《Journal of Neuroscience Methods》：A fast and simple algorithm for accurate spike detection in HD-MEA recordings
编辑推荐：
针对传统基于均方根（RMS）阈值检测在高频神经元爆发活动中会低估尖峰数量的缺陷，研究人员优化了基于中位数绝对偏差（MED）的检测方法，并结合尖峰去重步骤（DP-MED）。该方法在模拟和真实药物（卡巴胆碱）刺激实验中，与Kilosort-4（KS4）算法性能相当，但计算速度快40倍，为基于HD-MEA的药物筛选和神经科学研究提供了高效、精确的分析工具。
在神经科学研究中，高密度微电极阵列（HD-MEA）凭借其无与伦比的空间分辨率，为在体外记录成百上千个神经元的电活动提供了强大平台。无论是研究健康脑区的网络动态，还是探寻疾病模型中的神经功能异常，亦或是通过高通量药物筛选寻找潜在疗法，HD-MEA都扮演着至关重要的角色。然而，机遇总伴随着挑战，海量、复杂的电生理数据对分析算法提出了严峻考验。特别是，神经元网络在成熟后常常会自发产生高频的同步化爆发（Bursting）活动，而目前最常用的基于均方根（RMS）的阈值检测方法在此情况下会严重漏检动作电位。此外，单个神经元的动作电位（EAP）常被多个邻近电极同时记录到，产生了大量重复检测信号，使得后续的尖峰分选（Spike Sorting）计算成本极其高昂。如何在海啸般的电信号中，又快又准地“打捞”出每一朵关键的“神经浪花”，成为了领域内亟待解决的瓶颈问题。
为了应对这一挑战，来自马里兰大学的研究团队在《Journal of Neuroscience Methods》上发表了一项新研究。他们并非从零开始构建一个复杂的新体系，而是巧妙地对一个已有方法进行了“强化升级”，并结合一个精妙的“去重”步骤，最终开发出一套名为DP-MED的快速、精准尖峰检测流程。该研究不仅证明了其方法在性能上可与目前流行的尖端分选算法Kilosort-4（KS4）相媲美，更惊人的是，其计算速度提升了惊人的40倍，为大规模HD-MEA数据分析，尤其是药物筛选应用，带来了革命性的效率提升。
研究人员为开展这项研究，主要运用了以下几项关键技术方法：首先，建立了可长期培养（体外培养（DIV）长达40天）的大鼠原代皮质神经元与星形胶质细胞共培养体系，并利用MaxOne系统在HD-MEA上进行电生理记录。其次，采用两种阈值检测算法处理原始信号：传统的自适应RMS法和优化的中位数绝对偏差（MED）法。然后，针对HD-MEA记录中单个EAP被多电极捕获的问题，开发了一种基于时空邻域的启发式尖峰去重（DP）算法，与MED结合形成DP-MED流程。接着，利用LFPy和MEArec软件包模拟生成包含自发活动和网络爆发的HD-MEA数据，用于算法性能的基准测试。最后，将DP-MED与主流分选算法Kilosort-4（KS4）在模拟数据、真实神经元爆发记录以及药物（卡巴胆碱）刺激实验中进行全面比较，评估指标包括精确度（Precision）、召回率（Recall）、准确度（Accuracy）以及计算运行时间。
研究结果
3.1. 皮质网络的发育与成熟
研究人员首先建立了可在HD-MEA上长期培养的原代皮质神经元网络。记录发现，网络活动在体外培养（DIV）约三周后达到稳定平台期。此时，单个电极的放电频率显著增加，整个芯片的平均放电率以及检测到活动的电极比例（活跃面积百分比）均趋于平稳。免疫染色和膜片钳记录证实，三周时培养物中包含成熟的兴奋性和抑制性神经元，树突分支复杂，并表现出丰富的突触活动，标志着功能成熟的神经网络的建立。同时，网络自发产生周期性的同步化爆发活动，且爆发频率和每次爆发的尖峰数量随培养时间增加。
