发现小鼠视觉系统中细胞外潜力的种群贡献,使用层状种群分析

科学领域:

• 计算神经科学是一种神经科学.
• 系统神经科学 系统神经科学
• 神经信号处理神经信号处理

背景情况:

• 局部场潜力 (LFP) 反映了神经跨膜电流,但由于多个贡献的神经源,解释起来很复杂.
• 像PCA和ICA这样的统计分解方法已被用于解开LFP来源,但它们的假设可能并不总是成立.
• 准确地解释LFP对于理解神经活动与尖列车相辅相成至关重要.

研究的目的:

• 扩展和验证一种基于生理原理的新型分解算法,分层人口分析 (LPA).
• 通过模拟和实验数据评估LPA对LFP神经贡献的分离能力.
• 将LPA的业绩与已知的统计方法 (PCA,ICA) 进行比较.

主要方法:

• 开发并验证了分层人口分析 (LPA) 算法,集成多单元活动 (MUA) 和LFP数据.
• 利用来自艾伦研究所的小鼠V1的生物物理详细模型进行模拟数据分析.
• 将LPA应用于从视觉编码数据集中实验记录的MUA和LFP数据.

主要成果:

• 在模拟的V1数据中,LPA成功地从MUA中确定了层状位置和时间火速.
• LPA准确地估计了来自前,反复和反输入的电流下水槽和来源,超过了PCA和ICA.
• LPA在皮层层分离贡献的能力是有限的,可能是由于人口活动同步.

结论:

• LPA提供了一种基于生理学的方法来分解LFP信号,比统计方法提供更高的准确性.
• LPA可以估计层状群体活动,并识别神经回路中的突出电流贡献.
• 未来的工作可能涉及优化LPA的场景与高inter-laminar同步,可能使用不同的刺激范式.