specimen-preparation-imaging-analysis-protocols-for-knife-edge

Specimen Preparation, Imaging, and Analysis Protocols for Knife-edge Scanning Microscopy

Major advances in high-throughput, high-resolution, 3D microscopy techniques have enabled the acquisition of large volumes of neuroanatomical data at ...

Texas A&M University

&#x4F4E;&#x30EC;&#x30D9;&#x30EB; &#x30D3;&#x30B8;&#x30E7;&#x30F3;&#x306B;&#x304A;&#x3051;&#x308B;&#x8F2A;&#x90ED;&#x7D71;&#x5408;&#x306F;&#x3001;&#x985E;&#x4F3C;&#x5411;&#x304D;&#x306E;&#x30C1;&#x30E5;&#x30FC;&#x30CB;&#x30F3;&#x30B0;&#x3068;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3;&#x9593;&#x76F8;&#x4E92;&#x4F5C;&#x7528;&#x306B;&#x57FA;&#x3065;&#x3044;&#x3066;&#x767A;&#x751F;&#x3059;&#x308B;&#x8003;&#x3048;&#x3089;&#x308C;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x3069;&#x306E;&#x3088;&#x3046;&#x306A;&#x76F8;&#x4E92;&#x4F5C;&#x7528;&#x306E;&#x8133;&#x3092;&#x751F;&#x3058;&#x308B;&#x53EF;&#x80FD;&#x6027;&#x304C;&#x958B;&#x3044;&#x3066;&#x8CEA;&#x554F;&#x3055;&#x308C;&#x307E;&#x3057;&#x305F;&#x3002;&#x79C1;&#x305F;&#x3061;&#x306E;&#x30E2;&#x30C7;&#x30EB;&#x306F;&#x3001;&#x76F8;&#x4E92;&#x4F5C;&#x7528;&#x5165;&#x529B;&#x306B;&#x3088;&#x3063;&#x3066;&#x99C6;&#x52D5;&#x3055;&#x308C;&#x308B;&#x81EA;&#x5DF1;&#x7D44;&#x7E54;&#x5316;&#x3092;&#x901A;&#x3058;&#x3066;&#x3001;&#x3059;&#x306A;&#x308F;&#x3061;&#x3001;&#x4ED6;&#x591A;&#x304F;&#x306E;&#x767A;&#x9054;&#x3068;&#x6A5F;&#x80FD;&#x73FE;&#x8C61;&#x306F;&#x8996;&#x899A;&#x76AE;&#x8CEA;&#x306E;&#x6839;&#x5E95;&#x306B;&#x3042;&#x308B;&#x540C;&#x3058;&#x30E1;&#x30AB;&#x30CB;&#x30BA;&#x30E0;&#x3092;&#x901A;&#x3058;&#x3066;&#x5B66;&#x7FD2;&#x3067;&#x304D;&#x308B;&#x3053;&#x3068;&#x3092;&#x793A;&#x3057;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x30E2;&#x30C7;&#x30EB;&#x306F;&#x307E;&#x305F;&#x3069;&#x306E;&#x3088;&#x3046;&#x306B;&#x540C;&#x671F;&#x767A;&#x706B;&#x3053;&#x308C;&#x3089;&#x306B;&#x3088;&#x3063;&#x3066;&#x5A92;&#x4ECB;&#x3092;&#x793A;&#x3057;&#x3066;&#x3044;&#x307E;&#x3059;&#x6A2A;&#x65B9;&#x5411;&#x306E;&#x63A5;&#x7D9A;&#x306F;&#x3001;&#x4EBA;&#x9593;&#x306E;&#x8F2A;&#x90ED;&#x7D71;&#x5408;&#x306E;&#x3068;&#x540C;&#x69D8;&#x306E;&#x30D1;&#x30D5;&#x30A9;&#x30FC;&#x30DE;&#x30F3;&#x30B9;&#x306E;&#x7D50;&#x679C;&#x306F;&#x3001;&#x8F2A;&#x90ED;&#x306E;&#x77E5;&#x899A;&#x3092;&#x8868;&#x3059;&#x3053;&#x3068;&#x304C;&#x3067;&#x304D;&#x307E;&#x3059;&#x3002;&#x30E2;&#x30C7;&#x30EB;&#x3092;&#x3055;&#x3089;&#x306B;&#x8F2A;&#x90ED;&#x7D71;&#x5408;&#x30D1;&#x30D5;&#x30A9;&#x30FC;&#x30DE;&#x30F3;&#x30B9;&#x8996;&#x91CE;&#x5165;&#x529B;&#x5206;&#x5E03;&#x306E;&#x7A2E;&#x985E;&#x306F;&#x958B;&#x767A;&#x4E2D;&#x306B;&#x5F7C;&#x3089;&#x3092;&#x53D7;&#x3051;&#x53D6;&#x308B;&#x306B;&#x5FDC;&#x3058;&#x3066;&#x306E;&#x3055;&#x307E;&#x3056;&#x307E;&#x306A;&#x90E8;&#x5206;&#x306B;&#x3088;&#x3063;&#x3066;&#x7570;&#x306A;&#x308B;&#x3053;&#x3068;&#x306B;&#x793A;&#x3057;&#x307E;&#x3059;&#x3002;&#x30E2;&#x30C7;&#x30EB;&#x306F;&#x3001;&#x69D8;&#x3005; &#x306A;&#x69CB;&#x9020;&#x30FB;&#x6A5F;&#x80FD;&#x7279;&#x6027;&#x3092;&#x6E2C;&#x5B9A;&#x3067;&#x304D;&#x308B;&#x306E;&#x3067;&#x3001;&#x4ECA;&#x5F8C;&#x306E;&#x5B9F;&#x9A13;&#x8A08;&#x753B;&#x3092;&#x5C0E;&#x304F;&#x305F;&#x3081;&#x306E;&#x4E88;&#x6E2C;&#x3092;&#x884C;&#x3046;&#x3053;&#x3068;&#x304C;&#x3067;&#x304D;&#x307E;&#x3059;&#x8A73;&#x7D30;&#x306A;&#x795E;&#x7D4C;&#x6A5F;&#x69CB;&#x306B;&#x91CD;&#x8981;&#x306A;&#x77E5;&#x899A;&#x73FE;&#x8C61;&#x3092;&#x3053;&#x3046;&#x3057;&#x3066;&#x5EAD;&#x3057;&#x307E;&#x3059;&#x3002;

&#x8F2A;&#x90ED;&#x7D71;&#x5408;&#x3068;&#x30BB;&#x30B0;&#x30E1;&#x30F3;&#x30C6;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x81EA;&#x5DF1;&#x7D44;&#x7E54;&#x5316;&#x306E;&#x5916;&#x5074;&#x306E;&#x63A5;&#x7D9A;&#x3092;&#x6301;&#x3064;&#x3002;

&#xB0AE;&#xC740; &#xC218;&#xC900;&#xC758; &#xBE44;&#xC804; &#xCEE8;&#xD22C;&#xC5B4; &#xD1B5;&#xD569; &#xBE44;&#xC2B7;&#xD55C; &#xBC29;&#xD5A5;&#xC73C;&#xB85C; &#xC2E0;&#xACBD; &#xC138;&#xD3EC; &#xC0AC;&#xC774;&#xC758; &#xCE21;&#xBA74; &#xC0C1;&#xD638; &#xC791;&#xC6A9;&#xC5D0; &#xB530;&#xB77C; &#xBC1C;&#xC0DD;&#xC73C;&#xB85C; &#xC0DD;&#xAC01; &#xB429;&#xB2C8;&#xB2E4;. &#xC5B4;&#xB5BB;&#xAC8C; &#xADF8;&#xB7F0; &#xC0C1;&#xD638; &#xC791;&#xC6A9; &#xB450;&#xB1CC;&#xC5D0;&#xC11C; &#xBC1C;&#xC0DD;&#xD560; &#xC218; &#xC788;&#xB294; &#xC5F4;&#xB824;&#xC788;&#xB294; &#xC9C8;&#xBB38; &#xB418;&#xC5C8;&#xC2B5;&#xB2C8;&#xB2E4;. &#xC6B0;&#xB9AC;&#xC758; &#xBAA8;&#xB378;&#xC744; &#xC0C1;&#xD638; &#xC791;&#xC6A9; &#xD1B5;&#xD574; &#xBC30;&#xC6B8; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4; &#xC785;&#xB825; &#xAE30;&#xBC18; &#xC790;&#xAE30; &#xC870;&#xC9C1;&#xD654; &#xC989;, &#xB9CE;&#xC740; &#xB2E4;&#xB978; &#xBC1C;&#xB2EC; &#xBC0F; &#xAE30;&#xB2A5;&#xC801; &#xD604;&#xC0C1; &#xC2DC;&#xAC01; &#xD53C; &#xC9C8;&#xC5D0;&#xC11C;&#xC758; &#xAE30;&#xCD08;&#xAC00; &#xB418;&#xB294; &#xB3D9;&#xC77C;&#xD55C; &#xBA54;&#xCEE4;&#xB2C8;&#xC998;&#xC744; &#xD1B5;&#xD574; &#xB098;&#xC654;&#xB2E4;. &#xBAA8;&#xB378;&#xB3C4; &#xC774;&#xB4E4;&#xC5D0; &#xC758;&#xD574; &#xC911;&#xC7AC; &#xBC29;&#xBC95;&#xC744; &#xB3D9;&#xAE30;&#xD654; &#xB41C; &#xBC1C;&#xC0AC;&#xB97C; &#xBCF4;&#xC5EC;&#xC90D;&#xB2C8;&#xB2E4; &#xCE21;&#xBA74; &#xC5F0;&#xACB0; &#xC131;&#xB2A5;&#xC774; &#xC778;&#xAC04;&#xC758; &#xCEE8;&#xD22C;&#xC5B4; &#xD1B5;&#xD569; &#xBE44;&#xC2B7;&#xD55C; &#xCEE8;&#xD22C;&#xC5B4; percept&#xC744; &#xB098;&#xD0C0;&#xB0BC; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;. &#xBAA8;&#xB378; &#xCD94;&#xAC00; &#xB4F1;&#xACE0;&#xC120; &#xD1B5;&#xD569; &#xC131;&#xB2A5;&#xC744; &#xAC1C;&#xBC1C; &#xD558;&#xB294; &#xB3D9;&#xC548; &#xBC1B;&#xC740; &#xC785;&#xB825;&#xB41C; &#xBC30;&#xD3EC;&#xD310;&#xC758; &#xC885;&#xB958;&#xC5D0; &#xB530;&#xB77C; &#xC2DC;&#xC57C;&#xC758; &#xB2E4;&#xB978; &#xBD80;&#xBD84;&#xC5D0;&#xC11C; &#xB2EC;&#xB77C;&#xC9C8; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4; &#xBCF4;&#xC5EC; &#xC90D;&#xB2C8;&#xB2E4;. &#xBAA8;&#xB378; &#xC790;&#xC138;&#xD55C; &#xC2E0;&#xACBD; &#xBA54;&#xCEE4;&#xB2C8;&#xC998;&#xC5D0; &#xC911;&#xC694; &#xD55C; &#xC9C0; &#xAC01; &#xD604;&#xC0C1;&#xC744; &#xB530;&#xB77C;&#xC11C; &#xBD80; &#xC9C0; &#xAD6C;&#xC870;&#xC640; &#xAE30;&#xB2A5;&#xC5D0; &#xB300; &#xD55C; &#xB2E4;&#xC591; &#xD55C; &#xC18D;&#xC131;&#xC744; &#xCE21;&#xC815;&#xD560; &#xC218; &#xC788;&#xB2E4; &#xD558; &#xACE0; &#xBBF8;&#xB798;&#xC758; &#xC2E4;&#xD5D8; &#xC548;&#xB0B4; &#xC608;&#xCE21;&#xC744; &#xB9CC;&#xB4E4; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;.

&#xCEE8;&#xD22C;&#xC5B4; &#xD1B5;&#xD569; &#xBC0F; &#xC138;&#xBD84;&#xD654; &#xC720;&#xB3D9;&#xC801;&#xC778; &#xCE21;&#xBA74; &#xC5F0;&#xACB0;&#xC785;&#xB2C8;&#xB2E4;.

Integraci&oacute;n de contorno en la visi&oacute;n de bajo nivel se cree que ocurren basado en la interacci&oacute;n lateral entre las neuronas con ajuste de orientaci&oacute;n similar. &iquest;C&oacute;mo podr&iacute;an surgir tales interacciones en el cerebro ha sido una inc&oacute;gnita. Nuestro modelo sugiere que las interacciones pueden aprenderse a trav&eacute;s de la autoorganizaci&oacute;n basadas en la entrada, es decir, a trav&eacute;s del mismo mecanismo que subyace a muchos otros fen&oacute;menos del desarrollo y funcionales en la corteza visual. El modelo tambi&eacute;n muestra c&oacute;mo sincronizada le&ntilde;a mediada por estas conexiones laterales pueden representar el percept de un contorno, resultando en un desempe&ntilde;o similar de integraci&oacute;n contorno humano. El modelo m&aacute;s demuestra que integraci&oacute;n contorno rendimiento puede diferir en diferentes partes del campo visual, dependiendo de qu&eacute; tipo de distribuciones de entrada reciben durante el desarrollo. El modelo motivos as&iacute; un fen&oacute;meno perceptivo importante sobre los mecanismos neuronales detallados para que pueden medir varias propiedades estructurales y funcionales y pueden hacer predicciones para guiar futuros experimentos.

Integraci&oacute;n de contorno y segmentaci&oacute;n con conexiones laterales auto-organizados.

&#x79EF;&#x5206;&#x4F4E;&#x7EA7;&#x89C6;&#x91CE;&#x4E2D;&#x7684;&#x88AB;&#x8BA4;&#x4E3A;&#x53D1;&#x751F;&#x57FA;&#x4E8E;&#x4E0E;&#x7C7B;&#x4F3C;&#x65B9;&#x5411;&#x8C03;&#x8282;&#x795E;&#x7ECF;&#x5143;&#x4E4B;&#x95F4;&#x6A2A;&#x5411;&#x4E92;&#x52A8;&#x3002;&#x5982;&#x4F55;&#x8FD9;&#x79CD;&#x76F8;&#x4E92;&#x4F5C;&#x7528;&#x53EF;&#x80FD;&#x51FA;&#x73B0;&#x5728;&#x8111;&#x4E2D;&#x4E00;&#x76F4;&#x662F;&#x4E00;&#x4E2A;&#x60AC;&#x800C;&#x672A;&#x51B3;&#x7684;&#x95EE;&#x9898;&#x3002;&#x6211;&#x4EEC;&#x7684;&#x6A21;&#x578B;&#x8868;&#x660E;&#x76F8;&#x4E92;&#x4F5C;&#x7528;&#x53EF;&#x4EE5;&#x5B66;&#x5230;&#x901A;&#x8FC7;&#x8F93;&#x5165;&#x9A71;&#x52A8;&#x7684;&#x81EA;&#x7EC4;&#x7EC7;&#xFF0C;&#x5373;&#x901A;&#x8FC7;&#x540C;&#x6837;&#x7684;&#x673A;&#x5236;&#xFF0C;&#x662F;&#x8BB8;&#x591A;&#x53D1;&#x80B2;&#x548C;&#x529F;&#x80FD;&#x5728;&#x89C6;&#x89C9;&#x76AE;&#x5C42;&#x7684;&#x73B0;&#x8C61;&#x7684;&#x57FA;&#x7840;&#x3002;&#x8BE5;&#x6A21;&#x578B;&#x8FD8;&#x663E;&#x793A;&#x4E86;&#x5982;&#x4F55;&#x540C;&#x6B65;&#x7684;&#x5C04;&#x51FB;&#x4ECB;&#x5BFC;&#x8FD9;&#x4E9B;&#x6A2A;&#x5411;&#x8FDE;&#x63A5;&#x53EF;&#x4EE5;&#x8868;&#x793A;&#x7684;&#x8F6E;&#x5ED3;&#xFF0C;&#x4ECE;&#x800C;&#x5BFC;&#x81F4;&#x6027;&#x80FD;&#x7C7B;&#x4F3C;&#x4E8E;&#x4EBA;&#x7C7B;&#x7684;&#x8F6E;&#x5ED3;&#x6574;&#x5408;&#x505A;&#x4E00;&#x904D;&#x3002;&#x8FD9;&#x4E00;&#x6A21;&#x5F0F;&#x8FDB;&#x4E00;&#x6B65;&#x6F14;&#x793A;&#x5728;&#x89C6;&#x89C9;&#x9886;&#x57DF;&#xFF0C;&#x6839;&#x636E;&#x4ED6;&#x4EEC;&#x5728;&#x5F00;&#x53D1;&#x8FC7;&#x7A0B;&#x4E2D;&#x83B7;&#x5F97;&#x4EC0;&#x4E48;&#x8F93;&#x5165;&#x5206;&#x5E03;&#x7684;&#x4E0D;&#x540C;&#x90E8;&#x5206;&#xFF0C;&#x53EF;&#x4EE5;&#x4E0E;&#x4E0D;&#x540C;&#x8F6E;&#x5ED3;&#x96C6;&#x6210;&#x6027;&#x80FD;&#x3002;&#x6A21;&#x578B;&#x56E0;&#x6B64;&#x7406;&#x7531;&#x5230;&#x8BE6;&#x7EC6;&#x7684;&#x795E;&#x7ECF;&#x673A;&#x5236;&#x4E0A;&#x7684;&#x4E00;&#x4E2A;&#x91CD;&#x8981;&#x7684;&#x77E5;&#x89C9;&#x73B0;&#x8C61;&#xFF0C;&#x4EE5;&#x4FBF;&#x53EF;&#x4EE5;&#x8861;&#x91CF;&#x7ED3;&#x6784;&#x548C;&#x529F;&#x80FD;&#x7684;&#x5404;&#x79CD;&#x5C5E;&#x6027;&#xFF0C;&#x5E76;&#x53EF;&#x4EE5;&#x4F5C;&#x51FA;&#x9884;&#x6D4B;&#xFF0C;&#x4EE5;&#x6307;&#x5BFC;&#x4ECA;&#x540E;&#x7684;&#x8BD5;&#x9A8C;&#x3002;

&#x79EF;&#x5206;&#x4E0E;&#x5206;&#x5272;&#x4E0E;&#x81EA;&#x7EC4;&#x7EC7;&#x6A2A;&#x5411;&#x8FDE;&#x63A5;&#x3002;

Contour integration in low-level vision is believed to occur based on lateral interaction between neurons with similar orientation tuning. How such interactions could arise in the brain has been an open question. Our model suggests that the interactions can be learned through input-driven self-organization, i.e., through the same mechanism that underlies many other developmental and functional phenomena in the visual cortex. The model also shows how synchronized firing mediated by these lateral connections can represent the percept of a contour, resulting in performance similar to that of human contour integration. The model further demonstrates that contour integration performance can differ in different parts of the visual field, depending on what kinds of input distributions they receive during development. The model thus grounds an important perceptual phenomenon onto detailed neural mechanisms so that various structural and functional properties can be measured and predictions can be made to guide future experiments.

Contour integration and segmentation with self-organized lateral connections.

Int&eacute;gration de contour dans la vision de bas niveau est cens&eacute;e se produire bas&eacute;e sur les interactions lat&eacute;rales entre neurones avec r&eacute;glage d&#39;orientation similaire. Comment ces interactions pourraient &ecirc;tre soulev&eacute;es dans le cerveau a &eacute;t&eacute; une question ouverte. Notre mod&egrave;le sugg&egrave;re que les interactions peuvent &ecirc;tre apprises par le biais de l&#39;auto-organisation ax&eacute;e sur l&#39;entr&eacute;e, c&#39;est &agrave; dire, par le m&ecirc;me m&eacute;canisme qui sous-tend de nombreux autres ph&eacute;nom&egrave;nes du d&eacute;veloppement et fonctionnelles dans le cortex visuel. Le mod&egrave;le montre aussi comment synchronis&eacute;e tir v&eacute;hicul&eacute;e par ces branchements lat&eacute;raux peuvent repr&eacute;senter la perception d&#39;un contour, r&eacute;sultant en une performance similaire &agrave; celle de l&#39;int&eacute;gration des contour humains. Le mod&egrave;le montre que la performance contour d&#39;int&eacute;gration peut diff&eacute;rer dans diff&eacute;rentes parties du champ visuel, selon quels types de distributions d&#39;entr&eacute;e qu&#39;ils re&ccedil;oivent au cours du d&eacute;veloppement. Le mod&egrave;le de terrain ainsi un important ph&eacute;nom&egrave;ne de perception sur les m&eacute;canismes neuronaux d&eacute;taill&eacute;es afin que les diff&eacute;rentes propri&eacute;t&eacute;s structurales et fonctionnelles peuvent &ecirc;tre mesur&eacute;es et peut faire des pr&eacute;dictions pour guider les futures exp&eacute;riences.

Int&eacute;gration de contour et segmentation des branchements lat&eacute;raux auto-organis&eacute;s.

Contour-Integration und Segmentierung mit selbst organisierten seitlichen Anschl&#xFC;ssen.

Contorno integrazione nella visione di basso livello si crede si verificano basato sull&#39;interazione laterale tra neuroni con simile orientamento tuning. Come tali interazioni potrebbero sorgere nel cervello &egrave; stata una questione aperta. Il nostro modello suggerisce che le interazioni possono essere apprese attraverso l&#39;auto-organizzazione basata su input, cio&egrave;, attraverso lo stesso meccanismo che sta alla base di molti altri fenomeni dello sviluppo e funzionali nella corteccia visiva. Il modello mostra anche come sincronizzato infornamento mediata da questi collegamenti laterali possono rappresentare la percezione di un contorno, con conseguente rendimento simile a quello dell&#39;integrazione umana di contorno. Il modello ulteriormente dimostra che contorno integrazione prestazioni possono differire in diverse parti del campo visivo, a seconda di quali tipi di distribuzioni di input che ricevono durante lo sviluppo. Il modello di motivi cos&igrave; un importante fenomeno percettivo sui meccanismi neurali dettagliate affinch&eacute; varie propriet&agrave; strutturali e funzionali possono essere misurate e le previsioni possono essere fatte per guidare futuri esperimenti.

Integrazione di contorno e segmentazione con connessioni laterali auto-organizzate.

How multiple specialized cortical areas in the brain interact with each other to give rise to an integrated behavior is a largely unanswered question. This paper proposes that such an integration can be understood under the framework of analogy and that part of the thalamus and the thalamic reticular nucleus (TRN) may be playing a key role in this respect. The proposed thalamocortical model of analogy heavily depends on a diverse set of temporal parameters including axonal delay and membrane time constant, each of which is critical for the proper functioning of the model. The model requires a specific set of conditions derived from the need of the model to process analogies. Computational results with a network of integrate and fire (IF) neurons suggest that these conditions are indeed necessary, and furthermore, data found in the experimental literature also support these conditions. The model suggests that there is a very good reason for each temporal parameter in the thalamocortical network having a particular value, and that to understand the integrated behavior of the brain, we need to study these parameters simultaneously, not separately.

The role of temporal parameters in a thalamocortical model of analogy.

&#x5982;&#x4F55;&#x591A;&#x4E2A;&#x4E13;&#x95E8;&#x76AE;&#x5C42;&#x533A;&#x57DF;&#x5728;&#x5927;&#x8111;&#x4E2D;&#x7684;&#x5F15;&#x8D77;&#x7684;&#x4E00;&#x79CD;&#x7EFC;&#x5408;&#x7684;&#x884C;&#x4E3A;&#x800C;&#x5F7C;&#x6B64;&#x4EA4;&#x4E92;&#x662F;&#x5F88;&#x5927;&#x7A0B;&#x5EA6;&#x4E0A;&#x5C1A;&#x672A;&#x89E3;&#x7B54;&#x7684;&#x95EE;&#x9898;&#x3002;&#x672C;&#x6587;&#x4EF6;&#x63D0;&#x51FA;&#x8FD9;&#x79CD;&#x4E00;&#x4F53;&#x5316;&#x53EF;&#x4EE5;&#x7406;&#x89E3;&#x7F51;&#x72B6;&#x7C7B;&#x6BD4;&#x548C;&#x4E18;&#x8111;&#x548C;&#x4E18;&#x8111;&#x90E8;&#x5206;&#x7684;&#x6846;&#x67B6;&#x4E0B;&#x6838; &#xFF08;&#x4E07;&#x4EBF;&#x7F8E;&#x5143;&#xFF09; &#x53EF;&#x80FD;&#x4F1A;&#x5728;&#x8FD9;&#x65B9;&#x9762;&#x53D1;&#x6325;&#x5173;&#x952E;&#x4F5C;&#x7528;&#x3002;&#x7C7B;&#x6BD4;&#x7684;&#x62DF;&#x8BAE;&#x7684;&#x76AE;&#x8D28;&#x6A21;&#x578B;&#x5F88;&#x5927;&#x7A0B;&#x5EA6;&#x53D6;&#x51B3;&#x4E8E;&#x4E0D;&#x540C;&#x7EC4;&#x7684;&#x65F6;&#x95F4;&#x53C2;&#x6570;&#x5305;&#x62EC;&#x5F25;&#x6F2B;&#x6027;&#x8F74;&#x7D22;&#x5EF6;&#x8FDF;&#x548C;&#x819C;&#x65F6;&#x95F4;&#x5E38;&#x6570;&#xFF0C;&#x6BCF;&#x4E2A;&#x6A21;&#x578B;&#x7684;&#x6B63;&#x5E38;&#x8FD0;&#x4F5C;&#x81F3;&#x5173;&#x91CD;&#x8981;&#x3002;&#x6A21;&#x578B;&#x8981;&#x6C42;&#x4E00;&#x7EC4;&#x7279;&#x5B9A;&#x7684;&#x6761;&#x4EF6;&#x6240;&#x5F97;&#x8FC7;&#x7A0B;&#x7C7B;&#x6BD4;&#x7684;&#x6A21;&#x578B;&#x7684;&#x9700;&#x8981;&#x3002;&#x4E0E;&#x7F51;&#x7EDC;&#x96C6;&#x6210;&#x4E0E;&#x706B; (&#x5982;&#x679C;) &#x795E;&#x7ECF;&#x5143;&#x5EFA;&#x8BAE;&#x5B9E;&#x5728;&#x662F;&#x6709;&#x5FC5;&#x8981;&#x7684;&#x8FD9;&#x4E9B;&#x6761;&#x4EF6;&#xFF0C;&#x6B64;&#x5916;&#xFF0C;&#x5B9E;&#x9A8C;&#x6587;&#x5B66;&#x4E2D;&#x627E;&#x5230;&#x6570;&#x636E;&#x7684;&#x8BA1;&#x7B97;&#x7ED3;&#x679C;&#x4E5F;&#x652F;&#x6301;&#x4E86;&#x8FD9;&#x4E9B;&#x6761;&#x4EF6;&#x3002;&#x8BE5;&#x6A21;&#x578B;&#x5EFA;&#x8BAE;&#x6709;&#x5F88;&#x597D;&#x7684;&#x7406;&#x7531;&#xFF0C;&#x4E3A;&#x76AE;&#x8D28;&#x7F51;&#x7EDC;&#x5177;&#x6709;&#x7279;&#x5B9A;&#x7684;&#x503C;&#xFF0C;&#x5728;&#x6BCF;&#x4E2A;&#x65F6;&#x95F4;&#x53C2;&#x6570;&#x548C;&#x4E86;&#x89E3;&#x5927;&#x8111;&#x7684;&#x7EFC;&#x5408;&#x7684;&#x884C;&#x4E3A;&#xFF0C;&#x6211;&#x4EEC;&#x9700;&#x8981;&#x8FDB;&#x4E00;&#x6B65;&#x7814;&#x7A76;&#x8FD9;&#x4E9B;&#x53C2;&#x6570;&#x540C;&#x65F6;&#x3001; &#x4E0D;&#x5206;&#x5F00;&#x3002;

&#x65F6;&#x5E8F;&#x6A21;&#x578B;&#x53C2;&#x6570;&#x7684;&#x76AE;&#x8D28;&#x7684;&#x7C7B;&#x6BD4;&#x7684;&#x4F5C;&#x7528;&#x3002;

Plusieurs aires corticales sp&eacute;cialis&eacute;es dans le cerveau interagissent entre eux pour donner lieu &agrave; un comportement int&eacute;gr&eacute; est une question largement sans r&eacute;ponse. Cet article propose qu&#39;une telle int&eacute;gration peut &ecirc;tre comprise dans le cadre de l&#39;analogie et la partie du thalamus et du thalamus r&eacute;ticulaire noyau (TRN) peut &ecirc;tre joue un r&ocirc;le cl&eacute; &agrave; cet &eacute;gard. Le mod&egrave;le propos&eacute; thalamocortical d&#39;analogie d&eacute;pend lourdement un ensemble vari&eacute; de param&egrave;tres temporels, y compris le retard axonale et la constante de temps membranaire, dont chacun est essentiel au bon fonctionnement du mod&egrave;le. Le mod&egrave;le n&eacute;cessite un ensemble sp&eacute;cifique de conditions r&eacute;sultant de la n&eacute;cessit&eacute; du mod&egrave;le &agrave; processus analogies. R&eacute;sultats calculs avec un r&eacute;seau d&#39;int&eacute;grer et d&#39;incendie (si) neurones sugg&egrave;rent que ces conditions sont en effet n&eacute;cessaires, et en outre, les donn&eacute;es trouv&eacute;es dans la litt&eacute;rature exp&eacute;rimentale prennent &eacute;galement en charge ces conditions. Le mod&egrave;le sugg&egrave;re qu&#39;il y a une tr&egrave;s bonne raison pour chaque param&egrave;tre temporel dans le r&eacute;seau de thalamocortical ayant une valeur particuli&egrave;re, et que, pour comprendre le comportement int&eacute;gr&eacute; du cerveau, nous avons besoin d&#39;&eacute;tudier ces param&egrave;tres en m&ecirc;me temps, pas s&eacute;par&eacute;ment.

Le r&ocirc;le des param&egrave;tres temporels dans un mod&egrave;le thalamocortical d&#39;analogie.

Die Rolle der zeitlichen Parameter in einer thalamokortikalen Modell der Analogie.

Come pi&ugrave; aree corticali specializzate nel cervello interagiscono tra loro per dar luogo a un comportamento integrato &egrave; una domanda in gran parte senza risposta. Questo libro propone che una tale integrazione pu&ograve; essere compresa nel quadro dell&#39;analogia e quella parte del talamo e il talamico reticolare nucleo (TRN) possa giocare un ruolo chiave in questo senso. Il modello proposto talamocorticale analogia dipende in una serie diversificata di parametri temporali tra cui ritardo assonale e costante di tempo di membrana, ognuno dei quali &egrave; fondamentale per il corretto funzionamento del modello. Il modello richiede un set specifico di condizioni derivate dalla necessit&agrave; del modello per analogie di processo. Risultati computazionali con una rete di integrazione e di fuoco (se) neuroni suggeriscono che queste condizioni sono infatti necessarie, e inoltre, i dati presenti in letteratura sperimentale supportano anche queste condizioni. Il modello suggerisce che c&#39;&egrave; una buona ragione per ogni parametro temporale nella rete talamocorticale avendo un particolare valore, e che per comprendere il comportamento integrato del cervello, abbiamo bisogno di studiare questi parametri contemporaneamente, non separatamente.

Il ruolo dei parametri temporali in un modello talamocorticale dell&#39;analogia.

