新的计算方法收集神经元的活动

最近的技术进步为神经科学带来了令人兴奋的可能性，使人们能够收集越来越详细的神经数据。然而，迄今为止，要理解全球神经科学家收集的大量神经记录，却面临更大的挑战。

霍华德·休斯医学研究所 (HHMI) 珍妮莉亚研究园区的研究人员开发了一种新的计算方法 Rastermap，它可以帮助更好地可视化同时从许多神经元收集的记录。这种方法在《自然神经科学》杂志上发表的一篇论文中进行了概述，最初应用于从小鼠和猴子皮层、大鼠海马体、斑马鱼大脑甚至神经网络中的人工神经元收集的记录。

论文资深作者 Marius Pachitariu 告诉 Medical Xpress：“大约 10 年前，我们开始能够获得更大规模的数据集，其中包含数百、数千甚至数万个同时记录的神经元。”

“这是出于这样的理解：我们需要观察电路中许多神经元同时‘协同工作’，才能真正理解神经计算的一些基本特征。工程师与神经科学家合作，创造了可以以这种方式监测神经活动的记录设备，计算专家创造了处理这些海量数据的工具。”

神经科学家和工程师之间的跨学科合作收集了无数的神经记录，其中许多神经元的活动通常同时被检测到。在这些记录中，每个神经元都有自己独特的活动模式，这些模式会随着时间的推移而展开，通常每个神经元包含数万个数据点。

“在这些记录中，每个神经元都构成神经空间中神经活动的一个维度，当你有 10,000 个神经元时，你就有 10,000 个维度，”Pachitariu 解释道。“问题是我们不擅长在如此高维的空间中可视化神经活动。这就是创建 Rastermap 的动机。”

Pachitariu 及其同事最近研究的主要目标是开发一种可视化方法，使神经科学家能够轻松生成熟悉的图（即光栅图），清晰地映射大量多神经元数据。他们开发的这种方法称为 Rastermap，主要依赖于排序算法。

“假设你有 20 个锥体，必须根据相似性对它们进行排序，”Pachitariu 说。“首先你可能会注意到它们的大小不同，因此根据这一点对它们进行排序。

“这很简单，但随后你注意到它们也是不同的随机颜色，按颜色排序看起来也不错。因此，你稍微调整了顺序，将更多相似的颜色放在一起，但随后意识到它们的形状也略有不同（例如，有些更扁平，有些更尖锐），你确实也想考虑到这一点，因此你进一步改变了顺序。

“现在，我们不再只有 20 个具有大小、颜色和长宽比等属性的视锥细胞，而是拥有 50,000 个具有更抽象属性的神经元，例如发放率、对外部刺激的反应、与动物运动的相关性等。”

Rastermap 利用单个神经元的特性，尝试以合理的方式对它们进行排序。其底层算法处理数据的方式与人类在上述类比中对视锥细胞进行排序的方式类似。该算法从随机顺序开始，不断移动神经元，使它们更靠近具有类似活动模式的其他神经元。

“Rastermap 使用稍微智能的算法，对这个过程进行多次迭代，最后得到一个很好的排序，”Pachitariu 说。“最后，我们对这个排序所做的工作才是最重要的：我们利用这个顺序在矩阵中显示神经元的放电率，我们将每个神经元的放电轨迹作为时间函数（每个神经元在矩阵中的长水平轨迹），并根据排序移动它们，以便具有相似轨迹的神经元彼此相邻。”

最终，Rastermap 会生成一个整洁的图，其中具有相似活动特征的神经元组彼此相邻。这让研究人员能够快速理解密集而广泛的神经数据，进而可能带来新的有趣发现。

“我们的可视化方法之所以效果很好，是因为大脑中的神经元并不是彼此完全独立的：它们共享某些活动模式，但它们共享的模式通常不是与组织中最近的神经元共享的，而是与距离相对较远但恰好具有相似活动的神经元共享的，”Pachitariu 说。

“这种方法之所以效果很好，还因为单个神经元往往非常嘈杂，因此仅仅孤立地观察其中一个神经元并不能真正让你‘看到’对特定刺激或行为的反应，但是当你有 20-50 个具有相似模式的神经元时，在单次试验的基础上更容易看到它们的平均值。”

作为他们最近论文的一部分，Pachitariu 和他的同事使用他们的方法来可视化过去研究中收集的数据，包括同时记录小鼠皮层中的多个神经元，以及记录整个斑马鱼大脑中的神经元。

在这两种情况下，Rastermap 似乎都以更清晰、更具视觉吸引力的方式呈现了之前报告的结果。研究人员还开始在实验室进行的其他研究中使用 Rastermap，并产生了新的有趣结果。

“我们认为，随着科学家记录越来越多的神经元，Rastermap 将变得越来越有用，而这必将发生，”Pachitariu 说道。“我们希望它能够支持基于发现的科学方法，这传统上一直是神经科学进步的强大驱动力，因为我们经常不知道要寻找什么神经元特性，而我们偶然发现有趣的神经特性大多是偶然的。

“Rastermap让你有机会在大规模神经记录时代进行此类研究。”

该研究团队引入的新可视化方法可能很快就会被世界各地的其他神经科学家用来理解同时追踪多个神经元活动的大型数据集。这可能有助于获得有关特定神经元功能以及大脑不同部分之间联系的新见解。

“也许有一天，当大规模记录进入临床环境时，Rastermap 可以让科学家读出并解释人类大脑中的神经活动模式，从而使 BCI 之类的东西更有效、更容易解释，”Pachitariu 说。

基于他们最近的努力，Pachitariu 和他的同事们现在正致力于开发更多可以促进神经科学研究的可视化技术。同时，他们正在与 HHMI Janelia 研究园区的神经科学家和医学研究人员合作测试他们开发的方法。

“引用最近一位诺贝尔奖得主的话：要处理 14 维空间（或更大的空间），请在脑海中想象一个三维空间，然后大声对自己说 14，”Pachitariu 补充道。“当你需要想象一个 50,000 维空间时，这甚至更加困难，因此我们需要从我们无法直观想象的空间扩展到我们可以想象的空间的方法。

“我们需要确保在进行这些简化时不会‘因噎废食’，因为最简单的简化方法就是丢弃大部分数据。例如，PCA 对神经数据所做的就是如此。PCA 是一种简单而流行的降维算法，但我们可能需要更进一步。”

更多信息： Carsen Stringer 等人，Rastermap：一种用于神经群体记录的发现方法，《自然神经科学》（2024 年）。DOI ：10.1038/s41593-024-01783-4。 (责任编辑：泉水)

搜索

热门标签:

新的计算方法收集神经元的活动