在间歇性访问两瓶选择老鼠模型中,使用隐性类别线性混合模型改进了酒精摄入组的分类
Diego Angeles-Valdez1, Alejandra López-Castro2, Jalil Rasgado-Toledo2
1Institute of Neurobiology, Universidad Nacional Autónoma de México, campus Juriquilla, Querétaro, Mexico; Cognitive Neuroscience Center, Department of Biomedical Sciences, University Medical Center Groningen, University of Groningen, the Netherlands; Research School of Behavioural and Cognitive Neurosciences, University of Groningen, Groningen, the Netherlands.
概括
这项研究引入了一种新的统计方法,用于在临床前模型中对酒精消费进行分类. 隐性类线性混合模型 (LCLMM) 提供了一个更准确的方法来识别高和低酒精摄入群体在研究酒精使用障碍.
科学领域:
- 神经科学是一个神经科学.
- 行为科学 行为科学
- 药理学 药理学是指药理学的学科.
背景情况:
- 酒精使用障碍 (AUD) 是一个重要的公共卫生问题.
- 临床前模型对于研究AUD发育和潜在治疗方法至关重要.
- 目前用于动物模型中的酒精摄入量分类的方法可能会带来偏差.
研究的目的:
- 为了评估使用纵向酒精摄入数据将动物实验对象分为高或低摄入组的有效性.
- 为了比较一种新的隐性类线性混合模型 (LCLMM) 方法与传统的分类方法.
主要方法:
- 使用间歇性访问两瓶选择 (IA2BC) 模式来消费酒精.
- 使用隐性类线性混合模型 (LCLMM) 来分析纵向饮酒数据.
- 将LCLMM与百分位数,K-means集群和使用模拟准确度,特异性和灵敏度的等级集群进行比较.
主要成果:
- 与传统方法相比,LCLMM在分类高酒精摄入量和低酒精摄入量组中表现出更高的准确性 (0.94).
- 在考虑酒精摄入的整个轨迹时,模拟证实了LCLMM的稳定性.
- 该研究强调了对组分类的先验值选择的潜在偏见.
结论:
- 纵向统计模型,特别是LCLMM,为在临床前研究中对酒精摄入量进行分类提供了更强大,更准确的方法.
- 这些发现表明,LCLMM可以改善在物质使用障碍研究中识别子群体.
- 建议采用纵向数据分析,以提高临床前AUD研究的精度.