&#x3069;&#x306E;&#x3088;&#x3046;&#x306B;&#x8907;&#x6570;&#x306E;&#x7279;&#x6B8A;&#x306A;&#x76AE;&#x8CEA;&#x91CE;&#x8133;&#x3067;&#x304A;&#x4E92;&#x3044;&#x306B;&#x7D71;&#x5408;&#x306E;&#x52D5;&#x4F5C;&#x306B;&#x4E0A;&#x6607;&#x3092;&#x4E0E;&#x3048;&#x308B;&#x3068;&#x5BFE;&#x8A71;&#x306F;&#x4E3B;&#x672A;&#x56DE;&#x7B54;&#x306E;&#x8CEA;&#x554F;&#x3067;&#x3059;&#x3002;&#x3053;&#x306E;&#x3088;&#x3046;&#x306A;&#x7D71;&#x5408;&#x6838; (TRN) &#x306F;&#x3053;&#x306E;&#x70B9;&#x3067;&#x91CD;&#x8981;&#x306A;&#x5F79;&#x5272;&#x518D;&#x751F;&#x53EF;&#x80FD;&#x6027;&#x304C;&#x3042;&#x308A;&#x307E;&#x3059;&#x3001;&#x30D5;&#x30EC;&#x30FC;&#x30E0;&#x30EF;&#x30FC;&#x30AF;&#x306E;&#x30A2;&#x30CA;&#x30ED;&#x30B8;&#x30FC;&#x3068;&#x8996;&#x5E8A;&#x3068;&#x8996;&#x5E8A;&#x306E;&#x90E8;&#x5206;&#x306E;&#x4E0B;&#x3067;&#x7DB2;&#x72B6;&#x3092;&#x7406;&#x89E3;&#x3067;&#x304D;&#x308B;&#x3053;&#x3068;&#x3092;&#x63D0;&#x6848;&#x3059;&#x308B;.&#x30A2;&#x30CA;&#x30ED;&#x30B8;&#x30FC;&#x306E;&#x63D0;&#x6848;&#x8996;&#x5E8A;&#x76AE;&#x8CEA;&#x30E2;&#x30C7;&#x30EB;&#x306F;&#x8EF8;&#x7D22;&#x306E;&#x9045;&#x5EF6;&#x3068;&#x305D;&#x308C;&#x305E;&#x308C;&#x306E;&#x30E2;&#x30C7;&#x30EB;&#x304C;&#x6B63;&#x3057;&#x304F;&#x6A5F;&#x80FD;&#x3059;&#x308B;&#x305F;&#x3081;&#x975E;&#x5E38;&#x306B;&#x91CD;&#x8981;&#x3067;&#x3059;&#x3001;&#x819C;&#x6642;&#x5B9A;&#x6570;&#x3092;&#x542B;&#x3080;&#x6642;&#x9593;&#x30D1;&#x30E9;&#x30E1;&#x30FC;&#x30BF;&#x30FC;&#x306E;&#x591A;&#x69D8;&#x306A;&#x30BB;&#x30C3;&#x30C8;&#x306B;&#x5927;&#x304D;&#x304F;&#x4F9D;&#x5B58;&#x3057;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x30E2;&#x30C7;&#x30EB;&#x3067;&#x306F;&#x3001;&#x7279;&#x5B9A;&#x306E;&#x30E2;&#x30C7;&#x30EB;&#x306E;&#x5FC5;&#x8981;&#x6027;&#x304B;&#x3089;&#x6D3E;&#x751F;&#x30D7;&#x30ED;&#x30BB;&#x30B9;&#x306E;&#x985E;&#x4F3C;&#x3059;&#x308B;&#x6761;&#x4EF6;&#x30BB;&#x30C3;&#x30C8;&#x304C;&#x5FC5;&#x8981;&#x3067;&#x3059;&#x3002;&#x30CD;&#x30C3;&#x30C8;&#x30EF;&#x30FC;&#x30AF;&#x3068;&#x8A08;&#x7B97;&#x7D50;&#x679C;&#x306E;&#x7D71;&#x5408;&#x3068; (&#x3053;&#x308C;&#x3089;&#x306E;&#x6761;&#x4EF6;&#x306F;&#x3001;&#x78BA;&#x304B;&#x306B;&#x5FC5;&#x8981;&#x3067;&#x3059;&#x3057;&#x3001;&#x3055;&#x3089;&#x306B;&#x3001;&#x30C7;&#x30FC;&#x30BF;&#x3092;&#x5B9F;&#x9A13;&#x7684;&#x6587;&#x732E;&#x3067;&#x767A;&#x898B;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3;&#x3092;&#x793A;&#x5506;&#x3059;&#x308B;&#x5834;&#x5408;&#xFF09; &#x306E;&#x706B;&#x707D;&#x306F;&#x3001;&#x3053;&#x308C;&#x3089;&#x306E;&#x6761;&#x4EF6;&#x3082;&#x30B5;&#x30DD;&#x30FC;&#x30C8;&#x3057;&#x307E;&#x3059;&#x3002;&#x30E2;&#x30C7;&#x30EB;&#x3067;&#x306F;&#x3001;&#x3042;&#x308B;&#x975E;&#x5E38;&#x306B;&#x826F;&#x3044;&#x7406;&#x7531;&#x306E;&#x5404;&#x6642;&#x9593;&#x7684;&#x30D1;&#x30E9;&#x30E1;&#x30FC;&#x30BF;&#x30FC;&#x306B;&#x7279;&#x5B9A;&#x306E;&#x5024;&#x3092;&#x6301;&#x3064;&#x8996;&#x5E8A;&#x76AE;&#x8CEA;&#x30CD;&#x30C3;&#x30C8;&#x30EF;&#x30FC;&#x30AF;&#x3068;&#x8133;&#x306E;&#x7D71;&#x5408;&#x306E;&#x52D5;&#x4F5C;&#x3092;&#x7406;&#x89E3;&#x3059;&#x308B;&#x306B;&#x306F;&#x3001;&#x79C1;&#x305F;&#x3061;&#x3053;&#x308C;&#x3089;&#x306E;&#x30D1;&#x30E9;&#x30E1;&#x30FC;&#x30BF;&#x30FC;&#x3092;&#x691C;&#x8A0E;&#x3059;&#x308B;&#x540C;&#x6642;&#x306B;&#x3001;&#x5225;&#x306B;&#x5FC5;&#x8981;&#x304C;&#x3042;&#x308B;&#x3053;&#x3068;&#x3092;&#x793A;&#x5506;&#x3057;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;

&#x8996;&#x5E8A;&#x76AE;&#x8CEA;&#x30E2;&#x30C7;&#x30EB;&#x306B;&#x304A;&#x3051;&#x308B;&#x30A2;&#x30CA;&#x30ED;&#x30B8;&#x30FC;&#x6642;&#x9593;&#x30D1;&#x30E9;&#x30E1;&#x30FC;&#x30BF;&#x30FC;&#x306E;&#x5F79;&#x5272;&#x3002;

&#xD1B5;&#xD569; &#xB41C; &#xB3D9;&#xC791;&#xC744; &#xC77C;&#xC73C;&#xD0A4; &#xB2E4; &#xC11C;&#xB85C; &#xC0C1;&#xD638; &#xC791;&#xC6A9; &#xD558;&#xB294; &#xB1CC;&#xC5D0;&#xC11C; &#xC5B4;&#xB5BB;&#xAC8C; &#xC5EC;&#xB7EC; &#xD2B9;&#xC218; &#xD55C; &#xB300;&#xB1CC; &#xD53C; &#xC9C8;&#xC758; &#xC601;&#xC5ED; &#xB300;&#xBD80;&#xBD84; &#xB2F5;&#xC774; &#xC5C6;&#xB294; &#xC9C8;&#xBB38; &#xC774;&#xB2E4;. &#xC774; &#xBC31;&#xC11C;&#xB294; &#xC774;&#xB7EC;&#xD55C; &#xD1B5;&#xD569; &#xC774;&#xD574;&#xD560; &#xC218; &#xB9DD;&#xC0C1;&#xC758; &#xBE44;&#xC720;&#xC640; &#xADF8; &#xBD80;&#xBD84; &#xC2DC;&#xC0C1;&#xACFC;&#xB294; thalamic &#xD504;&#xB808;&#xC784; &#xC6CC;&#xD06C; &#xC544;&#xB798;&#xC5D0;&#xC11C; &#xD575; (TRN)&#xB294; &#xC774;&#xB7F0; &#xC810;&#xC5D0;&#xC11C; &#xC911;&#xC694; &#xD55C; &#xC5ED;&#xD560;&#xC744; &#xB180;&#xACE0; &#xC788;&#xC744; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4; &#xC81C;&#xC548; &#xD569;&#xB2C8;&#xB2E4;. &#xBE44;&#xC720;&#xC758; &#xC81C;&#xC548; &#xB41C; thalamocortical &#xBAA8;&#xB378;&#xC740; &#xBB34; &#xAC81; &#xAC8C; axonal &#xC9C0;&#xC5F0; &#xBC0F; &#xB9C9; &#xC2DC;&#xAC04; &#xC0C1;&#xC218;&#xB294; &#xAC01;&#xAC01;&#xC758; &#xBAA8;&#xB378;&#xC758; &#xC801;&#xC808; &#xD55C; &#xAE30;&#xB2A5;&#xC5D0; &#xC911;&#xC694; &#xD3EC;&#xD568; &#xD55C; &#xC784;&#xC2DC; &#xB9E4;&#xAC1C;&#xC758; &#xB2E4;&#xC591; &#xD55C; &#xC9D1;&#xD569;&#xC5D0; &#xB530;&#xB77C; &#xB2E4;&#xB985;&#xB2C8;&#xB2E4;. &#xBAA8;&#xB378; &#xC870;&#xAC74; &#xD504;&#xB85C;&#xC138;&#xC2A4; &#xC720;&#xCD94; &#xD558;&#xB294; &#xBAA8;&#xB378;&#xC758; &#xD544;&#xC694;&#xC5D0;&#xC11C; &#xD30C;&#xC0DD; &#xB41C; &#xD2B9;&#xC815; &#xC9D1;&#xD569;&#xC774; &#xD544;&#xC694; &#xD569;&#xB2C8;&#xB2E4;. &#xD1B5;&#xD569; &#xBC0F; &#xD654;&#xC7AC; (&#xACBD;&#xC6B0;) &#xB274;&#xB7F0; &#xC81C;&#xC548; &#xC774;&#xB7EC;&#xD55C; &#xC870;&#xAC74;&#xC740; &#xC2E4;&#xC81C;&#xB85C; &#xD544;&#xC694;&#xD55C; &#xB370;&#xC774;&#xD130; &#xC2E4;&#xD5D8; &#xBB38;&#xD559;&#xC5D0;&#xC11C; &#xBC1C;&#xACAC; &#xD558;&#xB294; &#xB610;&#xD55C;, &#xB124;&#xD2B8;&#xC6CC;&#xD06C;&#xC640; &#xC804;&#xC0B0; &#xACB0;&#xACFC; &#xC774;&#xB7EC;&#xD55C; &#xC870;&#xAC74;&#xC744; &#xC9C0;&#xC6D0; &#xD569;&#xB2C8;&#xB2E4;. &#xBAA8;&#xB378;&#xC5D0; &#xAC01; &#xC784;&#xC2DC; &#xB9E4;&#xAC1C; &#xBCC0;&#xC218;&#xC5D0; &#xD2B9;&#xC815; &#xAC12; thalamocortical &#xB124;&#xD2B8;&#xC6CC;&#xD06C;&#xC5D0; &#xB300; &#xD55C; &#xB9E4;&#xC6B0; &#xC88B;&#xC740; &#xC774;&#xC720;&#xB294; &#xC6B0;&#xB9AC; &#xB3D9;&#xC2DC;&#xC5D0;, &#xBCC4;&#xB3C4;&#xB85C; &#xD558;&#xC9C0; &#xC774;&#xB7EC;&#xD55C; &#xB9E4;&#xAC1C; &#xBCC0;&#xC218;&#xB97C; &#xACF5;&#xBD80;&#xB97C; &#xD574;&#xC57C; &#xB1CC;&#xC758; &#xD1B5;&#xD569;&#xB41C; &#xBB38;&#xC81C;&#xB97C; &#xC774;&#xD574; &#xD558;&#xB294; &#xAC74;&#xC758; &#xD55C;&#xB2E4;.

&#xBE44;&#xC720;&#xC758; thalamocortical &#xBAA8;&#xB378;&#xC758; &#xC2DC;&#xAC04;&#xC801; &#xB9E4;&#xAC1C; &#xC5ED;&#xD560;.

C&oacute;mo m&uacute;ltiples &aacute;reas corticales especializadas en el cerebro interact&uacute;an entre s&iacute; para dar lugar a un comportamiento integrado es una pregunta sin respuesta en gran parte. Este trabajo propone que dicha integraci&oacute;n puede entenderse en el marco de la analog&iacute;a y que parte del t&aacute;lamo y el tal&aacute;mico reticular n&uacute;cleo (TRN) puede desempe&ntilde;ar un papel clave en este sentido. El modelo propuesto talamocorticales de analog&iacute;a afectados depende, en un conjunto diverso de par&aacute;metros temporales, incluyendo retardo axonal y constante de tiempo de la membrana, cada una de ellas es fundamental para el buen funcionamiento del modelo. El modelo requiere un conjunto espec&iacute;fico de condiciones derivadas de la necesidad del modelo a analog&iacute;as de proceso. Resultados computacionales con una red de integraci&oacute;n y fuego (si) las neuronas sugieren que estas condiciones son realmente necesarias, y adem&aacute;s, los datos encontrados en la literatura experimental tambi&eacute;n apoyan estas condiciones. El modelo sugiere que hay una muy buena raz&oacute;n para cada par&aacute;metro temporal en la red talamocorticales que tienen un valor particular, y que para entender el comportamiento integrado del cerebro, necesitamos estudiar estos par&aacute;metros al mismo tiempo, no por separado.

El papel de par&aacute;metros temporales en un modelo de talamocorticales de analog&iacute;a.

&#xC5B4;&#xB450;&#xC6B4; &#xBC30;&#xACBD;&#xC5D0; &#xAD50;&#xCC28; &#xD68C;&#xC0C9; &#xB9C9;&#xB300;&#xC5D0; &#xD770;&#xC0C9; &#xB514;&#xC2A4;&#xD06C;&#xC758; &#xACE0;&#xC815; &#xD45C;&#xC2DC; &#xB208;&#xC5D0; &#xB744;&#xB294; &#xC7AC;&#xBBF8; &#xC788;&#xB294; &#xD6A8;&#xACFC;-&#xC7AC;&#xBBF8; &#xC788;&#xB294; &#xADF8;&#xB9AC;&#xB4DC; &#xD658;&#xC0C1;&#xC5D0; &#xC0C1;&#xC2B9;&#xC744; &#xC81C;&#xACF5; &#xD569;&#xB2C8;&#xB2E4;. &#xD658;&#xC601;&#xC758; &#xACF5;&#xAC04; &#xBC0F; &#xC2DC;&#xAC04; &#xC18D;&#xC131;&#xC740; &#xC798; &#xC54C;&#xB824;&#xC838; &#xC788;&#xC9C0;&#xB9CC; &#xBA54;&#xCEE4;&#xB2C8;&#xC998;&#xC758; &#xC2E0;&#xACBD; &#xC218;&#xC900;&#xC758; &#xC124;&#xBA85;&#xC740; &#xC644;&#xBCBD; &#xD558; &#xAC8C; &#xC870;&#xC0AC; &#xD558;&#xC9C0;. Limulus &#xB9DD;&#xB9C9;&#xC758; neurophysiology&#xC5D0; &#xC758;&#xD574; &#xB3D9;&#xAE30;, &#xC6B0;&#xB9AC; disinhibition &#xBC0F; self-inhibition&#xC73C;&#xB85C; &#xC81C;&#xC548; &#xAC00;&#xB2A5;&#xD55C; &#xC2E0;&#xACBD; &#xBA54;&#xCEE4;&#xB2C8;&#xC998; &#xD658;&#xC0C1;&#xC744; &#xC57C;&#xAE30;&#xD560; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;. &#xC774; &#xD3B8;&#xC9C0;&#xB294; &#xBA85;&#xC2DC;&#xC801;&#xC73C;&#xB85C; &#xC774;&#xB7EC;&#xD55C; &#xB450; &#xAC00;&#xC9C0; &#xBA54;&#xCEE4;&#xB2C8;&#xC998;&#xC744; &#xCC28;&#xC9C0; &#xD558;&#xB294; &#xCD08;&#xAE30; &#xC2DC;&#xAC01; &#xACBD;&#xB85C;&#xC758; spatiotemporal &#xBAA8;&#xB378; &#xD30C;&#xC0DD; &#xB429;&#xB2C8;&#xB2E4;. &#xBAA8;&#xB378;&#xC774; &#xC131;&#xACF5;&#xC801;&#xC73C;&#xB85C; &#xD558;&#xC704; &#xC218;&#xC900; &#xBA54;&#xCEE4;&#xB2C8;&#xC998; &#xC798; &#xD658;&#xC0C1;&#xC5D0;&#xC11C; &#xC7AC;&#xBBF8; &#xC788;&#xB294; &#xD6A8;&#xACFC; &#xC124;&#xBA85;&#xD560; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4; &#xB098;&#xD0C0;&#xB0B4;&#xB294; &#xB2E4;&#xC591; &#xD55C; &#xC790;&#xADF9; &#xC870;&#xAC74; &#xD558;&#xC5D0;&#xC11C; &#xD658;&#xC0C1; &#xAC15;&#xB3C4;&#xC758; &#xBCC0;&#xD654; &#xC608;&#xCE21;.

&#xC7AC;&#xBBF8; &#xC788;&#xB294; &#xADF8;&#xB9AC;&#xB4DC; &#xD658;&#xC0C1;&#xC758; &#xC2E0;&#xACBD; &#xBAA8;&#xB378;: disinhibition &#xBC0F; &#xCD08;&#xAE30; &#xBE44;&#xC804;&#xC5D0; self-inhibition.

Una pantalla fija de discos blancos colocado en barras grises que se cruzan en un fondo oscuro da lugar a un sorprendente efecto chispeante--la ilusi&oacute;n de rejilla centelleante. Son bien conocidas las propiedades espaciales y temporales de la ilusi&oacute;n, pero una explicaci&oacute;n del nivel neuronal del mecanismo no ha sido investigada completamente. Motivado por la neurofisiolog&iacute;a de la retina de Limulus, proponemos desinhibici&oacute;n y self-inhibition como posibles mecanismos neuronales, que pueden dar lugar a la ilusi&oacute;n. En esta carta, se deriva un modelo espacio-temporal de la v&iacute;a visual temprana que representa expl&iacute;citamente estos dos mecanismos. El modelo predijo con &eacute;xito el cambio de la fuerza en la ilusi&oacute;n bajo varias condiciones de est&iacute;mulo, lo que indica que los mecanismos de bajo nivel bien pueden explicar el efecto centelleante en la ilusi&oacute;n.

Un modelo neuronal de la ilusi&oacute;n de rejilla centelleante: desinhibici&oacute;n y self-inhibition en visi&oacute;n temprana.

&#x5B9A;&#x4F4D;&#x5728;&#x76F8;&#x4EA4;&#x7684;&#x7070;&#x8272;&#x6761;&#x9ED1;&#x8272;&#x80CC;&#x666F;&#x4E0A;&#x7684;&#x767D;&#x68CB;&#x56FA;&#x5B9A;&#x663E;&#x793A;&#x5F15;&#x8D77;&#x663E;&#x8457;&#x7684;&#x95EA;&#x70C1;&#x6548;&#x679C;--&#x95EA;&#x70C1;&#x7684;&#x7F51;&#x683C;&#x9519;&#x89C9;&#x3002;&#x5E7B;&#x60F3;&#x7684;&#x65F6;&#x7A7A;&#x5C5E;&#x6027;&#x662F;&#x4F17;&#x6240;&#x5468;&#x77E5;&#x7684;&#x4F46;&#x673A;&#x5236;&#x795E;&#x7ECF;&#x5143;&#x6C34;&#x5E73;&#x89E3;&#x91CA;&#x4E0D;&#x5145;&#x5206;&#x8C03;&#x67E5;&#x3002;&#x9C8E;&#x89C6;&#x7F51;&#x819C;&#x7684;&#x795E;&#x7ECF;&#x751F;&#x7406;&#x5B66;&#x7684;&#x52A8;&#x673A;&#xFF0C;&#x6211;&#x4EEC;&#x5EFA;&#x8BAE;&#x538B;&#x6291;&#x548C;&#x4E1C;&#x897F;&#x65B9;&#x4F5C;&#x4E3A;&#x53EF;&#x80FD;&#x53EF;&#x80FD;&#x5F15;&#x8D77;&#x5E7B;&#x89C9;&#x7684;&#x795E;&#x7ECF;&#x673A;&#x5236;&#x3002;&#x5728;&#x8FD9;&#x5C01;&#x4FE1;&#x7684;&#x65E9;&#x671F;&#x89C6;&#x89C9;&#x901A;&#x8DEF;&#x7684;&#x65F6;&#x7A7A;&#x6570;&#x636E;&#x6A21;&#x578B;&#x88AB;&#x6D3E;&#x751F;&#x7684;&#x663E;&#x5F0F;&#x5360;&#x8FD9;&#x4E24;&#x4E2A;&#x673A;&#x5236;&#x3002;&#x8BE5;&#x6A21;&#x578B;&#x6210;&#x529F;&#x5730;&#x9884;&#x6D4B;&#x4E86;&#x5728;&#x5404;&#x79CD;&#x523A;&#x6FC0;&#x6761;&#x4EF6;&#x4E0B;&#xFF0C;&#x6307;&#x793A;&#x4F4E;&#x7EA7;&#x673A;&#x5236;&#x4E5F;&#x53EF;&#x80FD;&#x89E3;&#x91CA;&#x4E2D;&#x5E7B;&#x60F3;&#x7684;&#x95EA;&#x70C1;&#x6548;&#x679C;&#x7684;&#x9519;&#x89C9;&#x5F3A;&#x5EA6;&#x53D8;&#x5316;&#x3002;

&#x95EA;&#x70C1;&#x7684;&#x7F51;&#x683C;&#x9519;&#x89C9;&#x7684;&#x795E;&#x7ECF;&#x7F51;&#x7EDC;&#x6A21;&#x578B;&#xFF1A; &#x538B;&#x6291;&#x548C;&#x4E1C;&#x897F;&#x65B9;&#x65E9;&#x671F;&#x7684;&#x89C6;&#x91CE;&#x4E2D;&#x3002;

A stationary display of white discs positioned on intersecting gray bars on a dark background gives rise to a striking scintillating effect--the scintillating grid illusion. The spatial and temporal properties of the illusion are well known, but a neuronal-level explanation of the mechanism has not been fully investigated. Motivated by the neurophysiology of the Limulus retina, we propose disinhibition and self-inhibition as possible neural mechanisms that may give rise to the illusion. In this letter, a spatiotemporal model of the early visual pathway is derived that explicitly accounts for these two mechanisms. The model successfully predicted the change of strength in the illusion under various stimulus conditions, indicating that low-level mechanisms may well explain the scintillating effect in the illusion.

A neural model of the scintillating grid illusion: disinhibition and self-inhibition in early vision.

Un affichage stationnaire de disques blancs positionn&eacute; sur l&#39;intersections des barres grises sur un fond sombre donne lieu &agrave; un effet scintillant saisissant--l&#39;illusion scintillant de la grille. Les propri&eacute;t&eacute;s spatiales et temporelles de l&#39;illusion sont bien connues, mais une explication neuronale au niveau du m&eacute;canisme n&#39;a pas &eacute;t&eacute; pleinement &eacute;tudi&eacute;e. Motiv&eacute; par la neurophysiologie de la r&eacute;tine de Limulus, nous proposons d&eacute;sinhibition et self-inhibition comme des m&eacute;canismes neurones possibles qui peuvent donner lieu &agrave; l&#39;illusion. Dans cette lettre, un mod&egrave;le spatio-temporelle de la voie visuelle pr&eacute;coce est d&eacute;riv&eacute; qui prend explicitement en compte ces deux m&eacute;canismes. Le mod&egrave;le a pr&eacute;dit avec succ&egrave;s le changement de force dans l&#39;illusion dans diverses conditions de relance, ce qui indique que des m&eacute;canismes de bas niveau peuvent expliquer bien l&#39;effet scintillant dans l&#39;illusion.

Un mod&egrave;le neuronal de l&#39;illusion de grille scintillant : d&eacute;sinhibition et self-inhibition dans la vision au d&eacute;but.

Eine station&auml;re Anzeige der wei&szlig;en Scheiben auf sich &uuml;berschneidenden grauen Balken auf einem dunklen Hintergrund positioniert entsteht eine markante funkelnde Wirkung--die funkelnde Gittert&auml;uschung. Die r&auml;umlichen und zeitlichen Eigenschaften der Illusion sind bekannt, aber eine neuronale Ebene Erkl&auml;rung des Mechanismus nicht vollst&auml;ndig untersucht. Motiviert durch die Neurophysiologie der Limulus-Netzhaut, schlagen wir Enthemmung und Self-inhibition als m&ouml;gliche neuronalen Mechanismen, die die Illusion ergeben k&ouml;nnen. In diesem Brief ist eine raumzeitliche Modell des fr&uuml;hen visuellen Signalweges abgeleitet, die explizit f&uuml;r diese beiden Mechanismen ausmacht. Das Modell vorhergesagt hat erfolgreich die &Auml;nderung der St&auml;rke in der Illusion unter verschiedenen Bedingungen der Reiz, dass systemnahe Mechanismen gut erkl&auml;ren k&ouml;nnte, den funkelnden Effekt in der Illusion.

Eine neuronale Modell der funkelnde Gitter Illusion: Enthemmung und Self-inhibition in fr&uuml;hen Vision.

Un display fisso di dischi bianchi posizionati sulle barre di grigie che si intersecano su uno sfondo scuro d&agrave; luogo a un sorprendente effetto scintillante - l&#39;illusione di griglia scintillante. Le propriet&agrave; spaziali e temporali dell&#39;illusione sono ben note, ma una spiegazione a livello neuronale del meccanismo non &egrave; stato completamente studiata. Motivato dalla neurofisiologia della retina Limulus, proponiamo disinibizione e autoinibizione come possibili meccanismi neurali che possono dar luogo all&#39;illusione. In questa lettera, &egrave; derivato un modello spatiotemporal del percorso visivo precoce che esplicitamente i conti per questi due meccanismi. Il modello predisse con successo il cambiamento della forza nell&#39;illusione in varie condizioni di stimolo, che indica che meccanismi di basso livello possono ben spiegare l&#39;effetto scintillante nell&#39;illusione.

Un modello neurale dell&#39;illusione griglia scintillante: disinibizione e autoinibizione in prima visione.

&#x4EA4;&#x5DEE;&#x3059;&#x308B;&#x30B0;&#x30EC;&#x30FC;&#x306E;&#x30D0;&#x30FC;&#x306F;&#x3001;&#x6697;&#x3044;&#x80CC;&#x666F;&#x4E0A;&#x306B;&#x914D;&#x7F6E;&#x3055;&#x308C;&#x3066;&#x767D;&#x3044;&#x30C7;&#x30A3;&#x30B9;&#x30AF;&#x306E;&#x56FA;&#x5B9A;&#x8868;&#x793A;&#x4E0A;&#x6607;&#x5370;&#x8C61;&#x7684;&#x306A;&#x306E;&#x6A5F;&#x77E5;&#x306B;&#x5BCC;&#x3093;&#x3060;&#x52B9;&#x679C;&#x306F;--&#x6A5F;&#x77E5;&#x306B;&#x5BCC;&#x3093;&#x3060;&#x683C;&#x5B50;&#x932F;&#x8996;&#x306E;&#x3059;&#x308B;&#x3092;&#x4E0E;&#x3048;&#x307E;&#x3059;&#x3002;&#x932F;&#x899A;&#x306E;&#x7A7A;&#x9593;&#x7684;&#x306A;&#x7279;&#x6027;&#x304C;&#x3088;&#x304F;&#x77E5;&#x3089;&#x308C;&#x3066;&#x3044;&#x308B;&#x304C;&#x3001;&#x30E1;&#x30AB;&#x30CB;&#x30BA;&#x30E0;&#x306E;&#x795E;&#x7D4C;&#x7D30;&#x80DE;&#x30EC;&#x30D9;&#x30EB;&#x8AAC;&#x660E;&#x306A;&#x3044;&#x5341;&#x5206;&#x306B;&#x89E3;&#x660E;&#x3055;&#x308C;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x30EA;&#x30E0;&#x30EB;&#x30B9;&#x7DB2;&#x819C;&#x306E;&#x795E;&#x7D4C;&#x751F;&#x7406;&#x5B66;&#x306B;&#x3088;&#x3063;&#x3066;&#x52D5;&#x6A5F;&#x4ED8;&#x3051;&#x3089;&#x308C;&#x3066;&#x3001;&#x8131;&#x6291;&#x5236;&#x3068;&#x81EA;&#x5DF1;&#x5E7B;&#x60F3;&#x3092;&#x751F;&#x3080;&#x53EF;&#x80FD;&#x6027;&#x304C;&#x3042;&#x308A;&#x307E;&#x3059;&#x53EF;&#x80FD;&#x306A;&#x9650;&#x308A;&#x306E;&#x795E;&#x7D4C;&#x30E1;&#x30AB;&#x30CB;&#x30BA;&#x30E0;&#x3068;&#x3057;&#x3066;&#x63D0;&#x6848;&#x3059;&#x308B;.&#x3053;&#x306E;&#x624B;&#x7D19;&#x3067;&#x306F;&#x3001;&#x521D;&#x671F;&#x8996;&#x899A;&#x8DEF;&#x306E;&#x6642;&#x7A7A;&#x9593;&#x30E2;&#x30C7;&#x30EB;&#x306F;&#x3053;&#x308C;&#x3089; 2 &#x3064;&#x306E;&#x30E1;&#x30AB;&#x30CB;&#x30BA;&#x30E0;&#x3092;&#x660E;&#x793A;&#x7684;&#x306B;&#x5360;&#x3081;&#x308B;&#x6D3E;&#x751F;&#x3057;&#x307E;&#x3059;&#x3002;&#x30E2;&#x30C7;&#x30EB;&#x304C;&#x6B63;&#x5E38;&#x306B;&#x5E7B;&#x60F3;&#x306E;&#x4F4E;&#x30EC;&#x30D9;&#x30EB;&#x306E;&#x30E1;&#x30AB;&#x30CB;&#x30BA;&#x30E0;&#x3082;&#x6A5F;&#x77E5;&#x306B;&#x5BCC;&#x3093;&#x3060;&#x52B9;&#x679C;&#x306F;&#x932F;&#x899A;&#x3067;&#x8AAC;&#x660E;&#x3059;&#x308B;&#x3053;&#x3068;&#x3092;&#x793A;&#x3059;&#x5404;&#x7A2E;&#x306E;&#x523A;&#x6FC0;&#x6761;&#x4EF6;&#x4E0B;&#x3067;&#x306E;&#x5F37;&#x5EA6;&#x306E;&#x5909;&#x5316;&#x3092;&#x4E88;&#x6E2C;&#x3057;&#x307E;&#x3057;&#x305F;&#x3002;

&#x6A5F;&#x77E5;&#x306B;&#x5BCC;&#x3093;&#x3060;&#x683C;&#x5B50;&#x932F;&#x8996;&#x306E;&#x795E;&#x7D4C;&#x56DE;&#x8DEF;&#x30E2;&#x30C7;&#x30EB;: &#x8131;&#x6291;&#x5236;&#x3068;&#x521D;&#x671F;&#x8996;&#x899A;&#x306B;&#x304A;&#x3051;&#x308B;&#x81EA;&#x5DF1;&#x3002;

&#x53EF;&#x4EE5;&#x52A0;&#x5F3A;&#x6216;&#x524A;&#x5F31;&#x52A0;&#x4E0A;&#x989D;&#x5916;&#x7684;&#x89C6;&#x89C9;&#x5143;&#x7D20;&#x7684;&#x89C6;&#x89C9;&#x9519;&#x89C9;&#x3002;&#x4F8B;&#x5982;&#xFF0C;&#x5728;&#x6CE2;&#x6839;&#x591A;&#x592B;&#x5E7B;&#x60F3;&#xFF0C;&#x4E0E;&#x8865;&#x5145;&#x8BF4;&#xFF0C;&#x5176;&#x4ED6;&#x680F;&#x4E2D;&#x7684;&#x865A;&#x5E7B;&#x4E2D;&#x611F;&#x77E5;&#x89D2;&#x5EA6;&#x504F;&#x5DEE;&#x53EF;&#x4EE5;&#x653E;&#x5927;&#x6216;&#x7F29;&#x5C0F;&#x3002;&#x5728;&#x672C;&#x6587;&#x4E2D;&#xFF0C;&#x6211;&#x4EEC;&#x5C55;&#x793A;&#x5E73;&#x51E1;&#x76F8;&#x4E92;&#x4F5C;&#x7528;&#x4E2D;&#x65E9;&#x671F;&#x7684;&#x89C6;&#x89C9;&#x7CFB;&#x7EDF; &#xFF08;&#x5373;&#xFF0C;&#x538B;&#x6291;) &#x7684;&#x5916;&#x4FA7;&#x6291;&#x5236;&#x8FC7;&#x7A0B;&#x53EF;&#x4EE5;&#x89E3;&#x91CA;&#x8FD9;&#x79CD;&#x589E;&#x5F3A;&#x6216;&#x9000;&#x5316;&#x7684;&#x865A;&#x5E7B;&#x6548;&#x679C;&#x3002;&#x6211;&#x4EEC;&#x6210;&#x529F;&#x5730;&#x6D3E;&#x751F;&#x7684;&#x8BA1;&#x7B97;&#x6A21;&#x578B;&#x9884;&#x6D4B;&#x7684;&#x611F;&#x77E5;&#x7684;&#x89D2;&#x5EA6;&#x505A;&#x4E86;&#x4FEE;&#x6539;&#xFF0C;&#x5305;&#x62EC;&#x7279;&#x539A;&#x680F;&#x6CE2;&#x6839;&#x591A;&#x592B;&#x5E7B;&#x60F3;&#x4EFB;&#x52A1;&#x4E2D;&#x3002;&#x53D7;&#x96C7;&#x5728;&#x6A21;&#x578B;&#x4E2D;&#x7684;&#x6982;&#x5FF5;&#x662F;&#x538B;&#x6291;&#x7684;&#x4E00;&#x822C;&#x6211;&#x4EEC;&#x671F;&#x5F85;&#x5B83;&#x53EF;&#x4EE5;&#x8FDB;&#x4E00;&#x6B65;&#x6269;&#x5927;&#x5230;&#x5176;&#x4ED6;&#x7C7B;&#x51E0;&#x4F55;&#x5E7B;&#x60F3;&#x7684;&#x5E10;&#x6237;&#x3002;

&#x4FEE;&#x6539;&#x540E;&#x7684;&#x6CE2;&#x6839;&#x591A;&#x592B;&#x9519;&#x89C9; disinhibitory &#x76F8;&#x4E92;&#x4F5C;&#x7528;&#x7684;&#x795E;&#x7ECF;&#x7F51;&#x7EDC;&#x6A21;&#x578B;&#x3002;

Visual illusions can be strengthened or weakened with the addition of extra visual elements. For example, in the Poggendorff illusion, with an additional bar added, the illusory skew in the perceived angle can be enlarged or reduced. In this paper, we show that a nontrivial interaction between lateral inhibitory processes in the early visual system (i.e., disinhibition) can explain such an enhancement or degradation of the illusory effect. The computational model we derived successfully predicted the perceived angle in the Poggendorff illusion task that was modified to include an extra thick bar. The concept of disinhibition employed in the model is general enough that we expect it can be further extended to account for other classes of geometric illusions.

