《PLOS Computational Biology》：iSTTC: A robust method for accurate estimation of intrinsic neural timescales from single-unit recordings
编辑推荐：
本文介绍了一种名为iSTTC的创新性指标，旨在克服当前从单单元放电活动(SUA)中估计内在神经时间尺度(ITs)的方法存在的显著偏差和不稳定性。该研究通过合成和实验数据集系统验证，证明iSTTC在多种条件下（特别是具有稀疏、嘈杂或分段数据的生物学相关情境中）能提供更准确的IT估计，且可同时应用于连续和分段数据，大幅放宽了对神经元分析的纳入标准，从而提升了IT测量的代表性与鲁棒性，是链接神经动态与认知功能的强大工具。
iSTTC：一种从单单元放电记录中稳健、精准估计内在神经时间尺度的新方法
摘要
大脑的核心能力之一是在极不同的时间尺度上（从毫秒级的快速躲避到持续数分钟的复杂决策）整合信息并选择适当行动。内在神经时间尺度(ITs)作为一种新兴的度量指标，量化了神经环路如何随时间整合信息。它们受到行为背景和认知需求的动态调节，因此成为将高级认知现象映射到底层神经计算的有力工具。尤其值得注意的是，从单单元放电活动(SUA)中测量ITs能够提供精细的空间分辨率，对于在机制上将单个神经元动态与认知联系起来至关重要。然而，当前从SUA估计ITs的方法存在显著偏差和不稳定性，特别是在处理稀疏、嘈杂或分段（分试次）的神经放电数据时。本研究引入了一种新颖的指标——内在尖峰时间瓦片系数(iSTTC)，它专门为解决这些局限而开发。通过对合成和实验性单单元放电记录的系统性评估，研究发现iSTTC在多种条件下都能比传统方法提供更准确的IT估计，尤其是在具有挑战性但又极具生物学意义的场景中显著降低了估计误差。至关重要的是，iSTTC可同时应用于连续数据和分段数据，克服了现有方法的一个关键限制。此外，iSTTC大大放宽了分析的纳入标准，增加了适合分析的神经元比例，从而提高了IT测量的代表性和鲁棒性。iSTTC所引入的方法学进步，标志着在准确捕捉神经环路动态方面迈出了重要一步，最终增强了我们将神经机制与认知现象联系起来的能力。
1 引言
ITs通常定义为单单元放电活动的尖峰计数自相关函数的指数衰减常数。它们在脑内存在显著差异，通常认为这反映了不同脑区的计算特性。在新皮层中，位于皮层层级底部的区域（如初级感觉皮层）通常表现出较短的时间尺度，有利于快速的感觉处理；而高阶脑区（如前额叶皮层）则表现出长得多的时间尺度，更适合支持复杂的认知功能。这些发现在系统发生上距离遥远的物种和不同的记录技术中均得到了稳健的重复。虽然很少有实验研究对导致IT异质性的因素进行机制性探究，但早期迹象表明，多种单神经元和网络层面的因素可能参与其中。重要的是，ITs并非固定不变，而是受到行为背景、认知需求和任务参与的动态调节。ITs的另一个重要特性在于其对行为和认知表现的预测能力，例如，较短的ITs与更快的反应时间相关。这表明，调节ITs可能是神经环路动态调整计算资源以满足行为需求的机制之一。因此，详细理解调节ITs的机制可能是连接神经动力学与高阶认知功能的有前途的途径，甚至可能在临床背景下作为机制性生物标志物。
尽管潜力巨大，但目前从SUA估计ITs的方法存在显著局限性。典型的IT估计是一个两步过程：首先，计算自相关函数(ACF)或类自相关函数；其次，拟合一个指数衰减函数。最近的方法学改进主要集中在优化指数拟合步骤，但自相关函数估计本身这一关键步骤仍存在显著不确定性。此外，大多数现有的基于试次的方法施加了严格的纳入标准，从而将分析限制在少数记录的神经元中。这似乎与“ITs基于特定脑区所有神经元的衰减速率”这一概念相悖。另外，由于自相关函数不能直接在分段的、非连续的数据上进行估计，最常用的试次化IT估计方法并非计算真正的自相关函数，而是测量试次平均数据上的伪自相关。
为应对这些局限，本文引入了iSTTC这一新指标。iSTTC是尖峰时间瓦片系数(STTC)的扩展，能够稳健地估计ITs，并相对于传统的基于自相关函数的方法有显著改进。它在长的、不间断的放电数据上，尤其是在具有低放电率和高循环连接性的生物现实性皮层条件下，提供了更准确的IT估计。与传统自相关函数方法不同，iSTTC不受零填充的影响，因此在零填充和连接后，也能无缝推广到分段放电数据。在模拟的试次化数据中，iSTTC的表现始终优于PearsonR方法，特别是在试次数较少时，能更准确地估计潜在的真实时间尺度。最后，iSTTC放宽了其他常用试次化方法所需的严格纳入标准，从而能在更大比例的神经元中进行IT估计，这增强了统计功效和所估计ITs的代表性。
2 结果