3.2. 尖峰检测方法的性能
在成熟网络（DIV > 21）的自发活动记录中，研究人员比较了RMS和MED两种检测方法。在低频活动期间，两者性能相近。然而，在网络爆发期，MED方法的优势凸显出来：它检测到的尖峰数量几乎是RMS方法的两倍。具体而言，在爆发期间所有被检测到的尖峰中，有约49.56% ± 0.26%是仅被MED方法检测到而被RMS方法遗漏的。分析表明，这种差异与记录的“爆发性”（Burstiness）指标正相关，突显了RMS方法在高频活动期间因噪声估计升高而导致阈值过高、漏检增加的固有缺陷。
3.3. DP-MED与Kilosort-4在模拟数据中的性能
由于HD-MEA的高空间分辨率，单个EAP常被多个电极记录。估计显示，约有38%的检测是重复的。为此，研究团队在MED基础上增加了尖峰去重（DP）步骤，形成DP-MED流程。为了在已知“地面实况”（Ground Truth）的条件下评估DP-MED，他们使用模拟数据（模仿25个锥体神经元在100通道阵列上的活动，包含背景放电和不同频率的爆发）将其与KS4进行对比。结果表明：在高放电频率下（如300 Hz），DP-MED的精确度显著高于KS4，意味着DP-MED产生的假阳性更少；然而，KS4的召回率总体上优于DP-MED，尤其在最高频率时，表明KS4漏检的尖峰（假阴性）更少；KS4的准确度在高频时也略高于DP-MED。这揭示了一个权衡：DP-MED更“谨慎”，错报少但可能漏报；KS4更“敏感”，捕获更多但夹杂的错误也可能更多。
3.4. DP-MED与Kilosort-4在皮质培养高负荷数据中的性能
为了模拟药物筛选场景，研究人员用胆碱能受体激动剂卡巴胆碱刺激培养网络，显著增加了自发活动和网络爆发频率。在此真实生物数据上比较DP-MED和KS4，发现两种方法检测到的尖峰数量在对照和给药条件下均无显著差异（尽管KS4检测数有略高的趋势，与模拟数据中其高召回率的特点一致）。然而，最关键的区别在于计算效率：处理一段典型的HD-MEA记录（约1000个通道，900秒，20 kHz采样率），DP-MED的平均运行时间仅为KS4的1/40。这意味着DP-MED在获得可比性能的同时，计算速度快了40倍。
结论与意义
本研究的核心结论是，所开发的DP-MED尖峰检测流程，为HD-MEA记录提供了一种快速、简单且性能可靠的解决方案。相较于传统RMS方法，DP-MED在神经元高频爆发活动期间具有显著更高的检测灵敏度，能够挽回约一半被漏检的尖峰。与当前先进的、但计算复杂的尖峰分选算法KS4相比，DP-MED在模拟数据和真实药理实验中的数据解读能力表现相当，二者在精确度与召回率上各有优势，形成了有益的互补。
这项研究最重要的贡献在于其巨大的实用性价值。它明确指出了在具有普遍爆发活动的原代神经元培养模型中，广泛使用的RMS阈值检测法存在严重局限，并提供了即插即用的优化替代方案（MED）。更重要的是，DP-MED流程通过其惊人的计算效率优势（比KS4快40倍），为高通量应用场景如药物筛选打开了新局面。在需要快速分析海量HD-MEA数据以评估化合物对神经网络活动影响的实验中，DP-MED能够实现近乎实时的分析，极大提升了研究通量和响应速度。研究者指出，DP-MED算法目前基于Python和多进程实现，未来移植到GPU平台有望进一步加速，甚至实现在线检测与去重。总之，这项工作不仅解决了一个具体的技术痛点，更通过提升分析效率，为基于HD-MEA的基础神经科学研究和新药研发赋能，推动了该技术向更广泛、更高效的应用迈进。
