用人工智能识别皮质分子生物标志物,与使用人工智能在小鼠中的学习潜在相关

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 分子生物学分子生物学

背景情况:

• 学习和记忆涉及到皮层中复杂的分子变化.
• 识别特定的学习分子生物标志物对于理解认知过程至关重要.
• 以前的研究已经将一些蛋白与学习联系起来,但缺乏全面的预测面板.

研究的目的:

• 用AI识别与小鼠学习相关的皮质分子生物标志物.
• 开发基于蛋白质表达水平的学习预测模型.
• 探索学习,皮层修剪和亡之间的潜在联系.

主要方法:

• 应用机器学习 (ML) 算法和特征选择到公有数据集中的小鼠皮质蛋白表达.
• 利用监督学习技术,根据蛋白质水平预测学习状态.
• 开发了一种新的冗余意识的特征选择方法.

主要成果:

• 六个皮质分子生物标志物被确定为学习的预测:来自大脑的神经营养因子 (BDNF),NR2A,B细胞淋巴瘤2 (BCL2),在lysine 18 (H3AcK18) 中的希斯顿H3乙化,蛋白质激酶R型内网膜激酶 (pERK) 和超氧化物脱酶1 (SOD1).
• 其中五种生物标志物 (BDNF,NR2A,H3AcK18,pERK,SOD1) 在科学文献中与学习有先前的关联.
• 以前,BDNF,NR2A和BCL2与修剪,BCL2与亡有关,这表明学习与这些细胞过程之间存在联系.

结论:

• 六个蛋白质生物标志物 (BDNF,NR2A,BCL2,H3AcK18,pERK,SOD1) 的鉴定小组可以准确地预测小鼠的学习.
• 这些发现凸显了皮层修剪和亡在学习机制中的潜在作用.
• 这项研究证明了人工智能在发现认知功能的新生物标志物的力量.