2.1 iSTTC在非分箱尖峰序列上计算类自相关函数
ITs被定义为信号自相关函数的衰减时间常数，其估计是一个两步过程。本文重点在于优化第一步（自相关/类自相关函数的计算）。计算自相关/类自相关函数时，有几个任意选择会影响结果。为了研究这些因素的影响，研究者在一个大型合成数据集和一个实验数据集上估计了ITs。计算自相关/类自相关函数时使用了三种方法，其中两种是文献中常用的：用于连续信号的经典自相关函数(ACF)，以及用于分段数据的、基于平均信号的皮尔逊相关系数(PearsonR)。它们与本文引入的iSTTC进行了比较。iSTTC可以作为类自相关度量，同时用于连续和分段数据。iSTTC的计算基于对STTC公式的修改，通过将尖峰序列与自身的时间平移版本进行比较来实现。对于分段数据，在应用iSTTC之前，通过零填充和拼接来线性化信号，并确保相邻试次的尖峰不会对iSTTC计算产生贡献，零填充的长度必须等于或大于试次长度。
2.2 在连续放电数据上，iSTTC在IT估计准确性上优于自相关函数
为比较iSTTC和自相关函数在长的、连续的、未分段放电数据上估计ITs的性能，研究者使用自激霍克斯点过程模拟了大量尖峰序列。通过比较相对估计误差(REE)，发现iSTTC在绝大多数探索的参数空间中产生的REE低于自相关函数。这种优势在模拟新皮层活动的、具有低放电率和爆发性放电的体系中尤为明显。分析还表明，自相关函数仅在局部变异(Lv)小于1、即神经元呈规律性放电的体系中优于iSTTC，而这种体系并不表现出计算IT所需的指数衰减自相关。计算效率方面，iSTTC虽然比自相关函数有更高的计算成本，但其总计算时间与单元数量和信号长度呈线性关系，表明其可扩展性，即使处理大型数据集也易于计算。
2.3 在分段放电数据上，iSTTC在IT估计准确性上优于PearsonR
iSTTC相对于自相关函数的一个关键优势在于它对零填充不敏感。因此，如果进行IT估计的数据是分段的，iSTTC在零填充和拼接后仍可直接使用。由于自相关函数不能用于分段数据，研究将iSTTC与文献中常用的PearsonR方法进行了比较。在绝大多数参数空间中，iSTTC产生的REE低于PearsonR，平均优势约为17.5%。这种优势在具有高放电率、低激发强度和高IT值的情况下尤为明显。值得注意的是，无论使用哪种IT估计器，从分段数据获得的REE都比从连续数据获得的大约高出一个数量级，这表明基于分段数据估计ITs时需要格外谨慎。
2.4 分段放电数据导致比连续放电数据大得多的REE
研究发现，相同放电单元在分段条件下的REE远大于连续条件。增加连续放电数据的长度可导致iSTTC和自相关函数的REE呈对数线性下降，其中iSTTC在整个参数空间中的表现平均优于自相关函数7%。增加试次数量同样可强烈地、对数线性地降低iSTTC和PearsonR的REE，iSTTC平均优于PearsonR 14%。此外，iSTTC也比PearsonR更快地收敛到稳定的IT估计，表现出更高的稳定性。
2.5 IT估计对超参数选择的敏感性
评估IT估计是否对超参数选择敏感的研究表明，超参数选择对所有方法的IT估计影响很小，但不同分箱大小（滞后偏移）之间的效果差异很大。总体而言，这些效应在不同方法间基本一致，表明观察到的变异性反映了自相关/类自相关估计的一般特性，而非取决于所使用的具体方法。
2.6 iSTTC提高了分段放电活动的纳入率和拟合质量
当前的IT研究通常施加严格的纳入标准，这限制了分析范围，仅能分析一小部分记录的神经元。这些标准包括最低放电率、平均分箱放电数据中无空箱、最小试次数、在特定时间窗口内自相关/类自相关函数下降、R2> 0以及手动检查拟合质量等。研究发现，使用iSTTC可以减少因拟合失败或R2为负值而被拒绝的单元比例，特别是在低放电率、高激发强度和低IT值的情况下。此外，研究评估了常用质量指标（如自相关/类自相关函数在50-200毫秒范围内是否下降、R2值、以及IT估计的95%置信区间是否排除零）对REE的影响，发现每个参数都能显著预测REE，支持了它们在实际中作为提高IT估计可靠性的有效代理指标。在所有质量指标上，iSTTC允许比PearsonR更大比例的单元满足标准，从而产生更具代表性的脑区IT估计。增加数据量（信号长度或试次数）可提高所有方法满足质量标准的单元比例，但在具有挑战性的数据条件下，iSTTC的优势尤为明显。
2.7 iSTTC与aABC设计用于不同的应用场景
