在非人类灵长类动物的行为中,从细胞外记录中解读神经元身份的策略

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.
• 灵长类动物研究研究

背景情况:

• 准确的神经元类型识别对于理解神经电路计算使用行为动物的细胞外记录至关重要.
• 目前的记录探头在解决神经元身份方面存在局限性,阻碍了详细的电路分析.

研究的目的:

• 开发一种可通用的框架,用于从非人类灵长类动物的细胞外记录中分配神经元类型.
• 利用在专家识别的神经元上训练的深度学习模型进行自动的神经元分类.

主要方法:

• 开发了一个结合逻辑,电路架构,层状信息和功能性放电特性的框架.
• 进行了对 rhesus macaques 在平滑追踪眼动期间的神经元类型的专家识别.
• 深度学习分类器使用细胞外特征如波形,放电统计和解剖层信息进行训练.

主要成果:

• 波形,放电统计和解剖层为神经元识别提供了重要的信息.
• 集成这些特征的深度学习分类器可以提高神经元识别的准确性.
• 该方法在小脑花复合体中在光滑的追踪眼动过程中得到了验证.

结论:

• 开发的框架和深度学习工具可以从细胞外记录中准确识别神经元类型.
• 这种通用方法支持跨物种的神经回路内信息处理的表征.
• 它为推进我们对神经计算的理解奠定了必要的基础.