x308B;&#x80FD;&#x529B;&#x3092;&#x8A71;&#x3057;&#x5408;&#x3044;&#x307E;&#x3059;&#x3002;&#x30C7;&#x30FC;&#x30BF; &#x30BB;&#x30C3;&#x30C8;&#x306E;&#x76EE;&#x8996;&#x691C;&#x67FB;&#x30C7;&#x30D0;&#x30A4;&#x30B9;&#x9078;&#x629E;&#x6027;&#x3001;&#x660E;&#x3089;&#x304B;&#x306B;&#x3001;&#x7D71;&#x8A08;&#x5206;&#x6790;&#x306F;&#x8907;&#x96D1;&#x306A;&#x8B58;&#x5225;&#x4F5C;&#x696D;&#x3092;&#x5B9F;&#x884C;&#x3059;&#x308B;&#x5FC5;&#x8981;&#x304C;&#x3042;&#x308A;&#x307E;&#x3059;&#x3002;&#x6700;&#x5F8C;&#x306B;&#x3001;&#x6700;&#x8FD1;&#x306E;&#x9032;&#x6B69;&#x30C7;&#x30D0;&#x30A4;&#x30B9;&#x3068;&#x9577;&#x671F;&#x7684;&#x306A;&#x5C55;&#x958B;&#x306B;&#x95A2;&#x9023;&#x3059;&#x308B;&#x5B9F;&#x7528;&#x7684;&#x306A;&#x554F;&#x984C;&#x306B;&#x5BFE;&#x51E6;&#x3059;&#x308B;&#x5FC5;&#x8981;&#x306E;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x306B;&#x3064;&#x3044;&#x3066;&#x8AAC;&#x660E;&#x3057;&#x307E;&#x3059;&#x3002;&#x3053;&#x308C;&#x3089;&#x306E;&#x554F;&#x984C;&#x306E;&#x8B58;&#x5225;&#x3068;&#x4FE1;&#x53F7;&#x30C9;&#x30EA;&#x30D5;&#x30C8;&#x306E;&#x88DC;&#x6B63;&#x30EA;&#x30A2;&#x30EB;&#x30BF;&#x30A4;&#x30E0;&#x6559;&#x5E2B;&#x306A;&#x3057;&#x64CD;&#x4F5C;&#x3001;&#x53CD;&#x5FA9;&#x53EF;&#x80FD;&#x306A;&#x30C7;&#x30D0;&#x30A4;&#x30B9;&#x306E;&#x88FD;&#x9020;&#x306F;&#x3001;&#x672A;&#x719F;&#x306A; analyte &#x7A2E;&#x306E;&#x5316;&#x5B66;&#x7D44;&#x6210;&#x3092;&#x63A8;&#x6E2C;&#x3059;&#x308B;&#x3088;&#x3046;&#x306B;&#x8A2D;&#x8A08;&#x306E;&#x968E;&#x5C64;&#x7684;&#x306A;&#x5206;&#x985E;&#x30B9;&#x30AD;&#x30FC;&#x30E0;&#x3092;&#x53D6;&#x308A;&#x5DFB;&#x304F;&#x8AB2;&#x984C;&#x3082;&#x3042;&#x308A;&#x307E;&#x3059;&#x3002;

&#x6607;&#x6E29;&#x30DE;&#x30A4;&#x30AF;&#x30ED; &#x30BB;&#x30F3;&#x30B5;&#x30FC;&#x3068;&#x5316;&#x5B66;&#x7684;&#x5371;&#x967A;&#x306E;&#x691C;&#x51FA;: &#x8907;&#x96D1;&#x306A;&#x591A;&#x6B21;&#x5143;&#x30C7;&#x30FC;&#x30BF;&#x30D9;&#x30FC;&#x30B9;&#x5206;&#x6790;&#x554F;&#x984C;&#x3092;&#x514B;&#x670D;&#x3057;&#x307E;&#x3059;&#x3002;

