Science：大规模神经元记录的分析方法

摘要：由于仪器、分子工具和数据处理软件的创新，同时记录数百或数千个神经元的活动已成为常规操作。这些记录可以通过数据科学方法进行分析，但尚不清楚应使用哪些方法或如何将其应用于神经科学研究。我们回顾、分类并展示了多种用于神经群体记录的分析方法，并描述了这些方法如何用于解决神经科学中的长期问题。我们回顾了从数学简单到复杂、从探索性到假设驱动、从新近开发到更成熟的方法。我们还展示了一些在分析大规模神经数据时常见的统计陷阱。

1. 引言

过去十年中，出现了许多用于研究大脑的新工具。其中包括通过电生理或光学成像方法记录大量神经元功能的工具。这些工具对于解决神经科学中的各种问题至关重要。例如，单个神经元在重复呈现相同刺激时会产生不同数量的动作电位，但尚不清楚这种变异性是否在整个大脑区域中以宏观水平协调。同样，感觉皮层中的神经元在没有感觉输入时也会产生动作电位，但尚不清楚它们的所谓“自发”活动在整个神经群体水平上是如何相关的，或者这种活动可能代表什么。最后一个例子是，内嗅皮层中的单个网格细胞代表环境的周期性空间特征，但尚不清楚这些单独的网格如何在整个群体中对齐和协调。

总的来说，大规模神经记录至少有三个原因是有用的：（i）它们大大加速了数据收集；（ii）它们使得研究协调的神经活动成为可能；（iii）它们使得研究跨多个空间尺度同时发生的计算成为可能。我们简要回顾了使大规模记录成为可能的技术进展，然后将本综述的大部分内容用于解释大规模神经数据的分析技术。

2. 技术进展的简要历史

在电生理学方面，Neuropixels的开发标志着单个电极杆上同时记录通道数量的重大飞跃。这一进展得益于微型化和电子集成的工程努力。随后的探针迭代进一步实现了微型化，用于自由移动的动物，并在多个电极杆上增加了更多通道，适用于较平坦的大脑区域，如皮层和海马体，以及更厚更长的探针，用于非人类灵长类动物和人类。其他具有多通道的探针也分别开发出来——特别是用于视网膜记录的数千个电极的平面阵列，以及多种类型的柔性电极，这些电极有望提高慢性记录的稳定性。为了利用这些新设备，需要对经典的数据处理方法进行彻底改革，因为现有方法需要大量的人工手动处理，这对于这种规模的数据来说效率低下。这导致了自动化的尖峰排序方法的开发，如Kilosort、MountainSort、JRClust等。

在光学成像方面，进展主要依赖于双光子钙成像。尽管双光子钙成像早在之前就已开发，但随着基因编码的钙指示剂GCaMP6的引入，它变得广泛使用。其他推动钙成像采用的因素包括易于使用的商用显微镜的可用性、高功率激光技术的创新，以及研究兴趣向较小动物模型的转变，这些模型更容易开发和测试分子工具，如GCaMP。在斑马鱼和小鼠中，已经展示了数万到数十万个神经元的超大规模记录，尽管这些记录在时间分辨率上做出了牺牲。还开发了专门的头戴式“微型显微镜”设备，用于自由移动的动物，使用单光子或最近的双光子激发。最近的钙传感器迭代更准确地代表了动作电位，并且这些传感器现在可以针对特定的神经元区域，如胞体和轴突。钙成像在非人类灵长类动物中也变得有效。与电生理学的发展类似，收集的大量数据需要开发自动化流程，如Suite2p、Caiman等，用于识别感兴趣的区域（如细胞），提取它们的时间变化活动轨迹，并通过反卷积方法将这些轨迹转换为尖峰时间的估计。

过去几年中，这些技术改进已传播到许多神经科学实验室。大量数据正在生成，如何处理这些数据的问题经常出现。我们回顾了最近的大规模神经记录分析方法及其产生的发现。本综述将作为一系列问题、方法和可能的答案进行，这些问题、方法和答案可能是在分析大规模神经记录时遇到的。也许您自己收集了这些数据，或者合作者为您收集了这些数据。或者，您可能在网上找到了共享的数据，因为越来越多的开放数据集在线可用。以下是您可能如何处理这些数据的一个可能的计划：（i）首先，您可以使用经典方法的扩展版本来寻找具有特定调谐特性的神经元，并研究这些特性在不同条件下的分布。（ii）然后，您可能会寻找所有同时记录的神经元活动的协调结构，这通常通过降维方法完成。（iii）最后，您可能会尝试将步骤（i）和（ii）中发现的神经群体与任务相关变量联系起来，这些变量可以明确地定义（如刺激或行为）或通过模型隐式定义（如奖励预期或注意调制）。