从小鼠脊髓石成像数据推断的峰值率.

科学领域:

• 神经科学是一个神经科学.
• 计算神经科学是一种神经科学.

背景情况:

• 成像对于监测神经元活动至关重要,但提供间接信号,需要尖端推断算法.
• 优化这些算法与地面真相数据是必不可少的,但它们在新细胞类型和大脑区域的表现仍然不清楚.

研究的目的:

• 评估已建立的尖端推断算法 (CASCADE和OASIS) 对脊髓神经元的概括性.
• 通过重新训练模型,使用新的地面真相数据来提高脊髓背部角的尖峰推断准确度.

主要方法:

• 记录了来自小鼠脊髓背角神经元 (谷氨基和GABAergic) 的地面真相电生理学和成像数据.
• 应用监督 (CASCADE) 和非监督 (OASIS) 深度学习算法用于峰值率推断.
• 重新训练的CASCADE模型使用新获得的脊髓地面真相数据.

主要成果:

• 尽管CASCADE和OASIS算法都是为皮层神经元开发的,但它们对脊髓神经元的概括性能都很好.
• 重新训练CASCADE模型与脊髓地面真相显著提高了尖端推断的准确性.
• 提供重新训练的模型,以改进脊髓成像数据的分析,跨越各种噪声级别和率.

结论:

• 尖端推断算法可以在不同的神经区域进行概括,但特定区域的优化可以提高性能.
• 这项研究为解释脊髓背角的成像数据奠定了基础.
• 开放共享的资源有助于在脊髓中更准确地分析神经元活动.