可视化指南排序的电生理记录使用“SpikeSorter”
Summary
The article shows how to use the program SpikeSorter to detect and sort spikes in extracellular recordings made with multi-electrode arrays.
Abstract
Few stand-alone software applications are available for sorting spikes from recordings made with multi-electrode arrays. Ideally, an application should be user friendly with a graphical user interface, able to read data files in a variety of formats, and provide users with a flexible set of tools giving them the ability to detect and sort extracellular voltage waveforms from different units with some degree of reliability. Previously published spike sorting methods are now available in a software program, SpikeSorter, intended to provide electrophysiologists with a complete set of tools for sorting, starting from raw recorded data file and ending with the export of sorted spikes times. Procedures are automated to the extent this is currently possible. The article explains and illustrates the use of the program. A representative data file is opened, extracellular traces are filtered, events are detected and then clustered. A number of problems that commonly occur during sorting are illustrated, including the artefactual over-splitting of units due to the tendency of some units to fire spikes in pairs where the second spike is significantly smaller than the first, and over-splitting caused by slow variation in spike height over time encountered in some units. The accuracy of SpikeSorter’s performance has been tested with surrogate ground truth data and found to be comparable to that of other algorithms in current development.
Introduction
人谁使用方法比简单的线上阈值和窗口更复杂的脑记录外信号面临识别和从由电极所记录的噪声电压信号分离不同的神经元的信号的任务。这个任务就是俗称秒杀排序。穗排序的难度是由各种因素复杂。使得由附近的电极从他们记录的信号很可能是相似的，很难区分神经元可以是非常靠近在一起。由一个单一的神经元产生的信号可以在在靠近所述电极，或可能作为树突高燃烧率，不同程度的电压电导的激活期间随时间变化，因为电极，可变钠通道动力学运动也许在大脑状态的变化的结果。 （ – 100微米20）R，这些问题可以通过使用多电极阵列（MEAs）中具有许多紧密间隔来减轻 ECORDING通道，它允许从单一神经元的信号的更好的空间定义，因为它们通常在几个通道 1,2摊开。然而，这，与从沿在空间电极重叠的整个长度传播神经元信号的事实相结合，结果在其内对应于唯一的神经元集群一个潜在的非常高维空间需要确定。这个问题变得比少数电极渠道更难以计算。迄今为止，没有通常商定为尖峰分拣最好的方法，虽然许多解决方案已经提出了3，4，5，6，7，8以及从的MEA录音变得越来越普遍9屁股=“外部参照”> 10。由于穗排序本身并不是目的，而只是在进一步的数据分析的必要第一步，还需要一个容易使用的包，将原始数据记录文件中读取，并将其转换为有序穗列车用尽可能少的用户输入，并作为快速，可靠地，尽可能。