&#xC5B4;&#xB824;&#xC6B4; &#xD658;&#xACBD;&#xC5D0;&#xC11C; &#xC720;&#xD574; &#xD654;&#xD559; &#xBB3C;&#xC9C8;&#xC758; &#xC591;&#xC744; &#xCD94;&#xC801; &#xD0D0;&#xC9C0; &#xB4F1; &#xBCF5;&#xC7A1; &#xD55C; &#xBD84;&#xC11D; &#xBB38;&#xC81C; &#xAC00;&#xC7A5; &#xD6A8;&#xACFC;&#xC801;&#xC73C;&#xB85C; &#xC0D8;&#xD50C;&#xC758; &#xAD6C;&#xC131;&#xC5D0; &#xB300; &#xD55C; &#xAD00;&#xB828; &#xC815;&#xBCF4;&#xB97C; &#xCD94;&#xCD9C; &#xD558;&#xB294; &#xC194;&#xB8E8;&#xC158;&#xC744; &#xD544;&#xC694;&#xB85C; &#xD569;&#xB2C8;&#xB2E4;. &#xC774; &#xAC80;&#xD1A0; chemiresistive microarray &#xAE30;&#xBC18;&#xC5D0; &#xB300; &#xD55C; &#xC811;&#xADFC; &#xB300;&#xC0C1; &#xC2DD;&#xBCC4; &#xBE60;&#xB974;&#xAC8C; &#xBCF5;&#xC218; &#xD654;&#xD559; &#xC9C0;&#xBB38;&#xC744; &#xCD94;&#xCD9C; &#xD558;&#xAE30; &#xC704;&#xD55C; &#xD1B5;&#xACC4;&#xC801; &#xD328;&#xD134; &#xC778;&#xC2DD; &#xC54C;&#xACE0;&#xB9AC;&#xC998; &#xC6D0;&#xD1B5;&#xC778; &#xD48D;&#xBD80;&#xD55C; &#xB370;&#xC774;&#xD130; &#xC9D1;&#xD569;&#xC744; &#xC0DD;&#xC131;&#xD560; &#xC218; &#xC788;&#xB294; &#xC628;&#xB3C4; &#xD504;&#xB85C;&#xADF8;&#xB798;&#xBC0D; &#xC694;&#xC18C;&#xB97C; &#xACB0;&#xD569; &#xD558; &#xC5EC; &#xC81C;&#xACF5; &#xD569;&#xB2C8;&#xB2E4;. &#xC6B0;&#xB9AC; &#xD654;&#xD559; microsensor &#xD50C;&#xB7AB;&#xD3FC;&#xC5D0; &#xC124;&#xBA85; &#xD558; &#xACE0; &#xC7AC;&#xB8CC; &#xC120;&#xD0DD;&#xACFC; &#xC628;&#xB3C4; &#xD504;&#xB85C;&#xADF8;&#xB798;&#xBC0D;&#xC744; &#xD1B5;&#xD574; &#xC9C1;&#xAD50; &#xB370;&#xC774;&#xD130;&#xB97C; &#xC0DD;&#xC131; &#xD558;&#xB294; &#xAE30;&#xB2A5;&#xC5D0; &#xC124;&#xBA85; &#xD569;&#xB2C8;&#xB2E4;. &#xB370;&#xC774;&#xD130; &#xC9D1;&#xD569;&#xC758; &#xC721;&#xC548; &#xAC80;&#xC0AC; &#xC7A5;&#xCE58; &#xC120;&#xD0DD;&#xB3C4; &#xB4DC;&#xB7EC;&#xB0B4;&#xC9C0;&#xB9CC; &#xD1B5;&#xACC4; &#xBD84;&#xC11D;&#xC740; &#xC880; &#xB354; &#xBCF5;&#xC7A1; &#xD55C; &#xC2DD;&#xBCC4; &#xC791;&#xC5C5;&#xC744; &#xC218;&#xD589; &#xD558;&#xB294; &#xB370; &#xD544;&#xC694;&#xD55C;. &#xB9C8;&#xC9C0;&#xB9C9;&#xC73C;&#xB85C;, &#xC6B0;&#xB9AC;&#xB294; &#xC7A5;&#xCE58; &#xBC0F; &#xC7A5;&#xAE30; &#xBC30;&#xD3EC;&#xC5D0; &#xAD00;&#xB828; &#xB41C; &#xC2E4;&#xC9C8;&#xC801;&#xC778; &#xBB38;&#xC81C;&#xB97C; &#xD574;&#xACB0; &#xD558;&#xB294; &#xB370; &#xD544;&#xC694;&#xD55C; &#xC54C;&#xACE0;&#xB9AC;&#xC998;&#xC758; &#xCD5C;&#xADFC; &#xBC1C;&#xC804; &#xB17C;&#xC758;. &#xC774;&#xB7EC;&#xD55C; &#xBB38;&#xC81C; &#xC2DD;&#xBCC4; &#xBC0F; &#xAD50;&#xC815; &#xC2E0;&#xD638; &#xB4DC;&#xB9AC;&#xD504;&#xD2B8;&#xC758; &#xC2E4;&#xC2DC;&#xAC04; &#xC790;&#xB3D9;&#xB41C; &#xC791;&#xC5C5;, &#xBC18;&#xBCF5; &#xAC00;&#xB2A5;&#xD55C; &#xC7A5;&#xCE58; &#xC81C;&#xC870; &#xBC0F; &#xC124;&#xACC4; &#xC5F0;&#xC2B5;&#xC744; &#xC313;&#xC9C0; &#xC54A;&#xC740; &#xC2E4;&#xC815;&#xC774; &#xC885;&#xC758; &#xD654;&#xD559; &#xC131;&#xBD84; &#xCD94;&#xB860;&#xD560; &#xACC4;&#xCE35;&#xC801; &#xBD84;&#xB958; &#xCCB4;&#xACC4;&#xB97C; &#xB458;&#xB7EC;&#xC2FC; &#xACFC;&#xC81C; &#xD3EC;&#xD568; &#xB429;&#xB2C8;&#xB2E4;.

