《Frontiers in Computational Neuroscience》：Relative timing and coupling of neural population bursts in large-scale recordings from multiple neuron populations
编辑推荐：
本文开发了一种高效的三步分析法（IPFR替代模型），能够从多脑区Neuropixels记录数据中精准估计单试次水平的群体爆发放电峰值时间及其跨区相关性。该方法在保持85–90%计算效率提升的同时，成功应用于13只小鼠的视觉通路研究，首次揭示了个体间在信号传递时序与功能连接模式上的差异性，为解析大脑信息处理机制提供了新工具。
引言
感觉刺激的出现会在神经群体中引发短暂的爆发放电活动，这些活动被认为负责将刺激信息传递到下游脑区。尽管这种同步化爆发的峰值时间在不同刺激呈现次间存在高度变异性，但在相互连接的大脑区域之间，特别是功能耦合较强的区域，爆发活动的相对时序可能具有更低的变异性。
传统方法通过计算刺激前后时间直方图（PSTH）来测量这些峰值的时间，但这种方法忽略了试次间的峰值时间变异性，从而丢弃了可能揭示信号在皮层区域间传播的有用信息。现代电生理记录技术，如Neuropixels探针，使得能够同时记录来自多个皮层区域的数百个神经元的 spike 时间序列，从而比以前更详细地观察诱发反应的时间。艾伦脑科学研究所的Neuropixels视觉编码数据集就是一个典型的例子，该数据集包含来自小鼠视觉系统中多个皮层和丘脑视觉区域的并行电生理记录。
方法
本研究分析了公开可用的艾伦脑观测站视觉编码Neuropixels数据集。该数据集包括来自小鼠视觉系统的 spike 时间序列和局部场电位记录。在每个实验中，六个Neuropixels探针被靶向到视觉皮层的六个区域。研究人员记录了每个受试者每个区域40到100个神经元的 spike 时间序列。30只小鼠被头部固定并被动呈现视觉刺激，包括自然电影、全视野闪光、Gabor斑块和漂移光栅。本研究专注于漂移光栅刺激，因为它们包含每个条件下的多次重复试验，试验时间相对较长（每次3秒），并且能强烈驱动视觉皮层的反应。
本研究开发了一个简单的分析框架，通过一个三步程序来克服传统方法的局限性。这三个步骤对应于引言中确定的三个问题：（1）相互作用群体选择，（2）初始峰值时间和标准误估计，以及（3）使用试次间相关性进行峰值时间去噪。
在步骤（1）中，研究人员为每个记录神经元和每个刺激条件提取了对特定条件有反应的神经元子集，即“相互作用群体”。他们通过将发放率函数拟合到每个神经元的PSTH上来实现这一选择，该PSTH是通过首先将每个试验中的 spike 时间序列分到1毫秒的区间中，然后对所有该条件的试验求和得到的。发放率函数使用具有样条基的泊松广义可加模型（GAM）进行非参数建模。选择标准包括：在爆发时间窗口内的平均发放率处于同一视觉区域神经元的前60%；必须有一个凹的临界点；最大斜率处于同一视觉区域神经元的前60%；从基线到峰值发放率的增加量处于同一视觉区域神经元的前60%。
在步骤（2）中，通过跨神经元求和分箱后的 spike 时间序列来获得特定试验下某个区域的群体PSTH。群体发放率函数使用与单个神经元相同的方法（使用带有样条基的泊松GAM）进行估计，并且从该群体发放率函数中获得最大发放率的时间，作为“峰值时间”的初始估计；其估计不确定性通过从神经元群体中进行 bootstrap 重采样获得。
在步骤（3）中，将步骤（2）中获得的初始峰值时间估计值及其不确定性代入一个简单的贝叶斯分层模型进行去噪。该模型假设观测到的峰值时间估计值给定其潜在的真实峰值时间后是独立同分布的。模型参数使用Rstan包通过哈密顿蒙特卡洛方法进行后验采样估计。
结果
模拟研究结果表明，与作为基准的高斯核平滑方法相比，本文提出的三步法在估计峰值时间延迟和试次间相关性方面有显著改进。虽然三步法在IPFR模型生成的数据上不如IPFR模型本身准确，但它仍然比参考方法有相当大的改进，证明了该方法去噪峰值时间和更准确估计相关性的能力。在计算效率方面，三步法相比IPFR模型有85%到90%的运行时间减少，这使得将其应用于大规模真实数据集变得可行。
将该方法应用于真实的艾伦脑观测站数据集，研究人员首次识别出了13只小鼠在刺激出现后的前两个群体爆发的峰值时间和区域间功能耦合的个体间差异。观察到的时序关系与已知的解剖学和生理学知识一致。
对于第一个峰值，在所有小鼠中都观察到LGN先于V1，而V1又先于高阶视觉区域。此外，在所有小鼠中，AM和RL的峰值1时间都先于PM。然而，除了这些关系之外，高阶视觉区域之间的相对峰值1时序对每只小鼠都是特定的。对于第二个峰值，在所有小鼠中，LGN和V1都先于AM和PM，并且RL再次先于PM，但所有其他排序都不一致。这表明在反馈传播的情况下，时序关系更具个体特异性。
跨区相关性分析显示，皮层区域之间的峰值时间试次间相关性往往强于皮层区域与LGN之间的相关性。此外，LGN与皮层区域之间的相关性在小鼠间的变异性也高于视觉皮层区域之间的相关性。通过计算以V1为条件的偏相关性，研究人员发现，对于第一个峰值，LGN与皮层区域的相关性在控制V1后下降幅度最大，表明V1在这些相互作用中起到了重要的中介作用。例如，LGN与RL的相关性在控制V1后从正相关变为负相关。
讨论
本研究开发、评估并展示了一种相对简单且计算高效的方法，用于识别跨区域群体活动中精确的试次间顺序时序。研究结果与已知的解剖学和生理学一致，同时强调了跨个体一致的通路与个体特异性通路之间的区别。
观察到的个体间变异性可能归因于动物生理学差异、数据收集所用实验设置的差异，或两者兼而有之。虽然跨小鼠的不一致性仍有待更详细地解释，但几乎所有小鼠都相同的结果与现有的关于前馈信号传播的功能相关层次性视觉通路的概念是相容的。LGN与皮层区域之间的相关性较弱且变异性较大，一个潜在的解释是仅基于视觉皮层图谱将Neuropixels探针靶向LGN等深部脑结构容易定位不准确，导致相关LGN神经元群体代表性不足和小鼠间变异性增加。
未来工作可以按行为状态（例如，奔跑与静止）划分试验，并在每种状态下重新估计峰值时间和试次间相关性，这有助于区分由状态依赖性调制引起的变异性与反映更稳定的生理或解剖差异的变异性。此外，通过检查多个子群体而非单一同质子群体，可以研究跨区域功能相互作用的多样性。
该方法在估计 spike 时间序列数据的峰值时间及其试次间相关性方面已被证明是有用的。未来研究可以探索将该方法的变体应用于局部场电位（LFP）或电流源密度（CSD）数据，以建立其时序关系。
