Un guide visuel Tri électrophysiologique Recordings Utilisation '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
Toute personne qui enregistre des signaux extracellulaires du cerveau en utilisant des méthodes plus sophistiquées que seuillage en ligne simple et fenêtrage fait face à la tâche d'identifier et de séparer les signaux provenant de différents neurones à partir des signaux de tension bruyants enregistrés par l'électrode. Cette tâche est généralement connu comme pic tri. La difficulté de spike sorting est aggravée par divers facteurs. Neurones peuvent être très rapprochés pour que les signaux enregistrés à partir d'eux par une électrode à proximité sont susceptibles d'être similaires et difficiles à distinguer. Les signaux produits par un seul neurone peut varier au fil du temps, peut-être à cause des mouvements de l'électrode, variables cinétiques de canal de sodium pendant les périodes de cadence de tir élevée, des degrés variables d'activation de conductances de tension dans les dendrites qui sont proches de l'électrode, ou peut-être que à la suite de changements dans l'état du cerveau. Ces problèmes peuvent être atténués en utilisant des réseaux multi-électrodes (AME) avec beaucoup rapprochées (20-100 pm) r ent canaux qui permet une meilleure définition spatiale des signaux à partir des neurones isolés , car ils sont généralement répartis sur plusieurs canaux 1, 2. Cependant, ceci, combiné avec le fait que les signaux à partir de neurones répartis sur toute la longueur du chevauchement de l'électrode dans l'espace, les résultats dans un espace tridimensionnel potentiellement très élevé au sein de laquelle des groupes correspondant à des neurones particuliers doivent être identifiés. Ce problème devient insoluble informatiquement pendant plus d'un petit nombre de canaux d'électrode. À ce jour, il n'y a pas généralement convenu meilleure méthode pour spike sorting, bien que de nombreuses solutions ont été proposées 3, 4, 5, 6, 7, 8 et enregistrements de AME sont de plus en plus courante 9,ass = "xref"> 10. Parce que spike sorting est pas une fin en soi, mais est simplement une étape préliminaire nécessaire avant de poursuivre l'analyse des données, il existe un besoin pour un forfait facilement utilisable qui va lire dans les fichiers de données d'enregistrement brut et les convertir en trains pic triés avec aussi peu de l'utilisateur entrée et aussi rapidement et de manière fiable que possible.
Ce document fournit un tutoriel pour l'utilisation de SpikeSorter – un programme mis au point dans le but de répondre à ces besoins. Le programme est basé sur des algorithmes décrits dans les documents précédemment publiés 11, 12, 13. Les objectifs dans la conception du programme étaient que a) il doit avoir une interface conviviale nécessitant peu ou aucune connaissance préalable de la programmation informatique ou de la pointe de tri méthodologie; b) peu ou pas d' autres composants logiciels spécialisés au – delà des systèmes d' exploitation standards Windows ou Linux devrait être nécessaire; c </em>) Une large gamme de formats de données d'enregistrement pour l'importation de données et l'exportation doit être soutenue; d) la nécessité d' une entrée de l' utilisateur lors du tri doit être minimisée, et e) de tri fois devraient évoluer de façon raisonnable, idéalement linéaire, avec une durée d'enregistrement et le nombre de canaux sur l'électrode. Les algorithmes mis en œuvre dans le programme comprennent a) un ensemble flexible de stratégies de pré-traitement et de détection d'événement; b) un clivage automatisé et de la stratégie de conquête de la réduction de la dimension des pôles de formes d' ondes de tension sur la base des composantes principales (PC) des distributions obtenues à partir de sous – ensembles de canaux attribués à des groupes spécifiques; c) le regroupement automatique des distributions de PC avec une procédure rapide de clustering basé sur l'algorithme moyen de décalage 3, 14, et d) la fusion pairwise partiellement automatisé et le fractionnement des clusters pour veiller à ce que chacun d' eux est aussi distincte que possible de tous les autres. Pour THIs, un ensemble de procédures a été ajoutée qui permettent le fractionnement manuel ou fusion des clusters basés sur l'inspection des distributions PC, croisées et auto-corrélogrammes des trains de pointes et des parcelles de temps-amplitude des formes d'onde de pic. Les enregistrements de tétrodes, les tableaux de tétrode, les tableaux Utah ainsi que les AME mono et multi-queue peuvent être lus et triés. La limite de courant sur le nombre de canaux est de 256 mais cela peut être augmentée à l'avenir.
Une autre croix-plate-forme mise en œuvre open-source, "spyke" (http://spyke.github.io), est également disponible. Écrit par l'un d'entre nous (MS) en Python et Cython, spyke utilise la même approche globale SpikeSorter, avec quelques différences: pour réduire les demandes de mémoire, les données brutes sont chargées dans des petits blocs, et seulement lorsque cela est absolument nécessaire; clusters sont exclusivement affichées, manipulées et triées en 3D; et le composant principal et analyse en composantes indépendantes sont toutes deux utilisées comme méthodes de réduction de la dimension complémentaires. Spyke nécessite plus d'utilisateurteraction, mais repose fortement sur le clavier et les raccourcis de la souris et une file d'attente undo / redo pour explorer rapidement les effets de divers facteurs sur le regroupement de tout sous-ensemble donné de pointes. Ces facteurs comprennent le canal de pic et de sélection de plage de temps, l' alignement de la pointe, les dimensions de clustering et la bande passante spatiale (sigma) 11.