Neural model of disinhibitory interactions in the modified Poggendorff illusion.

Illusions visuelles peuvent &ecirc;tre renforc&eacute;es ou affaiblies avec l&#39;ajout d&#39;&eacute;l&eacute;ments visuels suppl&eacute;mentaires. Par exemple, dans l&#39;illusion de Poggendorff, avec une barre suppl&eacute;mentaire ajout&eacute;e, le skew illusoire dans l&#39;angle de perception peut &ecirc;tre agrandi ou r&eacute;duit. Dans cet article, nous montrons qu&#39;une interaction non n&eacute;gligeable entre les processus inhibiteurs lat&eacute;rales dans le syst&egrave;me visuel pr&eacute;coce (c.-&agrave;-d., d&eacute;sinhibition) peut expliquer une telle am&eacute;lioration ou d&eacute;gradation de l&#39;effet illusoire. Le mod&egrave;le de calcul que nous d&eacute;riv&eacute;s correctement pr&eacute;dit l&#39;angle per&ccedil;ue dans la t&acirc;che d&#39;illusion de Poggendorff qui a &eacute;t&eacute; modifi&eacute;e pour inclure une barre tr&egrave;s &eacute;paisse. Le concept de d&eacute;sinhibition employ&eacute;e dans le mod&egrave;le est assez g&eacute;n&eacute;ral que nous attendons de qu&#39;elle peut &ecirc;tre prolong&eacute;e pour tenir compte des autres classes d&#39;illusions g&eacute;om&eacute;triques.

Mod&egrave;le neural de d&eacute;sinhibition interactions dans l&#39;illusion de Poggendorff modifi&eacute;e.

Visuelle Illusionen k&ouml;nnen gest&auml;rkt oder geschw&auml;cht mit dem Zusatz von zus&auml;tzlichen visuellen Elementen werden. Zum Beispiel in der Poggendorff Illusion, mit einer zus&auml;tzlichen Bar hinzugef&uuml;gt, kann die illusorische Skew in den wahrgenommenen Winkel vergr&ouml;&szlig;ert oder verkleinert werden. In diesem Beitrag zeigen wir, dass eine nicht-triviale Interaktion zwischen seitlichen inhibitorische Prozesse im fr&uuml;hen visuellen System (d.h., Enthemmung) solch eine Verbesserung oder Verschlechterung der illusorische Wirkung erkl&auml;ren kann. Das Computermodell, die, das wir erfolgreich abgeleitet, prognostiziert den wahrgenommenen Winkel in die Poggendorff-T&auml;uschung-Aufgabe, die ge&auml;ndert wurde, um eine extra dicke Bar enthalten. Das Konzept der Enthemmung im Modell besch&auml;ftigt ist allgemein genug, dass wir erwarten, dass er weiter auf Konto f&uuml;r andere Klassen Geometrische Illusionen erweitert werden kann.

Neuronale Modell disinhibitory Interaktionen in der ver&auml;nderten Poggendorff Illusion.

Illusioni visive possono essere rafforzate o indebolite con l&#39;aggiunta di elementi visivi extra. Ad esempio, nell&#39;illusione di Poggendorff, con un bar supplementare aggiunto, l&#39;illusoria inclina l&#39;angolo percepito pu&ograve; essere ingrandito o ridotto. In questa carta, mostriamo che un non banale interazione tra processi laterali inibitori nel sistema visivo precoce (cio&egrave;, disinibizione) pu&ograve; spiegare la valorizzazione o la degradazione dell&#39;effetto illusorio. Il modello computazionale che abbiamo derivati correttamente predetto l&#39;angolo percepito nel compito di illusione di Poggendorff che &egrave; stato modificato per includere una barra pi&ugrave; spessa. Il concetto di disinibizione impiegato nel modello &egrave; abbastanza generale che ci aspettiamo che pu&ograve; essere ulteriormente esteso per conto di altre classi di illusioni geometriche.

Modello neurale del disinhibitory interazioni nell&#39;illusione di Poggendorff modificato.

&#x932F;&#x8996;&#x3092;&#x5F37;&#x5316;&#x307E;&#x305F;&#x306F;&#x5F31;&#x4F53;&#x5316;&#x4F59;&#x5206;&#x306A;&#x30D3;&#x30B8;&#x30E5;&#x30A2;&#x30EB;&#x8981;&#x7D20;&#x3092;&#x8FFD;&#x52A0;&#x3067;&#x304D;&#x307E;&#x3059;&#x3002;&#x305F;&#x3068;&#x3048;&#x3070;&#x3001;&#x30DD;&#x30B2;&#x30F3;&#x30C9;&#x30EB;&#x30D5;&#x932F;&#x8996;&#x3092;&#x8FFD;&#x52A0;&#x3001;&#x8FFD;&#x52A0;&#x306E;&#x30D0;&#x30FC;&#x3067;&#x306E;&#x77E5;&#x899A;&#x306E;&#x89D2;&#x5EA6;&#x932F;&#x8996;&#x306E;&#x30B9;&#x30AD;&#x30E5;&#x30FC;&#x3092;&#x62E1;&#x5927;&#x307E;&#x305F;&#x306F;&#x7E2E;&#x5C0F;&#x3059;&#x308B;&#x3053;&#x3068;&#x304C;&#x3067;&#x304D;&#x307E;&#x3059;&#x3002;&#x672C;&#x7A3F;&#x3067;&#x306F;, &#x6A2A;&#x65B9;&#x5411;&#x306E;&#x6291;&#x5236;&#x30D7;&#x30ED;&#x30BB;&#x30B9;&#x306E;&#x521D;&#x671F;&#x8996;&#x899A;&#x30B7;&#x30B9;&#x30C6;&#x30E0; (&#x3059;&#x306A;&#x308F;&#x3061;&#x3001;&#x8131;&#x6291;&#x5236;) &#x9593;&#x306E;&#x91CD;&#x8981;&#x306A;&#x76F8;&#x4E92;&#x4F5C;&#x7528;&#x306A;&#x3069;&#x304C;&#x5F37;&#x5316;&#x307E;&#x305F;&#x306F;&#x932F;&#x8996;&#x52B9;&#x679C;&#x306E;&#x52A3;&#x5316;&#x8AAC;&#x660E;&#x3067;&#x304D;&#x308B;&#x3053;&#x3068;&#x3092;&#x793A;&#x3057;&#x307E;&#x3059;&#x3002;&#x6211;&#x3005; &#x306F;&#x6B63;&#x5E38;&#x306B;&#x6D3E;&#x751F;&#x8A08;&#x7B97;&#x30E2;&#x30C7;&#x30EB;&#x4F59;&#x5206;&#x539A;&#x3044;&#x30D0;&#x30FC;&#x3092;&#x542B;&#x3081;&#x308B;&#x3088;&#x3046;&#x306B;&#x5909;&#x66F4;&#x3055;&#x308C;&#x305F;&#x30DD;&#x30B2;&#x30F3;&#x30C9;&#x30EB;&#x30D5;&#x932F;&#x8996;&#x30BF;&#x30B9;&#x30AF;&#x3067;&#x77E5;&#x899A;&#x3055;&#x308C;&#x308B;&#x89D2;&#x5EA6;&#x3092;&#x4E88;&#x6E2C;&#x3057;&#x307E;&#x3057;&#x305F;&#x3002;&#x30E2;&#x30C7;&#x30EB;&#x3092;&#x63A1;&#x7528;&#x3059;&#x308B;&#x8131;&#x6291;&#x5236;&#x306E;&#x6982;&#x5FF5;&#x306F;&#x3001;&#x6211;&#x3005; &#x306F;&#x5E7E;&#x4F55;&#x5B66;&#x932F;&#x8996;&#x306E;&#x4ED6;&#x306E;&#x30AF;&#x30E9;&#x30B9;&#x7528;&#x306E;&#x30A2;&#x30AB;&#x30A6;&#x30F3;&#x30C8;&#x3092;&#x3055;&#x3089;&#x306B;&#x62E1;&#x5F35;&#x3067;&#x304D;&#x307E;&#x3059;&#x671F;&#x5F85;&#x306B;&#x5341;&#x5206;&#x306B;&#x4E00;&#x822C;&#x7684;&#x3067;&#x3067;&#x3059;&#x3002;

&#x795E;&#x7D4C;&#x30E2;&#x30C7;&#x30EB;&#x5909;&#x66F4;&#x30DD;&#x30B2;&#x30F3;&#x30C9;&#x30EB;&#x30D5;&#x932F;&#x8996;&#x306B;&#x304A;&#x3051;&#x308B;&#x8133;&#x306E;&#x76F8;&#x4E92;&#x4F5C;&#x7528;&#x3002;

&#xCC29;&#xC2DC;&#xB294; &#xAC15;&#xD654; &#xD558;&#xAC70;&#xB098; &#xC5EC;&#xBD84;&#xC758; &#xC2DC;&#xAC01;&#xC801; &#xC694;&#xC18C;&#xAC00; &#xCD94;&#xAC00; &#xB41C; &#xC57D;&#xD654; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;. &#xC608;&#xB97C; &#xB4E4;&#xC5B4;, &#xCD94;&#xAC00;, &#xCD94;&#xAC00; &#xBC14; Poggendorff &#xD658;&#xC0C1;&#xC5D0;&#xC11C; &#xC778;&#xC2DD;&#xB41C; &#xAC01;&#xB3C4;&#xC5D0;&#xC11C; &#xB098; &#xB9C8; &#xC2A4;&#xD050; &#xD655;&#xB300; &#xD558;&#xAC70;&#xB098; &#xC218; &#xAC10;&#xC18C;. &#xC774; &#xB17C;&#xBB38;&#xC5D0;&#xC11C; &#xC6B0;&#xB9AC;&#xB294; &#xC774;&#xB7EC;&#xD55C; &#xAC15;&#xD654; &#xB098; &#xB098; &#xB9C8; &#xD6A8;&#xACFC;&#xC758; &#xC800;&#xD558; &#xCE21;&#xBA74; &#xAE08;&#xC9C0; &#xD504;&#xB85C;&#xC138;&#xC2A4; &#xCD08;&#xAE30; &#xBE44;&#xC8FC;&#xC5BC; &#xC2DC;&#xC2A4;&#xD15C; (&#xC989;, disinhibition) &#xC0AC;&#xC774; &#xBCF5;&#xC7A1; &#xD55C; &#xC0C1;&#xD638; &#xC791;&#xC6A9;&#xC744; &#xC124;&#xBA85;&#xD560; &#xC218; &#xBCF4;&#xC5EC;&#xC90D;&#xB2C8;&#xB2E4;. &#xC6B0;&#xB9AC;&#xAC00; &#xC131;&#xACF5;&#xC801;&#xC73C;&#xB85C; &#xD30C;&#xC0DD; &#xB41C; &#xACC4;&#xC0B0; &#xBAA8;&#xB378; &#xB450;&#xAEBC;&#xC6B4; &#xB9C9;&#xB300;&#xB97C; &#xD3EC;&#xD568; &#xD558;&#xB3C4;&#xB85D; &#xC218;&#xC815; &#xB41C; Poggendorff &#xD658;&#xC0C1; &#xC791;&#xC5C5;&#xC5D0; &#xC778;&#xC2DD;&#xB41C; &#xAC01;&#xB3C4;&#xB97C; &#xC608;&#xCE21; &#xD588;&#xB2E4;. Disinhibition &#xBAA8;&#xB378;&#xC5D0; &#xC0AC;&#xC6A9; &#xB41C; &#xAC1C;&#xB150;&#xC740; &#xCDA9;&#xBD84;&#xD788; &#xC77C;&#xBC18;&#xC801;&#xC778; &#xAE30;&#xB300; &#xC6B0;&#xB9AC; &#xD615;&#xC0C1; &#xD658;&#xC0C1;&#xC758; &#xB2E4;&#xB978; &#xD074;&#xB798;&#xC2A4;&#xC5D0; &#xB300; &#xD55C; &#xACC4;&#xC815;&#xC5D0; &#xCD94;&#xAC00;&#xB85C; &#xD655;&#xC7A5; &#xB420; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;.

&#xC218;&#xC815;&#xB41C; Poggendorff &#xD658;&#xC0C1;&#xC5D0;&#xC11C; disinhibitory &#xC0C1;&#xD638; &#xC791;&#xC6A9;&#xC758; &#xC2E0;&#xACBD; &#xBAA8;&#xB378;.

Ilusiones visuales pueden ser fortalecidos o debilitados con la adici&oacute;n de elementos visuales adicionales. Por ejemplo, en la ilusi&oacute;n de Poggendorff, con una barra adicional a&ntilde;adida, el sesgo ilusorio en el &aacute;ngulo percibido puede ampliado o reducido. En este trabajo mostramos que una interacci&oacute;n no trivial entre procesos inhibitorios laterales en el sistema visual temprano (es decir, desinhibici&oacute;n) puede explicar tal mejora o degradaci&oacute;n del efecto ilusorio. El modelo computacional que derivamos con &eacute;xito predec&iacute;a el &aacute;ngulo percibido en la tarea de la ilusi&oacute;n de Poggendorff que fue modificado para incluir una barra extra gruesa. El concepto de desinhibici&oacute;n empleada en el modelo es bastante general que esperamos que se puede extender m&aacute;s para tener en cuenta otras clases de ilusiones geom&eacute;tricas.

Modelo neuronal de las interacciones disinhibitory en la ilusi&oacute;n de Poggendorff modificada.

&#x4ECE;&#x5B9E;&#x9A8C;&#x6570;&#x636E;&#x7684;&#x57FA;&#x56E0;&#x8C03;&#x63A7;&#x7F51;&#x7EDC;&#x7684;&#x9006;&#x5411;&#x5DE5;&#x7A0B;&#x662F;&#x7684;&#x57FA;&#x56E0;&#x7F51;&#x7EDC;&#x5EFA;&#x6A21;&#x7684;&#x7B2C;&#x4E00;&#x6B65;&#x3002;&#x7EBF;&#x6027;&#x72B6;&#x6001;&#x7A7A;&#x95F4;&#x6A21;&#x578B;&#xFF0C;&#x4E5F;&#x79F0;&#x4E3A;&#x7EBF;&#x6027;&#x52A8;&#x6001;&#x6A21;&#x578B;&#xFF0C;&#x5DF2;&#x5E94;&#x7528;&#x4E8E;&#x6A21;&#x578B;&#x9057;&#x4F20;&#x7F51;&#x7EDC;&#x4ECE;&#x57FA;&#x56E0;&#x8868;&#x8FBE;&#x7684;&#x65F6;&#x95F4;&#x7CFB;&#x5217;&#x6570;&#x636E;&#xFF0C;&#x4F46;&#x73B0;&#x6709;&#x7684;&#x5DE5;&#x7A0B;&#x5E76;&#x6CA1;&#x6709;&#x8003;&#x8651;&#x5230;&#x5E10;&#x6237;&#x53EF;&#x7528;&#x7684;&#x7ED3;&#x6784;&#x4FE1;&#x606F;&#x3002;&#x4E0D;&#x53D7;&#x7ED3;&#x6784;&#x9650;&#x5236;&#xFF0C;&#x4F30;&#x8BA1;&#x6A21;&#x578B;&#x53EF;&#x80FD;&#x8FDD;&#x80CC;&#x751F;&#x7269;&#x77E5;&#x8BC6;&#x548C;&#x4F30;&#x8BA1;&#x65B9;&#x6CD5;&#x53EF;&#x80FD; over-fit&#x3002;

&#x57FA;&#x56E0;&#x8C03;&#x63A7;&#x7F51;&#x7EDC;&#x7684;&#x7ED3;&#x6784;&#x7CFB;&#x7EDF;&#x8BC6;&#x522B;&#x3002;

Reverse engineering of genetic regulatory networks from experimental data is the first step toward the modeling of genetic networks. Linear state-space models, also known as linear dynamical models, have been applied to model genetic networks from gene expression time series data, but existing works have not taken into account available structural information. Without structural constraints, estimated models may contradict biological knowledge and estimation methods may over-fit.

Structural systems identification of genetic regulatory networks.

R&eacute;tro-ing&eacute;nierie des r&eacute;seaux de r&eacute;gulation g&eacute;n&eacute;tiques des donn&eacute;es exp&eacute;rimentales est la premi&egrave;re &eacute;tape vers la mod&eacute;lisation des r&eacute;seaux g&eacute;n&eacute;tiques. Mod&egrave;les lin&eacute;aires de l&#39;&eacute;tat-espace, &eacute;galement connu sous le nom de lin&eacute;aires mod&egrave;les dynamiques, ont &eacute;t&eacute; appliqu&eacute;s aux r&eacute;seaux g&eacute;n&eacute;tiques de mod&egrave;le de donn&eacute;es de s&eacute;ries chronologiques expression g&eacute;nique, mais des oeuvres existantes n&#39;ont pas &eacute;t&eacute; prises en compte des informations structurelles disponibles. Sans les contraintes structurelles, estime mod&egrave;les peuvent contredire des connaissances biologiques et estimation m&eacute;thodes peuvent over-fit.

Identification de syst&egrave;mes structurels des r&eacute;seaux de r&eacute;gulation g&eacute;n&eacute;tiques.

Reverse Engineering von genetischen regulatorischen Netzwerken aus experimentellen Daten ist der erste Schritt bei der Modellierung von genetischen Netzwerken. Linearen Zustandsraum Modelle, auch bekannt als lineare dynamische Modelle, Modell genetischen Netzwerken von Gen-Ausdruck Zeitreihendaten angewendet wurden, aber vorhandene Werke haben Konto verf&uuml;gbaren Strukturinformationen nicht ber&uuml;cksichtigt. Ohne strukturelle Zw&auml;nge, gesch&auml;tzte Modelle k&ouml;nnen widersprechen, biologische wissen und Einsch&auml;tzung Methoden over-fit k&ouml;nnen.

Struktursysteme Identifizierung der genetischen Regelnetze.

Il reverse engineering delle reti di regolazione genetiche da dati sperimentali &egrave; il primo passo verso la modellizzazione delle reti genetiche. Modelli lineari di spazio di stato, anche conosciuto come lineare modelli dinamici, sono state applicate alle reti genetiche modello da dati di serie tempo di espressione del gene, ma opere esistenti non hanno preso in informazioni strutturali disponibili account. Senza vincoli strutturali, stima modelli possono contraddire conoscenza biologica e stima metodi possono over-fit.

Identificazione di sistemi strutturali delle reti di regolazione genetiche.

&#x30EA;&#x30D0;&#x30FC;&#x30B9; &#x30A8;&#x30F3;&#x30B8;&#x30CB;&#x30A2; &#x30EA;&#x30F3;&#x30B0;&#x907A;&#x4F1D;&#x5B50;&#x306E;&#x5236;&#x5FA1;&#x30CD;&#x30C3;&#x30C8;&#x30EF;&#x30FC;&#x30AF;&#x5B9F;&#x9A13;&#x30C7;&#x30FC;&#x30BF;&#x304B;&#x3089;&#x306E;&#x907A;&#x4F1D;&#x5B50;&#x30CD;&#x30C3;&#x30C8;&#x30EF;&#x30FC;&#x30AF;&#x306E;&#x30E2;&#x30C7;&#x30EB;&#x5316;&#x3078;&#x306E;&#x7B2C;&#x4E00;&#x6B69;&#x3067;&#x3059;&#x3002;&#x7DDA;&#x5F62;&#x72B6;&#x614B;&#x7A7A;&#x9593;&#x30E2;&#x30C7;&#x30EB;&#x3068;&#x3082;&#x547C;&#x3070;&#x308C;&#x308B;&#x7DDA;&#x5F62;&#x529B;&#x5B66;&#x30E2;&#x30C7;&#x30EB;&#x907A;&#x4F1D;&#x7684;&#x30CD;&#x30C3;&#x30C8;&#x30EF;&#x30FC;&#x30AF;&#x3092;&#x30E2;&#x30C7;&#x30EA;&#x30F3;&#x30B0;&#x3059;&#x308B;&#x907A;&#x4F1D;&#x5B50;&#x767A;&#x73FE;&#x6642;&#x7CFB;&#x5217;&#x30C7;&#x30FC;&#x30BF;&#x304B;&#x3089;&#x3001;&#x9069;&#x7528;&#x3055;&#x308C;&#x3066;&#x3044;&#x308B;&#x304C;&#x3001;&#x65E2;&#x5B58;&#x306E;&#x4F5C;&#x54C1;&#x306B;&#x30A2;&#x30AB;&#x30A6;&#x30F3;&#x30C8;&#x5229;&#x7528;&#x53EF;&#x80FD;&#x306A;&#x69CB;&#x9020;&#x60C5;&#x5831;&#x3092;&#x64AE;&#x5F71;&#x3057;&#x3066;&#x3044;&#x307E;&#x305B;&#x3093;&#x3002;&#x30E2;&#x30C7;&#x30EB;&#x304C;&#x3042;&#x308A;&#x307E;&#x3059;&#x77DB;&#x76FE;&#x3059;&#x308B;&#x751F;&#x7269;&#x5B66;&#x7684;&#x77E5;&#x8B58;&#x3068;&#x63A8;&#x5B9A;&#x69CB;&#x9020;&#x306E;&#x5236;&#x7D04;&#x306A;&#x3057;&#x306E;&#x63A8;&#x5B9A;&#x65B9;&#x6CD5;&#x304C;&#x3042;&#x308A;&#x307E;&#x3059; over-fit&#x3002;

&#x907A;&#x4F1D;&#x5B50;&#x5236;&#x5FA1;&#x30CD;&#x30C3;&#x30C8;&#x30EF;&#x30FC;&#x30AF;&#x306E;&#x69CB;&#x9020;&#x30B7;&#x30B9;&#x30C6;&#x30E0;&#x306E;&#x540C;&#x5B9A;&#x3002;

&#xC2E4;&#xD5D8; &#xB370;&#xC774;&#xD130;&#xC5D0;&#xC11C; &#xC720;&#xC804;&#xC790; &#xADDC;&#xC81C; &#xB124;&#xD2B8;&#xC6CC;&#xD06C;&#xC758; &#xB9AC;&#xBC84;&#xC2A4; &#xC5D4;&#xC9C0;&#xB2C8;&#xC5B4;&#xB9C1; &#xC720;&#xC804;&#xC790; &#xB124;&#xD2B8;&#xC6CC;&#xD06C;&#xC758; &#xBAA8;&#xB378;&#xB9C1;&#xC744; &#xC704;&#xD55C; &#xCCAB; &#xBC88;&#xC9F8; &#xB2E8;&#xACC4;&#xC785;&#xB2C8;&#xB2E4;. &#xC120;&#xD615; &#xC0C1;&#xD0DC; &#xACF5;&#xAC04; &#xBAA8;&#xB378;&#xB85C; &#xC54C;&#xB824;&#xC9C4; &#xC120;&#xD615; &#xB3D9;&#xC801; &#xBAA8;&#xB378;&#xC5D0;&#xC11C; &#xC9C4; &#xC2DD; &#xC2DC;&#xACC4;&#xC5F4; &#xB370;&#xC774;&#xD130;, &#xC720;&#xC804;&#xC790; &#xB124;&#xD2B8;&#xC6CC;&#xD06C; &#xBAA8;&#xB378;&#xC5D0; &#xC801;&#xC6A9; &#xB41C; &#xC788;&#xC9C0;&#xB9CC; &#xACC4;&#xC815; &#xC0AC;&#xC6A9;&#xD560; &#xC218; &#xC788;&#xB294; &#xAD6C;&#xC870; &#xC815;&#xBCF4;&#xC5D0; &#xAE30;&#xC874; &#xC791;&#xD488;&#xC744; &#xCD2C;&#xC601; &#xD558;&#xC9C0; &#xC54A;&#xC558;&#xC2B5;&#xB2C8;&#xB2E4;. &#xAD6C;&#xC870;&#xC801; &#xC81C;&#xC57D; &#xC5C6;&#xC774; &#xC0DD;&#xBB3C; &#xD559;&#xC801; &#xC9C0;&#xC2DD; &#xBC0F; &#xCD94;&#xC815; &#xBAA8;&#xB378; &#xBAA8;&#xC21C; &#xB420; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4; &#xCD94;&#xC815; &#xBC29;&#xBC95; over-fit &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;.

&#xC720;&#xC804;&#xC801; &#xADDC;&#xC81C; &#xB124;&#xD2B8;&#xC6CC;&#xD06C;&#xC758; &#xAD6C;&#xC870; &#xC2DC;&#xC2A4;&#xD15C; &#xC2DD;&#xBCC4; &#xD569;&#xB2C8;&#xB2E4;.

Ingenier&iacute;a inversa de redes reguladoras gen&eacute;ticas de datos experimentales es el primer paso hacia la modelaci&oacute;n de redes gen&eacute;ticas. Modelos lineales de espacio de estado, tambi&eacute;n conocido como lineares modelos din&aacute;micos, se han aplicado a redes gen&eacute;ticas de modelo de datos de series de tiempo de expresi&oacute;n gen&eacute;tica, pero los trabajos existentes no han tomado en cuenta la informaci&oacute;n estructural disponible. Sin limitaciones estructurales, Estimado modelos pueden contradecir el conocimiento biol&oacute;gico y estimaci&oacute;n de m&eacute;todos pueden over-fit.

Identificaci&oacute;n de sistemas estructurales de las redes de regulaci&oacute;n gen&eacute;ticas.

Anche se molto &egrave; conosciuto circa un gene o proteina e le sue funzioni in condizioni ambientali diverse, poco sono disponibili informazioni circa il complesso comportamento delle reti biologiche soggette a perturbazioni ambientali differenti. Osservando le espressioni differenziali di uno o pi&ugrave; geni tra cellule normali e anormali &egrave; stato un metodo tradizionale di scoprire pertinenti geni nelle malattie e obiettivi farmacologici quindi prezioso. Tuttavia, ad oggi, nessun tale metodo esiste per chiarire e quantificare il comportamento dinamico differenziale delle reti di regolazione genetiche, che pu&ograve; avere un impatto maggiore sui fenotipi di singoli geni.

Analisi del percorso dinamico.

&#x867D;&#x7136;&#x5F88;&#x591A;&#x5DF2;&#x77E5;&#x7684;&#x7EA6;&#x6709;&#x4E00;&#x4E2A;&#x57FA;&#x56E0;&#x6216;&#x86CB;&#x767D;&#x548C;&#x5176;&#x5728;&#x4E0D;&#x540C;&#x73AF;&#x5883;&#x6761;&#x4EF6;&#x4E0B;&#x7684;&#x804C;&#x80FD;&#xFF0C;&#x4F46;&#x51E0;&#x4E4E;&#x6CA1;&#x6709;&#x8D44;&#x6599;&#x6709;&#x5173;&#x53D7;&#x4E0D;&#x540C;&#x73AF;&#x5883;&#x6270;&#x52A8;&#x7684;&#x751F;&#x7269;&#x7F51;&#x7EDC;&#x7684;&#x590D;&#x6742;&#x884C;&#x4E3A;&#x3002;&#x89C2;&#x6D4B;&#x7684;&#x6B63;&#x5E38;&#x548C;&#x5F02;&#x5E38;&#x7684;&#x5355;&#x5143;&#x683C;&#x4E4B;&#x95F4;&#x7684;&#x4E00;&#x4E2A;&#x6216;&#x591A;&#x4E2A;&#x57FA;&#x56E0;&#x5DEE;&#x5F02;&#x8868;&#x8FBE;&#x5DF2;&#x53D1;&#x73B0;&#x75BE;&#x75C5;&#x76F8;&#x5173;&#x57FA;&#x56E0;&#x56E0;&#x6B64;&#x5B9D;&#x8D35;&#x7684;&#x836F;&#x7269;&#x9776;&#x70B9;&#x7684;&#x4E3B;&#x6D41;&#x65B9;&#x6CD5;&#x3002;&#x7136;&#x800C;&#xFF0C;&#x5230;&#x76EE;&#x524D;&#x4E3A;&#x6B62;&#xFF0C;&#x6CA1;&#x6709;&#x8FD9;&#x79CD;&#x65B9;&#x6CD5;&#x5B58;&#x5728;&#x7684;&#x9610;&#x53D1;&#x548C;&#x91CF;&#x5316;&#x7684;&#x9057;&#x4F20;&#x8C03;&#x63A7;&#x7684;&#x7F51;&#x7EDC;&#xFF0C;&#x53EF;&#x4EE5;&#x6709;&#x66F4;&#x5927;&#x7684;&#x5F71;&#x54CD;&#x5C31;&#x6BD4;&#x4E2A;&#x4F53;&#x57FA;&#x56E0;&#x8868;&#x578B;&#x5FAE;&#x5206;&#x52A8;&#x529B;&#x5B66;&#x884C;&#x4E3A;&#x3002;

&#x52A8;&#x6001;&#x8DEF;&#x5F84;&#x5206;&#x6790;&#x3002;

Although a great deal is known about one gene or protein and its functions under different environmental conditions, little information is available about the complex behaviour of biological networks subject to different environmental perturbations. Observing differential expressions of one or more genes between normal and abnormal cells has been a mainstream method of discovering pertinent genes in diseases and therefore valuable drug targets. However, to date, no such method exists for elucidating and quantifying the differential dynamical behaviour of genetic regulatory networks, which can have greater impact on phenotypes than individual genes.