iSTTC与自适应近似贝叶斯计算(aABC)针对IT估计流程的不同步骤进行了优化。aABC通过使用生成模型模拟跨候选时间尺度的合成信号、计算其自相关函数并返回时间尺度的后验分布，来优化基于自相关函数提取时间尺度的步骤（IT估计的第二步）。而iSTTC则针对IT估计流程的第一步，提供了更稳健、偏差更小的类自相关函数估计。在原则上，这两种方法可以结合。研究发现，在连续数据上，应用于SUA的iSTTC（和自相关函数）比任何基于试次的方法（包括aABC）都明显更准确、更包容。在分段数据上，aABC主要通过避免非常大的误差而优于iSTTC和PearsonR。然而，aABC的计算成本和拒绝率使其最适合群体水平的应用，而非单单元分析。概念上，这两种方法并不冲突：iSTTC提高了类自相关函数估计的稳健性，而aABC则改进了时间尺度提取阶段。
2.8 在实验数据上，iSTTC提供了更稳定、更稳健、更包容的IT估计
为评估iSTTC在实验数据上的性能，研究者分析了视觉编码Neuropixels数据集的一个子集。数据集包含来自26只小鼠的5775个单单元，记录来自六个皮层区和两个丘脑区。使用来自“功能连接”会话的30分钟自发性活动数据来估计基线ITs。研究发现，连续信号方法在不同脑区产生了一致的估计，具有相对较窄的置信区间，并保持了ITs的层级顺序，这与先前结果一致。相反，基于试次的方法产生了更多变的估计和层级排序。在单单元水平上，iSTTC产生的伪REE平均比PearsonR低15%。增加信号长度可导致伪REE呈对数线性下降，iSTTC在整个数据集上的表现优于自相关函数，这种优势在短信号上尤为明显。增加试次数也会导致伪REE呈对数线性下降，尽管iSTTC与PearsonR之间的差异未达到统计学显著性，但iSTTC估计的伪REE在更大概率上落在全信号IT估计的范围内，并且收敛到准确IT估计的速度更快。最后，在实验数据上，iSTTC也允许纳入更大比例的单元，在分段数据上，其拒绝率比PearsonR低12.4%，并且在所有质量标准上都保留了更高比例的单元。
3 讨论
本研究引入的iSTTC是一种从SUA记录中准确估计ITs的新方法。通过合成和实验数据，证明了iSTTC相对于当前使用方法的优势。在多种条件下，iSTTC提供了更准确、更稳定的IT估计。此外，iSTTC可无偏地处理连续和分段数据，并且通常允许纳入更多数量的单单元。这些特性显著增强了神经环路中IT估计的准确性、代表性和鲁棒性。iSTTC是STTC的扩展，旨在应对IT估计的特定挑战。与传统的自相关函数方法不同，iSTTC直接对二进制放电数据进行类自相关函数量化，无需分箱或平滑。这减少了分析所需的任意参数数量。至关重要的是，iSTTC对零填充不敏感，因此可以无缝应用于分段数据。在合成数据上测试时，iSTTC在连续和分段信号上都能比其他先进方法更准确地恢复ITs。在连续数据上，这些优势在稀疏放电和强循环连接性等生物学现实条件下尤为明显。在分段数据上，iSTTC产生了更大比例的、能通过常用纳入标准的类自相关函数估计，显著扩大了适合分析的神经元比例。这种增加的单单元包容性增强了统计稳健性，确保了更能代表底层神经环路的IT估计，并允许在更广泛的单元群体中研究单个神经元的ITs。在调查一个先进的实验数据集时，iSTTC比传统的自相关函数方法需要更短的记录时长来收敛到稳定解。在分段实验数据上，iSTTC仍然更稳健，能更快地收敛到接近连续记录得到的估计。此外，研究证实，与PearsonR相比，iSTTC有更多的神经元满足纳入标准，从而产生了更具代表性的脑区IT估计。
分析的另一个关键见解是，从分段数据估计的ITs存在固有的不稳定性，这是该领域的常见做法。在模拟和实验数据上的分析表明，短的试次长度或有限的试次数会严重降低IT测量的可靠性。总体而言，在试次数和持续时间与文献中使用量级相似的情况下，从分段数据估计ITs产生的REE大约比从连续数据估计高出十倍。这警示我们在解释用此方法计算的ITs时需要谨慎。虽然iSTTC减轻了这种不稳定性并提高了估计准确性，但研究者强调使用长的不间断记录的重要性，或者，如果无法避免分段数据，则应确保最大化的试次长度和数量。
iSTTC引入的方法学进步对未来IT研究具有重要意义。可靠地估计ITs对于理解其如何被调节以及将其与认知和行为结果联系起来至关重要。当前的理论框架认为，跨脑区的IT变异是功能专门化的基础。通过实现更准确、更包容的IT测量，iSTTC为在不同神经系统中检验这些理论提供了一个强大的工具。此外，考虑到单神经元ITs在脑区内也存在广泛的异质性，以及越来越多的证据将IT调节与单神经元特性联系起来，我们预计，像iSTTC这样能提高通过纳入标准的神经元比例的稳健指标，将特别有助于加深我们对支配ITs原理的理解。同时，iSTTC仍然无法估计一小部分单单元的ITs。未来的实验工作应确定这些被排除的单元是否对应于特定的生物亚群，对这些亚群的系统性遗漏可能会使群体水平的结论产生偏差。
总之，iSTTC扩展了IT估计的工具箱，克服了当前方法的若干缺点，并提高了IT估计的准