Ce qui suit est une brève description des algorithmes et des stratégies utilisées pour le tri. Plus des descriptions complètes peuvent être trouvées dans les publications précédentes 11, 12, 13 et dans les annotations qui peuvent être accessibles via les boutons d' aide (identifiées avec un «?») Dans SpikeSorter. Après le chargement d'un fichier de tension extracellulaire brut et de filtrer les composantes de basse fréquence, un stade initial des résultats de la détection d'événements dans une série d'événements, dont chacune se compose d'un bref aperçu de la tension avant et après l'heure de l'événement. Si les élusles sites Rode sont suffisamment rapprochés (<100 um), les signaux unitaires simples apparaît généralement sur plusieurs canaux voisins. Un canal central est automatiquement choisi pour chaque événement, correspondant au canal sur lequel la tension de l'événement de pic à pic est la plus grande. Automatisé de tri commence par la formation d'un seul groupe initial pour chaque canal d'électrode, composé de tous les événements qui ont été localisés à ce canal. Une unité située à mi-chemin entre les canaux peut donner lieu à des pointes qui sont localisées (peut-être au hasard) à différents canaux: les grappes de ces deux ensembles de pointes seront identifiés comme similaires et fusionnées à un stade ultérieur. La forme d'onde moyenne des événements dans chaque groupe initial est ensuite calculée. Ceci est désigné sous le nom de modèle de cluster. des canaux subsidiaires sont attribués à chaque groupe en fonction des amplitudes et écart-type des formes d'onde de modèle sur chaque canal. les valeurs des composantes principales sont ensuite calculées pour chaque cluster basé on les formes d'onde sur l'ensemble assigné de canaux. L'utilisateur peut choisir le nombre de dimensions principales de composants à utiliser: généralement 2 est suffisante. Chaque groupe est ensuite divisé en un autre ensemble de clusters, et cela est répété jusqu'à ce que nul ne peut encore être subdivisé par regroupement automatisé.
À ce stade, une première série de disons, 64 grappes d'une électrode à 64 canaux, peuvent être divisés en deux ou trois fois ce nombre, en fonction du nombre d'unités qui étaient présentes dans l'enregistrement. Mais en raison de l'affectation de variable d'événements à partir des unités simples à différents canaux, le nombre de grappes trouvé à ce stade est presque certainement plus grande que ce qu'elle devrait être. La prochaine étape de tri est de corriger le oversplitting en comparant des paires de pôles et la fusion des paires semblables ou réaffectant les événements de l'un à l'autre. Cette étape de tri est appelée «fusion et scission».
Fusion et fractionnement
Pour les N grappes, il y a N * (N – 1) / 2 paires et par conséquent le nombre de paires augmente à mesure que N 2, ce qui est indésirable. Cependant, de nombreuses paires peuvent être exclus de la comparaison parce que les deux membres du couple sont physiquement éloignées. Ceci permet de réduire la dépendance à quelque chose qui est plus en relation linéaire avec le nombre de canaux. En dépit de ce raccourci, la fusion et le stade fendue peut toujours prendre beaucoup de temps. Il fonctionne de la manière suivante. Chaque paire de cluster qui est à comparer (ceux qui sont physiquement proches, à en juger par le chevauchement des ensembles de canaux attribués à chaque) est temporairement fusionné, tout en gardant l'identité des pointes dans les deux groupes de membres connus. Les principales composantes de la paire fusionnée sont alors calculées. Une mesure du chevauchement entre les points dans les deux groupes est calculée en fonction de la répartition des deux premières composantes principales.
La façon dont le ov mesure de ERLAP est calculée est décrite plus en détail ailleurs 11. Sa valeur est égale à zéro si les grappes ne se chevauchent pas du tout, à savoir le voisin le plus proche de chaque point est dans le même cluster. Sa valeur est proche de 1 que si les amas se chevauchent complètement, à savoir la probabilité que le voisin le plus proche étant dans le même groupe est la même que celle prédite à partir d' un mélange uniforme de points.