Dynamical pathway analysis.

Bien que beaucoup de choses est connue sur un g&egrave;ne ou prot&eacute;ine et ses fonctions dans des conditions environnementales diff&eacute;rentes, peu d&#39;information est disponible sur le comportement complex des r&eacute;seaux biologiques soumis &agrave; des perturbations environnementales diff&eacute;rentes. Observant les expressions diff&eacute;rentielles d&#39;une ou de plusieurs g&egrave;nes entre les cellules normales et anormales a &eacute;t&eacute; une m&eacute;thode grand public de d&eacute;couvrir les g&egrave;nes pertinents dans les maladies et les cibles de m&eacute;dicaments donc pr&eacute;cieux. Toutefois, &agrave; ce jour, aucune de ces m&eacute;thodes n&#39;existe pour &eacute;lucider et quantifier le comportement dynamique diff&eacute;rentiel des r&eacute;seaux de r&eacute;gulation g&eacute;n&eacute;tiques, qui peut avoir plus d&#39;impact sur les ph&eacute;notypes que des g&egrave;nes individuels.

Analyse dynamique de voie.

Obwohl sehr viel &uuml;ber ein Gen oder Protein und seine Funktionen unter verschiedenen Umweltbedingungen bekannt ist, gibt wenig Informationen &uuml;ber die komplexen Verhaltens biologischer Netzwerke unterliegen verschiedenen &ouml;kologischen Perturbationen. Differenzielle Ausdr&uuml;cke von einem oder mehreren Genen zwischen normalen und abnormalen Zellen beobachtet wurde einer etablierten Methode relevante Gene in Krankheiten und daher wertvolle Droge-Ziele zu entdecken. Bis heute existiert jedoch keine solche Methode f&uuml;r die und das differenzielle dynamische Verhalten der genetischen regulatorischen Netzwerken, die gr&ouml;&szlig;ere Auswirkungen auf Ph&auml;notypen als einzelne Gene k&ouml;nnen zu quantifizieren.

Analyse der dynamischen Weg.

&#x591A;&#x5927;&#x306A;&#x7D04; 1 &#x3064;&#x306E;&#x907A;&#x4F1D;&#x5B50;&#x3084;&#x30BF;&#x30F3;&#x30D1;&#x30AF;&#x8CEA;&#x3068;&#x305D;&#x306E;&#x95A2;&#x6570;&#x306E;&#x7570;&#x306A;&#x308B;&#x74B0;&#x5883;&#x6761;&#x4EF6;&#x4E0B;&#x3067;&#x77E5;&#x3089;&#x308C;&#x3066;&#x3044;&#x308B;&#x304C;&#x3001;&#x5C11;&#x3057;&#x60C5;&#x5831;&#x306F;&#x7570;&#x306A;&#x308B;&#x74B0;&#x5883;&#x64FE;&#x4E71;&#x5BFE;&#x8C61;&#x751F;&#x7269;&#x30CD;&#x30C3;&#x30C8;&#x30EF;&#x30FC;&#x30AF;&#x306E;&#x8907;&#x96D1;&#x306A;&#x6319;&#x52D5;&#x306B;&#x3064;&#x3044;&#x3066;&#x5229;&#x7528;&#x53EF;&#x80FD;&#x306A;&#x3067;&#x3059;&#x3002;1 &#x3064;&#x307E;&#x305F;&#x306F;&#x8907;&#x6570;&#x306E;&#x907A;&#x4F1D;&#x5B50;&#x7570;&#x5E38;&#x7D30;&#x80DE;&#x9593;&#x306E;&#x5DEE;&#x52D5;&#x5F0F;&#x89B3;&#x5BDF;&#x95A2;&#x9023;&#x907A;&#x4F1D;&#x5B50;&#x75BE;&#x60A3;&#x3057;&#x305F;&#x304C;&#x3063;&#x3066;&#x8CB4;&#x91CD;&#x306A;&#x5275;&#x85AC;&#x30BF;&#x30FC;&#x30B2;&#x30C3;&#x30C8;&#x306E;&#x767A;&#x898B;&#x306E;&#x4E3B;&#x6D41;&#x306E;&#x65B9;&#x6CD5;&#x3092;&#x3055;&#x308C;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x305F;&#x3060;&#x3057;&#x3001;&#x65E5;&#x4ED8;&#x3059;&#x308B;&#x306B;&#x306F;&#x3001;&#x3053;&#x306E;&#x3088;&#x3046;&#x306A;&#x30E1;&#x30BD;&#x30C3;&#x30C9;&#x306E;&#x89E3;&#x660E;&#x3068;&#x3088;&#x308A;&#x500B;&#x3005; &#x306E;&#x907A;&#x4F1D;&#x5B50;&#x306E;&#x8868;&#x73FE;&#x578B;&#x306B;&#x5927;&#x304D;&#x306A;&#x5F71;&#x97FF;&#x3092;&#x4E0E;&#x3048;&#x308B;&#x3053;&#x3068;&#x304C;&#x3067;&#x304D;&#x307E;&#x3059;&#x907A;&#x4F1D;&#x5B50;&#x306E;&#x5236;&#x5FA1;&#x30CD;&#x30C3;&#x30C8;&#x30EF;&#x30FC;&#x30AF;&#x306E;&#x5DEE;&#x52D5;&#x306E;&#x529B;&#x5B66;&#x6319;&#x52D5;&#x306E;&#x5B9A;&#x91CF;&#x5316;&#x5B58;&#x5728;&#x3057;&#x307E;&#x305B;&#x3093;&#x3002;

&#x52D5;&#x7684;&#x7D4C;&#x8DEF;&#x5206;&#x6790;&#x3002;

&#xBE44;&#xB85D; &#xD070; &#xAC70;&#xB798;&#xC5D0; &#xB300; &#xD55C; &#xD558;&#xB098;&#xC758; &#xC720;&#xC804;&#xC790; &#xB610;&#xB294; &#xB2E8;&#xBC31;&#xC9C8; &#xBC0F; &#xB2E4;&#xB978; &#xD658;&#xACBD; &#xC870;&#xAC74; &#xD558;&#xC5D0;&#xC11C; &#xADF8; &#xAE30;&#xB2A5; &#xC54C;&#xB824;&#xC838; &#xC788;&#xC9C0;&#xB9CC;, &#xC791;&#xC740; &#xC815;&#xBCF4;&#xB294; &#xB2E4;&#xB978; &#xD658;&#xACBD; &#xBB3C;&#xACB0;&#xC5D0; &#xB530;&#xB77C; &#xC0DD;&#xBB3C; &#xB124;&#xD2B8;&#xC6CC;&#xD06C;&#xC758; &#xBCF5;&#xC7A1; &#xD55C; &#xD589;&#xB3D9;&#xC5D0; &#xB300;&#xD574;. &#xC815;&#xC0C1; &#xBC0F; &#xBE44;&#xC815;&#xC0C1; &#xC138;&#xD3EC; &#xC0AC;&#xC774;&#xC758; &#xD558;&#xB098; &#xC774;&#xC0C1;&#xC758; &#xC720;&#xC804;&#xC790;&#xC758; &#xCC28;&#xB3D9; &#xC2DD; &#xAD00;&#xCC30; &#xC9C8;&#xBCD1; &#xACE0; &#xB530;&#xB77C;&#xC11C; &#xADC0;&#xC911; &#xD55C; &#xC57D;&#xBB3C; &#xBAA9;&#xD45C;&#xC5D0; &#xAD00;&#xB828; &#xB41C; &#xC720;&#xC804;&#xC790;&#xB97C; &#xBC1C;&#xACAC; &#xD558;&#xB294; &#xC8FC;&#xB958; &#xBC29;&#xBC95; &#xB418;&#xC5C8;&#xC2B5;&#xB2C8;&#xB2E4;. &#xADF8;&#xB7EC;&#xB098;, &#xC9C0;&#xAE08;&#xAE4C;&#xC9C0; &#xADF8;&#xB7EC;&#xD55C; &#xBC29;&#xBC95; elucidating &#xD558; &#xACE0; &#xAC1C;&#xBCC4; &#xC720;&#xC804;&#xC790; &#xBCF4;&#xB2E4;&#xB294; &#xACE0;&#xAE30;&#xC5D0; &#xB354; &#xD070; &#xC601;&#xD5A5;&#xC744; &#xBBF8;&#xCE60; &#xC218; &#xC788;&#xB294; &#xC720;&#xC804;&#xC801; &#xADDC;&#xC81C; &#xB124;&#xD2B8;&#xC6CC;&#xD06C;&#xC758; &#xCC28;&#xB3D9; &#xC5ED; &#xB3D9; &#xD589;&#xB3D9; &#xCE21;&#xC815;&#xC744; &#xC704;&#xD55C; &#xC874;&#xC7AC;.

&#xB3D9;&#xC801; &#xACBD;&#xB85C; &#xBD84;&#xC11D;&#xC785;&#xB2C8;&#xB2E4;.

Aunque mucho se conoce sobre un gen o prote&iacute;na y sus funciones bajo diferentes condiciones ambientales, poca informaci&oacute;n est&aacute; disponible sobre el comportamiento complejo de redes biol&oacute;gicas sujetas a perturbaciones ambientales diferentes. Observaci&oacute;n diferenciales expresiones de uno o m&aacute;s genes entre c&eacute;lulas normales y anormales ha sido un m&eacute;todo convencional de descubrir genes pertinentes en enfermedades y dianas farmacol&oacute;gicas por lo tanto valiosos. Sin embargo, hasta la fecha, dicho m&eacute;todo no existe para dilucidar y cuantificar el comportamiento din&aacute;mico diferencial de redes reguladoras gen&eacute;ticas, que pueden tener mayor impacto en los fenotipos de los genes individuales.

An&aacute;lisis de la din&aacute;mica de la v&iacute;a.

&#x795E;&#x7ECF;&#x4F20;&#x5BFC;&#x65F6;&#x6EDE;&#x662F;&#x4E00;&#x4E2A;&#x4E25;&#x91CD;&#x7684;&#x95EE;&#x9898;&#xFF0C;&#x9700;&#x8981;&#x91C7;&#x53D6;&#x5B9E;&#x65F6;&#x7684;&#x751F;&#x7269;&#x4F53;&#x3002;&#x5404;&#x79CD;&#x5F62;&#x5F0F;&#x7684; flash &#x6EDE;&#x6548;&#x5E94; &#xFF08;&#x5E7F;&#x64AD;&#x5267;&#xFF09; &#x5EFA;&#x8BAE;&#x4E2D;&#x67A2;&#x795E;&#x7ECF;&#x7CFB;&#x7EDF;&#x53EF;&#x6267;&#x884C;&#x5916;&#x63A8;&#x6CD5;&#x6765;&#x5F25;&#x8865;&#x5EF6;&#x8FDF;&#x3002;&#x4F8B;&#x5982;&#xFF0C;&#x8BAE;&#x6848;&#x5E7F;&#x64AD;&#x5267;&#x4E2D;, &#x79FB;&#x52A8;&#x5BF9;&#x8C61;&#x7684;&#x4F4D;&#x7F6E;&#x88AB;&#x8BA4;&#x4E3A;&#x662F;&#x4E4B;&#x524D;&#x7684;&#x77ED;&#x6682;&#x95EA;&#x5149;&#x65F6;&#x5176;&#x5B9E; colocalized&#x3002;&#x7136;&#x800C;&#xFF0C;&#x5355;&#x795E;&#x7ECF;&#x5143;&#x4E00;&#x7EA7;&#x5916;&#x63A8;&#x7684;&#x786E;&#x5207;&#x673A;&#x5236;&#x5DF2;&#x4E0D;&#x5B8C;&#x5168;&#x8C03;&#x67E5;&#x3002;&#x6211;&#x4EEC;&#x7684;&#x5047;&#x8BBE;&#x662F;&#x53D8;&#x5316;&#x7684;&#x5176;&#x52A8;&#x6001;&#x7075;&#x654F;&#x5EA6;&#x7387;&#x4E2D;&#xFF0C;&#x8F93;&#x5165;&#x4E0E;&#x4FC3;&#x8FDB;&#x795E;&#x7ECF;&#x7A81;&#x89E6;&#xFF0C;&#x53EF;&#x4EE5;&#x4F5C;&#x4E3A;&#x5916;&#x63A8;&#x7684;&#x795E;&#x7ECF;&#x57FA;&#x7840;&#x3002;&#x82E5;&#x8981;&#x6D4B;&#x8BD5;&#x8FD9;&#x4E00;&#x5047;&#x8BBE;&#xFF0C;&#x6211;&#x4EEC;&#x5EFA;&#x9020;&#x53CA;&#x6D4B;&#x8BD5;&#x7684;&#x4FBF;&#x5229;&#x52A8;&#x529B;&#x5B66;&#x6A21;&#x578B;&#x3002;&#x7B2C;&#x4E00;&#xFF0C;&#x6211;&#x4EEC;&#x6240;&#x5F97;&#x7684;&#x4FBF;&#x5229;&#x5355;&#x795E;&#x7ECF;&#x5143;&#x4E00;&#x7EA7;&#x52A8;&#x529B;&#x5B66;&#x7684;&#x6263;&#x7403;&#x795E;&#x7ECF;&#x5143;&#x6A21;&#x578B;&#x548C;&#x4EAE;&#x5EA6;&#x5E7F;&#x64AD;&#x5267;&#x57DF;&#x4E2D;&#x5BF9;&#x5176;&#x8FDB;&#x884C;&#x6D4B;&#x8BD5;&#x3002;&#x7B2C;&#x4E8C;&#xFF0C;&#x6263;&#x7403;&#x795E;&#x7ECF;&#x5143;&#x6A21;&#x578B;&#x88AB;&#x6269;&#x5C55;&#xFF0C;&#x4EE5;&#x5305;&#x542B;&#x591A;&#x4E2A;&#x795E;&#x7ECF;&#x5143;&#x548C;&#x7A57;&#x8BA1;&#x65F6;&#x76F8;&#x5173;&#x53EF;&#x5851;&#x6027; &#xFF08;STDP&#xFF09; &#x548C;&#x5E7F;&#x64AD;&#x5267;&#x7684;&#x65B9;&#x5411;&#x8FDB;&#x884C;&#x4E86;&#x6D4B;&#x8BD5;&#x3002;&#x7ED3;&#x679C;&#x663E;&#x793A;&#x5EF6;&#x8FDF;&#x8865;&#x507F;&#x3001; &#x5E7F;&#x64AD;&#x5267;&#xFF0C;&#x548C;&#x4FC3;&#x8FDB;&#x795E;&#x7ECF;&#x7A81;&#x89E6;/STDP &#x4E4B;&#x95F4;&#x7262;&#x56FA;&#x7684;&#x5173;&#x7CFB;&#x3002;&#x7ED3;&#x679C;&#xFF0C;&#x9884;&#x8BA1;&#x65B0;&#x63ED;&#x793A;&#x5B9E;&#x65F6;&#x548C;&#x9884;&#x6D4B;&#x5728;&#x5927;&#x8111;&#x4E2D;&#xFF0C;&#x5728;&#x5355;&#x4E2A;&#x795E;&#x7ECF;&#x5143;&#x4E00;&#x7EA7;&#x5904;&#x7406;&#x3002;

&#x901A;&#x8FC7;&#x4FC3;&#x8FDB;&#x795E;&#x7ECF;&#x7A81;&#x89E6;&#x548C; flash &#x6EDE;&#x6548;&#x5E94;&#x53CA;&#x5176;&#x4E0E;&#x5173;&#x7CFB;&#x7684;&#x63A7;&#x5236;&#x70B9;&#x5EF6;&#x8FDF;&#x8865;&#x507F;&#x3002;

Neural conduction delay is a serious issue for organisms that need to act in real time. Various forms of flash-lag effect (FLE) suggest that the nervous system may perform extrapolation to compensate for delay. For example, in motion FLE, the position of a moving object is perceived to be ahead of a brief flash when they are actually colocalized. However, the precise mechanism for extrapolation at a single-neuron level has not been fully investigated. Our hypothesis is that facilitating synapses, with their dynamic sensitivity to the rate of change in the input, can serve as a neural basis for extrapolation. To test this hypothesis, we constructed and tested models of facilitating dynamics. First, we derived a spiking neuron model of facilitating dynamics at a single-neuron level, and tested it in the luminance FLE domain. Second, the spiking neuron model was extended to include multiple neurons and spike-timing-dependent plasticity (STDP), and was tested with orientation FLE. The results showed a strong relationship between delay compensation, FLE, and facilitating synapses/STDP. The results are expected to shed new light on real time and predictive processing in the brain, at the single neuron level.

Extrapolative delay compensation through facilitating synapses and its relation to the flash-lag effect.

Retard de conduction neural est un probl&egrave;me grave pour les organismes qui ont besoin d&#39;agir en temps r&eacute;el. Diff&eacute;rentes formes de prise d&#39;effet de flash-gal (FLE) sugg&egrave;rent que le syst&egrave;me nerveux peut effectuer extrapolation pour compenser les retards. Par exemple, en mouvement, FLE, la position d&#39;un objet en mouvement est per&ccedil;ue comme devant un bref &eacute;clair lorsqu&#39;elles sont en fait colocalized. Toutefois, le m&eacute;canisme pr&eacute;cis pour l&#39;extrapolation &agrave; un niveau de single-neurone n&#39;a pas &eacute;t&eacute; pleinement &eacute;tudi&eacute;. Notre hypoth&egrave;se est que facilitant les synapses, avec leur sensibilit&eacute; dynamique pour le taux de variation dans l&#39;entr&eacute;e, peut servir de base neurale pour l&#39;extrapolation. Pour tester cette hypoth&egrave;se, nous avons construit et test&eacute; les mod&egrave;les de faciliter la dynamique. Tout d&#39;abord, nous avons d&eacute;riv&eacute;e d&#39;un mod&egrave;le de neurone fortification de faciliter dynamique &agrave; un niveau de single-neurone et test&eacute; dans le domaine FLE luminance. Deuxi&egrave;mement, le mod&egrave;le de neurone fortification a &eacute;t&eacute; &eacute;tendu pour inclure plusieurs neurones et la plasticit&eacute; de l&#39;&eacute;pi-calendrier-d&eacute;pendante (PDTS) et a &eacute;t&eacute; test&eacute; avec orientation FLE. Les r&eacute;sultats ont montr&eacute; une forte relation entre la compensation de retard, FLE et en facilitant les synapses/PDTS. Les r&eacute;sultats sont cens&eacute;s apporter un nouvel &eacute;clairage sur le temps r&eacute;el et pr&eacute;dictive de transformation dans le cerveau, au niveau du seul neurone.

Compensation de retard extrapolative en facilitant des synapses et sa relation avec l&#39;effet flash-gal.

Neuronale Leitverm&ouml;gen Verz&ouml;gerung ist ein ernstes Problem f&uuml;r Organismen, die in Echtzeit handeln m&uuml;ssen. Verschiedene Formen der Blitz-verlangsamen Effekt (FLE) schlagen vor, da&szlig; das Nervensystem Hochrechnung zum Ausgleich Verz&ouml;gerung durchf&uuml;hren k&ouml;nnen. Beispielsweise wird in Bewegung FLE, die Position des ein bewegtes Objekt wahrgenommen, vor einem kurzen Blitz zu sein, wenn sie tats&auml;chlich colocalized sind. Allerdings ist der genaue Mechanismus f&uuml;r die Hochrechnung auf einer Einzel-Neuron-Ebene nicht vollst&auml;ndig untersucht worden. Unsere Hypothese ist, dass die Erleichterung von Synapsen, mit dynamischen Empfindlichkeit gegen&uuml;ber die &Auml;nderungsrate in der Eingabe, als neuronale Basis f&uuml;r die Hochrechnung dienen kann. Um diese Hypothese zu testen, haben wir gebaut und getestet Modelle Dynamik zu erleichtern. Erstens wir abgeleitet Blindkontrollen Neuron Modell Dynamik auf einer Einzel-Neuron-Ebene zu erleichtern und es in der Luminanz-FLE-Dom&auml;ne getestet. Zweitens das Blindkontrollen Neuron-Modell wurde erweitert, um mehrere Neuronen und Spike-Timing-abh&auml;ngigen Plastizit&auml;t (STDP) enthalten und mit Ausrichtung FLE getestet wurde. Die Ergebnisse zeigten eine starke Beziehung zwischen Delay Compensation, FLE und Synapsen/STDP zu erleichtern. Die Ergebnisse werden erwartet, um neues Licht auf Echtzeit und vorausschauende Verarbeitung im Gehirn, auf der Ebene der einzelnen Neuron.

Extrapolative Delay Compensation durch Erleichterung der Synapsen und ihre Beziehung zu den Blitz-Verz&ouml;gerung-Effekt.

Ritardo di conduzione neurale &egrave; un problema serio per gli organismi che hanno bisogno di agire in tempo reale. Varie forme di effetto flash-GAL (FLE) suggeriscono che il sistema nervoso pu&ograve; eseguire un&#39;estrapolazione per compensare il ritardo. Ad esempio, nel movimento FLE, la posizione di un oggetto in movimento &egrave; percepita come davanti a un breve flash quando sono in realt&agrave; colocalized. Tuttavia, il meccanismo preciso per estrapolazione a livello di singolo neurone non &egrave; stato completamente studiato. La nostra ipotesi sono che facilitando le sinapsi, con la loro sensibilit&agrave; dinamica per il tasso di cambiamento nell&#39;input, pu&ograve; servire come una base neurale per estrapolazione. Per verificare questa ipotesi, abbiamo costruito e testato modelli di facilitare le dinamiche. In primo luogo, abbiamo derivato un modello di neurone spiking di facilitare le dinamiche a livello di singolo neurone e testato nel dominio FLE luminanza. In secondo luogo, il modello di neurone spiking &egrave; stato esteso per includere pi&ugrave; neuroni e spike-timing-dependent plasticit&agrave; (STDP) ed &egrave; stato testato con orientamento FLE. I risultati hanno mostrato una forte relazione tra delay compensation, FLE e facilitando la sinapsi/STDP. I risultati sono attesi a gettare nuova luce su real time e predittiva di elaborazione nel cervello, a livello di singolo neurone.

Extrapolative delay compensation attraverso facilitando la sinapsi e il suo rapporto con l&#39;effetto flash-lag.

&#x795E;&#x7D4C;&#x4F1D;&#x5C0E;&#x9045;&#x5EF6;&#x306F;&#x3001;&#x30EA;&#x30A2;&#x30EB;&#x30BF;&#x30A4;&#x30E0;&#x306B;&#x884C;&#x52D5;&#x3059;&#x308B;&#x5FC5;&#x8981;&#x304C;&#x3042;&#x308B;&#x751F;&#x7269;&#x306B;&#x3068;&#x3063;&#x3066;&#x6DF1;&#x523B;&#x306A;&#x554F;&#x984C;&#x3067;&#x3059;&#x3002;&#x30D5;&#x30E9;&#x30C3;&#x30B7;&#x30E5;&#x30E9;&#x30B0;&#x52B9;&#x679C; (FLE) &#x306E;&#x69D8;&#x3005; &#x306A;&#x5F62;&#x614B;&#x306F;&#x3001;&#x795E;&#x7D4C;&#x7CFB;&#x9045;&#x5EF6;&#x3092;&#x88DC;&#x3046;&#x305F;&#x3081;&#x306E;&#x5916;&#x633F;&#x3092;&#x5B9F;&#x884C;&#x3059;&#x308B;&#x53EF;&#x80FD;&#x6027;&#x304C;&#x3042;&#x308B;&#x3053;&#x3068;&#x3092;&#x304A;&#x52E7;&#x3081;&#x3057;&#x307E;&#x3059;&#x3002;&#x305F;&#x3068;&#x3048;&#x3070;&#x3001;&#x30E2;&#x30FC;&#x30B7;&#x30E7;&#x30F3; FLE &#x3067;&#x306F;&#x3001;&#x5B9F;&#x969B;&#x306B;&#x6559;&#x80B2;&#x8005;&#x3068;&#x304D;&#x7C21;&#x5358;&#x306A;&#x30D5;&#x30E9;&#x30C3;&#x30B7;&#x30E5;&#x306E;&#x524D;&#x306B;&#x79FB;&#x52D5;&#x30AA;&#x30D6;&#x30B8;&#x30A7;&#x30AF;&#x30C8;&#x306E;&#x4F4D;&#x7F6E;&#x304C;&#x611F;&#x77E5;&#x3055;&#x308C;&#x307E;&#x3059;&#x3002;&#x305F;&#x3060;&#x3057;&#x3001;&#x5358;&#x4E00;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3; &#x30EC;&#x30D9;&#x30EB;&#x3067;&#x5916;&#x633F;&#x6CD5;&#x306E;&#x6B63;&#x78BA;&#x306A;&#x30E1;&#x30AB;&#x30CB;&#x30BA;&#x30E0;&#x306F;&#x5341;&#x5206;&#x306B;&#x89E3;&#x660E;&#x3055;&#x308C;&#x3066;&#x3044;&#x307E;&#x305B;&#x3093;&#x3002;&#x79C1;&#x305F;&#x3061;&#x306E;&#x4EEE;&#x8AAC;&#x306F;&#x3001;&#x30B7;&#x30CA;&#x30D7;&#x30B9;&#x3001;&#x305D;&#x306E;&#x30C0;&#x30A4;&#x30CA;&#x30DF;&#x30C3;&#x30AF;&#x611F;&#x5EA6;&#x306F;&#x5165;&#x529B;&#x306E;&#x5909;&#x5316;&#x7387;&#x3092;&#x5BB9;&#x6613;&#x306B;&#x3059;&#x308B;&#x5916;&#x633F;&#x306E;&#x795E;&#x7D4C;&#x57FA;&#x76E4;&#x3068;&#x3057;&#x3066;&#x5F79;&#x7ACB;&#x3064;&#x3053;&#x3068;&#x304C;&#x3067;&#x304D;&#x308B;&#x3053;&#x3068;&#x3067;&#x3059;&#x3002;&#x3053;&#x306E;&#x4EEE;&#x8AAC;&#x3092;&#x30C6;&#x30B9;&#x30C8;&#x3059;&#x308B;&#x306B;&#x306F;&#x3001;&#x69CB;&#x7BC9;&#x3057;&#x3001;&#x30C0;&#x30A4;&#x30CA;&#x30DF;&#x30AF;&#x30B9;&#x3092;&#x4FC3;&#x9032;&#x3059;&#x308B;&#x30E2;&#x30C7;&#x30EB;&#x3092;&#x30C6;&#x30B9;&#x30C8;&#x3057;&#x307E;&#x3059;&#x3002;&#x307E;&#x305A;&#x3001;&#x30C0;&#x30A4;&#x30CA;&#x30DF;&#x30AF;&#x30B9;&#x3001;&#x5358;&#x4E00;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3; &#x30EC;&#x30D9;&#x30EB;&#x3067;&#x4FC3;&#x9032;&#x3059;&#x308B;&#x30B9;&#x30D1;&#x30A4;&#x30AD;&#x30F3;&#x30B0;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3; &#x30E2;&#x30C7;&#x30EB;&#x3092;&#x6D3E;&#x751F;&#x3057;&#x3001;&#x8F1D;&#x5EA6; FLE &#x30C9;&#x30E1;&#x30A4;&#x30F3;&#x3067;&#x30C6;&#x30B9;&#x30C8;&#x3057;&#x307E;&#x3059;&#x3002;&#x7B2C;&#x4E8C;&#x306B;&#x3001;&#x30B9;&#x30D1;&#x30A4;&#x30AD;&#x30F3;&#x30B0;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3; &#x30E2;&#x30C7;&#x30EB;&#x306F;&#x8907;&#x6570;&#x306E;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3;&#x306E;&#x30B9;&#x30D1;&#x30A4;&#x30AF; &#x30BF;&#x30A4;&#x30DF;&#x30F3;&#x30B0;&#x4F9D;&#x5B58;&#x53EF;&#x5851;&#x6027; (STDP) &#x304C;&#x3042;&#x308A;&#x307E;&#x3059;&#x306B;&#x62E1;&#x5F35;&#x3055;&#x308C;&#x3001;&#x9707;&#x64BC;&#x5411;&#x304D;&#x3067;&#x30C6;&#x30B9;&#x30C8;&#x3055;&#x308C;&#x307E;&#x3057;&#x305F;&#x3002;&#x305D;&#x306E;&#x7D50;&#x679C;&#x9045;&#x5EF6;&#x88DC;&#x511F;&#x3001;&#x9707;&#x64BC;&#x3001;&#x304A;&#x3088;&#x3073;&#x30B7;&#x30CA;&#x30D7;&#x30B9;/STDP &#x3092;&#x4FC3;&#x9032;&#x306E;&#x5F37;&#x529B;&#x306A;&#x95A2;&#x4FC2;&#x3092;&#x793A;&#x3057;&#x305F;&#x3002;&#x7D50;&#x679C;&#x306F;&#x30EA;&#x30A2;&#x30EB;&#x30BF;&#x30A4;&#x30E0;&#x3068;&#x4E88;&#x6E2C;&#x8133;&#x5358;&#x4E00;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3; &#x30EC;&#x30D9;&#x30EB;&#x3067;&#x306E;&#x51E6;&#x7406;&#x306E;&#x65B0;&#x3057;&#x3044;&#x5149;&#x3092;&#x5F53;&#x3066;&#x308B;&#x4E88;&#x5B9A;&#x3067;&#x3059;&#x3002;

&#x30B7;&#x30CA;&#x30D7;&#x30B9;&#x3068;&#x30D5;&#x30E9;&#x30C3;&#x30B7;&#x30E5;&#x30E9;&#x30B0;&#x52B9;&#x679C;&#x306E;&#x95A2;&#x4FC2;&#x306E;&#x5186;&#x6ED1;&#x5316;&#x3092;&#x901A;&#x3058;&#x3066;&#x5916;&#x633F;&#x9045;&#x5EF6;&#x88DC;&#x511F;&#x3002;