&#xC628;&#xB3C4; &#xD504;&#xB85C;&#xADF8;&#xB7A8; microsensors&#xC640; &#xD654;&#xD559; &#xC704;&#xD5D8; &#xAC10;&#xC9C0;: &#xB2E4;&#xCC28;&#xC6D0; &#xB370;&#xC774;&#xD130;&#xBCA0;&#xC774;&#xC2A4;&#xC640; &#xBCF5;&#xC7A1; &#xD55C; &#xBD84;&#xC11D; &#xBB38;&#xC81C;&#xB97C; &#xADF9;&#xBCF5; &#xD569;&#xB2C8;&#xB2E4;.

Problemas anal&iacute;ticos complejos, como detectar cantidades trazas de productos qu&iacute;micos peligrosos en entornos exigentes, requieren soluciones que m&aacute;s eficazmente extracci&oacute;n informaci&oacute;n relevante sobre la composici&oacute;n de la muestra. Esta revisi&oacute;n presenta chemiresistive microarray basado en una para identificar objetivos que combina elementos de temperatura programado capaces de generar r&aacute;pidamente anal&iacute;ticamente ricos conjuntos de datos con algoritmos de reconocimiento de patr&oacute;n estad&iacute;stico para la extracci&oacute;n de las huellas qu&iacute;micas multivariantes. Describimos la plataforma qu&iacute;mica-microsensor y discutimos su capacidad para generar datos ortogonales a trav&eacute;s de la selecci&oacute;n de materiales y programaci&oacute;n de la temperatura. Inspecci&oacute;n visual de conjuntos de datos revela selectividad del dispositivo, pero an&aacute;lisis estad&iacute;sticos est&aacute;n obligados a realizar tareas m&aacute;s complejas de identificaci&oacute;n. Finalmente, se discuten los avances recientes en ambos dispositivos y algoritmos necesarios para afrontar problemas pr&aacute;cticos involucrados en la implementaci&oacute;n a largo plazo. Estos temas incluyen la identificaci&oacute;n y correcci&oacute;n de deriva de la se&ntilde;al, desaf&iacute;os que rodean la operaci&oacute;n sin supervisi&oacute;n en tiempo real, fabricaci&oacute;n de dispositivo repetible y esquemas de clasificaci&oacute;n jer&aacute;rquica dise&ntilde;ados para deducir la composici&oacute;n qu&iacute;mica del analito inexperto especies.

Detecci&oacute;n de peligros qu&iacute;micos con microsensores temperatura programada: superaci&oacute;n de problemas anal&iacute;ticos complejos con bases de datos multidimensionales.

&#x4F7F;&#x7528;&#x6807;&#x51C6;&#x7EF4;&#x5EA6;&#x51CF;&#x5C11;&#x5206;&#x6790;&#x6211;&#x4EEC;&#x6574;&#x4E2A;&#x5BA1;&#x5224;&#x65F6;&#x95F4;&#x548C;&#x5176;&#x53D8;&#x5F02;&#x6027;&#x7814;&#x7A76;&#x523A;&#x6FC0;&#x8BF1;&#x53D1;&#x7684;&#x795E;&#x7ECF;&#x6D3B;&#x52A8;&#x3002;&#x4E0E;&#x5148;&#x524D;&#x7684;&#x7ED3;&#x679C;&#x4E00;&#x81F4;&#xFF0C;&#x6211;&#x4EEC;&#x53D1;&#x73B0;&#x6C14;&#x5473;&#x8109;&#x51B2;&#x8BF1;&#x53D1;&#x65F6;&#x7A7A;&#x5206;&#x5E03;&#x4E8E;&#x6574;&#x4E2A;&#x4E50;&#x56E2;&#x7684;&#x540C;&#x65F6;&#x8BB0;&#x5F55;&#x795E;&#x7ECF;&#x5143;&#x7684;&#x53CD;&#x5E94;&#x3002;&#x54CD;&#x5E94;&#x7FA4;&#x96C6;&#x6839;&#x636E;&#x6C14;&#x5473;&#x8EAB;&#x4EFD;&#x5C3D;&#x7BA1;&#x91CF;&#x76F8;&#x5BF9;&#x8F83;&#x5C0F;&#xFF0C;&#x5BA1;&#x5224;&#x7684;&#x5BA1;&#x5224;&#x53D8;&#x5F02;&#x6027;&#x7684;&#x5B58;&#x5728;&#x3002;&#x6211;&#x4EEC;&#x53D1;&#x73B0;&#x53EF;&#x4EE5;&#x4F7F;&#x7528;&#x7B80;&#x5355;&#x7684;&#x7EBF;&#x6027;&#x6295;&#x5F71;&#x7684;&#x6570;&#x636E;&#x51CF;&#x5C11;&#x6B64;&#x8DE8;&#x5BA1;&#x5224;&#x7684;&#x6563;&#x70B9;&#x56FE;&#x3002;

&#x5BA1;&#x5224;&#x7684;&#x5BA1;&#x5224;&#x53D8;&#x5F02;&#x6027;&#x523A;&#x6FC0;&#x8BF1;&#x53D1;&#x795E;&#x7ECF;&#x6D3B;&#x52A8;&#x7684;&#x5206;&#x6790;&#x3002;

Using standard dimensionality reduction analysis we examined the stimulus-evoked neural activity over time and their variability across trials. Consistent with earlier results, we found that odor pulses evoked spatio-temporal responses distributed throughout an ensemble of simultaneous recorded neurons. Responses clustered based on odor identity despite the presence of a relatively small amount of trial-by-trial variability. We found that this scatter across trials can be reduced using a simple linear projection of the data.

