La actividad eléctrica de las redes neuronales disociadas en desarrollo es de inmensa importancia para comprender las propiedades generales del procesamiento y almacenamiento de la información neuronal. Además, la complejidad y diversidad de los patrones de actividad de las redes las convierten en candidatas ideales para desarrollar nuevos modelos computacionales y evaluar algoritmos. Sin embargo, son escasas las bases de datos que se centran en la dinámica cambiante de las redes durante su desarrollo. Aquí describimos el diseño y la implementación de la Base de Datos de Neuroinformación para Redes en Desarrollo (NDDN), un repositorio de datos electrofisiológicos recogidos de redes de hipocampo cultivadas a largo plazo. La NDDN contiene más de 15 terabytes de datos de matrices multielectrodo consistentes en 25.380 elementos recogidos de 105 lotes de cultivo. Los metadatos, incluida la información de cultivo y registro y los protocolos de estimulación/aplicación de fármacos, están vinculados a cada elemento de datos. La NDDN también incluye una caja de herramientas Matlab llamada MEAKit para facilitar el análisis de los datos descargados. Esperamos que la NDDN contribuya a los campos de la neurociencia experimental y computacional.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Diseño óptico de películas porosas de ZnO/TiO2 para vidrios altamente transparentes con protección ultravioleta de banda ancha
Artículo:
Biosensor inmovilizado con tirosinasa basado en el grupo hidroxilo funcionalizado-MWNT y detección de compuestos fenólicos en vinos tintos
Artículo:
Influencia de los liposomas flexibles en la deposición en la piel de un fármaco modelo hidrofílico, carboxifluoresceína: Dependencia de su composición
Artículo:
Mejora de la señal EEG en tiempo real mediante el análisis de correlación canónica y la agrupación de mezclas gaussianas
Artículo:
Denoising de imágenes de RM cerebral en 3D con aprendizaje residual paralelo de la red neuronal convolucional utilizando la extracción de características globales y locales