&#xC2E0;&#xACBD; &#xC804;&#xB3C4; &#xC9C0;&#xC5F0; &#xD589;&#xB3D9;&#xC744; &#xC2E4;&#xC2DC;&#xAC04;&#xC73C;&#xB85C; &#xD558;&#xB294; &#xC720;&#xAE30; &#xCCB4;&#xC5D0; &#xB300; &#xD55C; &#xC2EC;&#xAC01;&#xD55C; &#xBB38;&#xC81C;&#xC785;&#xB2C8;&#xB2E4;. &#xD50C;&#xB798;&#xC2DC;-&#xC9C0;&#xC5F0; &#xD6A8;&#xACFC; (FLE) &#xB2E4;&#xC591; &#xD55C; &#xD615;&#xD0DC;&#xC758; &#xC2E0; &#xACBD;&#xACC4; &#xC678;&#xC0BD; &#xBC95; &#xC9C0;&#xC5F0;&#xC5D0; &#xB300; &#xD55C; &#xBCF4;&#xC0C1;&#xC744; &#xC218;&#xD589;&#xD560; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4; &#xAC83;&#xC774; &#xC88B;&#xC2B5;&#xB2C8;&#xB2E4;. &#xC608;&#xB97C; &#xB4E4;&#xC5B4;, &#xBAA8;&#xC158; FLE, &#xC6C0;&#xC9C1;&#xC774;&#xB294; &#xBB3C;&#xCCB4;&#xC758; &#xC704;&#xCE58;&#xB294; &#xC55E;&#xC73C;&#xB85C; &#xAC04;&#xB2E8;&#xD55C; &#xD50C;&#xB798;&#xC2DC; &#xB420; &#xB54C; &#xADF8;&#xB4E4;&#xC740; &#xC2E4;&#xC81C;&#xB85C; colocalized &#xAC10;&#xC9C0; &#xB41C;&#xB2E4;. &#xADF8;&#xB7EC;&#xB098;, &#xB2E8;&#xC77C; &#xC2E0;&#xACBD; &#xC218;&#xC900;&#xC5D0;&#xC11C; &#xC678;&#xC0BD; &#xBC95;&#xC5D0; &#xB300; &#xD55C; &#xC815;&#xD655;&#xD55C; &#xBA54;&#xCEE4;&#xB2C8;&#xC998; &#xC644;&#xBCBD; &#xD558; &#xAC8C; &#xC870;&#xC0AC; &#xD558;&#xC9C0;&#xB294;. &#xC6B0;&#xB9AC;&#xC758; &#xAC00;&#xC124;&#xC740; &#xADF8;&#xB97C; &#xC785;&#xB825; &#xBCC0;&#xACBD; &#xBE44;&#xC728;&#xC5D0; &#xADF8;&#xB4E4;&#xC758; &#xB3D9;&#xC801; &#xAC10;&#xB3C4;&#xC640; &#xB0C5;, &#xCD09;&#xC9C4; &#xC678;&#xC0BD; &#xBC95;&#xC5D0; &#xB300; &#xD55C; &#xC2E0;&#xACBD; &#xAE30;&#xC900;&#xC73C;&#xB85C; &#xAC80;&#xC0C9;&#xD560; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;. &#xC774; &#xAC00;&#xC124;&#xC744; &#xD14C;&#xC2A4;&#xD2B8; &#xD558;&#xB824;&#xBA74; &#xC6B0;&#xB9AC; &#xAC74;&#xC124; &#xD558; &#xACE0; &#xC5ED;&#xD559;&#xC744; &#xCD09;&#xC9C4; &#xBAA8;&#xB378; &#xC2DC;&#xD5D8;. &#xCCAB;&#xC9F8;, &#xC6B0;&#xB9AC; &#xC5ED;&#xD559; &#xB2E8;&#xC77C; &#xC2E0;&#xACBD; &#xC218;&#xC900;&#xC5D0;&#xC11C; &#xCD09;&#xC9C4;&#xC758; &#xC0AC;&#xC6A9;&#xB960;&#xC774; &#xC2E0;&#xACBD; &#xBAA8;&#xB378;&#xC744; &#xD30C;&#xC0DD; &#xD558; &#xACE0; &#xAD11;&#xB3C4; FLE &#xB3C4;&#xBA54;&#xC778;&#xC5D0;&#xC11C; &#xD14C;&#xC2A4;&#xD2B8;. &#xB458;&#xC9F8;, &#xC2A4;&#xD30C;&#xC774;&#xD06C; &#xC2E0;&#xACBD; &#xBAA8;&#xB378; &#xC5EC;&#xB7EC; &#xC2E0;&#xACBD;&#xC774; &#xC18C;&#xC131; &#xC2A4;&#xD30C;&#xC774;&#xD06C; &#xD0C0;&#xC774;&#xBC0D; &#xC885;&#xC18D; (STDP)&#xB97C; &#xD3EC;&#xD568; &#xD558;&#xB3C4;&#xB85D; &#xD655;&#xC7A5; &#xB418;&#xC5C8;&#xC2B5;&#xB2C8;&#xB2E4; &#xADF8;&#xB9AC;&#xACE0; &#xC815;&#xBE44;&#xC758; &#xBC29;&#xD5A5;&#xC73C;&#xB85C; &#xD14C;&#xC2A4;&#xD2B8;&#xB97C; &#xD588;&#xB2E4;. &#xACB0;&#xACFC; &#xC9C0;&#xC5F0; &#xBCF4;&#xC0C1;, &#xC815;&#xBE44;&#xC758; &#xBC0F; &#xC2DC; &#xB0C5; &#xC2A4;/STDP&#xC744; &#xC6A9;&#xC774; &#xD558; &#xAC8C; &#xAC15;&#xD55C; &#xAD00;&#xACC4;&#xB97C; &#xBCF4;&#xC5EC;&#xC8FC;&#xC5C8;&#xB2E4;. &#xACB0;&#xACFC; &#xC2E4;&#xC2DC;&#xAC04;&#xC73C;&#xB85C; &#xC608;&#xCE21; &#xCC98;&#xB9AC; &#xB2E8;&#xC77C; &#xC2E0;&#xACBD; &#xC218;&#xC900;&#xC5D0;&#xC11C; &#xB1CC;&#xC5D0; &#xC0C8;&#xB85C;&#xC6B4; &#xBE5B;&#xC744; &#xBC1C;&#xC0B0; &#xAC83;&#xC73C;&#xB85C; &#xC608;&#xC0C1; &#xB41C;&#xB2E4;.

&#xC2DC; &#xB0C5; &#xC2A4;&#xC640; &#xD50C;&#xB798;&#xC2DC; &#xC9C0;&#xC5F0; &#xD6A8;&#xACFC; &#xAD00;&#xACC4; &#xCD09;&#xC9C4;&#xC744; &#xD1B5;&#xD574; extrapolative &#xC9C0;&#xC5F0; &#xBCF4;&#xC0C1;.

Retraso de la conducci&oacute;n neural es un problema grave para los organismos que tienen que actuar en tiempo real. Diversas formas de efecto flash-lag (FLE) sugieren que el sistema nervioso pueden hacer extrapolaci&oacute;n para compensar el retraso. Por ejemplo, en el movimiento FLE, la posici&oacute;n de un objeto en movimiento se entiende que por delante un breve flash cuando est&eacute;n realmente colocalized. Sin embargo, el mecanismo exacto para la extrapolaci&oacute;n a nivel individual-neurona no ha sido completamente investigado. Nuestra hip&oacute;tesis es que facilitar las sinapsis, con su sensibilidad din&aacute;mica a la tasa de cambio en la entrada, puede servir como una base neuronal por extrapolaci&oacute;n. Para probar esta hip&oacute;tesis, hemos construido y probado modelos de din&aacute;mica de facilitar. Primero, hab&iacute;a derivado de un modelo de neurona clavaba de facilitar din&aacute;mica a nivel de neuronas individuales y hab&iacute;a probado en el dominio FLE de luminancia. En segundo lugar, el modelo de neurona clavaba se ampli&oacute; para incluir m&uacute;ltiples neuronas y plasticidad de punto-tiempo-dependiente (STDP) y fue testeado con orientaci&oacute;n FLE. Los resultados mostraron una fuerte relaci&oacute;n entre la compensaci&oacute;n de retardo, FLE y facilitando la sinapsis/STDP. Se espera que los resultados arrojan nueva luz en tiempo real y predictivo de procesamiento en el cerebro, a nivel individual de la neurona.

Compensaci&oacute;n de retardo extrapolative facilitando la sinapsis y su relaci&oacute;n con el efecto flash-lag.

&#x76EE;&#x6807;&#x5BFC;&#x5411;&#x884C;&#x4E3A;&#x662F;&#x8BA4;&#x77E5;&#x7684;&#x6807;&#x5FD7;&#x3002;&#x76EE;&#x6807;&#x5BFC;&#x5411;&#x884C;&#x4E3A;&#x7684;&#x91CD;&#x8981;&#x524D;&#x63D0;&#x662F;&#x9884;&#x6D4B;&#x3002;&#x4E3A;&#x4E86;&#x5EFA;&#x7ACB;&#x4E00;&#x4E2A;&#x76EE;&#x6807;&#x548C;&#x5236;&#x5B9A;&#x4E00;&#x9879;&#x8BA1;&#x5212;&#xFF0C;&#x4E00;&#x4E2A;&#x9700;&#x8981;&#x770B;&#x5230;&#x672A;&#x6765;&#x548C;&#x9884;&#x6D4B;&#x5C06;&#x6765;&#x53EF;&#x80FD;&#x53D1;&#x751F;&#x3002;&#x6211;&#x4EEC;&#x8F83;&#x65E9;&#x524D;&#x7684;&#x5DE5;&#x4F5C;&#x5EFA;&#x8BAE;&#x53EF;&#x80FD;&#x6709;&#x795E;&#x7ECF;&#x5143;&#x4F20;&#x8F93;&#x5EF6;&#x8FDF;&#x7684;&#x8865;&#x507F;&#x673A;&#x5236;&#x5BFC;&#x81F4;&#x521D;&#x6B65;&#x9884;&#x6D4B;&#x7684;&#x7A97;&#x4F53;&#x3002;&#x5728;&#x8FD9;&#x9879;&#x5DE5;&#x4F5C;&#xFF0C;&#x4FC3;&#x8FDB;&#x795E;&#x7ECF;&#x5143;&#x52A8;&#x529B;&#x5B66;&#x53D1;&#x73B0;&#x80FD;&#x6709;&#x6548;&#x5730;&#x514B;&#x670D;&#x62D6;&#x5EF6; &#xFF08;&#x4FC3;&#x8FDB;&#x6FC0;&#x6D3B;&#x7F51;&#x7EDC;&#x6A21;&#x578B;&#x6216;&#x98CE;&#x6247;&#xFF09;&#x3002;&#x5EF6;&#x8FDF;&#x8865;&#x507F;&#x673A;&#x5236;&#x7684;&#x63A7;&#x5236;&#x70B9;&#x5C5E;&#x6027;&#x53EF;&#x4EE5;&#x88AB;&#x89C6;&#x4E3A;&#x9884;&#x6D4B; &#xFF08;&#x9884;&#x6D4B;&#x57FA;&#x4E8E;&#x8FC7;&#x53BB;&#x73B0;&#x5728;&#xFF09; &#x7684;&#x4F20;&#x5165;&#x4FE1;&#x53F7;&#x3002;&#x4EE5;&#x524D;&#x7684;&#x98CE;&#x6247;&#x6A21;&#x578B;&#x539F;&#x6765;&#x6709;&#x9650;&#x5236;&#x8F83;&#x957F;&#x7684;&#x5EF6;&#x8FDF;&#x9700;&#x8981;&#x5F97;&#x5230;&#x8865;&#x507F;&#x65F6;&#xFF0C;&#x7279;&#x522B;&#x662F;&#x5176;&#x4E2D;&#x8981;&#x6C42;&#x8C03;&#x89E3;&#x7387;&#x9AD8;&#x4E8E;&#x98CE;&#x6247;&#x7684;&#x6B63;&#x5E38;&#x8303;&#x56F4;&#x3002;&#x6211;&#x4EEC;&#x8981;&#x514B;&#x670D;&#x8FD9;&#x4E00;&#x5C40;&#x9650;&#x6027;&#x7684;&#x795E;&#x7ECF;&#x5143;&#x7EA7;&#x522B;&#x6539;&#x8FDB;&#x4FC3;&#x8FDB;&#x52A8;&#x6001;&#x6D3E;&#x751F;&#x3002;&#x5728;&#x672C;&#x6587;&#x4E2D;&#xFF0C;&#x6211;&#x4EEC;&#x6D4B;&#x8BD5;&#x63A7;&#x5236;&#x5668;&#x7684; 2D &#x6746;&#x5E73;&#x8861;&#xFF0C;&#x6211;&#x4EEC;&#x63D0;&#x8BAE;&#x7684;&#x529E;&#x6CD5;&#x663E;&#x793A;&#x4F4D;&#x7F6E;&#x7684;&#x65B0;&#x65B9;&#x6CD5;&#x8981;&#x6BD4;&#x4EE5;&#x524D;&#x7684;&#x98CE;&#x6247;&#x6A21;&#x578B;&#x66F4;&#x597D;&#x5730;&#x6267;&#x884C;&#x3002;&#x63A5;&#x4E0B;&#x6765;&#xFF0C;&#x6211;&#x4EEC;&#x5BF9;&#x4FC3;&#x8FDB;&#x52A8;&#x6001;&#x7684;&#x611F;&#x89C9;&#x4E0E;&#x8FD0;&#x52A8;&#x795E;&#x7ECF;&#x5143;&#xFF0C;&#x53D1;&#x73B0;&#x8FD0;&#x52A8;&#x795E;&#x7ECF;&#x5143;&#x5229;&#x7528;&#x4FBF;&#x5229;&#x7684;&#x52A8;&#x6001;&#x591A;&#x611F;&#x5B98;&#x7684;&#x795E;&#x7ECF;&#x5143;&#x5229;&#x7528;&#x5DEE;&#x5F02;&#x8FDB;&#x884C;&#x8C03;&#x67E5;&#x3002;&#x8FD9;&#x4E9B;&#x7814;&#x7A76;&#x7ED3;&#x679C;&#x9884;&#x8BA1;&#x5C06;&#x5E2E;&#x52A9;&#x6211;&#x4EEC;&#x66F4;&#x597D;&#x5730;&#x4E86;&#x89E3;&#x5176;&#x4F5C;&#x7528;&#x662F;&#x4FC3;&#x8FDB;&#x52A8;&#x6001;&#x5EF6;&#x8FDF;&#x8865;&#x507F;&#xFF0C;&#x5E76;&#x53EF;&#x80FD;&#x53D1;&#x5C55;&#x6210;&#x9884;&#x6D4B;&#x3001; &#x76EE;&#x6807;&#x5BFC;&#x5411;&#x884C;&#x4E3A;&#x7684;&#x5FC5;&#x8981;&#x6761;&#x4EF6;&#x3002;

&#x4FC3;&#x8FDB;&#x795E;&#x7ECF;&#x52A8;&#x529B;&#x5B66;&#x5EF6;&#x8FDF;&#x8865;&#x507F;&#xFF1A; &#x9884;&#x6D4B;&#x7684;&#x795E;&#x7ECF;&#x52A8;&#x529B;&#x5B66;&#x4E4B;&#x8DEF;&#x5417;&#xFF1F;

Goal-directed behavior is a hallmark of cognition. An important prerequisite to goal-directed behavior is that of prediction. In order to establish a goal and devise a plan, one needs to see into the future and predict possible future events. Our earlier work has suggested that compensation mechanisms for neuronal transmission delay may have led to a preliminary form of prediction. In that work, facilitating neuronal dynamics was found to be effective in overcoming delay (the Facilitating Activation Network model, or FAN). The extrapolative property of the delay compensation mechanism can be considered as prediction for incoming signals (predicting the present based on the past). The previous FAN model turns out to have a limitation especially when longer delay needs to be compensated, which requires higher facilitation rates than FAN's normal range. We derived an improved facilitating dynamics at the neuronal level to overcome this limitation. In this paper, we tested our proposed approach in controllers for 2D pole balancing, where the new approach was shown to perform better than the previous FAN model. Next, we investigated the differential utilization of facilitating dynamics in sensory vs. motor neurons and found that motor neurons utilize the facilitating dynamics more than the sensory neurons. These findings are expected to help us better understand the role of facilitating dynamics in delay compensation, and its potential development into prediction, a necessary condition for goal-directed behavior.

Facilitating neural dynamics for delay compensation: a road to predictive neural dynamics?

Comportement cibl&eacute; est une caract&eacute;ristique de la cognition. Une condition importante au comportement cibl&eacute; est celui de la pr&eacute;diction. Afin de fixer un objectif et concevoir un plan, il faut voir dans l&#39;avenir et de pr&eacute;voir des &eacute;v&eacute;nements futurs possibles. Nos travaux ant&eacute;rieurs a sugg&eacute;r&eacute; que les m&eacute;canismes de compensation pour le retard de transmission neuronale peuvent avoir conduit &agrave; une forme pr&eacute;liminaire de pr&eacute;diction. Dans ce travail, facilitant la dynamique neuronale est av&eacute;r&eacute; efficace pour surmonter le retard (le mod&egrave;le de faciliter l&#39;Activation r&eacute;seau, ou FAN). La propri&eacute;t&eacute; extrapolative du m&eacute;canisme de compensation de retard peut &ecirc;tre consid&eacute;r&eacute;e comme pr&eacute;diction pour signaux entrants (pr&eacute;voir le pr&eacute;sent bas&eacute; sur le pass&eacute;). Le pr&eacute;c&eacute;dent mod&egrave;le de ventilateur s&#39;av&egrave;re une limitation surtout quand le d&eacute;lai plus long doit &ecirc;tre compens&eacute;, qui exige des taux plus &eacute;lev&eacute;s de facilitation de la gamme normale du ventilateur. Nous avons d&eacute;riv&eacute; une dynamique am&eacute;lior&eacute;e facilite au niveau neuronal pour contourner cette limitation. Dans cet article, nous avons test&eacute; notre approche propos&eacute;e dans les contr&ocirc;leurs pour l&#39;&eacute;quilibrage de p&ocirc;le 2D, o&ugrave; la nouvelle approche s&#39;est av&eacute;r&eacute;e fonctionner mieux que le pr&eacute;c&eacute;dent mod&egrave;le de ventilateur. Ensuite, nous avons &eacute;tudi&eacute; l&#39;utilisation diff&eacute;rentielle de faciliter dynamique sensorielle vs les neurones moteurs et a trouv&eacute; que les neurones moteurs utilisent la dynamique facilite plus que les neurones sensoriels. Ces r&eacute;sultats devraient nous aider &agrave; mieux comprendre le r&ocirc;le de faciliter la dynamique en compensation de retard et son potentiel de d&eacute;veloppement en pr&eacute;vision, une condition n&eacute;cessaire pour le comportement cibl&eacute;.

Facilitant les neurones dynamique pour la compensation de retard : une route &agrave; dynamique neurale pr&eacute;dictive ?

Zielgerichtetes Verhalten ist ein Markenzeichen der Kognition. Das ist einer wichtigen Voraussetzung f&uuml;r zielgerichtetes Verhalten der Vorhersage. Um ein Ziel festzulegen und einen Plan zu entwickeln, muss man in die Zukunft sehen und m&ouml;gliche zuk&uuml;nftige Ereignisse vorherzusehen. Unserer fr&uuml;heren Arbeit hat vorgeschlagen, dass Kompensationsmechanismen f&uuml;r neuronale &Uuml;bertragung Verz&ouml;gerung zu einer vorl&auml;ufigen Form der Vorhersage gef&uuml;hrt haben k&ouml;nnen. In diesem Werk wurde Erleichterung neuronaler Dynamik gefunden, wirksam bei Verz&ouml;gerung (Erleichterung der Aktivierung Netzwerkmodell oder FAN) zu &uuml;berwinden. Die extrapolative-Eigenschaft, die Verz&ouml;gerung Ausgleichsmechanismus kann als Vorhersage f&uuml;r eingehende Signale (Vorhersage der Gegenwart auf der Grundlage der Vergangenheit). Das Vorg&auml;ngermodell FAN entpuppt sich eine Einschr&auml;nkung vor allem dann, wenn l&auml;ngere Verz&ouml;gerung entsch&auml;digt werden muss, haben die Erleichterung h&ouml;her als FAN des normalen Bereich erfordert. Wir abgeleitet eine verbesserte Erleichterung Dynamics auf neuronaler Ebene, um diese Einschr&auml;nkung zu umgehen. In diesem Papier testeten wir unsere vorgeschlagene Ansatz in Steuerungen f&uuml;r das 2D Pol ausgleichen, wo das neue Konzept gezeigt wurde, besser als das Vorg&auml;ngermodell FAN durchzuf&uuml;hren. Als n&auml;chstes untersuchten wir die differenzielle Auslastung Dynamik in sensorische vs. Motoneuronen und gefunden, dass Motoneuronen die Erleichterung Dynamik mehr als die sensorischen Neuronen nutzen zu erleichtern. Diese Erkenntnisse sollen helfen, uns besser zu verstehen, die Rolle der Dynamik im Delay Compensation und die m&ouml;gliche Entwicklung in Vorhersage, eine notwendige Voraussetzung f&uuml;r zielgerichtetes Verhalten zu erleichtern.

Neuronaler Dynamik Versp&auml;tung Entsch&auml;digung zu erleichtern: ein Weg zur vorausschauenden neuronaler Dynamik?

Comportamento obiettivo diretto &egrave; un segno distintivo della cognizione. Un presupposto importante per comportamento obiettivo-diretto &egrave; quello di previsione. Al fine di stabilire un obiettivo ed escogitare un piano, uno ha bisogno di vedere nel futuro e prevedere gli eventi futuri possibili. Il nostro lavoro precedente ha suggerito che i meccanismi di compensazione per il ritardo di trasmissione neuronale possono hanno portato a una forma preliminare di previsione. In quel lavoro, facilitando la dinamica neuronale &egrave; stato trovato per essere efficace nel superamento di ritardo (il modello di rete di facilitare l&#39;attivazione, o FAN). La propriet&agrave; extrapolative del meccanismo di compensazione ritardo pu&ograve; essere considerata come previsione per segnali in ingresso (predire il presente basato sul passato). Il precedente modello di ventola gira fuori per avere una limitazione soprattutto quando ritardo pi&ugrave; lungo deve essere compensata, che richiede l&#39;agevolazione oriario normale gamma di ventilatori. Abbiamo derivato una migliorata dinamica facilitare a livello neuronale per superare questa limitazione. In questo libro, abbiamo testato il nostro approccio proposto nel controller per il bilanciamento del Polo 2D, dove il nuovo approccio &egrave; stato indicato per svolgere meglio rispetto al precedente modello di ventilatore. Successivamente, abbiamo studiato l&#39;utilizzo differenziale di favorire dinamiche sensoriali vs motoneuroni e trovato che motoneuroni utilizzano la facilitazione dinamica, pi&ugrave; che i neuroni sensoriali. Questi risultati sono attesi per aiutarci a capire meglio il ruolo di facilitare le dinamiche in delay compensation e il suo potenziale sviluppo in previsione, una condizione necessaria per il comportamento obiettivo-diretto.

Facilitare la dinamica neurale per la compensazione del ritardo: una strada alla dinamica neurale predittiva?

&#x76EE;&#x6A19;&#x6307;&#x5411;&#x884C;&#x52D5;&#x8A8D;&#x77E5;&#x306E;&#x7279;&#x5FB4;&#x3067;&#x3059;&#x3002;&#x4E88;&#x6E2C;&#x306E;&#x76EE;&#x6A19;&#x6307;&#x5411;&#x884C;&#x52D5;&#x306B;&#x91CD;&#x8981;&#x306A;&#x524D;&#x63D0;&#x6761;&#x4EF6;&#x3067;&#x3042;&#x308A;&#x307E;&#x3059;&#x3002;&#x76EE;&#x6A19;&#x3092;&#x78BA;&#x7ACB;&#x3057;&#x3001;&#x8A08;&#x753B;&#x3092;&#x7ACB;&#x3066;&#x308B;&#x305F;&#x3081;&#x306B;&#x306F;&#x3001;1 &#x3064;&#x306F;&#x672A;&#x6765;&#x306B;&#x898B;&#x308B;&#x3057;&#x3001;&#x53EF;&#x80FD;&#x306A;&#x5C06;&#x6765;&#x306E;&#x30A4;&#x30D9;&#x30F3;&#x30C8;&#x3092;&#x4E88;&#x6E2C;&#x3059;&#x308B;&#x5FC5;&#x8981;&#x304C;&#x3042;&#x308A;&#x307E;&#x3059;&#x3002;&#x79C1;&#x305F;&#x3061;&#x306E;&#x521D;&#x671F;&#x306E;&#x4F5C;&#x54C1;&#x306F;&#x3001;&#x795E;&#x7D4C;&#x4F1D;&#x9001;&#x9045;&#x5EF6;&#x88DC;&#x511F;&#x6A5F;&#x69CB;&#x4E88;&#x6E2C;&#x306E;&#x4E88;&#x5099;&#x7684;&#x306A;&#x5F62;&#x306B;&#x3064;&#x306A;&#x304C;&#x3063;&#x3066;&#x3044;&#x308B;&#x53EF;&#x80FD;&#x6027;&#x304C;&#x793A;&#x5506;&#x3057;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x305D;&#x306E;&#x4ED5;&#x4E8B;&#x3067;&#x306F;&#x3001;&#x795E;&#x7D4C;&#x30C0;&#x30A4;&#x30CA;&#x30DF;&#x30AF;&#x30B9;&#x3092;&#x4FC3;&#x9032; &#xFF08;&#x4FC3;&#x9032;&#x6D3B;&#x6027;&#x5316;&#x30CD;&#x30C3;&#x30C8;&#x30EF;&#x30FC;&#x30AF; &#x30E2;&#x30C7;&#x30EB;&#x3001;&#x307E;&#x305F;&#x306F;&#x30D5;&#x30A1;&#x30F3;&#xFF09; &#x306E;&#x9045;&#x5EF6;&#x3092;&#x514B;&#x670D;&#x3059;&#x308B;&#x305F;&#x3081;&#x306B;&#x6709;&#x52B9;&#x3067;&#x3042;&#x308B;&#x3053;&#x3068;&#x304C;&#x898B;&#x3064;&#x304B;&#x308A;&#x307E;&#x305B;&#x3093;&#x3067;&#x3057;&#x305F;&#x3002;&#x9045;&#x5EF6;&#x88DC;&#x511F;&#x30E1;&#x30AB;&#x30CB;&#x30BA;&#x30E0;&#x306E;&#x5916;&#x633F;&#x7279;&#x6027;&#x4E88;&#x6E2C; (&#x904E;&#x53BB;&#x306B;&#x57FA;&#x3065;&#x304F;&#x73FE;&#x5728;&#x306E;&#x4E88;&#x6E2C;) &#x7740;&#x4FE1;&#x4FE1;&#x53F7;&#x7528;&#x3068;&#x3057;&#x3066;&#x8003;&#x3048;&#x3089;&#x308C;&#x307E;&#x3059;&#x3002;&#x4EE5;&#x524D;&#x306E;&#x30D5;&#x30A1;&#x30F3; &#x30E2;&#x30C7;&#x30EB; &#x30D5;&#x30A1;&#x30F3;&#x306E;&#x6B63;&#x5E38;&#x7BC4;&#x56F2;&#x3088;&#x308A;&#x9AD8;&#x3044;&#x5186;&#x6ED1;&#x5316;&#x7387;&#x3092;&#x5FC5;&#x8981;&#x3068;&#x3059;&#x308B;&#x7279;&#x306B;&#x9577;&#x3044;&#x9045;&#x5EF6;&#x3092;&#x88DC;&#x511F;&#x3059;&#x308B;&#x306E;&#x306B;&#x306F;&#x3001;&#x5FC5;&#x8981;&#x304C;&#x3042;&#x308B;&#x5834;&#x5408;&#x306F;&#x5236;&#x9650;&#x304C;&#x3042;&#x308B;&#x3053;&#x3068;&#x304C;&#x5224;&#x660E;&#x3057;&#x307E;&#x3057;&#x305F;&#x3002;&#x6211;&#x3005; &#x3092;&#x6539;&#x826F;&#x4FC3;&#x9032;&#x30C0;&#x30A4;&#x30CA;&#x30DF;&#x30AF;&#x30B9;&#x3053;&#x306E;&#x5236;&#x9650;&#x3092;&#x514B;&#x670D;&#x3059;&#x308B;&#x795E;&#x7D4C;&#x7D30;&#x80DE;&#x30EC;&#x30D9;&#x30EB;&#x3067;&#x6D3E;&#x751F;&#x3057;&#x307E;&#x3059;&#x3002;&#x672C;&#x7A3F;&#x3067;&#x306F;, &#x4EE5;&#x524D;&#x306E;&#x30D5;&#x30A1;&#x30F3;&#x306E;&#x30E2;&#x30C7;&#x30EB;&#x3088;&#x308A;&#x3082;&#x5B9F;&#x884C;&#x3059;&#x308B;&#x65B0;&#x3057;&#x3044;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x304C;&#x793A;&#x3055;&#x308C;&#x305F;, &#x63D0;&#x6848;&#x624B;&#x6CD5;&#x3067;&#x30B3;&#x30F3;&#x30C8; &#x30ED;&#x30FC;&#x30E9;&#x30FC;&#x306E; 2D &#x30DD;&#x30FC;&#x30EB;&#x3092;&#x5206;&#x6563;&#x3092;&#x30C6;&#x30B9;&#x30C8;&#x3057;&#x307E;&#x3057;&#x305F;&#x3002;&#x6B21;&#x306B;&#x3001;&#x904B;&#x52D5;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3;&#x4FC3;&#x9032;&#x306E;&#x30C0;&#x30A4;&#x30CA;&#x30DF;&#x30AF;&#x30B9;&#x3088;&#x308A;&#x3082;&#x611F;&#x899A;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3;&#x3092;&#x6D3B;&#x7528;&#x30C0;&#x30A4;&#x30CA;&#x30DF;&#x30AF;&#x30B9;&#x611F;&#x899A;&#x904B;&#x52D5;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30F3;&#x5BFE;&#x3068;&#x767A;&#x898B;&#x3092;&#x4FC3;&#x9032;&#x3059;&#x308B;&#x5DEE;&#x5206;&#x306E;&#x4F7F;&#x7528;&#x7387;&#x3092;&#x8ABF;&#x67FB;&#x3057;&#x307E;&#x3057;&#x305F;&#x3002;&#x3053;&#x308C;&#x3089;&#x306E;&#x6240;&#x898B;&#x306F;&#x79C1;&#x305F;&#x3061;&#x3088;&#x308A;&#x826F;&#x3044;&#x30C0;&#x30A4;&#x30CA;&#x30DF;&#x30AF;&#x30B9;&#x9045;&#x308C;&#x88DC;&#x511F;&#x3068;&#x4E88;&#x6E2C;&#x3001;&#x76EE;&#x6A19;&#x6307;&#x5411;&#x884C;&#x52D5;&#x306E;&#x305F;&#x3081;&#x306E;&#x5FC5;&#x8981;&#x6761;&#x4EF6;&#x3078;&#x306E;&#x6F5C;&#x5728;&#x7684;&#x306A;&#x5C55;&#x958B;&#x3092;&#x4FC3;&#x9032;&#x3059;&#x308B;&#x5F79;&#x5272;&#x3092;&#x7406;&#x89E3;&#x3059;&#x308B;&#x306E;&#x306B;&#x306A;&#x308A;&#x307E;&#x3059;&#x3002;

&#x795E;&#x7D4C;&#x30C0;&#x30A4;&#x30CA;&#x30DF;&#x30AF;&#x30B9;&#x9045;&#x308C;&#x88DC;&#x511F;&#x306E;&#x305F;&#x3081;&#x306E;&#x4FC3;&#x9032;: &#x4E88;&#x6E2C;&#x30CB;&#x30E5;&#x30FC;&#x30E9;&#x30EB; &#x30C0;&#x30A4;&#x30CA;&#x30DF;&#x30AF;&#x30B9;&#x3078;&#x306E;&#x9053;&#xFF1F;