Analysis of trial-by-trial variability in stimulus-evoked neural activity.

Utilisant l&#39;analyse de r&eacute;duction de dimensionnalit&eacute; standard nous avons examin&eacute; l&#39;activit&eacute; neuronale induite par stimulation dans le temps et leur variabilit&eacute; dans des essais. Conform&eacute;ment aux r&eacute;sultats ant&eacute;rieurs, nous avons constat&eacute; qu&#39;impulsions odeur &eacute;voqu&eacute;e par r&eacute;ponses spatio-temporelles, r&eacute;partis dans un ensemble de neurones enregistr&eacute;s simultan&eacute;s. R&eacute;ponses group&eacute;es bas&eacute; sur l&#39;identit&eacute; des odeurs malgr&eacute; la pr&eacute;sence d&#39;une quantit&eacute; relativement faible de la variabilit&eacute; du proc&egrave;s-de-proc&egrave;s. Nous avons trouv&eacute; que cet &eacute;parpillement dans des essais peut &ecirc;tre r&eacute;duite en utilisant une projection lin&eacute;aire simple des donn&eacute;es.

Analyse de la variabilit&eacute; des proc&egrave;s-par-trial dans l&#39;activit&eacute; neuronale induite par stimulation.

Verwendung der Norm Dimensionalit&auml;t Reduktion Analyse, dass wir die Reiz hervorgerufen neurale Aktivit&auml;t &uuml;ber Zeit und ihre Variabilit&auml;t in Studien untersucht. In &Uuml;bereinstimmung mit fr&uuml;heren Ergebnissen, fanden wir, dass Geruch Impulse raumzeitlichen Antworten verteilt ein Ensemble von gleichzeitigen aufgezeichneten Neuronen hervorgerufen. Antworten gruppierten basierend auf Geruch Identit&auml;t trotz der Anwesenheit der eine relativ kleine Menge von Testversion von Zeitfahren Variabilit&auml;t. Wir fanden, dass diese Streuung &uuml;ber Studien eine einfache lineare Projektion der Daten verringert werden kann.

Analyse der Studie-von-Versuch-Variabilit&auml;t in neurale Aktivit&auml;t Reiz hervorgerufen.

Utilizzando l&#39;analisi di riduzione di dimensionalit&agrave; standard abbiamo esaminato l&#39;attivit&agrave; neurale stimolo evocato nel tempo e la loro variabilit&agrave; attraverso sperimentazioni. Coerente con i risultati precedenti, abbiamo trovato che gli impulsi odore evocato risposte spazio-temporali distribuite in un insieme di neuroni registrati simultaneamente. Risposte in cluster basata su identit&agrave; odore nonostante la presenza di una quantit&agrave; relativamente piccola di variabilit&agrave; trial di prova. Abbiamo trovato che questa dispersione attraverso prove pu&ograve; essere ridotto usando una semplice proiezione lineare dei dati.

Analisi della variabilit&agrave; di trial di prova nell&#39;attivit&agrave; neurale stimolo evocato.

&#x6211;&#x3005; &#x523A;&#x6FC0;&#x8A98;&#x767A;&#x795E;&#x7D4C;&#x6D3B;&#x52D5;&#x6642;&#x9593;&#x304A;&#x3088;&#x3073;&#x305D;&#x306E;&#x5909;&#x52D5;&#x6027;&#x4E0A;&#x8907;&#x6570;&#x306E;&#x8A66;&#x9A13;&#x3092;&#x6A19;&#x6E96;&#x7684;&#x306A;&#x6B21;&#x5143;&#x524A;&#x6E1B;&#x5206;&#x6790;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x304F;&#x3060;&#x3055;&#x3044;&#x3002;&#x4EE5;&#x524D;&#x306E;&#x7D50;&#x679C;&#x3068;&#x4E00;&#x81F4;&#x3057;&#x3066;&#x3001;&#x81ED;&#x6C17;&#x30D1;&#x30EB;&#x30B9;&#x540C;&#x6642;&#x8A18;&#x9332;&#x3055;&#x308C;&#x305F;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3;&#x306E;&#x30A2;&#x30F3;&#x30B5;&#x30F3;&#x30D6;&#x30EB;&#x3092;&#x901A;&#x3057;&#x3066;&#x5206;&#x6563;&#x6642;&#x7A7A;&#x9593;&#x7684;&#x5FDC;&#x7B54;&#x3092;&#x8A98;&#x767A;&#x304C;&#x898B;&#x3064;&#x304B;&#x308A;&#x307E;&#x3057;&#x305F;&#x3002;&#x5FDC;&#x7B54;&#x306F;&#x81ED;&#x6C17;&#x30A2;&#x30A4;&#x30C7;&#x30F3;&#x30C6;&#x30A3;&#x30C6;&#x30A3; - &#x8A66;&#x9A13;&#x306E;&#x53EF;&#x5909;&#x6027;&#x306E;&#x6BD4;&#x8F03;&#x7684;&#x5C11;&#x91CF;&#x306E;&#x5B58;&#x5728;&#x306B;&#x3082;&#x304B;&#x304B;&#x308F;&#x3089;&#x305A;&#x3001;&#x30AF;&#x30E9;&#x30B9;&#x30BF;&#x30FC;&#x3002;&#x6211;&#x3005; &#x306F;&#x3001;&#x30C7;&#x30FC;&#x30BF;&#x306E;&#x5358;&#x7D14;&#x306A;&#x7DDA;&#x5F62;&#x6295;&#x5F71;&#x3092;&#x4F7F;&#x7528;&#x3057;&#x3066;&#x3001;&#x3053;&#x306E;&#x6563;&#x5E03;&#x8A66;&#x9A13;&#x5168;&#x4F53;&#x3092;&#x524A;&#x6E1B;&#x3067;&#x304D;&#x308B;&#x3053;&#x3068;&#x3092;&#x767A;&#x898B;&#x3057;&#x307E;&#x3057;&#x305F;&#x3002;

