《Cell Reports Methods》：Neural barcoding representing cortical spatiotemporal dynamics based on continuous-time Markov chains
编辑推荐：
本研究针对介观皮层钙成像数据高维度、大数据量的分析挑战，提出了一种称为“马尔可夫神经条形码”的计算框架。研究人员利用半二元非负矩阵分解（SBNMF）从自发神经活动中识别出100个离散的“马尔可夫元素”，并构建连续时间马尔可夫链（CTMC）模型来描述其时空动态转换。该方法成功捕捉了小鼠皮层活动的个体特异性“指纹”，并能灵敏检测到如最大电惊厥（MES）诱导的癫痫发作和视觉刺激引起的动态模式改变。该模型为量化和分析大规模神经动力学提供了一种紧凑、可推广的生成模型，具有重要的方法论意义。
大脑皮层时刻上演着复杂而有序的神经活动，如同一个永不落幕的交响乐团。理解这些大规模神经群体活动的时空动态，是揭示大脑工作原理的关键。近年来，宽场钙成像（Mesoscale Calcium Imaging）技术的发展，使得研究人员能够以前所未有的广度和分辨率，同时观察清醒小鼠大部分皮层表面的神经活动变化。然而，这项技术也带来了巨大的挑战：每次实验产生的数据量高达GB级别，包含了海量的时空信息。如何从这些高维数据中提取出有意义的、可比较的神经活动模式，并理解其背后的动态规律，成为了计算神经科学领域一个亟待解决的问题。传统的分析方法往往需要简化数据，例如计算功能连接或相干性，但这可能会丢失掉活动序列中关键的时间信息。不同的动态过程完全可能产生相似的整体连接模式，因此，迫切需要一种能够更全面刻画神经活动时空演变规律的新方法。
为了应对这一挑战，研究人员在《Cell Reports Methods》上报道了一种创新的计算分析方法，他们将其称为“马尔可夫神经条形码”（Markovian Neural Barcode）。这项研究的核心思想是将连续的、高维的皮层钙信号动态，建模为一个连续时间马尔可夫链（Continuous-Time Markov Chain, CTMC）。简单来说，他们将复杂的皮层活动状态离散化成一组有限的、有代表性的“状态”（称为马尔可夫元素），然后重点研究这些状态之间相互转换的概率规律。这就好比将一部复杂的电影分解成一系列关键帧（马尔可夫元素），然后分析这些关键帧是如何按照一定概率顺序连接成情节（神经动态）的。
研究人员开展这项研究，旨在建立一个紧凑且可推广的模型，能够量化描述皮层自发性活动的核心动态约束，并能够灵敏地检测出在病理状态（如癫痫发作）或感觉体验下这些动态约束发生的变化。他们通过对大量小鼠自发皮层活动数据进行无监督学习，识别出了一组通用的马尔可夫元素。然后，通过分析这些元素在时间序列上的出现（占据分布）和转换（转移概率矩阵，TPM），构建了每个记录的独特“神经条形码”。研究发现，这种条形码不仅在不同小鼠间具有高度可重复的共同特征，还包含了每个个体特有的、稳定的“动态指纹”。更重要的是，该方法能够清晰地区分基线状态与癫痫发作后状态，并能揭示视觉刺激如何特异性改变皮层活动的转换模式。这表明马尔可夫神经条形码能够捕捉到神经动力学中细微但重要的变化，为研究大脑在健康和疾病状态下的运作机制提供了强大的新工具。