&#xBAA9;&#xD45C; &#xC9C0;&#xC2DC; &#xB3D9;&#xC791; &#xC778;&#xC2DD;&#xC758; &#xD2B9;&#xC9D5; &#xC774;&#xB2E4;. &#xC608;&#xCE21; &#xBAA9;&#xD45C; &#xC9C0;&#xC2DC; &#xB3D9;&#xC791;&#xC5D0; &#xC911;&#xC694; &#xD55C; &#xC804;&#xC81C; &#xC870;&#xAC74;&#xC774;&#xC785;&#xB2C8;&#xB2E4;. &#xBAA9;&#xD45C;&#xB97C; &#xC124;&#xC815; &#xD558; &#xACE0; &#xACC4;&#xD68D;&#xC744; &#xACE0;&#xC548;, &#xD558;&#xB098;&#xB294; &#xBBF8;&#xB798;&#xB97C; &#xBCFC; &#xD558; &#xACE0; &#xAC00;&#xB2A5;&#xD55C; &#xBBF8;&#xB798;&#xC758; &#xC774;&#xBCA4;&#xD2B8;&#xB97C; &#xC608;&#xCE21;&#xD560; &#xD544;&#xC694;&#xAC00; &#xC788;&#xB2E4;. &#xC6B0;&#xB9AC;&#xC758; &#xC774;&#xC804; &#xC791;&#xD488; &#xC2E0;&#xACBD; &#xC804;&#xC1A1; &#xC9C0;&#xC5F0;&#xC5D0; &#xB300; &#xD55C; &#xBCF4;&#xC0C1; &#xBA54;&#xCEE4;&#xB2C8;&#xC998;&#xC740; &#xC608;&#xCE21;&#xC758; &#xC608;&#xBE44; &#xD615;&#xD0DC;&#xB97C; &#xC774;&#xB048; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4; &#xC81C;&#xC548; &#xD588;&#xB2E4;. &#xADF8; &#xC791;&#xD488;&#xC5D0; &#xC2E0;&#xACBD; &#xC5ED;&#xD559;&#xC744; &#xCD09;&#xC9C4; &#xD6A8;&#xACFC;&#xAC00; &#xC9C0;&#xC5F0; (&#xCD09;&#xC9C4; &#xD65C;&#xC131;&#xD654; &#xB124;&#xD2B8;&#xC6CC;&#xD06C; &#xBAA8;&#xB378;, &#xB610;&#xB294; &#xD32C;)&#xC744; &#xADF9;&#xBCF5; &#xD558; &#xACE0; &#xCC3E;&#xC558;&#xC2B5;&#xB2C8;&#xB2E4;. &#xC9C0;&#xC5F0; &#xBCF4;&#xC0C1; &#xBA54;&#xCEE4;&#xB2C8;&#xC998;&#xC758; extrapolative &#xC18D;&#xC131;&#xC740; &#xB4E4;&#xC5B4;&#xC624;&#xB294; &#xC2E0;&#xD638; (&#xACFC;&#xAC70;&#xC5D0; &#xB530;&#xB77C; &#xD604;&#xC7AC; &#xC608;&#xCE21;)&#xC5D0; &#xB300; &#xD55C; &#xC608;&#xCE21;&#xC73C;&#xB85C; &#xAC04;&#xC8FC; &#xB420; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;. &#xC774;&#xC804; &#xD32C; &#xBAA8;&#xB378; &#xC81C;&#xD55C;&#xC774; &#xB354; &#xC774;&#xC0C1; &#xC9C0;&#xC5F0; &#xBCF4;&#xC0C1; &#xB420; &#xD544;&#xC694;&#xAC00; &#xC788;&#xC744; &#xB54C; &#xD2B9;&#xD788; &#xD32C;&#xC758; &#xC815;&#xC0C1; &#xBC94;&#xC704; &#xBCF4;&#xB2E4; &#xB192;&#xC740; &#xCD09;&#xC9C4; &#xC18D;&#xB3C4; &#xC694;&#xAD6C; &#xD558;&#xB294; &#xAC83;&#xC73C;&#xB85C; &#xBC1D;&#xD600;&#xC84C;&#xC2B5;&#xB2C8;&#xB2E4;. &#xC6B0;&#xB9AC;&#xB294;&#xC774; &#xC81C;&#xD55C;&#xC744; &#xD574;&#xACB0; &#xD558;&#xAE30; &#xC704;&#xD574; &#xC2E0;&#xACBD; &#xC218;&#xC900; &#xD5A5;&#xC0C1;&#xB41C; &#xCD09;&#xC9C4; &#xC5ED;&#xD559;&#xC744; &#xD30C;&#xC0DD;. &#xC774; &#xB17C;&#xBB38;&#xC5D0;&#xC11C;&#xB294;, &#xC0C8;&#xB85C;&#xC6B4; &#xC811;&#xADFC; &#xC774;&#xC804; &#xD32C; &#xBAA8;&#xB378; &#xBCF4;&#xB2E4; &#xB354; &#xB098;&#xC740; &#xC2E4;&#xC801;&#xC744; &#xC92C;&#xB358; 2D &#xADF9; &#xBD84;&#xC0B0;&#xC744; &#xC704;&#xD574; &#xCEE8;&#xD2B8;&#xB864;&#xB7EC;&#xC5D0; &#xC6B0;&#xB9AC;&#xC758; &#xC81C;&#xC548;&#xB41C; &#xC811;&#xADFC; &#xD14C;&#xC2A4;&#xD2B8;. &#xB2E4;&#xC74C;&#xC73C;&#xB85C;, &#xC6B0;&#xB9AC;&#xAC00; &#xBAA8;&#xD130; &#xB274;&#xB7F0; &#xD65C;&#xC6A9; &#xCD09;&#xC9C4; &#xC5ED;&#xD559; &#xBCF4;&#xB2E4;&#xB294; &#xB354; &#xB9CE;&#xC740; &#xAC10;&#xAC01; &#xC2E0;&#xACBD; &#xAC10;&#xAC01; &#xC6B4;&#xB3D9; &#xC2E0;&#xACBD; &#xB300;&#xC640; &#xBC1C;&#xACAC;&#xC758; &#xC5ED;&#xD559; &#xCD09;&#xC9C4;&#xC758; &#xCC28;&#xB4F1; &#xC774;&#xC6A9; &#xC870;&#xC0AC;. &#xC774;&#xB7EC;&#xD55C; &#xACB0;&#xACFC; &#xC9C0;&#xC5F0; &#xBCF4;&#xC0C1;&#xACFC; &#xC608;&#xCE21;, &#xBAA9;&#xD45C; &#xC9C0;&#xC2DC; &#xB3D9;&#xC791;&#xC5D0; &#xB300; &#xD55C; &#xD544;&#xC694; &#xC870;&#xAC74;&#xC5D0; &#xADF8;&#xAC83;&#xC758; &#xC7A0;&#xC7AC;&#xB825; &#xAC1C;&#xBC1C;&#xC758; &#xC5ED;&#xD559; &#xCD09;&#xC9C4;&#xC758; &#xC5ED;&#xD560;&#xC744; &#xB354; &#xC798; &#xC774;&#xD574;&#xD560; &#xC218; &#xC788;&#xB3C4;&#xB85D; &#xC608;&#xC0C1; &#xB41C;&#xB2E4;.

&#xC9C0;&#xC5F0; &#xBCF4;&#xC0C1;&#xC5D0; &#xB300; &#xD55C; &#xC2E0;&#xACBD; &#xC5ED;&#xD559; &#xCD09;&#xC9C4;: &#xC608;&#xCE21; &#xC2E0;&#xACBD; &#xC5ED;&#xD559;&#xC5D0;&#xB3C4;?

Comportamiento intencionadas es un sello de cognici&oacute;n. Un prerrequisito importante para intencionadas del comportamiento es la de predicci&oacute;n. Con el fin de establecer una meta y elaborar un plan, necesitamos ver hacia el futuro y predecir los acontecimientos futuros posibles. Nuestro trabajo anterior ha sugerido que los mecanismos de compensaci&oacute;n por retraso de la transmisi&oacute;n neuronal puedan haber llevado a una forma preliminar de predicci&oacute;n. En ese trabajo, facilitando la din&aacute;mica neuronal fue encontrado para ser eficaz para superar el retraso (el modelo de red de activaci&oacute;n facilitar, o ventilador). La propiedad extrapolative del mecanismo de compensaci&oacute;n de retardo puede considerarse como la predicci&oacute;n de las se&ntilde;ales entrantes (prediciendo el presente basado en el pasado). El modelo de ventilador anterior resulta tener una limitaci&oacute;n especialmente cuando demora m&aacute;s tiempo tiene que ser compensado, que requiere de mayores tasas de facilitaci&oacute;n que el rango normal del ventilador. Derivamos una mejor din&aacute;mica facilitadora a nivel neuronal para superar esta limitaci&oacute;n. En este trabajo, hemos probado nuestra propuesta en los controladores para el equilibrio de la poste 2D, donde el nuevo enfoque mostr&oacute; mejor que el anterior modelo de ventilador. A continuaci&oacute;n, investigamos la utilizaci&oacute;n diferencial de facilitar din&aacute;mica sensorial vs las neuronas motoras y encontraron que las neuronas motoras utilizar la facilitaci&oacute;n din&aacute;mica m&aacute;s que las neuronas sensoriales. Se espera que estos resultados nos ayudan a entender mejor el papel de facilitar la din&aacute;mica en la compensaci&oacute;n de retardo y su potencial de desarrollo en la predicci&oacute;n, una condici&oacute;n necesaria para el comportamiento intencionadas.

&iquest;Facilitar la din&aacute;mica neuronal para compensaci&oacute;n de retardo: un camino hacia la din&aacute;mica neuronal predictivo?

&#x7EB9;&#x7406;&#x8FB9;&#x754C;&#x68C0;&#x6D4B; &#xFF08;&#x6216;&#x5206;&#x5272;&#xFF09; &#x5728;&#x4EBA;&#x7C7B;&#x89C6;&#x89C9;&#x4E2D;&#x662F;&#x91CD;&#x8981;&#x7684;&#x529F;&#x80FD;&#x3002;&#x901A;&#x5E38;&#x60C5;&#x51B5;&#x4E0B;&#xFF0C;&#x7EB9;&#x7406;&#x5206;&#x5272;&#x88AB;&#x89C6;&#x4E3A;&#x4E00;&#x4E2A; 2D &#x7684;&#x95EE;&#x9898;&#xFF0C;&#x56E0;&#x4E3A;&#x8FD9;&#x4E2A;&#x95EE;&#x9898;&#x672C;&#x8EAB;&#x7684;&#x5B9A;&#x4E49;&#x5047;&#x5B9A; 2D &#x7684;&#x886C;&#x5E95;&#x3002;&#x7136;&#x800C;&#xFF0C;&#x6709;&#x8DA3;&#x7684;&#x5047;&#x8BBE;&#x51FA;&#x73B0;&#x65F6;&#x6211;&#x4EEC;&#x95EE;&#x4E00;&#x4E2A;&#x95EE;&#x9898;&#x5173;&#x4E8E;&#x6027;&#x8D28;&#x7684;&#x7EB9;&#x7406;&#xFF1A; &#x7EB9;&#x7406;&#x662F;&#x4EC0;&#x4E48;&#x548C;&#x4E3A;&#x4EC0;&#x4E48;&#x80FD;&#x591F;&#x533A;&#x522B;&#x7EB9;&#x7406;&#x6F14;&#x53D8;&#x6216;&#x53D1;&#x5C55;&#xFF1F;&#x5BF9;&#x8FD9;&#x4E00;&#x95EE;&#x9898;&#x7684;&#x4E00;&#x4E2A;&#x53EF;&#x80FD;&#x7684;&#x7B54;&#x6848;&#x662F;&#x7EB9;&#x7406;&#x81EA;&#x7136;&#x7269;&#x7406;&#x4E0A;&#x5B9A;&#x4E49;&#x4E0D;&#x540C; &#xFF08;&#x5373;&#xFF0C;&#x963B;&#x585E;&#xFF09; &#x66F2;&#x9762;&#x3002;&#x56E0;&#x6B64;&#xFF0C;&#x6211;&#x4EEC;&#x53EF;&#x4EE5;&#x63A8;&#x6D4B; 2D &#x7EB9;&#x7406;&#x5206;&#x5272;&#x53EF;&#x80FD;&#x80FD;&#x591F;&#x533A;&#x522B;&#x7684;&#x4EA7;&#x7269;&#x5728; 3D &#x66F2;&#x9762;&#x3002;&#x5728;&#x672C;&#x6587;&#x4E2D;&#xFF0C;&#x6211;&#x4EEC;&#x8FDB;&#x884C;&#x4E86;&#x8BA1;&#x7B97;&#x5B9E;&#x9A8C;&#x7528;&#x4EBA;&#x5DE5;&#x795E;&#x7ECF;&#x7F51;&#x7EDC;&#x8FDB;&#x884C;&#x8C03;&#x67E5;&#x7684;&#x90E8;&#x5206;&#x7EB9;&#x7406;&#x5B9A;&#x4E49;&#x5E73;&#x9762; 2D &#x4E0E; 3D &#x914D;&#x7F6E;&#x5728;&#x8FB9;&#x754C;&#x6240;&#x5B9A;&#x4E49;&#x963B;&#x65AD;&#x66F2;&#x9762;&#x548C;&#x5176;&#x968F;&#x65F6;&#x95F4;&#x56E0;&#x89C2;&#x5BDF;&#x8005;&#x7684;&#x8FD0;&#x52A8;&#x53D8;&#x5316;&#x4E2D;&#x7684;&#x90A3;&#x4E9B;&#x8868;&#x9762;&#x4E0A;&#x5B66;&#x4E60;&#x76F8;&#x5BF9;&#x56F0;&#x96BE;&#x3002;&#x4E8B;&#x5B9E;&#x8BC1;&#x660E;&#x5B66;&#x4E60;&#x662F;&#x66F4;&#x5FEB;&#x3001; &#x66F4;&#x51C6;&#x786E;&#x7684; 3D&#xFF0C;&#x975E;&#x5E38;&#x7B26;&#x5408;&#x6211;&#x4EEC;&#x7684;&#x671F;&#x671B;&#x3002;&#x6B64;&#x5916;&#xFF0C;&#x6211;&#x4EEC;&#x7684;&#x7814;&#x7A76;&#x7ED3;&#x679C;&#x8868;&#x660E;&#x795E;&#x7ECF;&#x7F51;&#x7EDC;&#x7684;&#x5B66;&#x4E60;&#x90E8;&#x5206;&#x7EB9;&#x7406; 3D &#x8F6C;&#x79FB;&#xFF0C;&#x5230; 2D &#x7EB9;&#x7406;&#x5206;&#x5272;&#xFF0C;&#x52A0;&#x5F3A;&#x6211;&#x4EEC;&#x6700;&#x521D;&#x7684;&#x5047;&#x8BBE;&#xFF0C;&#x5E76;&#x63D0;&#x4F9B;&#x53EF;&#x80FD;&#x7684; 2D &#x7EB9;&#x7406;&#x5206;&#x5272;&#x529F;&#x80FD;&#x7684;&#x4EBA;&#x7C7B;&#x89C6;&#x89C9;&#x53D1;&#x80B2;&#x8D77;&#x6E90;&#x7684;&#x89C1;&#x89E3;&#x7684;&#x80FD;&#x529B;&#x3002;

&#x5206;&#x5272;&#x7684;&#x7EB9;&#x7406;&#x5B9A;&#x4E49;&#x8868;&#x9762;&#x5E73;&#x4E0E;&#x5206;&#x5C42;&#x795E;&#x7ECF;&#x7F51;&#x7EDC;&#xFF1A; 2D &#x4E0E; 3D &#x8868;&#x793A;&#x7684;&#x6BD4;&#x8F83;&#x3002;

Texture boundary detection (or segmentation) is an important capability in human vision. Usually, texture segmentation is viewed as a 2D problem, as the definition of the problem itself assumes a 2D substrate. However, an interesting hypothesis emerges when we ask a question regarding the nature of textures: What are textures, and why did the ability to discriminate texture evolve or develop? A possible answer to this question is that textures naturally define physically distinct (i.e., occluded) surfaces. Hence, we can hypothesize that 2D texture segmentation may be an outgrowth of the ability to discriminate surfaces in 3D. In this paper, we conducted computational experiments with artificial neural networks to investigate the relative difficulty of learning to segment textures defined on flat 2D surfaces vs. those in 3D configurations where the boundaries are defined by occluding surfaces and their change over time due to the observer's motion. It turns out that learning is faster and more accurate in 3D, very much in line with our expectation. Furthermore, our results showed that the neural network's learned ability to segment texture in 3D transfers well into 2D texture segmentation, bolstering our initial hypothesis, and providing insights on the possible developmental origin of 2D texture segmentation function in human vision.

Segmentation of Textures Defined on Flat vs. Layered Surfaces using Neural Networks: Comparison of 2D vs. 3D Representations.

Texture limite d&eacute;tection (ou segmentation) est une fonctionnalit&eacute; essentielle &agrave; la vision humaine. Habituellement, segmentation de texture est vu comme un probl&egrave;me 2D, comme la d&eacute;finition du probl&egrave;me lui-m&ecirc;me implique un substrat 2D. Cependant, une hypoth&egrave;se int&eacute;ressante &eacute;merge lorsque nous poser une question au sujet de la nature des textures : Quelles sont les textures, et pourquoi l&#39;aptitude &agrave; discerner la texture &eacute;voluent ou d&eacute;velopper ? Une r&eacute;ponse possible &agrave; cette question, c&#39;est que les textures d&eacute;finissent naturellement physiquement distincts (c.-&agrave;-d., occlus) surfaces. Par cons&eacute;quent, nous pouvons l&#39;hypoth&egrave;se que la segmentation de texture 2D peut &ecirc;tre une excroissance de l&#39;aptitude &agrave; discerner des surfaces en 3D. Dans cet article, nous avons men&eacute; des exp&eacute;riences informatiques avec les r&eacute;seaux de neurones artificiels pour enqu&ecirc;ter sur la relative Difficult&eacute; d&#39;apprentissage aux textures segment d&eacute;fini sur surfaces plat en 2D par rapport &agrave; ceux dans les configurations 3D o&ugrave; les limites sont d&eacute;finies par l&#39;occlusion des surfaces et leur &eacute;volution dans le temps d&ucirc; &agrave; un mouvement de l&#39;observateur. Il s&#39;av&egrave;re que l&#39;apprentissage est plus rapide et plus pr&eacute;cise en 3D, tr&egrave;s conforme &agrave; nos attentes. En outre, nos r&eacute;sultats ont montr&eacute; que le r&eacute;seau de neurones apprend capacit&eacute; de texture segment 3D transferts jusque dans la segmentation de texture 2D, renfor&ccedil;ant notre hypoth&egrave;se initiale et d&eacute;gager des pistes sur l&#39;origine du d&eacute;veloppement possible de la fonction de segmentation de texture 2D dans la vision humaine.

Segmentation des Textures d&eacute;fini sur plat vs Surfaces en couches &agrave; l&#39;aide de r&eacute;seaux de neurones : comparaison des 2D vs 3D repr&eacute;sentations.

Textur-Grenze-Erkennung ist (Segmentierung) eine wichtige Funktion im menschlichen Sehens. In der Regel ist als die Definition des Problems selbst ein 2D Substrat &uuml;bernimmt Textur Segmentierung als 2D Problem angesehen. Jedoch eine interessante Hypothese entsteht, wenn wir etwas &uuml;ber die Beschaffenheit von Texturen Fragen: Was sind Texturen, und warum hat die F&auml;higkeit, Textur zu unterscheiden, entwickeln oder entwickeln? Eine m&ouml;gliche Antwort auf diese Frage ist, dass Texturen nat&uuml;rlich physisch definieren unterschiedliche (d. h. verschlossen) Oberfl&auml;chen. Daher k&ouml;nnen wir vermuten, dass 2D-Textur Segmentierung ein Auswuchs der F&auml;higkeit zu diskriminieren m&ouml;glicherweise Oberfl&auml;chen in 3D. In diesem Papier f&uuml;hrten wir computational Experimente mit k&uuml;nstlichen neuronalen Netzen zur Untersuchung der relativen Schwierigkeit des Lernens zu Segment Texturen auf flache 2D-Oberfl&auml;chen vs. in 3D Konfigurationen, wo die Grenzen von Gef&auml;&szlig;verschlie&szlig;ende Oberfl&auml;chen und ihre Ver&auml;nderung im Laufe der Zeit durch Bewegung des Betrachters definiert, definiert. Es stellt sich heraus, dass das lernen schneller und genauer in 3D, sehr viel im Einklang mit unserer Erwartung. Dar&uuml;ber hinaus zeigten unsere Ergebnisse, dass des neuronalen Netzes F&auml;higkeit, Segment Textur in 3D &Uuml;bertragungen gut in 2D Textur Segmentierung, unsere erste Hypothese zu st&auml;rken und die Erkenntnisse &uuml;ber den m&ouml;glichen Entwicklungsst&ouml;rungen Ursprung 2D-Textur Segmentierung Funktion in menschlichen Sehens gelernt.

Segmentierung von Texturen auf Flat vs. Layered Oberfl&auml;chen mit neuronalen Netzen definiert: Vergleich der 2D vs. 3D-Darstellungen.

Trama confine rilevamento (o segmentazione) &egrave; una funzionalit&agrave; importante nella visione umana. Di solito, segmentazione texture &egrave; visto come un problema 2D, come la definizione del problema stesso presuppone un substrato 2D. Tuttavia, un&#39;ipotesi interessante emerge quando chiediamo una domanda per quanto riguarda la natura delle texture: che cosa sono le texture, e perch&eacute; ha la capacit&agrave; di discriminare la trama evolver&agrave; o sviluppare? Una possibile risposta a questa domanda &egrave; che texture naturalmente definiscano fisicamente distinti (cio&egrave;, occlusi) superfici. Quindi, noi possiamo ipotizzare che la segmentazione di texture 2D pu&ograve; essere un&#39;escrescenza della capacit&agrave; di discriminare le superfici in 3D. In questo libro, abbiamo condotto esperimenti computazionali con reti neurali artificiali per indagare la relativa difficolt&agrave; di apprendimento a texture segmento definito su superfici piane 2D vs quelli in configurazioni 3D dove i confini sono definiti da occludendo le superfici e il loro cambiamento nel tempo a causa del movimento dell&#39;osservatore. Si scopre che l&#39;apprendimento &egrave; pi&ugrave; veloce e pi&ugrave; accurata in 3D, molto in linea con le aspettative. Inoltre, i nostri risultati hanno mostrato che la rete neurale imparato capacit&agrave; di texture di segmento in 3D trasferimenti bene nella segmentazione texture 2D, rafforzando la nostra ipotesi iniziale e di fornire approfondimenti sulla possibile origine dello sviluppo della funzione di segmentazione texture 2D nella visione umana.

Segmentazione di texture definite sul piatto vs superfici sovrapposte utilizzando reti neurali: confronto tra 2D vs 3D rappresentazioni.

&#x30C6;&#x30AF;&#x30B9;&#x30C1;&#x30E3;&#x5883;&#x754C;&#x306E;&#x691C;&#x51FA; (&#x307E;&#x305F;&#x306F;&#x30BB;&#x30B0;&#x30E1;&#x30F3;&#x30C6;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#xFF09; &#x91CD;&#x8981;&#x306A;&#x6A5F;&#x80FD;&#x3068;&#x3057;&#x3066;&#x306F;&#x30D2;&#x30C8;&#x306E;&#x8996;&#x899A;&#x3067;&#x3059;&#x3002;&#x901A;&#x5E38;&#x3001;2 D &#x57FA;&#x677F;&#x554F;&#x984C;&#x81EA;&#x4F53;&#x306E;&#x5B9A;&#x7FA9;&#x3092;&#x524D;&#x63D0;&#x3068;&#x3057;&#x3066;&#x30C6;&#x30AF;&#x30B9;&#x30C1;&#x30E3;&#x5206;&#x5272; 2&#x6B21;&#x5143;&#x554F;&#x984C;&#x3068;&#x3057;&#x3066;&#x306F;&#x3001;&#x8868;&#x793A;&#x3055;&#x308C;&#x307E;&#x3059;&#x3002;&#x6211;&#x3005; &#x306F;&#x30C6;&#x30AF;&#x30B9;&#x30C1;&#x30E3;&#x306E;&#x6027;&#x8CEA;&#x306B;&#x3064;&#x3044;&#x3066;&#x306E;&#x8CEA;&#x554F;&#x3092;&#x5C0B;&#x306D;&#x308B;&#x3068;&#x304D;&#x305F;&#x3060;&#x3057;&#x3001;&#x8208;&#x5473;&#x6DF1;&#x3044;&#x4EEE;&#x8AAC;&#x3092;&#x73FE;&#x308C;&#x308B;: &#x30C6;&#x30AF;&#x30B9;&#x30C1;&#x30E3;&#x3067;&#x3042;&#x308B;&#x3082;&#x306E;&#x3068;&#x30C6;&#x30AF;&#x30B9;&#x30C1;&#x30E3;&#x3092;&#x5224;&#x5225;&#x3059;&#x308B;&#x80FD;&#x529B;&#x306F;&#x306A;&#x305C;&#x9032;&#x5316;&#x307E;&#x305F;&#x306F;&#x958B;&#x767A;&#xFF1F;&#x3053;&#x306E;&#x8CEA;&#x554F;&#x3078;&#x306E;&#x89E3;&#x7B54;&#x306F;&#x3001;&#x30C6;&#x30AF;&#x30B9;&#x30C1;&#x30E3;&#x304C;&#x5F53;&#x7136;&#x306E;&#x3053;&#x3068;&#x306A;&#x304C;&#x3089;&#x7269;&#x7406;&#x7684;&#x306B;&#x5B9A;&#x7FA9;&#x3059;&#x308B;&#x3053;&#x3068;&#x3067;&#x3059;&#x660E;&#x78BA;&#x306A; (&#x3059;&#x306A;&#x308F;&#x3061;&#x3001;&#x906E;&#x853D;) &#x30B5;&#x30FC;&#x30D5;&#x30A7;&#x30B9;&#x3002;&#x3057;&#x305F;&#x304C;&#x3063;&#x3066;&#x3001;&#x6211;&#x3005; &#x306F;&#x4EEE;&#x8AAC;&#x3059;&#x308B;&#x3053;&#x3068;&#x304C;&#x3067;&#x304D;&#x307E;&#x3059;&#x8868;&#x9762; 3 D &#x3067;&#x306E; 2D &#x30C6;&#x30AF;&#x30B9;&#x30C1;&#x30E3; &#x30FB; &#x30BB;&#x30B0;&#x30E1;&#x30F3;&#x30C6;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x306E;&#x5224;&#x5225;&#x80FD;&#x529B;&#x3092;&#x4F38;&#x9577;&#x53EF;&#x80FD;&#x6027;&#x304C;&#x3042;&#x308B;&#x3053;&#x3068;&#x3002;&#x672C;&#x7A3F;&#x3067;&#x306F;, &#x5B66;&#x7FD2;&#x5BFE;&#x305D;&#x308C;&#x3089;&#x306E;&#x5883;&#x754C;&#x304C;&#x30B5;&#x30FC;&#x30D5;&#x30A7;&#x30B9;&#x3068;&#x89B3;&#x5BDF;&#x8005;&#x306E;&#x52D5;&#x304D;&#x306B;&#x3088;&#x308B;&#x7D4C;&#x6642;&#x7684;&#x5909;&#x5316;&#x3092;&#x906E;&#x853D;&#x3059;&#x308B;&#x3053;&#x3068;&#x306B;&#x3088;&#x3063;&#x3066;&#x5B9A;&#x7FA9;&#x3055;&#x308C;&#x3066;&#x3044;&#x308B; 3 D &#x69CB;&#x6210;&#x306B;&#x304A;&#x3051;&#x308B;&#x5E73;&#x3089;&#x306A; 2D &#x30B5;&#x30FC;&#x30D5;&#x30A7;&#x30B9;&#x5B9A;&#x7FA9;&#x30BB;&#x30B0;&#x30E1;&#x30F3;&#x30C8; &#x30C6;&#x30AF;&#x30B9;&#x30C1;&#x30E3;&#x30FC;&#x3078;&#x306E;&#x76F8;&#x5BFE;&#x7684;&#x306A;&#x96E3;&#x6613;&#x5EA6;&#x3092;&#x8ABF;&#x67FB;&#x3059;&#x308B;&#x30CB;&#x30E5;&#x30FC;&#x30E9;&#x30EB; &#x30CD;&#x30C3;&#x30C8;&#x30EF;&#x30FC;&#x30AF;&#x3068;&#x8A08;&#x7B97;&#x5B9F;&#x9A13;&#x3092;&#x5B9F;&#x65BD;&#x3057;&#x307E;&#x3057;&#x305F;&#x3002;&#x5B66;&#x7FD2;&#x304C;&#x901F;&#x304F;&#x3001;&#x975E;&#x5E38;&#x306B;&#x6211;&#x3005; &#x306E;&#x671F;&#x5F85;&#x306B;&#x6CBF;&#x3063;&#x305F; 3 D &#x3088;&#x308A;&#x6B63;&#x78BA;&#x3067;&#x3042;&#x308B;&#x3053;&#x3068;&#x304C;&#x5224;&#x660E;&#x3057;&#x307E;&#x3057;&#x305F;&#x3002;&#x3055;&#x3089;&#x306B;&#x3001;&#x6211;&#x3005; &#x306E;&#x7D50;&#x679C;&#x306F;&#x3001;&#x30CB;&#x30E5;&#x30FC;&#x30E9;&#x30EB; &#x30CD;&#x30C3;&#x30C8;&#x30EF;&#x30FC;&#x30AF; &#x30BB;&#x30B0;&#x30E1;&#x30F3;&#x30C8; &#x30C6;&#x30AF;&#x30B9;&#x30C1;&#x30E3;&#x30FC;&#x306B; 2D &#x30C6;&#x30AF;&#x30B9;&#x30C1;&#x30E3;&#x5206;&#x5272;&#x306B;&#x3088;&#x304F;&#x79C1;&#x305F;&#x3061;&#x306E;&#x521D;&#x671F;&#x306E;&#x4EEE;&#x8AAC;&#x3092;&#x5F37;&#x5316;&#x3057;&#x3001;&#x30D2;&#x30E5;&#x30FC;&#x30DE;&#x30F3; &#x30FB; &#x30D3;&#x30B8;&#x30E7;&#x30F3;&#x3067; 2D &#x30C6;&#x30AF;&#x30B9;&#x30C1;&#x30E3;&#x9818;&#x57DF;&#x5206;&#x5272;&#x95A2;&#x6570;&#x306E;&#x53EF;&#x80FD;&#x306A;&#x767A;&#x9054;&#x7684;&#x8D77;&#x6E90;&#x306B;&#x95A2;&#x3059;&#x308B;&#x6D1E;&#x5BDF;&#x3092;&#x63D0;&#x4F9B;&#x3059;&#x308B; 3 D &#x8EE2;&#x9001;&#x3059;&#x308B;&#x80FD;&#x529B;&#x3092;&#x5B66;&#x3093;&#x3060;&#x3053;&#x3068;&#x3092;&#x793A;&#x3057;&#x305F;&#x3002;