&#x8A66;&#x9A13;&#x5909;&#x52D5;&#x523A;&#x6FC0;&#x8A98;&#x767A;&#x795E;&#x7D4C;&#x6D3B;&#x52D5;&#x306E;&#x89E3;&#x6790;&#x3002;

&#xC6B0;&#xB9AC;&#xAC00; &#xC2E4;&#xD5D8;&#xC5D0;&#xC11C; &#xC2DC;&#xAC04;&#xACFC; &#xADF8;&#xB4E4;&#xC758; &#xB2E4;&#xC591;&#xC131;&#xC744; &#xD1B5;&#xD574; &#xC790;&#xADF9;&#xC744; &#xBD88;&#xB7EC; &#xC77C;&#xC73C;&#xCF30;&#xB2E4; &#xC2E0;&#xACBD; &#xD65C;&#xB3D9; &#xAC80;&#xC0AC; &#xD45C;&#xC900; &#xCC28;&#xC6D0; &#xAC10;&#xC18C; &#xBD84;&#xC11D;&#xC744; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC;. &#xC774;&#xC804; &#xACB0;&#xACFC;&#xC640; &#xC77C;&#xCE58;, &#xC6B0;&#xB9AC;&#xB294; &#xB0C4;&#xC0C8; &#xD384;&#xC2A4; spatio &#xC2DC;&#xAC04;&#xC801; &#xB2F5;&#xBCC0; &#xB3D9;&#xC2DC; &#xAE30;&#xB85D; &#xB41C; &#xB274;&#xB7F0;&#xC758; &#xC559;&#xC0C1;&#xBE14;&#xC744; &#xD1B5;&#xD574; &#xBC30;&#xD3EC;&#xB97C; &#xAC16;&#xB294; &#xBC1C;&#xACAC;. &#xC751;&#xB2F5; &#xC7AC;&#xD310;&#xC5D0; &#xC758;&#xD574; &#xC7AC;&#xD310; &#xAC00;&#xBCC0;&#xC131;&#xC758; &#xC0C1;&#xB300;&#xC801;&#xC73C;&#xB85C; &#xC791;&#xC740; &#xAE08;&#xC561;&#xC758; &#xC874;&#xC7AC;&#xC5D0;&#xB3C4; &#xBD88;&#xAD6C; &#xD558; &#xACE0; &#xB0C4;&#xC0C8; &#xC815;&#xCCB4;&#xC131;&#xC5D0; &#xAE30;&#xBC18; &#xD074;&#xB7EC;&#xC2A4;&#xD130;. &#xC6B0;&#xB9AC;&#xB294; &#xC2DC;&#xB828;&#xC5D0; &#xAC78;&#xCCD0;&#xC774; &#xBD84;&#xC0B0;&#xD615; &#xB370;&#xC774;&#xD130;&#xC758; &#xB2E8;&#xC21C; &#xC120;&#xD615; &#xD22C;&#xC601;&#xC744; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xC904;&#xC77C; &#xC218; &#xC788;&#xB2E4; &#xBC1C;&#xACAC;.

&#xBD84;&#xC11D;&#xC758; &#xC7AC;&#xD310;&#xC5D0; &#xC758;&#xD574; &#xC7AC;&#xD310; &#xBD84;&#xD3EC;&#xB3C4; &#xC2E0;&#xACBD; &#xD65C;&#xB3D9; &#xC790;&#xADF9;&#xC744; &#xBD88;&#xB7EC; &#xC77C;&#xC73C;&#xCF30;&#xB2E4;.