本文为使用SpikeSorter的教程 – 与满足这些需求为目的开发的程序。该方案是基于先前发表的论文11，12，13所描述的算法。在设计方案的目标是， 一个 ），它应该有一个友好的用户界面需要很少或计算机编程或穗排序方法的先验知识; B）应需要超越标准的Windows或Linux操作系统很少或根本没有其他专门的软件组件; C </em>）范围广泛的记录数据格式的数据导入和导出应予支持; 四 ）排序应该最小化期间分拣需要用户输入，以及e）时间应比例以合理的方式，理想的直线，与记录持续时间和电极上的信道数。在程序中实现的算法包括：a）一组灵活的前处理和事件检测策略; b）一种自动分而降维哪个簇基于该主成分（PC）的从分配给特定的集群信道的子集得到的分布的电压波形的治策略; c）与基于均值漂移算法3,14和d快速聚类程序）部分自动配对合并和簇分裂的PC分布自动聚类，以确保每个尽可能从所有其他截然不同。要THIS，一套程序被加入，允许手动或拆分基于PC的分布，穗列车和尖峰波形的时间幅度图的交叉和自相关图检查集群合并。从四极管，四极管阵列，阵列犹他州以及单和多柄多边环境协定录音可以读取和排序。上的信道数的电流极限是256但这可能在将来被增加。
另一种跨平台的开源实现，“spyke”（http://spyke.github.io），也可用。撰稿（MS）在Python和用Cython自己人，spyke使用相同的总方针为SpikeSorter，有一些差异：减少内存需求，原始数据被加载在小块，只有当绝对必要的;簇专门显示，操作和在3D排序;和主成分和独立成分分析都被用作补充降维的方法。 Spyke需要更多用户teraction，但严重依赖键盘和鼠标快捷键和撤销/重做队列上迅速探索尖峰任何给定的子集的聚集各种因素的影响。这些因素包括秒杀频道和时间范围选择，秒杀调整，群集的尺寸和空间带宽（SIGMA）11。
以下是用于排序的算法和策略的简要说明。更完整的描述可在以前的出版物11，12，13，并在可经由帮助按钮来访问注解内SpikeSorter找到（用标识“？”）。加载原始细胞外电压文件并滤除较低的频率分量，事件检测的结果在一组事件的初始阶段，其中每一个的事件之前的时间后由一个短暂电压快照之后。如果选民骑着网站都足够密集（100微米<），单单元的信号通常出现在几个相邻通道。一个中心通道自动选择对于每个事件，对应于该事件的峰 – 峰电压为最大的信道。自动通过形成每个电极通道的单个初始簇，由该被定位于该通道的所有事件的排序开始。位于中间通道之间的单元可以产生被本地化（也许随机地）到不同的信道尖峰：从这两组尖峰的集群将被标识为类似的，并在稍后的阶段合并。在每个初始簇的事件的平均波形，然后计算。这被称为群集的模板。附属信道分配给基于该振幅和每个通道的模板波形的标准偏差每个群集。主成分值，然后计算每个基于集群ØN于所分配的信道集合的波形。用户可以选择使用主成分的维数：通常为2就足够了。然后每个簇被分成进一步集簇，并且这被重复，直到没有可以通过自动聚类进一步分裂。
在这一点上，一组初始的发言权的，从64通道电极64簇中，可以视其存在于记录单元的数目分成两个或三倍数量。但由于从单一单位不同信道的事件的变量赋值的，在这个阶段中的簇的数目是几乎肯定大于它应该是。分拣的下一阶段是通过比较对簇和合并类似成对或重新分配从一个到另一个事件来纠正oversplitting。排序的这一阶段被称为“合并和拆分”。
融合与分裂
对于N群集，存在N *（N-1）/ 2对和因此对的数目的增长为N 2，这是不希望的。然而，许多对可从比较，因为在一对的两个成员相距很远物理排除。这降低了依赖的东西，更线性关系的信道数。尽管这个快捷方式，合并和拆分阶段仍然可以非常耗时。它工作在以下方式。每个集群对要被进行比较（那些物理上接近在一起，通过在分配给每个信道组的重叠判断）被暂时合并，尽管保持尖峰的身份已知的两个成员的集群。合并后的对的主成分然后计算。在两个集群的点之间的重叠的测量，计算基于所述第一两个主成分的分布。
一路OV erlap量度计算中更详细别处11进行说明。它的值是零，如果群集完全不重叠， 即每个点的近邻是同一群集中。其值接近1，如果簇完全重叠， 即在最近邻同一集群中的存在的概率是相同的，从点的均匀混合的预测。
各种决定是由内搭重叠措施考虑在内。如果重叠大于一定值时，簇可以被合并。如果重叠很小，群集一对可被定义为不同的和单独留下。中间值，表示群集一对的不完全分离，可能预示着所述一对应该合并，然后重新分割，期望的结果是一对簇较少重叠。这些过程是：首先在自动化阶段，然后运行手动引导阶段。