&#x30BB;&#x30B0;&#x30E1;&#x30F3;&#x30C6;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x306E;&#x30C6;&#x30AF;&#x30B9;&#x30C1;&#x30E3;&#x3092;&#x5B9A;&#x7FA9;&#x3059;&#x308B;&#x30CB;&#x30E5;&#x30FC;&#x30E9;&#x30EB; &#x30CD;&#x30C3;&#x30C8;&#x30EF;&#x30FC;&#x30AF;&#x3092;&#x7528;&#x3044;&#x305F;&#x5C64;&#x72B6;&#x8868;&#x9762;&#x30D5;&#x30E9;&#x30C3;&#x30C8;&#x5BFE;&#xFF1A; 2 D 3D &#x8868;&#x73FE;&#x5BFE;&#x306E;&#x6BD4;&#x8F03;&#x3002;

&#xD14D;&#xC2A4;&#xCC98; &#xACBD;&#xACC4; &#xD0D0;&#xC9C0; (&#xB610;&#xB294; &#xBD84;&#xD560;) &#xC778;&#xAC04;&#xC758; &#xC2DC;&#xB825;&#xC5D0; &#xC911;&#xC694; &#xD55C; &#xAE30;&#xB2A5;&#xC785;&#xB2C8;&#xB2E4;. &#xC77C;&#xBC18;&#xC801;&#xC73C;&#xB85C;, &#xBB38;&#xC81C; &#xC790;&#xCCB4;&#xC758; &#xC815;&#xC758; &#xAC00;&#xC815; 2D &#xAE30;&#xD310;&#xC73C;&#xB85C; &#xC9C8;&#xAC10; &#xC138;&#xBD84;&#xD654; 2D &#xBB38;&#xC81C;&#xB85C; &#xD45C;&#xC2DC; &#xB429;&#xB2C8;&#xB2E4;. &#xADF8;&#xB7EC;&#xB098;, &#xD765;&#xBBF8;&#xB85C;&#xC6B4; &#xAC00;&#xC124; &#xB098;&#xC628;&#xB2E4; &#xAC8C; &#xD14D;&#xC2A4;&#xCC98;&#xC758; &#xBCF8;&#xC9C8;&#xC5D0; &#xAD00;&#xD55C; &#xC9C8;&#xBB38;: &#xBB34;&#xC5C7; &#xC9C8;&#xAC10;, &#xADF8;&#xB9AC;&#xACE0; &#xC9C8;&#xAC10;&#xC744; &#xAD6C;&#xBCC4;&#xD560; &#xC218; &#xC788;&#xB294; &#xB2A5;&#xB825;&#xC744; &#xC65C; &#xC9C4;&#xD654; &#xB610;&#xB294; &#xAC1C;&#xBC1C;? &#xC774; &#xC9C8;&#xBB38;&#xC5D0; &#xAC00;&#xB2A5;&#xD55C; &#xB300;&#xB2F5;&#xC740; &#xADF8; &#xC9C8;&#xAC10;&#xC744; &#xC790;&#xC5F0;&#xC2A4;&#xB7FD; &#xAC8C; &#xBB3C;&#xB9AC;&#xC801;&#xC73C;&#xB85C; &#xC815;&#xC758; &#xBCC4;&#xAC1C; (&#xC989;, &#xB0B4;&#xD3EC;) &#xD45C;&#xBA74;. &#xB530;&#xB77C;&#xC11C;, &#xC6B0;&#xB9AC;&#xAC00; &#xAC00;&#xC124; &#xC218; 3d&#xC5D0;&#xC11C; &#xD45C;&#xBA74; 2D &#xD14D;&#xC2A4;&#xCC98; &#xC138;&#xBD84;&#xD654; &#xAD6C;&#xBCC4;&#xD560; &#xC218; &#xC788;&#xB294; &#xB2A5;&#xB825;&#xC758; &#xBC1C;&#xC804;&#xC774; &#xC788;&#xC744; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;. &#xC774; &#xB17C;&#xBB38;&#xC5D0;&#xC11C; &#xC6B0;&#xB9AC;&#xB294; &#xACBD;&#xACC4; &#xC11C;&#xD53C;&#xC2A4; &#xBC0F; &#xAD00;&#xCC30;&#xC790;&#xC758; &#xC6C0;&#xC9C1;&#xC784;&#xC73C;&#xB85C; &#xC778;&#xD574; &#xC2DC;&#xAC04;&#xC774; &#xC9C0;&#xB0A8;&#xC5D0; &#xADF8;&#xB4E4;&#xC758; &#xBCC0;&#xD654; occluding&#xC5D0; &#xC758;&#xD574; &#xC815;&#xC758; &#xB41C; 3 &#xCC28;&#xC6D0; &#xAD6C;&#xC131;&#xC5D0;&#xC11C; &#xADF8; &#xB300; &#xD3C9;&#xBA74; 2D &#xD45C;&#xBA74;&#xC5D0; &#xC815;&#xC758; &#xB41C; &#xC138;&#xADF8;&#xBA3C;&#xD2B8; &#xD14D;&#xC2A4;&#xCC98;&#xB97C; &#xD559;&#xC2B5;&#xC758; &#xC0C1;&#xB300;&#xC801;&#xC778; &#xC5B4;&#xB824;&#xC6C0;&#xC744; &#xC870;&#xC0AC; &#xD558;&#xAE30; &#xC704;&#xD574; &#xC778;&#xACF5; &#xC2E0;&#xACBD; &#xB124;&#xD2B8;&#xC6CC;&#xD06C;&#xC640; &#xC804;&#xC0B0; &#xC2E4;&#xD5D8; &#xC2E4;&#xC2DC;. &#xD559;&#xC2B5;&#xC740; &#xB354; &#xBE60;&#xB974;&#xACE0; &#xB354; &#xC544;&#xC8FC; &#xB9CE;&#xC774; &#xC6B0;&#xB9AC;&#xC758; &#xAE30;&#xB300;&#xC5D0; &#xB9DE;&#xCDB0; 3d, &#xC815;&#xD655; &#xD558; &#xAC8C; &#xBC1D;&#xD600; &#xC9C4;&#xB2E4;. &#xB610;&#xD55C;, &#xC6B0;&#xB9AC;&#xC758; &#xACB0;&#xACFC; &#xC2E0;&#xACBD; &#xB124;&#xD2B8;&#xC6CC;&#xD06C;&#xC758; &#xB2A5;&#xB825;&#xC744; &#xC778;&#xAC04;&#xC758; &#xC2DC;&#xAC01;&#xC5D0;&#xC11C; 2D &#xD14D;&#xC2A4;&#xCC98; &#xBD84;&#xD560; &#xD568;&#xC218;&#xC758; &#xAC00;&#xB2A5;&#xD55C; &#xBC1C;&#xB2EC; &#xADFC;&#xC6D0;&#xC5D0; &#xD1B5;&#xCC30;&#xB825;&#xC744; &#xC81C;&#xACF5; &#xD558; &#xACE0; &#xC6B0;&#xB9AC;&#xC758; &#xCD08;&#xAE30; &#xAC00;&#xC124;&#xC744; &#xAC15;&#xD654; 2D &#xD14D;&#xC2A4;&#xCC98; &#xC138;&#xBD84;&#xD654;&#xC5D0;&#xB3C4; 3D &#xC804;&#xC1A1; &#xC138;&#xADF8;&#xBA3C;&#xD2B8; &#xC9C8;&#xAC10;&#xC744; &#xBC30;&#xC6B4; &#xBCF4;&#xC600;&#xB2E4;.

&#xD3C9;&#xBA74; &#xB300; &#xCE35;&#xC774; &#xD45C;&#xBA74;&#xC5D0; &#xC2E0;&#xACBD; &#xB124;&#xD2B8;&#xC6CC;&#xD06C;&#xB97C; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xC815;&#xC758; &#xB41C; &#xD14D;&#xC2A4;&#xCC98;&#xC758; &#xC138;&#xBD84;&#xD654;: 2D 3D &#xD45C;&#xD604; &#xB300;&#xC758; &#xBE44;&#xAD50;.

Detecci&oacute;n de l&iacute;mite de textura (o segmentaci&oacute;n) es una importante capacidad de visi&oacute;n humana. Generalmente, se considera un problema 2D, segmentaci&oacute;n de textura como la definici&oacute;n del problema asume un sustrato 2D. Sin embargo, una hip&oacute;tesis interesante surge cuando le pedimos a una pregunta relativa al car&aacute;cter de texturas: &iquest;Qu&eacute; texturas y &iquest;por qu&eacute; la capacidad de discriminar la textura evolucionar o desarrollar? Una posible respuesta a esta pregunta es que texturas naturalmente definan f&iacute;sicamente distinta (es decir, ocluido) las superficies. Por lo tanto, podemos presumimos que la segmentaci&oacute;n de textura 2D puede ser una consecuencia de la capacidad de discriminar las superficies en 3D. En este trabajo, realizamos experimentos computacionales con redes neuronales artificiales para investigar la relativa dificultad de aprendizaje al segmento texturas definidas en superficies plana en 2D vs las configuraciones 3D donde los l&iacute;mites son definidos por la oclusi&oacute;n de las superficies y su cambio con el tiempo debido al movimiento del observador. Resulta que el aprendizaje es m&aacute;s r&aacute;pida y m&aacute;s exacta en 3D, muy acordes con nuestra expectativa. Adem&aacute;s, nuestros resultados mostraron que la red neuronal aprendido capacidad de textura de segmento en 3D transferencias en segmentaci&oacute;n de textura 2D, reforzar nuestra hip&oacute;tesis inicial y proporcionar ideas sobre el posible origen del desarrollo de la funci&oacute;n de segmentaci&oacute;n de textura 2D en visi&oacute;n humana.

Segmentaci&oacute;n de texturas definidas en vs capas superficies planas utilizando redes neuronales: comparaci&oacute;n de 2D vs 3D representaciones.

Informations exactes morphom&eacute;triques microvasculaire a des implications importantes dans plusieurs domaines, y compris la quantification de l&#39;angiogen&egrave;se dans la recherche sur le cancer, compr&eacute;hension de la r&eacute;ponse immunitaire pour les proth&egrave;ses neurales et pr&eacute;dire la nature de la circulation sanguine en ce qui concerne un accident vasculaire c&eacute;r&eacute;bral. Nous rapportons l&#39;imagerie du syst&egrave;me microvasculaire cerveau toute souris &agrave; des r&eacute;solutions suffisantes pour effectuer la morphom&eacute;trie pr&eacute;cis. L&#39;imagerie a &eacute;t&eacute; r&eacute;alis&eacute;e &agrave; l&#39;aide de la lame des couteaux Scanning Microscopy (KESM) et est le premier exemple de cette technique qui peut &ecirc;tre directement appliqu&eacute; &agrave; la recherche clinique. Nous sommes en mesure d&#39;atteindre &asymp; 0.7&mu;m r&eacute;solution lat&eacute;ralement avec une r&eacute;solution de profondeur de 1&micro;m en utilisant la s&eacute;rie de sectionnement. Aucun alignement n&#39;&eacute;tait n&eacute;cessaire et contraste &eacute;tait suffisante pour permettre la segmentation et jaugeage des bateaux.

Imagerie de transmission rapide macro-&eacute;chelle de microvasculaires r&eacute;seaux utilisant KESM.

Genaue mikrovaskul&auml;re morphometrischer Informationen hat gravierende Auswirkungen auf verschiedenen Gebieten, einschlie&szlig;lich der Quantifizierung von Angiogenesis in der Krebsforschung, verstehen die Immunantwort f&uuml;r Neuroprothesen und Vorhersage der Natur des Blutflusses, bez&uuml;glich der Schlaganfall. Wir berichten Bildgebung des Gehirns ganze Maus mikrovaskul&auml;re Systems bei Aufl&ouml;sungen ausreichend genaue Morphometrie durchf&uuml;hren. Imaging wurde mithilfe von Messerschneiden-Scanning-Mikroskopie (KESM) durchgef&uuml;hrt und ist das erste Beispiel dieser Technik, die klinische Forschung direkt angewendet werden k&ouml;nnen. Wir sind in der Lage zu erreichen &asymp; 0.7&mu;m Aufl&ouml;sung seitlich mit 1&mu;m Tiefe Aufl&ouml;sung mit seriellen schneiden. Keine Ausrichtung war notwendig und Kontrast Segmentierung und Messung der Schiffe zu erm&ouml;glichen.

Schnelle Makro-Ma&szlig;stab &Uuml;bertragung Bildgebung mikrovaskul&auml;re Netzwerke mithilfe von KESM.

Informazioni accurate morfometrici microvascolare hanno implicazioni significative in diversi campi, tra cui la quantificazione dell&#39;angiogenesi nella ricerca sul cancro, comprensione della risposta immunitaria per protesi neurali e predire la natura del flusso di sangue si riferisce alla corsa. Segnaliamo imaging del sistema microvascolare mouse intero cervello a risoluzioni sufficienti per eseguire accurata morfometria. Imaging &egrave; stata eseguita utilizzando il filo del rasoio scansione microscopia (KESM) ed &egrave; il primo esempio di questa tecnica che pu&ograve; essere applicato direttamente alla ricerca clinica. Siamo in grado di raggiungere &asymp; 0.7&mu;m risoluzione lateralmente con 1&mu;m profondit&agrave; risoluzione utilizzando seriale di sezionamento. Nessun allineamento era necessario e contrasto sufficiente a consentire la segmentazione e la misurazione delle navi.

Imaging di trasmissione veloce macro-scala delle reti microvascolare utilizzando KESM.

&#x6B63;&#x78BA;&#x306A;&#x5FAE;&#x5C0F;&#x8840;&#x7BA1;&#x5F62;&#x614B;&#x60C5;&#x5831;&#x304C;&#x3093;&#x7814;&#x7A76;&#x306B;&#x304A;&#x3051;&#x308B;&#x8840;&#x7BA1;&#x65B0;&#x751F;&#x306E;&#x5B9A;&#x91CF;&#x5316;&#x3092;&#x542B;&#x3080;&#x3001;&#x795E;&#x7D4C;&#x88DC;&#x7DB4;&#x306E;&#x514D;&#x75AB;&#x5FDC;&#x7B54;&#x3092;&#x7406;&#x89E3;&#x3057;&#x3001;&#x8133;&#x5352;&#x4E2D;&#x306B;&#x95A2;&#x9023;&#x3059;&#x308B;&#x8840;&#x6D41;&#x306E;&#x6027;&#x8CEA;&#x3092;&#x4E88;&#x6E2C;&#x3044;&#x304F;&#x3064;&#x304B;&#x306E;&#x5206;&#x91CE;&#x3067;&#x5927;&#x304D;&#x306A;&#x5F71;&#x97FF;&#x3092;&#x4E0E;&#x3048;&#x307E;&#x3059;&#x3002;&#x5168;&#x4F53;&#x30DE;&#x30A6;&#x30B9;&#x8133;&#x5FAE;&#x5C0F;&#x8840;&#x7BA1;&#x7CFB;&#x6B63;&#x78BA;&#x306A;&#x8A08;&#x6E2C;&#x3092;&#x5B9F;&#x884C;&#x3059;&#x308B;&#x305F;&#x3081;&#x306E;&#x5341;&#x5206;&#x306A;&#x89E3;&#x50CF;&#x5EA6;&#x306E;&#x753B;&#x50CF;&#x3092;&#x5831;&#x544A;&#x3057;&#x307E;&#x3059;&#x3002;&#x30A4;&#x30E1;&#x30FC;&#x30B8;&#x30F3;&#x30B0;&#x306F;&#x3001;&#x30CA;&#x30A4;&#x30D5;&#x30A8;&#x30C3;&#x30B8;&#x8D70;&#x67FB;&#x9855;&#x5FAE;&#x93E1; (KESM) &#x3092;&#x7528;&#x3044;&#x3066;&#x884C;&#x3063;&#x305F;&#x3057;&#x3001;&#x81E8;&#x5E8A;&#x7814;&#x7A76;&#x306B;&#x76F4;&#x63A5;&#x9069;&#x7528;&#x3059;&#x308B;&#x3053;&#x3068;&#x304C;&#x3067;&#x304D;&#x307E;&#x3059;&#x3053;&#x306E;&#x30C6;&#x30AF;&#x30CB;&#x30C3;&#x30AF;&#x306E;&#x6700;&#x521D;&#x306E;&#x4F8B;&#x3067;&#x3059;&#x3002;&#x6211;&#x3005; &#x306F; &asymp; 0.7&mu;m &#x3092;&#x9054;&#x6210;&#x3059;&#x308B;&#x3053;&#x3068;&#x304C;&#x3042;&#x308A;&#x307E;&#x3059;&#x3067;&#x30B7;&#x30EA;&#x30A2;&#x30EB;&#x30BB;&#x30AF;&#x30B7;&#x30E7;&#x30CB;&#x30F3;&#x30B0;&#x306B;&#x3088;&#x308B;&#x6A2A;&#x65B9;&#x5411; 1 &mu; m &#x306E;&#x6DF1;&#x3055;&#x5206;&#x89E3;&#x80FD;&#x3002;&#x30A2;&#x30E9;&#x30A4;&#x30E1;&#x30F3;&#x30C8;&#x306F;&#x5FC5;&#x8981;&#x306A;&#x304B;&#x3063;&#x305F;&#x3057;&#x3001;&#x30B3;&#x30F3;&#x30C8;&#x30E9;&#x30B9;&#x30C8;&#x304C;&#x30BB;&#x30B0;&#x30E1;&#x30F3;&#x30C6;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x3068;&#x8840;&#x7BA1;&#x306E;&#x6E2C;&#x5B9A;&#x3092;&#x8A31;&#x53EF;&#x3059;&#x308B;&#x306E;&#x306B;&#x5341;&#x5206;&#x3060;&#x3063;&#x305F;&#x3002;

&#x9AD8;&#x901F;&#x30DE;&#x30AF;&#x30ED; &#x30B9;&#x30B1;&#x30FC;&#x30EB; KESM &#x3092;&#x7528;&#x3044;&#x305F;&#x5FAE;&#x5C0F;&#x8840;&#x7BA1;&#x306E;&#x30CD;&#x30C3;&#x30C8;&#x30EF;&#x30FC;&#x30AF;&#x3067;&#x4F1D;&#x9001;&#x753B;&#x50CF;&#x3002;

&#x51C6;&#x786E;&#x7684;&#x5FAE;&#x8840;&#x7BA1;&#x5F62;&#x6001;&#x8BA1;&#x91CF;&#x5B66;&#x4FE1;&#x606F;&#x5728;&#x51E0;&#x4E2A;&#x9886;&#x57DF;&#xFF0C;&#x5305;&#x62EC;&#x5728;&#x764C;&#x75C7;&#x7814;&#x7A76;&#x4E2D;&#x7684;&#x8840;&#x7BA1;&#x751F;&#x6210;&#x7684;&#x5B9A;&#x91CF;&#x3001; &#x7406;&#x89E3;&#x4E3A;&#x795E;&#x7ECF;&#x4FEE;&#x590D;&#x672F;&#x3001; &#x514D;&#x75AB;&#x53CD;&#x5E94;&#x548C;&#x9884;&#x6D4B;&#x8840;&#x6DB2;&#x6D41;&#x52A8;&#x7684;&#x6027;&#x8D28;&#xFF0C;&#x56E0;&#x4E3A;&#x5B83;&#x6D89;&#x53CA;&#x5230;&#x8111;&#x5352;&#x4E2D;&#x5177;&#x6709;&#x91CD;&#x5927;&#x610F;&#x4E49;&#x3002;&#x6211;&#x4EEC;&#x62A5;&#x544A;&#x6210;&#x50CF;&#x7684;&#x5206;&#x8FA8;&#x7387;&#x8DB3;&#x4EE5;&#x6267;&#x884C;&#x51C6;&#x786E;&#x7684;&#x5F62;&#x6001;&#x8BA1;&#x91CF;&#x5B66;&#x7684;&#x6574;&#x4E2A;&#x9F20;&#x6807;&#x5927;&#x8111;&#x5FAE;&#x8840;&#x7BA1;&#x7CFB;&#x7EDF;&#x3002;&#x6210;&#x50CF;&#x6267;&#x884C;&#x4F7F;&#x7528;&#x5200;&#x53E3;&#x626B;&#x63CF;&#x663E;&#x5FAE;&#x955C; (KESM)&#xFF0C;&#x8FD9;&#x79CD;&#x6280;&#x672F;&#x53EF;&#x4EE5;&#x76F4;&#x63A5;&#x5E94;&#x7528;&#x4E8E;&#x4E34;&#x5E8A;&#x7814;&#x7A76;&#x7684;&#x7B2C;&#x4E00;&#x4E2A;&#x793A;&#x4F8B;&#x3002;&#x6211;&#x4EEC;&#x6709;&#x80FD;&#x529B;&#x5B9E;&#x73B0; &asymp; 0.7&mu;m &#x6A2A;&#x5411;&#x4F7F;&#x7528;&#x4E32;&#x884C;&#x5256;&#x5207;&#x7684; 1 &mu; m &#x6DF1;&#x5EA6;&#x51B3;&#x8BAE;&#x4E0E;&#x51B3;&#x8BAE;&#x3002;&#x4E0D;&#x5BF9;&#x9F50;&#x662F;&#x5FC5;&#x8981;&#x548C;&#x5BF9;&#x6BD4;&#x5EA6;&#x8DB3;&#x4EE5;&#x5141;&#x8BB8;&#x5206;&#x5272;&#x548C;&#x6D4B;&#x91CF;&#x7684;&#x8239;&#x53EA;&#x3002;

&#x5FEB;&#x901F;&#x5B8F;&#x89C2;&#x5C3A;&#x5EA6;&#x900F;&#x5C04;&#x6210;&#x50CF;&#x7684;&#x5FAE;&#x8840;&#x7BA1;&#x7F51;&#x7EDC;&#x4F7F;&#x7528; KESM&#x3002;

Accurate microvascular morphometric information has significant implications in several fields, including the quantification of angiogenesis in cancer research, understanding the immune response for neural prosthetics, and predicting the nature of blood flow as it relates to stroke. We report imaging of the whole mouse brain microvascular system at resolutions sufficient to perform accurate morphometry. Imaging was performed using Knife-Edge Scanning Microscopy (KESM) and is the first example of this technique that can be directly applied to clinical research. We are able to achieve â‰ˆ 0.7Î¼m resolution laterally with 1Î¼m depth resolution using serial sectioning. No alignment was necessary and contrast was sufficient to allow segmentation and measurement of vessels.

Fast macro-scale transmission imaging of microvascular networks using KESM.

&#xC815;&#xD655;&#xD55C; microvascular &#xD615;&#xD0DC;&#xD559; &#xC815;&#xBCF4; &#xBD84;&#xC57C;, &#xC554; &#xC5F0;&#xAD6C;&#xC5D0;&#xC11C; &#xC2E0;&#xC0DD;&#xC758; &#xC815;&#xB7C9;&#xD654;&#xB97C; &#xD3EC;&#xD568; &#xD55C; &#xC2E0;&#xACBD; &#xBCF4; &#xCCA0;&#xC5D0; &#xB300; &#xD55C; &#xBA74;&#xC5ED; &#xBC18;&#xC751;&#xC744; &#xC774;&#xD574; &#xD558; &#xACE0; &#xB1CC;&#xC878;&#xC911;&#xC5D0; &#xAD00;&#xD55C; &#xD608;&#xC561; &#xD750;&#xB984;&#xC758; &#xD2B9;&#xC131;&#xC744; &#xC608;&#xCE21;&#xC5D0;&#xC11C; &#xC911;&#xC694; &#xD55C; &#xC758;&#xBBF8;&#xB97C; &#xAC16;&#xB294;&#xB2E4;. &#xC6B0;&#xB9AC;&#xB294; &#xC815;&#xD655;&#xD55C; morphometry&#xB97C; &#xC218;&#xD589; &#xD558;&#xAE30;&#xC5D0; &#xCDA9;&#xBD84; &#xD55C; &#xD574;&#xC0C1;&#xB3C4;&#xC5D0;&#xC11C; &#xC804;&#xCCB4; &#xB9C8;&#xC6B0;&#xC2A4; &#xB1CC; microvascular &#xC2DC;&#xC2A4;&#xD15C;&#xC758; &#xC601;&#xC0C1; &#xBCF4;&#xACE0;. &#xC774;&#xBBF8;&#xC9D5; Knife-Edge &#xC2A4;&#xCE90;&#xB2DD; &#xD604;&#xBBF8;&#xACBD; &#xAC80;&#xC0AC; &#xBC95; (KESM)&#xB97C; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xC218;&#xD589; &#xD558; &#xACE0; &#xC9C1;&#xC811; &#xC784;&#xC0C1; &#xC5F0;&#xAD6C;&#xC5D0; &#xC801;&#xC6A9; &#xB420; &#xC218; &#xC788;&#xB294;&#xC774; &#xAE30;&#xC220;&#xC758; &#xCCAB; &#xBC88;&#xC9F8; &#xC608;&#xB294;. &asymp; 0.7&mu;m &#xB2EC;&#xC131; &#xC218; &#xC9C1;&#xB82C; &#xB2E8;&#xBA74;&#xC744; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; 1&mu;m &#xAE4A;&#xC774; &#xD574;&#xC0C1;&#xB3C4;&#xC640; &#xC218;&#xD3C9; &#xD574;&#xC0C1;&#xB3C4;. &#xC544;&#xB2C8; &#xB9DE;&#xCDA4; &#xD544;&#xC694; &#xD588; &#xACE0; &#xB300;&#xBE44; &#xC138;&#xBD84;&#xD654; &#xBC0F; &#xD608;&#xAD00;&#xC758; &#xCE21;&#xC815;&#xC744; &#xD5C8;&#xC6A9; &#xD558;&#xAE30;&#xC5D0; &#xCDA9;&#xBD84; &#xD588;&#xB2E4;.

&#xBE60;&#xB978; &#xB9E4;&#xD06C;&#xB85C; &#xC2A4;&#xCF00;&#xC77C; KESM&#xB97C; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; microvascular &#xB124;&#xD2B8;&#xC6CC;&#xD06C;&#xC758; &#xC804;&#xC1A1; &#xC601;&#xC0C1;.

Informaci&oacute;n morfom&eacute;trica microvascular exacta tiene importantes repercusiones en varios campos, incluyendo la cuantificaci&oacute;n de la angiog&eacute;nesis en cancer research, comprendiendo la respuesta inmune para pr&oacute;tesis neuronales y predecir la naturaleza del flujo sangu&iacute;neo, lo que se refiere al movimiento. Divulgamos la proyecci&oacute;n de imagen del sistema microvascular rat&oacute;n todo cerebro en resoluci&oacute;n suficiente para llevar a cabo la morfometr&iacute;a precisa. La proyecci&oacute;n de imagen se realiz&oacute; mediante microscop&iacute;a de escaneo de filo (KESM) y es el primer ejemplo de esta t&eacute;cnica que puede ser aplicada directamente a la investigaci&oacute;n cl&iacute;nica. Somos capaces de lograr &asymp; 0.7&mu;m resoluci&oacute;n lateralmente con 1&mu;m resoluci&oacute;n de profundidad utilizando el seccionamiento serial. No alineaci&oacute;n era necesaria y contraste era suficiente para permitir la segmentaci&oacute;n y medici&oacute;n de los buques.

Proyecci&oacute;n de imagen de transmisi&oacute;n r&aacute;pida macro escala de redes microvasculares usando KESM.

Conect&#xF3;mica es el estudio de la matriz de conexi&#xF3;n completo del cerebro. Los recientes avances en alto rendimiento y de alta resoluci&#xF3;n en 3D m&#xE9;todos de microscop&#xED;a han permitido a la obtenci&#xF3;n de im&#xE1;genes de todo el cerebro de los animales peque&#xF1;os con una resoluci&#xF3;n sub-microm&#xE9;trico, lo que podr&#xED;a abrir el camino a la investigaci&#xF3;n en toda regla conect&#xF3;mica. Uno de los primeros instrumentos de este tipo para lograr todo el cerebro escala de im&#xE1;genes a nivel sub-microm&#xE9;trico de resoluci&#xF3;n es el microscopio de barrido filo de la navaja (KESM). KESM de todo el cerebro conjuntos de datos incluyen ahora Golgi (circuitos neuronales), Nissl (distribuci&#xF3;n soma) y tinta china (redes vasculares). Los datos KESM puede contribuir en gran medida a la investigaci&#xF3;n conect&#xF3;mica, ya que llenar el vac&#xED;o entre una resoluci&#xF3;n m&#xE1;s baja, los grandes m&#xE9;todos de imagen de volumen (por ejemplo, la difusi&#xF3;n MRI) y una resoluci&#xF3;n m&#xE1;s alta, los m&#xE9;todos de peque&#xF1;o volumen (por ejemplo, la microscop&#xED;a de seccionamiento serie de electrones). Adem&#xE1;s, los datos KESM son por su propia naturaleza multiescala, que van desde el subcelular de la escala &#xF3;rgano entero. Debido a esto, la visualizaci&#xF3;n por s&#xED; sola es un gran desaf&#xED;o, incluso antes de empezar a preocuparse por el an&#xE1;lisis de la conectividad cuantitativa. Para solucionar este problema, hemos desarrollado un marco basado en la web para la visualizaci&#xF3;n neuroinform&#xE1;tica eficiente y el an&#xE1;lisis de los conjuntos de datos de m&#xFA;ltiples escalas KESM. En este trabajo, primero se proporciona una visi&#xF3;n general de KESM, a continuaci&#xF3;n, analizar en detalle los conjuntos de datos KESM y el basado en la web neuroinform&#xE1;tica marco, que se llama el KESM atlas del cerebro (KESMBA). Por &#xFA;ltimo, vamos a discutir la pertinencia de la KESMBA de conect&#xF3;mica la investigaci&#xF3;n, e identificar los desaf&#xED;os y las direcciones futuras.

