使用SIMNETS分析框架在大规模组合记录中绘制单个神经元的计算相似性
Carlos E Vargas-Irwin1,2,3, Jacqueline B Hynes1,2, David M Brandman4
1Department of Neuroscience, Brown University, Providence, RI, United States.
Frontiers in neuroscience
|September 2, 2025
概括
我们开发了类似网络 (SIMNETS), SIMNETS根据神经元的长线相似性绘制地图, 揭示大脑活动中的功能子网络.
科学领域:
- 神经科学
- 计算神经科学
- 系统神经科学
背景情况:
- 大规模的神经记录提供了前所未有的洞察力,
- 越来越复杂的数据需要超越传统方法的先进分析方法.
- 分析多尺度皮质网络动态需要可扩展和高效的计算工具.
研究的目的:
- 引入类似网络 (SIMNETS) 对大规模神经数据的分析框架.
- 能够识别和可视化具有相似计算功能的神经元组.
- 提供一种比较神经元群体信息处理的方法.
主要方法:
- 开发了SIMNETS管道,以嵌入神经元到基于尖列车相似性的低维地图.
- 使用双向尖峰列车相似性 (SSIM) 矩阵来捕获实验条件中的内在神经元关系.
- 使用了三个公共神经群数据集 (视觉,运动,海马CA1) 进行验证.
主要成果:
- 证明SIMNETS识别潜在子网络的能力 (具有相似计算属性的神经元集群).
- 在不同的神经数据集上验证了框架的效率和可扩展性.
- 实施了一种新的统计测试来评估检测到的神经元集群的意义.
结论:
- SIMNETS提供了一种高效且可扩展的方法来分析复杂的神经群数据.
- 该框架可在多个尺度上快速检查神经网络的计算结构.
- SIMNETS利用单个单元列车的内在特性来揭示功能性网络组织.