帐篷“>在自动阶段，具有很高的重叠值集群对合并;然后集群对具有中间低的重叠值被合并和再分割在第二，用户引导的阶段，向用户呈现与所有的剩下的暧昧集群对（ 即那些在规定的中间范围的重叠值）的序列，并要求选择是否 ）合并对，b）合并，resplit的对，C）宣布对是不同的（这将覆盖重叠度量的意义），或d）以限定所述一对为“不明确”指示在该对峰值不太可能良好排序，还提供有多种工具，以帮助这些决定，包括汽车之间的关系 – 和交叉相关图和扣球高度和PC值的时间序列图。理想情况下，在合并和分裂阶段结束时，每个集群应当从所有其他不同，可能是因为它具有很少或没有公共信道与其他集群，或者因为重叠指数小于一个规定值。此值是用户可选择的，但通常为0.1。即通过此测试簇（单位）被定义为“稳定”，那些不（因为与一个或多个其它簇的重叠是大于阈值）被定义为“不稳定”。在实践中，大多数的单元最终被定义为“稳定”在排序的完成，留下其余要么被丢弃或作为潜在的多单元处理。
软件要求
SpikeSorter与Windows 7和Windows 10的64位版本的兼容，也成功地在Linux下使用Wine模拟器运行。数据文件被完全装入存储器（速度），因此可用的RAM需要与记录的大小按比例（允许约2 GB用于节目本身）。电生理学在尺寸上比130 GB的人的数据文件已被成功地分类保存在Windows和Linux环境。选项是通过标准的Windows菜单，工具栏和对话框访问。在菜单上的项目的布局操作的大致顺序相匹配，排序，与左边的数据输入和允许排序的数据进出口权的“导出”菜单中的“文件”菜单开始。工具栏按钮提供快捷键常用的菜单项。
通道配置文件
许多记录的数据格式不存储通道的位置。但是，知道这些是穗排序至关重要。信道也可以在通过采集软件各种方式编号：SpikeSorter要求信道按顺序编号，从信道1开始。因此，一个辅助电极配置文件必须创建，可以重新映射信道号跟随顺序规则，并卖场渠道禄ations。通道配置文件与文本的每个信道的单个行的文本文件。长文件的第一行存储文本名称，最多16个字符，标识了电极。在随后的行中的数字可以通过标签，一个逗号或空格隔开。有每行中的四个数字提供（按顺序）：该文件中的信道号，信道编号，以它是被映射（将由SpikeSorter使用即数），x和的y坐标渠道，微米。 x坐标通常被取为垂直于电极插入的方向和y相应坐标会深入到组织中。配置文件必须放置在相同的目录中记录的文件。这里面如何命名有一定的灵活性。该计划将首先搜索具有相同的名称作为原始数据文件，但有一个.CFG扩展名的文件。如果该文件我s未找到，它将搜索文件“electrode.cfg”。如果未找到反过来该文件中生成一个错误消息以指示缺少信道布局信息。
Protocol
Representative Results
Discussion
文件格式
目前支持的文件格式包括Neuralynx（.ntt和.ncs），Plexon公司（.PLX），Neuroscope（+的.xml .DAT），多通道系统（.mcd），黑石（.nev）和安顺（.rhd）。对于不支持的格式，有两种选择。一是申请加入文件格式为即将到来的释放（电子邮件连结到开发人员在提供“帮助 – 关于”对话框）。另一种是将文件转换为支持的格式。一个简单的选择是使用时间秒杀格式“.tsf”。这梗概格式…
Disclosures
The authors have nothing to disclose.
Acknowledgements
We thank those individuals and groups who have used SpikeSorter and who have provided requests for file format support and suggestions and feedback on how to improve it. These include Youping Xiao, Felix Fung, Artak Khachatryan, Eric Kuebler, Curtis Baker, Amol Gharat and Dongsheng Xiao. We thank Adrien Peyrache for the false positive and negative figures given in ‘Representative Results’.
Materials
| spikesorter.exe | N/A | program file currently available through invited dropbox link |
References
- Buzsáki, G. Large-scale recording of neuronal ensembles. Nat. Neurosci. 7, 446-451 (2004).