本研究的关键技术方法主要包括：利用半二元非负矩阵分解（SBNMF）从大量成像帧中无监督地聚类出代表性子空间（马尔可夫元素）；构建连续时间马尔可夫链（CTMC）模型来刻画马尔可夫元素之间的转换概率和占据时间；应用Louvain社区检测算法对转移概率矩阵（TPM）进行模块化分析，以揭示动力学的层次结构；以及使用主成分分析（PCA）对生成的“神经条形码”进行降维和可视化，用于比较不同个体或实验条件间的差异。研究所用数据来自组成发现集和验证集的转基因Thy1-jRGECO1a小鼠的介观钙成像记录。
马尔可夫神经条形码揭示皮层动态约束
研究人员首先从大量清醒、头固定小鼠的自发皮层活动记录中，应用SBNMF算法识别出100个最具代表性的马尔可夫元素。这些元素构成了描述皮层动力学的基本“字母表”。分析表明，皮层动态可以被一个一阶马尔可夫过程很好地描述，即下一个活动状态仅依赖于当前状态。通过计算转移概率矩阵和状态占据分布，他们将每个记录编码为一个独特的“神经条形码”。这个条形码极大地压缩了原始数据量，同时保留了核心的动态信息。
皮层活动状态的通用性与个体特异性
研究发现，尽管不同小鼠的皮层活动看似复杂多变，但其马尔可夫神经条形码却显示出惊人的结构相似性。转移概率矩阵经过Louvain社区排序后，清晰地呈现出4个模块，模块内部的状态转换概率远高于模块之间，表明皮层动力学存在伪“吸收状态”。更重要的是，当对同一只小鼠进行多次记录时，其神经条形码表现出高度的一致性（组内相关性高），而不同小鼠的条形码则存在可重复的差异，形成了独特的“动态指纹”。这证明了该方法在捕捉个体特异性神经动力学方面的能力。
极端兴奋状态下的动力学特征改变
为了测试该方法的敏感性，研究人员在小鼠身上诱导了最大电惊厥（MES）发作。结果显示，发作后时期的神经条形码与基线时期相比发生了显著变化，在主成分分析（PCA）投影空间中形成了独立的聚类。进一步分析发现，MES后不仅改变了已有马尔可夫元素之间的转换概率，还诱导产生了新的、在基线状态下不存在的活动“基序”（Motif）。这些新基序对解释发作后皮层动态的方差贡献显著增加，揭示了癫痫如何从根本上重塑了皮层活动的动态规则。
感觉诱发反应与马尔可夫神经条形码
研究人员还考察了感觉刺激（全视野视觉闪光）如何影响皮层动力学。他们发现，视觉刺激会显著改变刺激前瞬间的马尔可夫元素占据分布，并且这种改变与诱发电位的幅度（特别是次级反应成分）相关。具体而言，诱发反应幅度高的试次，其刺激前瞬间的动力学状态更倾向于集中在某些特定的马尔可夫元素模块中。这表明，自发性皮层活动的瞬时状态能够调节后续感觉信息的处理效能，马尔可夫神经条形码能够捕捉到这种与行为表现相关的细微动态准备状态。
本研究成功开发了一种名为马尔可夫神经条形码的新型计算框架，用于量化分析介观皮层成像产生的高维神经动态数据。该方法的核心优势在于它将复杂的连续动态离散化为一个由有限状态（马尔可夫元素）和状态间转换概率（转移概率矩阵）定义的生成模型。这不仅实现了数据的大幅压缩，更重要的是提供了一个解释和模拟皮层活动动态的数学基础。
研究发现，清醒小鼠皮层的自发活动遵循一个低阶（一阶）马尔可夫过程，其动态受到一组可重复的约束支配，这些约束体现在转移概率矩阵的模块化结构中。同时，每个个体都表现出独特且稳定的动态“指纹”，这为纵向研究提供了新的可能性。此外，该方法对病理状态（如癫痫发作）和感觉体验引起的动态变化非常敏感，能够识别出新的活动模式和对现有转换规则的改变。
总之，马尔可夫神经条形码作为一个形式化、可推广的模型，为研究大脑皮层在多种条件下的时空动力学提供了一个强大的新工具。它有助于揭示神经系统处理信息的基本原理，并有望在未来的研究中应用于连接神经动态与行为、开发神经精神疾病的生物标志物以及构建大规模脑动力学计算模型等多个重要方向。