Diverses décisions sont prises qui prennent la mesure de recouvrement en compte. Si le chevauchement est supérieure à une certaine valeur, les grappes peuvent être fusionnées. Si le chevauchement est très faible, la paire de cluster peut être définie comme distincte et laissé seul. Les valeurs intermédiaires, indiquant une séparation incomplète de la paire de cluster, peuvent signaler que la paire devrait être fusionné et puis re-split, le résultat recherché étant une paire de grappes avec moins de chevauchement. Ces procédures sont exécutées d'abord dans une étape automatisée, puis dans une étape guidée manuellement.
tente "> Dans l'étape automatisée, des paires de cluster avec une valeur élevée de recouvrement sont fusionnées;. puis paires de cluster avec l'intermédiaire des valeurs de chevauchement faibles sont fusionnées et re-split Dans le second, le stade guidé par l'utilisateur, l'utilisateur est présenté avec tous les restant paires de clusters ambigus (ceux avec des valeurs de chevauchement dans une gamme intermédiaire définie) dans l' ordre et on lui demande de choisir si a) pour fusionner la paire, b) fusionner et Resplit la paire, c) de déclarer la paire à être distincte (qui remplacera l'importance de la mesure de chevauchement), ou d) de définir la relation entre la paire comme «ambiguë» indiquant que les pointes de la paire sont peu susceptibles d'être bien classés. Différents outils sont fournis pour aider à ces décisions, y compris auto – et contre-corrélogrammes et des parcelles de séries chronologiques de hauteur de pic et les valeurs de PC.Idéalement, à la fin des étapes de fusion et la division, chaque cluster doit être distinct de tous les autres,soit parce qu'il a peu ou pas de chaînes en commun avec d'autres clusters, ou parce que l'indice de chevauchement est inférieure à une valeur définie. Cette valeur est sélectionnable par l'utilisateur, mais est typiquement de 0,1. Clusters (unités) qui passent ce test sont définis comme étant «stable», ceux qui ne le font pas (parce que le chevauchement avec un ou plusieurs autres groupes est supérieur au seuil) sont définis comme «instable». Dans la pratique, la grande majorité des unités finissent par être défini comme «stable» à l'arrivée de tri, en laissant le reste à être soit jeté ou traité comme potentiellement multi-unité.
Configuration logicielle requise
SpikeSorter est compatible avec les versions 64 bits de Windows 7 et Windows 10, et a également été exécuté avec succès sous Linux en utilisant l'émulateur Wine. Les fichiers de données sont chargées dans la mémoire complètement (pour la vitesse) donc disponible RAM a besoin à l'échelle avec la taille de l'enregistrement (comptez environ 2 Go pour le programme lui-même). électrophysiologiqueles fichiers de données de plus de 130 al GB de taille ont été triés avec succès dans les deux environnements Windows et Linux. Les options sont accessibles via les menus standards de Windows, une barre d'outils et des boîtes de dialogue. La disposition des éléments dans le menu correspond à peu près l'ordre des opérations de tri, en commençant par le menu "Fichier" sur la gauche pour la saisie des données et le menu "Exporter" sur la droite permettant l'exportation de données triées. les boutons de barre d'outils fournissent des raccourcis vers les éléments de menu utilisés.
Le fichier de configuration du canal
De nombreux formats de données d'enregistrement ne stockent pas les emplacements de canal. Cependant, sachant ceux-ci est essentielle pour spike sorting. Les chaînes peuvent également être numérotés de diverses manières par le logiciel d'acquisition: SpikeSorter exige que les canaux sont numérotés dans l'ordre, en commençant par le canal 1. Ainsi, un fichier auxiliaire de configuration d'électrode doit être créée qui peut remapper les numéros de canaux pour suivre la règle séquentielle, et canal magasin locations. Le fichier de configuration de canal est un fichier texte avec une seule rangée de texte pour chaque canal. La première ligne du fichier stocke un nom de texte, jusqu'à 16 caractères, qui identifie l'électrode. Les chiffres dans les lignes suivantes peuvent être séparés par des onglets, une virgule, ou des espaces. Il y a quatre nombres dans chaque rangée fournissant (dans l' ordre): le numéro de canal dans le fichier, le numéro de canal sur lequel il doit être mappé (le nombre qui sera utilisé par SpikeSorter), et les coordonnées x et y de la canal, en microns. La coordonnée x est normalement considérée comme perpendiculaire à la direction d'insertion d'électrode et la coordonnée y serait par conséquent la profondeur dans le tissu. Le fichier de configuration doit être placé dans le même répertoire que le fichier d'enregistrement. Il y a une certaine souplesse dans la façon dont il peut être nommé. Le programme va d'abord rechercher un fichier qui a le même nom que le fichier de données brutes, mais avec une extension .cfg. Si ce fichier is introuvable, il recherchera le fichier 'electrode.cfg'. Si ce fichier à son tour ne se trouve pas un message d'erreur est généré pour indiquer un manque d'information canal de mise en page.
Protocol
Representative Results
Discussion
Formats de fichiers
formats de fichiers actuellement pris en charge comprennent Neuralynx (.ntt et .ncs), Plexon (.plx), Neuroscope (.xml + .dat), Systèmes Multichannel (liste .mcd), Blackrock (.nev) et Intan (.rhd). Pour les formats non pris en charge, il y a deux options. La première consiste à demander plus du format de fichier à une prochaine version (un e-mail lien vers le développeur est prévu dans le 'Aide – A propos de "boîte de dialogue). L'autre est de convertir le…
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. Neuroscience. 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).
