食物匮乏时新皮层通过降低编码精度节省能量
该数据集来自 datashare.ed.ac.uk，主题为食物匮乏条件下小鼠新皮层的能量节省机制。研究使用全细胞记录与双光子成像，观察小鼠视觉皮层第2/3层神经元在食物限制下的信息编码与能量使用变化，涉及 AMPA 受体电导、突触 ATP 消耗、输入电阻、静息电位、放电率以及视觉反应变异性与方向调谐
基本信息
资源简介
食物匮乏时新皮层通过降低编码精度节省能量
该数据集来自 datashare.ed.ac.uk，主题为食物匮乏条件下小鼠新皮层的能量节省机制。研究使用全细胞记录与双光子成像，观察小鼠视觉皮层第2/3层神经元在食物限制下的信息编码与能量使用变化，涉及 AMPA 受体电导、突触 ATP 消耗、输入电阻、静息电位、放电率以及视觉反应变异性与方向调谐等指标。数据可用于研究能量代谢与神经编码精度的关系、食物匮乏对视觉皮层功能的影响，以及神经系统疾病相关的能量稳态问题（来源 datashare.ed.ac.uk）。
【数据内容】
源站描述（机器翻译，仅供参考）：信息处理在能量上代价高昂。在哺乳动物大脑中，食物匮乏期间信息编码与能量使用如何被调控尚不清楚。我们使用小鼠视觉皮层第2/3层的全细胞记录和双光子成像发现，食物限制降低了 AMPA 受体电导，使突触 ATP 使用减少 29%。尽管如此，神经元兴奋性仍得以保留，这是通过输入电阻的代偿性增加和静息电位去极化实现的。因此，神经元的放电率与对照组相似，但在其潜在的兴奋性电流上花费的 ATP 更少。这种节能策略是有代价的，因为它放大了视觉诱发阈下反应的变异性，导致方向调谐增宽 32% 并损害精细视觉辨别。这种编码精度的降低与脂肪量调节的 ho 水平降低相关
【主题与分类】
主题标签：mouse visual cortex、primary visual cortex、in vivo whole cell recordings、in vivo electrophysiology、current clamp recordings、voltage clamp recordings、ATP imaging、ATP consumption、energy homeostasis、food restriction。本站分类：神经系统疾病。
【获取与许可】
源站页面：https://datashare.ed.ac.uk/handle/10283/4117
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
源站：https://datashare.ed.ac.uk/handle/10283/4117
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 部分平台提供 SDK，例如：
- OpenDataLab:
pip install openxlab后openxlab.dataset.get(...) - ModelScope:
pip install modelscope后modelscope download - 天池: 登录后页面提供直链下载
以源站「数据下载/使用文档」页面为准。
- OpenDataLab:
数据说明
信息处理在能量上代价高昂。在哺乳动物大脑中，食物匮乏期间信息编码与能量使用如何被调控尚不清楚。通过对小鼠视觉皮层2/3层进行全细胞记录和双光子成像，我们发现食物限制减少了AMPA受体电导，使突触ATP消耗降低了29%。尽管如此，神经元的兴奋性通过输入电阻的代偿性增加和静息电位的去极化得以保持。因此，神经元的放电率与对照组相似，但在基础兴奋性电流上消耗的ATP更少。这种节能策略是有代价的，因为它放大了视觉诱发阈下反应的变异性，导致方向调谐增宽32%，并损害了精细视觉辨别能力。这种编码精度的降低与脂肪质量调节激素瘦素水平的下降有关，并且通过外源性瘦素补充得以恢复。我们的发现揭示了代谢状态动态调节新皮层中用于编码精度的能量消耗。
数据加载示例（图像类）
from PIL import Image
import glob, os
files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)
# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path) # 要求 子目录=类别
目录组织与标注格式以源站说明和下载后实际文件为准。
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