Mediante el an&aacute;lisis de la reducci&oacute;n de dimensionalidad est&aacute;ndar se analiz&oacute; la actividad neuronal evocado por el est&iacute;mulo en el tiempo y su variabilidad entre los ensayos. De acuerdo con los resultados anteriores, encontramos que pulsos de olor evocaban respuestas espacio-temporales distribuidas a lo largo de un conjunto de neuronas grabaci&oacute;n simult&aacute;neas. Las respuestas agrupan basado en identidad de olor a pesar de la presencia de una cantidad relativamente peque&ntilde;a de la variabilidad del juicio-por-trial. Encontramos que esta dispersi&oacute;n a trav&eacute;s de ensayos puede reducirse mediante una simple proyecci&oacute;n lineal de los datos.

An&aacute;lisis de variabilidad de la prueba-de-trial en actividad evocado por el est&iacute;mulo de los nervios.

&#x751F;&#x7269;&#x5316;&#x5B66;&#x30BB;&#x30F3;&#x30B7;&#x30F3;&#x30B0;&#x3092;&#x542B;&#x3080;&#x591A;&#x304F;&#x306E;&#x5DE5;&#x5B66;&#x554F;&#x984C;&#x3078;&#x306E;&#x30BD;&#x30EA;&#x30E5;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x3092;&#x89E6;&#x767A;&#x3057;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x5316;&#x5B66;&#x30BB;&#x30F3;&#x30B7;&#x30F3;&#x30B0;&#x306B;&#x73FE;&#x4EE3;&#x7684;&#x306A;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1; &#x30AF;&#x30ED;&#x30B9;&#x9078;&#x629E;&#x7684;&#x5316;&#x5B66;&#x30BB;&#x30F3;&#x30B5;&#x30FC;&#x306E;&#x306B;&#x304A;&#x3044;&#x3092;&#x8B58;&#x5225;&#x3059;&#x308B;&#x30D1;&#x30BF;&#x30FC;&#x30F3;&#x8A8D;&#x8B58;&#x30A8;&#x30F3;&#x30B8;&#x30F3;&#x3068;&#x7D44;&#x307F;&#x5408;&#x308F;&#x305B;&#x308B;&#x3053;&#x3068;&#x306E;&#x751F;&#x7269;&#x5B66;&#x7684;&#x539F;&#x7406;&#x306B;&#x57FA;&#x3065;&#x3044;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x3053;&#x3053;&#x3067;&#x306F;&#x3001;&#x751F;&#x7269;&#x5B66;&#x306E;&#x30C7;&#x30B6;&#x30A4;&#x30F3;&#x3092;&#x6A21;&#x5023;&#x3068;&#x539F;&#x5247;&#x3092;&#x30B3;&#x30F3;&#x30D4;&#x30E5;&#x30FC;&#x30C6;&#x30A3;&#x30F3;&#x30B0;&#x306E;&#x96FB;&#x5B50;&#x9F3B;&#x3092;&#x958B;&#x767A;&#x3059;&#x308B;&#x4F5C;&#x3089;&#x308C;&#x3066;&#x3044;&#x304F;&#x3064;&#x304B;&#x306E;&#x6700;&#x8FD1;&#x306E;&#x9032;&#x6B69;&#x3092;&#x78BA;&#x8A8D;&#x3057;&#x307E;&#x3059;&#x3002;&#x958B;&#x767A;&#x3057;&#x305F;&#x6280;&#x8853;&#x306E;&#x91CD;&#x8981;&#x306A;&#x30A2;&#x30D7;&#x30EA;&#x30B1;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x306E;&#x5DE5;&#x696D;&#x3001;&#x30BB;&#x30AD;&#x30E5;&#x30EA;&#x30C6;&#x30A3;&#x3001;&#x533B;&#x7642;&#x30C9;&#x30E1;&#x30A4;&#x30F3;&#x3060;&#x3051;&#x3067;&#x306A;&#x304F;&#x3001;&#x57FA;&#x790E;&#x751F;&#x7269;&#x5B66;&#x306E;&#x7814;&#x7A76;&#x304C;&#x3042;&#x308A;&#x307E;&#x3059;&#x3002;

&#x751F;&#x7269;&#x5B66;&#x306E;&#x30C7;&#x30B6;&#x30A4;&#x30F3;&#x3092;&#x6A21;&#x5023;&#x3068;&#x4EBA;&#x5DE5;&#x55C5;&#x899A;&#x306E;&#x539F;&#x5247;&#x3092;&#x30B3;&#x30F3;&#x30D4;&#x30E5;&#x30FC;&#x30C6;&#x30A3;&#x30F3;&#x30B0;&#x3057;&#x307E;&#x3059;&#x3002;

Biologia ha ispirato soluzioni a molti problemi di ingegneria, compresi sensori chimici. Moderni approcci alla chimica di rilevamento sono stati basati sul principio biologico della combinazione di sensori chimici cross-selettivi con un motore di riconoscimento di pattern per identificare gli odori. Qui, passiamo in rassegna alcune recenti progressi mimando biologico design e principi di calcolo per sviluppare un naso elettronico. La tecnologia risultante avr&agrave; importanti applicazioni nella ricerca biologica fondamentale, cos&igrave; come in industriale, sicurezza e mediche domini.

