当神经元相互交流时,它们会传递——或“发射”——称为动作电位或尖峰的小电脉冲。这些动作电位是大脑中信息处理的基本单位。今天,神经元活动通常通过钙成像来测量,它使用先进的显微镜来检测神经元内钙指示剂的荧光变化。这种方法变得非常流行,因为它可以同时检测完整大脑中许多神经元的神经元活动。然而,它不是直接检测动作电位,而是间接测量神经元活动:荧光信号取决于通过细胞膜中的钙通道流入的钙,这些通道被动作电位激活。单个动作电位导致细胞内钙浓度的短暂增加和随后的降低,这比动作电位本身慢得多。因此,通过显微镜测量的钙信号是神经元真实电活动的缓慢、扭曲和嘈杂的“阴影”。因此,需要从测量的钙信号中重建动作电位放电率的真实波动,这并非易事。
钙信号和尖峰率之间的关系通过同时电生理记录和同一神经元中钙指示信号的光学成像进行理想的评估。这种双重记录可以作为“基本事实”,以校准和优化从其他钙成像数据推断尖峰率的算法。基于这样的地面实况数据集,已经开发了各种尖峰推断算法,但它们通常使用复杂,精度不确定。
重建动作电位的历史
在2006 年的这篇论文中,FMI 小组负责人 Rainer Friedrich 是最早开发出一种方法来重建钙成像尖峰的人之一。弗里德里希 (Friedrich) 对该主题的兴趣随后在他获得博士学位时重新激活。学生 Peter Rupprecht 想出了使用高级机器学习来重建尖峰的想法。在 2017 年赢得“Spikefinder”挑战后,Rupprecht 在 FMI 的最后几个月致力于同时测量来自许多不同神经元的钙信号和动作电位,并开发了一种新算法来从钙成像推断尖峰。然后他继续从事这个项目,并在苏黎世大学脑研究所作为博士后完成了它。Rupprecht 简单有效算法,今天刊登在Nature Neuroscience 上,明显优于所有现有算法。
首先,Rupprecht 使用各种物种(小鼠和斑马鱼)、神经元类型、钙指示剂等,从公开可用的和新执行的记录中编译了一个大型且多样化的地面实况数据库。然后他开发了一种新的尖峰推理算法,利用地面实况数据集,基于机器学习。通过在各种数据集上训练算法,他设法创建了一种“通用”模型,即使对算法以前从未接触过的数据集也能做出准确的预测。
标签: 成像神经元
免责声明:本文由用户上传,如有侵权请联系删除!