从小鼠脊髓质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.
• 成像技术 成像技术

背景情况:

• 成像是监测神经元活动的关键技术,但需要算法来从光信号中推断尖端活动.
• 现有的尖端推断算法通常是针对皮质神经元进行优化,在脊髓等其他大脑区域的验证有限.
• 来自同时电生理学和成像的基本真相数据对于优化和验证这些算法对新细胞类型和区域至关重要.

研究的目的:

• 评估已建立的尖端推断算法 (CASCADE和OASIS) 在脊髓神经元中的性能.
• 从小鼠脊髓背部角神经元 (Glutamatergic和GABAergic) 产生新的基本真相数据集.
• 开发并提供重新训练的模型,用于在脊髓图像数据中准确的峰值率推断.

主要方法:

• 同时进行电生理学和成像记录,对小鼠脊髓背角中确定的谷氨酸和GABAergic体感神经元进行记录.
• 最先进的监督 (CASCADE) 和非监督 (OASIS) 尖端推断算法应用于记录的数据.
• 使用新获得的脊髓基底真相数据重新训练了CASCADE模型.

主要成果:

• 尽管CASCADE和OASIS算法都是为皮层神经元开发的,但它们在推断脊髓神经元的峰值率方面表现出良好的泛化性能.
• 用脊髓特定的地面真相数据重新训练CASCADE模型显著提高了峰值率推断的准确性.
• 该研究提供了可用于脊髓成像数据的开放访问重新训练模型,其噪声和率各不相同.

结论:

• 尖端推断算法可以在不同的神经元群体和大脑区域中概括,但区域优化提高了准确性.
• 这项研究为精确解释脊髓背部角的成像数据奠定了基础.
• 开发和验证的方法促进了成像在脊髓研究中的更广泛应用.