Imitando biologica progettazione e calcolo principi nell&#39;olfatto artificiale.

&#x751F;&#x7269;&#x5B66;&#x9F13;&#x821E;&#x4E86;&#x5F88;&#x591A;&#x5DE5;&#x7A0B;&#x95EE;&#x9898;&#xFF0C;&#x5176;&#x4E2D;&#x5305;&#x62EC;&#x5316;&#x5B66;&#x4F20;&#x611F;&#x6280;&#x672F;&#x7684;&#x89E3;&#x51B3;&#x65B9;&#x6848;&#x3002;&#x5230;&#x5316;&#x5B66;&#x4F20;&#x611F;&#x6280;&#x672F;&#x7684;&#x73B0;&#x4EE3;&#x65B9;&#x6CD5;&#x90FD;&#x57FA;&#x4E8E;&#x8DE8;&#x9009;&#x62E9;&#x6027;&#x5316;&#x5B66;&#x4F20;&#x611F;&#x5668;&#x7ED3;&#x5408;&#x6A21;&#x5F0F;&#x8BC6;&#x522B;&#x5F15;&#x64CE;&#xFF0C;&#x4EE5;&#x8BC6;&#x522B;&#x6C14;&#x5473;&#x7684;&#x751F;&#x7269;&#x539F;&#x5219;&#x3002;&#x5728;&#x8FD9;&#x91CC;&#xFF0C;&#x6211;&#x4EEC;&#x5BA1;&#x67E5;&#x4E3A;&#x53D1;&#x5C55;&#x7535;&#x5B50;&#x9F3B;&#x5728;&#x6A21;&#x4EFF;&#x751F;&#x7269;&#x7684;&#x8BBE;&#x8BA1;&#x548C;&#x8BA1;&#x7B97;&#x539F;&#x5219;&#x4F5C;&#x51FA;&#x7684;&#x4E00;&#x4E9B;&#x6700;&#x65B0;&#x8FDB;&#x5C55;&#x3002;&#x7531;&#x6B64;&#x4EA7;&#x751F;&#x7684;&#x6280;&#x672F;&#x5C06;&#x6709;&#x91CD;&#x8981;&#x7684;&#x5E94;&#x7528;&#x7A0B;&#x5E8F;&#x5728;&#x57FA;&#x672C;&#x7684;&#x751F;&#x7269;&#x5B66;&#x7814;&#x7A76;&#xFF0C;&#x4EE5;&#x53CA;&#x5728;&#x5DE5;&#x4E1A;&#x3001; &#x5B89;&#x5168;&#x548C;&#x533B;&#x7597;&#x9886;&#x57DF;&#x3002;

&#x6A21;&#x4EFF;&#x751F;&#x7269;&#x7684;&#x8BBE;&#x8BA1;&#x548C;&#x8BA1;&#x7B97;&#x4EBA;&#x5DE5;&#x55C5;&#x89C9;&#x7684;&#x539F;&#x5219;&#x3002;

Biology has inspired solutions to many engineering problems, including chemical sensing. Modern approaches to chemical sensing have been based on the biological principle of combining cross-selective chemical sensors with a pattern recognition engine to identify odors. Here, we review some recent advances made in mimicking biological design and computing principles to develop an electronic nose. The resulting technology will have important applications in fundamental biological research, as well as in industrial, security, and medical domains.

Mimicking biological design and computing principles in artificial olfaction.

Biologie a inspir&eacute; des solutions aux nombreux probl&egrave;mes techniques, notamment de d&eacute;tection chimique. Approches modernes de d&eacute;tection chimique ont &eacute;t&eacute; fond&eacute;es sur le principe biologique de la combinaison de capteurs chimiques Croix-s&eacute;lectives avec un moteur de reconnaissance de mod&egrave;le afin d&#39;identifier les odeurs. Ici, nous passons en revue quelques progr&egrave;s r&eacute;cents faits en imitant la conception biologique et les principes de calcul pour d&eacute;velopper un nez &eacute;lectronique. La technologie qui en r&eacute;sulte aura des applications importantes dans la recherche biologique fondamentale, ainsi que dans l&#39;industriel et la s&eacute;curit&eacute;, les domaines m&eacute;dicaux.

Imitant la conception biologique et calcul des principes en olfaction artificielle.

Biologie inspirierte L&ouml;sungen f&uuml;r viele Probleme, einschlie&szlig;lich der chemischen Sensorik. Moderne Ans&auml;tze zur chemischen Sensorik basieren auf das biologische Prinzip der Kombination von Kreuz-selektiver chemischer Sensors mit einer Muster-Erkennungs-Engine, um Ger&uuml;che zu identifizieren. Hier schauen wir uns einige j&uuml;ngste Fortschritte in Nachahmung biologischer Gestaltung und Informatik Grunds&auml;tze eine elektronische Nase zu entwickeln. Die resultierende Technologie haben wichtige Anwendungen in der biologischen Grundlagenforschung sowie in Industrie-, Sicherheit und medizinische Fachbereiche gekoppelt.