- Blanche, T. J., Spacek, M. A., Hetke, J. F., Swindale, N. V. Polytrodes: High Density Silicon Electrode Arrays for Large Scale Multiunit Recording. J. Neurophys. 93, 2987-3000 (2005).
- Lewicki, M. S. A review of methods for spike sorting: the detection and classification of neuronal action potentials. Network. 9, R53-R78 (1998).
- Letelier, J. C., Weber, P. P. Spike sorting based on discrete wavelet transform coefficients. J. Neurosci. Methods. 101, 93-106 (2000).
- Quiroga, R. Q., Nadasdy, Z., Ben-Shaul, Y. Unsupervised spike detection and sorting with wavelets and superparamagnetic clustering. Neural Computation. 16, 1661-1687 (2004).
- Franke, F., Natora, M., Boucsein, C., Munk, M., Obermayer, K. An online spike detection and spike classification algorithm capable of instantaneous resolution of overlapping spikes. J. Comput. Neurosci. 29, 127-148 (2010).
- Jäckel, D., Frey, U., Fiscella, M., Franke, F., Hierlemann, A. Applicability of independent component analysis on high-density microelectrode array recordings. J. Neurophysiol. 108, 334-348 (2012).
- Rossant, C., et al. Spike sorting for large, dense electrode arrays. Nature Neuroscience. 19, 634-641 (2016).
- Vandecasteele, M., et al. Large-scale recording of neurons by movable silicon probes in behaving rodents. JoVE. (61), e3568 (2012).
- Schjetnan, A. G. P., Luczak, A. Recording large-scale neuronal ensembles with silicon probes in the anesthetized rat. JoVE. (56), e3282 (2011).
- Swindale, N. V., Spacek, M. A. Spike sorting for polytrodes: a divide and conquer approach. Frontiers in Systems Neuroscience. 8, 1-21 (2014).
- Swindale, N. V., Spacek, M. A. Spike detection methods for polytrodes and high density microelectrode arrays. J. Comput. Neurosci. 38, 249-261 (2015).
- Swindale, N. V., Spacek, M. A. Verification of multichannel electrode array integrity by use of cross-channel correlations. J. Neurosci. Meth. 263, 95-102 (2016).
- Fukunaga, K., Hostetler, L. D. The estimation of the gradient of a density function, with applications in pattern recognition. IEEE Transactions on Information Theory (IEEE). 21, 32-40 (1975).
- Mitelut, C., et al. Standardizing spike sorting: an in vitro, in silico and in vivo study to develop quantitative metrics for sorting extracellularly recorded spiking activity. Soc. Neurosci. Abstr. 598 (10), (2015).
- Hazan, L., Zugaro, M., Buzsáki, G. Klusters, NeuroScope, NDManager: A free software suite for neurophysiological data processing and visualization. J. Neurosci. Meth. 155, 207-216 (2006).
- Harris, K. D., Henze, D. A., Csicsvari, J., Hirase, H., Buzsáki, G. Accuracy of tetrode spike separation as determined by simultaneous intracellular and extracellular measurements. J. Neurophysiol. 84, 401-414 (2000).
- Anastassiou, C. A., Perin, R., Buzsáki, G., Markram, H., Koch, C. Cell-type and activity dependent extracellular correlates of intracellular spiking. J. Neurophysiol. 114, 608-623 (2015).
- Wohrer, A., Humphries, M. D., Machens, C. K. Population-wide distributions of neural activity during perceptual decision-making. Prog. Neurobiol. 103, 156-193 (2013).
- Mizuseki, K., Buzsáki, G. Preconfigured, skewed distribution of firing rates in the hippocampus and entorhinal cortex. Cell Reports. 4, 1010-1021 (2013).
- Schmitzer-Torbert, N., Jackson, J., Henze, D., Harris, K., Redish, A. D. Quantitative measures of cluster quality for use in extracellular recordings. 神经科学. 131, 1-11 (2005).
- Barnett, A. H., Magland, J. F., Greengard, L. F. Validation of neural spike sorting algorithms without ground-truth information. J. Neurosci. Meth. 264, 65-77 (2016).
