从细胞外记录中发现神经元类型识别的最佳特征.
Vergil R Haynes1,2, Yi Zhou1, Sharon M Crook2
1Laboratory for Auditory Computation and Neurophysiology, College of Health Solutions, Arizona State University, Tempe, AZ, United States.
Frontiers in neuroinformatics
|February 19, 2024
概括
我们开发了一种机器学习方法,用于从单单元活动 (SUA) 记录中分析细胞外记录的动作潜力 (EAP). 这种方法通过去混合EAP源来有效地识别神经元类型,提高了分类准确性.
科学领域:
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
- 机器学习 机器学习
背景情况:
- 单个单元活动 (SUA) 的多通道记录在生物体内为神经元类型识别提供了新的见解.
- 使用细胞外记录的动作潜能 (EAP) 分类神经元类型的传统方法具有从单通道记录惯例中继承的局限性.
- 时空EAP波形是由于细胞外空间中底层电流源的混合而产生的.
研究的目的:
- 引入一种新的机器学习方法来消除空间时空EAP波形的底层源.
- 为了利用这些demixed源作为从SUA录音中识别神经元类型的特征.
- 建立潜在形态电生理类型的层次分类方案.
主要方法:
- 使用生物物理现实的计算模型模拟EAP波形.
- 模拟EAP的特征在于脱的基础来源的相对流行率.
- 在模拟的EAP上使用分类和集群方法,从详细的形态模型进行验证.
主要成果:
- 确定了EAP源的独特的空间和多分辨率时间模式,对采样偏差具有稳定性.
- 证明EAP源是跨神经元类型共享的,预测形态特征,并揭示底层形态域.
- 将已知的神经元类型根据来源流行情况组织成一个层次结构,创建一个多层次的分类方案.
结论:
- 拟议的机器学习方法有效地消除了用于神经元类型识别的EAP源.
- 这种基于模拟的策略为分类神经元类型提供了强大而准确的方法.
- 已识别的EAP来源为神经元的形态电生理学特性提供了洞察力.