Nachahmung biologischer Gestaltung und Informatik Grunds&auml;tze in k&uuml;nstlichen Olofaktion.

&#xC0DD;&#xBB3C;&#xD559; &#xD654;&#xD559; &#xAC10;&#xC9C0; &#xB4F1; &#xB9CE;&#xC740; &#xACF5;&#xD559; &#xBB38;&#xC81C;&#xC5D0; &#xB300; &#xD55C; &#xD574;&#xACB0;&#xCC45;&#xC744; &#xC601;&#xAC10; &#xD558;&#xACE0;&#xC788;&#xB2E4;. &#xD654;&#xD559; &#xAC10;&#xC9C0;&#xB97C; &#xD604;&#xB300;&#xC801;&#xC778; &#xC811;&#xADFC; &#xD06C;&#xB85C;&#xC2A4; &#xC120;&#xD0DD;&#xC801; &#xD654;&#xD559; &#xC13C;&#xC11C;&#xB97C; &#xACB0;&#xD569; &#xD558; &#xC5EC; &#xB0C4;&#xC0C8;&#xB97C; &#xC2DD;&#xBCC4; &#xD558;&#xAE30; &#xC704;&#xD574; &#xD328;&#xD134; &#xC778;&#xC2DD; &#xC5D4;&#xC9C4;&#xC758; &#xC0DD;&#xBB3C; &#xD559;&#xC801; &#xC6D0;&#xB9AC;&#xC5D0; &#xAE30;&#xBC18; &#xC788;&#xB2E4;. &#xC5EC;&#xAE30;, &#xC6B0;&#xB9AC; &#xC804;&#xC790; &#xCF54;&#xB97C; &#xAC1C;&#xBC1C;&#xC744; &#xD749;&#xB0B4; &#xB0B8; &#xC0DD;&#xBB3C;&#xD559;&#xC801; &#xC124;&#xACC4; &#xBC0F; &#xCEF4;&#xD4E8;&#xD305; &#xC6D0;&#xCE59;&#xC5D0;&#xC11C; &#xB9CC;&#xB4E0; &#xBA87; &#xAC00;&#xC9C0; &#xCD5C;&#xADFC; &#xBC1C;&#xC804;&#xC744; &#xAC80;&#xD1A0; &#xD569;&#xB2C8;&#xB2E4;. &#xACB0;&#xACFC; &#xAE30;&#xC220; &#xBFD0;&#xB9CC; &#xC544;&#xB2C8;&#xB77C; &#xC0B0;&#xC5C5;, &#xBCF4;&#xC548;, &#xC758;&#xB8CC; &#xB3C4;&#xBA54;&#xC778; &#xAE30;&#xBCF8;&#xC801;&#xC778; &#xC0DD;&#xBB3C; &#xD559;&#xC801; &#xC5F0;&#xAD6C;&#xC5D0; &#xC911;&#xC694; &#xD55C; &#xC751;&#xC6A9; &#xD504;&#xB85C;&#xADF8;&#xB7A8;&#xC744; &#xD560; &#xAC83; &#xC774;&#xB2E4;.

&#xC0DD;&#xBB3C; &#xD559;&#xC801; &#xB514;&#xC790;&#xC778;&#xC744; &#xD749;&#xB0B4; &#xB0B8; &#xBC0F; &#xCEF4;&#xD4E8;&#xD305; &#xC778;&#xACF5; &#xD6C4;&#xAC01;&#xC774; &#xC6D0;&#xCE59;.

Biolog&iacute;a ha inspirado soluciones a muchos problemas de ingenier&iacute;a, incluyendo la detecci&oacute;n qu&iacute;mica. Enfoques modernos de detecci&oacute;n qu&iacute;mica se han basado en el principio biol&oacute;gico de la combinaci&oacute;n de sensores qu&iacute;micos cruzados selectivos con un motor de reconocimiento de patr&oacute;n para identificar los olores. Aqu&iacute;, se revisan algunos avances recientes en m&iacute;mico dise&ntilde;o biol&oacute;gico e inform&aacute;tica principios para desarrollar una nariz electr&oacute;nica. La tecnolog&iacute;a resultante tendr&aacute; importantes aplicaciones en investigaciones biol&oacute;gicas fundamentales, as&iacute; como en el industrial, seguridad y dominios m&eacute;dicos.

Baranidharan Raman

Department of Biomedical Engineering

Washington University in St. Louis

Multi-unit Recording Methods to Characterize Neural Activity in the Locust (Schistocerca Americana) Olfactory Circuits

Baranidharan Raman

.css-o250i3{font-size:18px;font-family:Open Sans,sans-serif;line-height:21.6px;}Department of Biomedical Engineering

Washington University in St. Louis

Multi-unit Recording Methods to Characterize Neural Activity in the Locust (Schistocerca Americana) Olfactory Circuits

Department of Biomedical Engineering