Exploraci&#xF3;n multiescala de cerebro de rat&#xF3;n microestructuras Con el filo de la navaja barrido microscopio Atlas del Cerebro

Connectomics &#x662F;&#x5927;&#x8111;&#x7684;&#x5B8C;&#x6574;&#x7684;&#x8FDE;&#x63A5;&#x77E9;&#x9635;&#x7684;&#x7814;&#x7A76;&#x3002;&#x5728;&#x9AD8;&#x541E;&#x5410;&#x91CF;&#x7684;&#x6700;&#x65B0;&#x8FDB;&#x5C55;&#xFF0C;&#x9AD8;&#x5206;&#x8FA8;&#x7387;&#x7684; 3D &#x663E;&#x5FAE;&#x955C;&#x65B9;&#x6CD5;&#x5DF2;&#x542F;&#x7528;&#x4E9A;&#x5FAE;&#x7C73;&#x5206;&#x8FA8;&#x7387;&#xFF0C;&#x53EF;&#x80FD;&#x4F1A;&#x6253;&#x5F00;&#x901A;&#x5F80;&#x5168;&#x9762;&#x7206;&#x53D1; connectomics &#x7814;&#x7A76;&#x7684;&#x6574;&#x4E2A;&#x5C0F;&#x52A8;&#x7269;&#x5927;&#x8111;&#x7684;&#x6210;&#x50CF;&#x3002;&#x5176;&#x4E2D;&#x7684;&#x7B2C;&#x4E00;&#x6B21;&#x8FD9;&#x79CD;&#x5DE5;&#x5177;&#x6765;&#x5B9E;&#x73B0;&#x6574;&#x4E2A;&#x5927;&#x8111;&#x7EA7;&#x6210;&#x50CF;&#x5728;&#x4E9A;&#x5FAE;&#x7C73;&#x5206;&#x8FA8;&#x7387;&#x662F;&#x5200;&#x53E3;&#x626B;&#x63CF;&#x663E;&#x5FAE;&#x955C; (KESM)&#x3002;KESM &#x5168;&#x8111;&#x6570;&#x636E;&#x96C6;&#x73B0;&#x5728;&#x5305;&#x62EC;&#x9AD8;&#x5C14;&#x57FA; &#xFF08;&#x795E;&#x7ECF;&#x5143;&#x7535;&#x8DEF;&#xFF09;&#x3001; &#x6C0F;&#x5C0F;&#x4F53; (&#x7D22;&#x739B;&#x5206;&#x914D;)&#x3001; &#x548C;&#x5370;&#x5EA6;&#x58A8; (&#x8840;&#x7BA1;&#x7F51;&#x7EDC;)&#x3002;KESM &#x6570;&#x636E;&#x53EF;&#x5927;&#x5927;&#x6709;&#x52A9;&#x4E8E; connectomics &#x7684;&#x7814;&#x7A76;&#xFF0C;&#x56E0;&#x4E3A;&#x4ED6;&#x4EEC;&#x8F83;&#x4F4E;&#x7684;&#x5206;&#x8FA8;&#x7387;&#x3001; &#x5927;&#x5377;&#x6210;&#x50CF;&#x65B9;&#x6CD5; &#xFF08;&#x5982;&#x6269;&#x6563;&#x78C1;&#x5171;&#x632F;&#x6210;&#x50CF;&#xFF09; &#x548C;&#x66F4;&#x9AD8;&#x7684;&#x5206;&#x8FA8;&#x7387;&#xFF0C;&#x4F53;&#x79EF;&#x5C0F;&#x65B9;&#x6CD5; &#xFF08;&#x4F8B;&#x5982;&#xFF0C;&#x4E32;&#x884C;&#x5256;&#x5207;&#x955C;) &#x4E4B;&#x95F4;&#x7684;&#x5DEE;&#x8DDD;&#x3002;&#x6B64;&#x5916;&#xFF0C;KESM &#x6570;&#x636E;&#x662F;&#x7531;&#x5176;&#x6027;&#x8D28;&#x591A;&#x5C3A;&#x5EA6;&#x3001; &#x4ECE;&#x4E9A;&#x7EC6;&#x80DE;&#x5230;&#x6574;&#x4E2A;&#x5668;&#x5B98;&#x89C4;&#x6A21;&#x3002;&#x56E0;&#x6B64;&#xFF0C;&#x53EF;&#x89C6;&#x5316;&#x4EC5;&#x4EC5;&#x662F;&#x4E00;&#x4E2A;&#x5DE8;&#x5927;&#x7684;&#x6311;&#x6218;&#x4E4B;&#x524D;&#x6211;&#x4EEC;&#x751A;&#x81F3;&#x5F00;&#x59CB;&#x62C5;&#x5FC3;&#x5B9A;&#x91CF;&#x8FDE;&#x901A;&#x6027;&#x5206;&#x6790;&#x3002;&#x82E5;&#x8981;&#x89E3;&#x51B3;&#x6B64;&#x95EE;&#x9898;&#xFF0C;&#x6211;&#x4EEC;&#x5236;&#x5B9A;&#x9AD8;&#x6548;&#x7684;&#x53EF;&#x89C6;&#x5316;&#x548C;&#x5206;&#x6790;&#x591A;&#x5C3A;&#x5EA6; KESM &#x6570;&#x636E;&#x96C6;&#x57FA;&#x4E8E; web &#x7684;&#x795E;&#x7ECF;&#x4FE1;&#x606F;&#x5B66;&#x6846;&#x67B6;&#x3002;&#x5728;&#x672C;&#x6587;&#x4E2D;&#xFF0C;&#x6211;&#x4EEC;&#x5C06;&#x9996;&#x5148;&#x63D0;&#x4F9B;&#x6982;&#x8FF0; KESM&#xFF0C;&#x7136;&#x540E;&#x8BE6;&#x7EC6;&#x8BA8;&#x8BBA; KESM &#x6570;&#x636E;&#x96C6;&#x548C;&#x57FA;&#x4E8E; web &#x7684;&#x795E;&#x7ECF;&#x4FE1;&#x606F;&#x5B66;&#x6846;&#x67B6;&#xFF0C;&#x79F0;&#x4E3A; KESM &#x8111;&#x56FE;&#x8C31; (KESMBA)&#x3002;&#x6700;&#x540E;&#xFF0C;&#x6211;&#x4EEC;&#x5C06;&#x8BA8;&#x8BBA;&#x4E0E;&#x7814;&#x7A76; connectomics&#x3001; KESMBA &#x7684;&#x76F8;&#x5173;&#x6027;&#x548C;&#x786E;&#x5B9A;&#x7684;&#x6311;&#x6218;&#x548C;&#x672A;&#x6765;&#x65B9;&#x5411;&#x3002;

&#x4F7F;&#x7528;&#x5200;&#x53E3;&#x626B;&#x63CF;&#x663E;&#x5FAE;&#x955C;&#x8111;&#x56FE;&#x8C31;&#x7684;&#x9F20;&#x6807;&#x5927;&#x8111;&#x5FAE;&#x89C2;&#x7ED3;&#x6784;&#x7684;&#x591A;&#x5C3A;&#x5EA6;&#x52D8;&#x63A2;&#x3002;

Connectomics is the study of the full connection matrix of the brain. Recent advances in high-throughput, high-resolution 3D microscopy methods have enabled the imaging of whole small animal brains at a sub-micrometer resolution, potentially opening the road to full-blown connectomics research. One of the first such instruments to achieve whole-brain-scale imaging at sub-micrometer resolution is the Knife-Edge Scanning Microscope (KESM). KESM whole-brain data sets now include Golgi (neuronal circuits), Nissl (soma distribution), and India ink (vascular networks). KESM data can contribute greatly to connectomics research, since they fill the gap between lower resolution, large volume imaging methods (such as diffusion MRI) and higher resolution, small volume methods (e.g., serial sectioning electron microscopy). Furthermore, KESM data are by their nature multiscale, ranging from the subcellular to the whole organ scale. Due to this, visualization alone is a huge challenge, before we even start worrying about quantitative connectivity analysis. To solve this issue, we developed a web-based neuroinformatics framework for efficient visualization and analysis of the multiscale KESM data sets. In this paper, we will first provide an overview of KESM, then discuss in detail the KESM data sets and the web-based neuroinformatics framework, which is called the KESM brain atlas (KESMBA). Finally, we will discuss the relevance of the KESMBA to connectomics research, and identify challenges and future directions.

Multiscale exploration of mouse brain microstructures using the knife-edge scanning microscope brain atlas.

Connectomics est l&#x26;#39;&#xE9;tude de la matrice de connexion compl&#xE8;te du cerveau. Les progr&#xE8;s r&#xE9;cents dans haut d&#xE9;bit et &#xE0; haute r&#xE9;solution des m&#xE9;thodes de microscopie 3D ont permis &#xE0; l&#x26;#39;imagerie des petits animaux entiers cerveaux &#xE0; une r&#xE9;solution sub-microm&#xE9;trique, ce qui pourrait ouvrir la voie &#xE0; part enti&#xE8;re de la recherche connectomics. Un des premiers instruments pour atteindre ces tout-enc&#xE9;phalique de l&#x26;#39;imagerie &#xE0; r&#xE9;solution sub-microm&#xE9;trique est le microscope &#xE0; balayage en lame de couteau (KESM). KESM ensemble du cerveau des ensembles de donn&#xE9;es comprennent maintenant de Golgi (circuits neuronaux), Nissl (distribution soma), et encre de Chine (r&#xE9;seaux vasculaires). Donn&#xE9;es KESM peuvent contribuer grandement &#xE0; la recherche connectomics, car ils combler l&#x26;#39;&#xE9;cart entre une r&#xE9;solution inf&#xE9;rieure, grandes m&#xE9;thodes d&#x26;#39;imagerie de volume (comme l&#x26;#39;IRM de diffusion) et une r&#xE9;solution plus &#xE9;lev&#xE9;e, des m&#xE9;thodes de faible volume (par exemple, microscopie &#xE9;lectronique de s&#xE9;rie de sectionnement). En outre, les donn&#xE9;es sont KESM par leur nature multi-&#xE9;chelles, allant de la subcellulaire &#xE0; l&#x26;#39;&#xE9;chelle organe entier. Pour cette raison, la visualisation seul est un &#xE9;norme d&#xE9;fi, avant m&#xEA;me que nous commencer &#xE0; s&#x26;#39;inqui&#xE9;ter de l&#x26;#39;analyse quantitative de connectivit&#xE9;. Pour r&#xE9;soudre ce probl&#xE8;me, nous avons d&#xE9;velopp&#xE9; un cadre bas&#xE9; sur le Web pour la visualisation neuroinformatique et une analyse efficaces des ensembles multi-&#xE9;chelles des donn&#xE9;es KESM. Dans cet article, nous allons d&#x26;#39;abord donner un aper&#xE7;u de KESM, puis de discuter en d&#xE9;tail les ensembles de donn&#xE9;es KESM et le Web neuro-cadre, qui est appel&#xE9; le cerveau KESM atlas (KESMBA). Enfin, nous allons discuter de la pertinence de la KESMBA &#xE0; connectomics la recherche, et d&#x26;#39;identifier les d&#xE9;fis et les orientations futures.

Exploration multi-&#xE9;chelle de cerveau de souris Microstructures Utilisation de la lame de couteau microscope &#xE0; balayage du cerveau Atlas

Connectomics ist die Studie der vollst&auml;ndige Verbindung Matrix des Gehirns. J&uuml;ngsten Fortschritte in hohem Durchsatz, hochaufl&ouml;sende 3D Mikroskopie-Methoden die Bildgebung von ganz kleinen tierischen Gehirnen mit Sub-micrometer Aufl&ouml;sung, potenziell &ouml;ffnen den Weg zum ausgewachsenen Connectomics Forschung aktiviert haben. Einer der ersten solcher Instrumente ganz-Gehirn-Ma&szlig;stab Bildgebung bei Sub-micrometer Aufl&ouml;sung zu erreichen ist die Messerschneiden-Scanning-Mikroskop (KESM). KESM ganze-Gehirn-Datens&auml;tze enthalten jetzt Golgi (neuronale Schaltkreise), Nissl (Soma-Verteilung) und Tusche (vaskul&auml;re Netze). KESM Daten k&ouml;nnen erheblich zur Connectomics Forschung, beitragen, da sie die L&uuml;cke zwischen niedrigere Aufl&ouml;sung, gro&szlig;volumige bildgebenden Verfahren (z. B. Diffusion MRI) und h&ouml;here Aufl&ouml;sung, kleinvolumigen Methoden (z. B. serielle Schneide-Elektronenmikroskopie). Dar&uuml;ber hinaus sind KESM Daten durch ihre Natur Multiscale, von der subzellul&auml;ren bis hin zu der gesamten Orgel-Skala. Aus diesem Grund ist die Visualisierung allein eine gro&szlig;e Herausforderung, bevor wir selbst sorgen &uuml;ber quantitative Konnektivit&auml;t Analyse. Um dieses Problem zu l&ouml;sen, haben wir einen webbasierten Neuroinformatik Rahmen f&uuml;r effiziente Visualisierung und Analyse der Multiskalen KESM Datens&auml;tze entwickelt. In diesem Papier werden wir zuerst geben einen &Uuml;berblick &uuml;ber KESM dann im Detail zu diskutieren, die KESM-Datens&auml;tze und die webbasierte Neuroinformatik-Framework, das den KESM Gehirn-Atlas (KESMBA) aufgerufen wird. Schlie&szlig;lich wird die Relevanz der die KESMBA f&uuml;r Connectomics Forschung zu diskutieren, und Herausforderungen und Zukunftsperspektiven zu identifizieren.

Multiskalen Erforschung der Maus Gehirn Mikrostrukturen mit den Messerschneiden Scan Mikroskop-Gehirn-Atlas.

Connectomics &egrave; lo studio della matrice completa connessione del cervello. Recenti progressi in high-throughput, metodi di microscopia 3D ad alta risoluzione hanno permesso l&#39;imaging del cervello animale intero piccolo a una risoluzione Composante, potenzialmente aprendo la strada alla ricerca vera e propria connectomics. Uno del primo tali strumenti per ottenere imaging del intero-cervello-scala a risoluzione Composante &egrave; il filo del rasoio scansione microscopio (KESM). Set di dati del intero-cervello KESM ora includono Golgi (circuiti neuronali), Nissl (distribuzione soma) e inchiostro di India (reti vascolari). Dati KESM possono contribuire notevolmente alla ricerca connectomics, poich&eacute; essi colmare il divario tra la bassa risoluzione, grande volume imaging metodi (ad esempio diffusione MRI) e risoluzione superiore, metodi di piccolo volume (ad esempio, seriale sezionamento microscopia elettronica). Inoltre, i dati KESM sono da loro multiscale natura, che vanno dalla sottocellulari a scala dell&#39;intero organo. A causa di questo, visualizzazione da solo &egrave; una sfida enorme, prima di iniziare anche preoccuparsi di analisi quantitativa di connettivit&agrave;. Per risolvere questo problema, abbiamo sviluppato un quadro neuroinformatics web-based per l&#39;efficiente visualizzazione ed analisi dei set di dati KESM multiscala. In questo libro, ci sar&agrave; prima forniscono una panoramica del KESM, poi discutere in dettaglio il set di dati KESM e il quadro neuroinformatics web-based, che &egrave; chiamato l&#39;Atlante del cervello KESM (KESMBA). Infine, ci sar&agrave; discutere la rilevanza della KESMBA per connectomics ricerca e identificare le sfide e direzioni future.

Esplorazione multiscala di microstrutture cervello del mouse utilizzando l&#39;Atlante di cervello microscopio scansione filo del rasoio.

Connectomics&#x306F;&#x3001;&#x8133;&#x306E;&#x5B8C;&#x5168;&#x306A;&#x63A5;&#x7D9A;&#x30DE;&#x30C8;&#x30EA;&#x30C3;&#x30AF;&#x30B9;&#x306E;&#x7814;&#x7A76;&#x3067;&#x3042;&#x308B;&#x3002;&#x9AD8;&#x30B9;&#x30EB;&#x30FC;&#x30D7;&#x30C3;&#x30C8;&#x3001;&#x9AD8;&#x89E3;&#x50CF;&#x5EA6;&#x306E;3D&#x9855;&#x5FAE;&#x93E1;&#x6CD5;&#x306B;&#x304A;&#x3051;&#x308B;&#x6700;&#x8FD1;&#x306E;&#x9032;&#x6B69;&#x306F;&#x3001;&#x6F5C;&#x5728;&#x7684;&#x306B;&#x672C;&#x683C;&#x7684;&#x306A;connectomics&#x7814;&#x7A76;&#x3078;&#x306E;&#x9053;&#x3092;&#x958B;&#x3044;&#x3066;&#x3001;&#x30B5;&#x30D6;&#x30DF;&#x30AF;&#x30ED;&#x30F3;&#x306E;&#x89E3;&#x50CF;&#x5EA6;&#x3067;&#x5168;&#x4F53;&#x306E;&#x5C0F;&#x3055;&#x306A;&#x52D5;&#x7269;&#x306E;&#x8133;&#x306E;&#x30A4;&#x30E1;&#x30FC;&#x30B8;&#x30F3;&#x30B0;&#x3092;&#x6709;&#x52B9;&#x306B;&#x3057;&#x3066;&#x3044;&#x308B;&#x3002;&#x30B5;&#x30D6;&#x30DF;&#x30AF;&#x30ED;&#x30F3;&#x306E;&#x89E3;&#x50CF;&#x5EA6;&#x3067;&#x5168;&#x8133;&#x898F;&#x6A21;&#x306A;&#x30A4;&#x30E1;&#x30FC;&#x30B8;&#x30F3;&#x30B0;&#x3092;&#x5B9F;&#x73FE;&#x3059;&#x308B;&#x305F;&#x3081;&#x306E;&#x6700;&#x521D;&#x306E;&#x305D;&#x306E;&#x3088;&#x3046;&#x306A;&#x697D;&#x5668;&#x306E;&#x4E00;&#x3064;&#x306F;&#x3001;&#x30CA;&#x30A4;&#x30D5;&#x30A8;&#x30C3;&#x30B8;&#x30B9;&#x30AD;&#x30E3;&#x30F3;&#x9855;&#x5FAE;&#x93E1;&#xFF08;KESM&#xFF09;&#x3067;&#x3059;&#x3002; KESM&#x5168;&#x8133;&#x306E;&#x30C7;&#x30FC;&#x30BF;&#x306F;&#x3001;&#x30B4;&#x30EB;&#x30B8;&#x4F53;&#xFF08;&#x795E;&#x7D4C;&#x56DE;&#x8DEF;&#xFF09;&#x3001;&#x30CB;&#x30C3;&#x30B9;&#x30EB;&#xFF08;SOMA&#x5206;&#x5E03;&#xFF09;&#x3001;&#x30A4;&#x30F3;&#x30C9;&#x30A4;&#x30F3;&#x30AF;&#xFF08;&#x8840;&#x7BA1;&#x7DB2;&#xFF09;&#x304C;&#x542B;&#x307E;&#x308C;&#x3001;&#x73FE;&#x5728;&#x8A2D;&#x5B9A;&#x3055;&#x308C;&#x307E;&#x3059;&#x3002;&#x5F7C;&#x3089;&#x306F;&#x3088;&#x308A;&#x4F4E;&#x3044;&#x89E3;&#x50CF;&#x5EA6;&#x3001;&#x5927;&#x5BB9;&#x91CF;&#x306E;&#x30A4;&#x30E1;&#x30FC;&#x30B8;&#x30F3;&#x30B0;&#x6CD5;&#xFF08;&#x4F8B;&#x3048;&#x3070;&#x3001;&#x62E1;&#x6563;MRI&#x306A;&#x3069;&#xFF09;&#x3084;&#x3001;&#x9AD8;&#x89E3;&#x50CF;&#x5EA6;&#x3001;&#x5C11;&#x91CF;&#x306E;&#x65B9;&#x6CD5;&#xFF08;&#x4F8B;&#x3048;&#x3070;&#x3001;&#x30B7;&#x30EA;&#x30A2;&#x30EB;&#x30BB;&#x30AF;&#x30B7;&#x30E7;&#x30CB;&#x30F3;&#x30B0;&#x96FB;&#x5B50;&#x9855;&#x5FAE;&#x93E1;&#xFF09;&#x306E;&#x9593;&#x306E;&#x30AE;&#x30E3;&#x30C3;&#x30D7;&#x3092;&#x57CB;&#x3081;&#x308B;&#x305F;&#x3081;&#x3001;KESM&#x30C7;&#x30FC;&#x30BF;&#x306F;&#x3001;connectomics&#x7814;&#x7A76;&#x306B;&#x5927;&#x304D;&#x304F;&#x8CA2;&#x732E;&#x3059;&#x308B;&#x3053;&#x3068;&#x304C;&#x3067;&#x304D;&#x307E;&#x3059;&#x3002;&#x3055;&#x3089;&#x306B;&#x3001;KESM&#x30C7;&#x30FC;&#x30BF;&#x306F;&#x3001;&#x7D30;&#x80DE;&#x5185;&#x304B;&#x3089;&#x306E;&#x81D3;&#x5668;&#x5168;&#x4F53;&#x306E;&#x30B9;&#x30B1;&#x30FC;&#x30EB;&#x306B;&#x81F3;&#x308B;&#x307E;&#x3067;&#x3001;&#x305D;&#x306E;&#x6027;&#x8CEA;&#x306E;&#x30DE;&#x30EB;&#x30C1;&#x30B9;&#x30B1;&#x30FC;&#x30EB;&#x306B;&#x3088;&#x308B;&#x3082;&#x306E;&#x3067;&#x3042;&#x308B;&#x3002;&#x79C1;&#x305F;&#x3061;&#x3082;&#x3001;&#x5B9A;&#x91CF;&#x7684;&#x306A;&#x63A5;&#x7D9A;&#x5206;&#x6790;&#x306E;&#x5FC3;&#x914D;&#x3092;&#x958B;&#x59CB;&#x3059;&#x308B;&#x524D;&#x306B;&#x3001;&#x3053;&#x306E;&#x305F;&#x3081;&#x3001;&#x5358;&#x72EC;&#x3067;&#x53EF;&#x8996;&#x5316;&#x306F;&#x3001;&#x5927;&#x304D;&#x306A;&#x8AB2;&#x984C;&#x3068;&#x306A;&#x3063;&#x3066;&#x3044;&#x307E;&#x3059;&#x3002;&#x3053;&#x306E;&#x554F;&#x984C;&#x3092;&#x89E3;&#x6C7A;&#x3059;&#x308B;&#x305F;&#x3081;&#x306B;&#x3001;&#x6211;&#x3005;&#x306F;&#x30DE;&#x30EB;&#x30C1;&#x30B9;&#x30B1;&#x30FC;&#x30EB;KESM&#x30C7;&#x30FC;&#x30BF;&#xB7;&#x30BB;&#x30C3;&#x30C8;&#x306E;&#x52B9;&#x7387;&#x7684;&#x306A;&#x53EF;&#x8996;&#x5316;&#x3068;&#x5206;&#x6790;&#x306E;&#x305F;&#x3081;&#x306E;Web&#x30D9;&#x30FC;&#x30B9;&#x306E;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30A4;&#x30F3;&#x30D5;&#x30A9;&#x30DE;&#x30C6;&#x30A3;&#x30AF;&#x30B9;&#x306E;&#x30D5;&#x30EC;&#x30FC;&#x30E0;&#x30EF;&#x30FC;&#x30AF;&#x3092;&#x958B;&#x767A;&#x3057;&#x307E;&#x3057;&#x305F;&#x3002;&#x672C;&#x7A3F;&#x3067;&#x306F;&#x3001;&#x307E;&#x305A;KESM&#x30C7;&#x30FC;&#x30BF;&#x30BB;&#x30C3;&#x30C8;&#x3068;KESM&#x8133;&#x30A2;&#x30C8;&#x30E9;&#x30B9;&#xFF08;KESMBA&#xFF09;&#x3068;&#x547C;&#x3070;&#x308C;&#x308B;Web&#x30D9;&#x30FC;&#x30B9;&#x306E;&#x30CB;&#x30E5;&#x30FC;&#x30ED;&#x30A4;&#x30F3;&#x30D5;&#x30A9;&#x30DE;&#x30C6;&#x30A3;&#x30AF;&#x30B9;&#x30D5;&#x30EC;&#x30FC;&#x30E0;&#x30EF;&#x30FC;&#x30AF;&#x306F;&#x3001;&#x8A73;&#x7D30;&#x306B;&#x8B70;&#x8AD6;&#x3057;&#x3001;KESM&#x306E;&#x6982;&#x8981;&#x3092;&#x63D0;&#x4F9B;&#x3057;&#x307E;&#x3059;&#x3002;&#x6700;&#x5F8C;&#x306B;&#x3001;&#x6211;&#x3005;&#x306F;connectomics&#x7814;&#x7A76;&#x306B;KESMBA&#x306E;&#x59A5;&#x5F53;&#x6027;&#x3092;&#x8B70;&#x8AD6;&#x3057;&#x3001;&#x8AB2;&#x984C;&#x3068;&#x4ECA;&#x5F8C;&#x306E;&#x65B9;&#x5411;&#x6027;&#x3092;&#x8B58;&#x5225;&#x3057;&#x307E;&#x3059;&#x3002;

&#x30DE;&#x30A6;&#x30B9;&#x306E;&#x8133;&#x306E;&#x30DE;&#x30EB;&#x30C1;&#x30B9;&#x30B1;&#x30FC;&#x30EB;&#x63A2;&#x67FB;&#x30CA;&#x30A4;&#x30D5;&#x30A8;&#x30C3;&#x30B8;&#x8D70;&#x67FB;&#x578B;&#x9855;&#x5FAE;&#x93E1;&#x306E;&#x8133;&#x30A2;&#x30C8;&#x30E9;&#x30B9;&#x3092;&#x7528;&#x3044;&#x305F;&#x5FAE;&#x7D30;&#x69CB;&#x9020;

Connectomics &#xB1CC;&#xC758; &#xC804;&#xCCB4; &#xC5F0;&#xACB0; &#xB9E4;&#xD2B8;&#xB9AD;&#xC2A4;&#xC758; &#xC5F0;&#xAD6C; &#xC774;&#xB2E4;. &#xB192;&#xC740; &#xCC98;&#xB9AC;&#xB7C9;&#xC758; &#xCD5C;&#xADFC; &#xBC1C;&#xC804; &#xACE0;&#xD574;&#xC0C1;&#xB3C4; 3 &#xCC28;&#xC6D0; &#xD604;&#xBBF8;&#xACBD; &#xBC29;&#xBC95; &#xC7A0;&#xC7AC;&#xC801;&#xC73C;&#xB85C; &#xC5F4;&#xC5B4; &#xBCF8;&#xACA9;&#xC801;&#xC778; connectomics &#xC5F0;&#xAD6C;&#xB97C;&#xB3C4; sub-micrometer &#xD574;&#xC0C1;&#xB3C4;&#xC5D0;&#xC11C; &#xC804;&#xCCB4; &#xC791;&#xC740; &#xB3D9;&#xBB3C; &#xB450;&#xB1CC; &#xC774;&#xBBF8;&#xC9D5;&#xC744; &#xC124;&#xC815;&#xD55C; &#xD569;&#xB2C8;&#xB2E4;. &#xD55C; &#xCD5C;&#xCD08;&#xC758; sub-micrometer &#xD574;&#xC0C1;&#xB3C4;&#xC5D0;&#xC11C; &#xC804;&#xCCB4; &#xB1CC; &#xC2A4;&#xCF00;&#xC77C; &#xC774;&#xBBF8;&#xC9C0;&#xB97C; &#xB2EC;&#xC131; &#xD558;&#xAE30; &#xC704;&#xD574; &#xAC19;&#xC740; &#xACC4;&#xCE21;&#xAE30; Knife-Edge &#xAC80;&#xC0AC; &#xD604;&#xBBF8;&#xACBD; (KESM) &#xC774;&#xB2E4;. KESM &#xBAA8;&#xB4E0; &#xB450;&#xB1CC; &#xB370;&#xC774;&#xD130; &#xC138;&#xD2B8;&#xB294; &#xC9C0;&#xAE08; Golgi (&#xC2E0;&#xACBD; &#xD68C;&#xB85C;), Nissl (&#xC18C;&#xB9C8; &#xC720;&#xD1B5;), &#xADF8;&#xB9AC;&#xACE0; &#xC778;&#xB3C4; &#xC789;&#xD06C; (&#xD608;&#xAD00; &#xB124;&#xD2B8;&#xC6CC;&#xD06C;)&#xB97C; &#xD3EC;&#xD568; &#xD55C;&#xB2E4;. KESM &#xB370;&#xC774;&#xD130;&#xB294; &#xC774;&#xD6C4; &#xADF8;&#xB4E4;&#xC740; &#xB0AE;&#xC740; &#xD574;&#xC0C1;&#xB3C4;, &#xB300;&#xC6A9;&#xB7C9; &#xC774;&#xBBF8;&#xC9D5; &#xBC29;&#xBC95; (&#xC608;: &#xD655;&#xC0B0; MRI)&#xC640; &#xB192;&#xC740; &#xD574;&#xC0C1;&#xB3C4;, &#xC791;&#xC740; &#xBCFC;&#xB968; &#xBA54;&#xC11C;&#xB4DC; (&#xC608;: &#xC9C1;&#xB82C; &#xB2E8;&#xBA74;&#xD654; &#xC804;&#xC790; &#xD604;&#xBBF8;&#xACBD;) &#xC0AC;&#xC774;&#xC758; &#xACF5;&#xBC31;&#xC744; &#xCC44;&#xC6B8; connectomics &#xC5F0;&#xAD6C;&#xC5D0; &#xD06C;&#xAC8C; &#xAE30;&#xC5EC;&#xD560; &#xC218; &#xC788;&#xB2E4;. &#xB610;&#xD55C; KESM &#xB370;&#xC774;&#xD130;&#xB97C; subcellular&#xC5D0;&#xC11C; &#xC804;&#xCCB4; &#xAE30;&#xAD00; &#xADDC;&#xBAA8;&#xC5D0; &#xC774;&#xB974;&#xAE30;&#xAE4C;&#xC9C0; &#xADF8;&#xB4E4;&#xC758; &#xC790;&#xC5F0; multiscale&#xC5D0; &#xC758;&#xD574; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;. &#xC774; &#xB54C;&#xBB38;&#xC5D0;, &#xD63C;&#xC790; &#xC2DC;&#xAC01;&#xD654;&#xB294; &#xC6B0;&#xB9AC;&#xAC00; &#xC591;&#xC801; &#xC5F0;&#xACB0; &#xBD84;&#xC11D;&#xC5D0; &#xB300; &#xD55C; &#xAC71;&#xC815; &#xC2DC;&#xC791; &#xD558;&#xAE30; &#xC804;&#xC5D0; &#xAC70; &#xB300; &#xD55C; &#xB3C4;&#xC804; &#xC774;&#xB2E4;. &#xC774; &#xBB38;&#xC81C;&#xB97C; &#xD574;&#xACB0; &#xD558;&#xB824;&#xBA74; &#xC6B0;&#xB9AC;&#xB294; &#xD6A8;&#xC728;&#xC801;&#xC778; &#xC2DC;&#xAC01;&#xD654; &#xD558; &#xACE0; multiscale KESM &#xB370;&#xC774;&#xD130; &#xC9D1;&#xD569;&#xC758; &#xBD84;&#xC11D;&#xC744; &#xC704;&#xD55C; &#xC6F9; &#xAE30;&#xBC18; neuroinformatics &#xD504;&#xB808;&#xC784; &#xC6CC;&#xD06C;&#xB97C; &#xAC1C;&#xBC1C; &#xD588;&#xB2E4;. &#xC774; &#xC885;&#xC774;&#xC5D0; &#xC6B0;&#xB9AC; &#xBA3C;&#xC800; KESM &#xAC1C;&#xC694;&#xB97C; &#xC81C;&#xACF5; &#xAC83;&#xC785;&#xB2C8;&#xB2E4; &#xB2E4;&#xC74C; KESM &#xB370;&#xC774;&#xD130; &#xC9D1;&#xD569; &#xBC0F; &#xC6F9; &#xAE30;&#xBC18; neuroinformatics framework KESM &#xB1CC; &#xC544;&#xD2C0;&#xB77C;&#xC2A4; (KESMBA) &#xB77C;&#xACE0; &#xD558;&#xB294; &#xC790;&#xC138;&#xD558;&#xAC8C;&#xC5D0;&#xC11C; &#xB17C;&#xC758;. &#xB9C8;&#xC9C0;&#xB9C9;&#xC73C;&#xB85C;, &#xC6B0;&#xB9AC; connectomics &#xC5F0;&#xAD6C;&#xB294; KESMBA&#xC758; &#xAD00;&#xB828;&#xC131;&#xC5D0; &#xC124;&#xBA85; &#xD558; &#xACE0; &#xC2DD;&#xBCC4; &#xB3C4;&#xC804;&#xACFC; &#xBBF8;&#xB798;&#xC758; &#xBC29;&#xD5A5;.

Knife-edge &#xC2A4;&#xCE90;&#xB2DD; &#xD604;&#xBBF8;&#xACBD; &#xB1CC; &#xC544;&#xD2C0;&#xB77C;&#xC2A4;&#xB97C; &#xC0AC;&#xC6A9; &#xD558; &#xC5EC; &#xB9C8;&#xC6B0;&#xC2A4; &#xB1CC; &#xB9C8;&#xC774;&#xD06C;&#xB85C; &#xAD6C;&#xC870; multiscale &#xD0D0;&#xC0AC;.

Yoonsuck Choe

Department of Computer Science and Engineering

Texas A&M University

Specimen Preparation, Imaging, and Analysis Protocols for Knife-edge Scanning Microscopy

Yoonsuck Choe

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

Texas A&M University

Specimen Preparation, Imaging, and Analysis Protocols for Knife-edge Scanning Microscopy

Department of Computer Science and Engineering