讯享网

 <p class="f_center"><img src="https://nimg.ws.126.net/?url=http%3A%2F%2Fdingyue.ws.126.net%2F2024%2F1108%2Fa4910e70j00smmgln00oad000u000fgp.jpg&thumbnail=660x&quality=80&type=jpg"/><br/>图片来源：Nature Neuroscience<br/></p><p id="35F97B1C">神经科学领域的技术进步带来了激动人心的可能性，科学家们也因此收集到越来越详细的神经数据。然而，迄今为止，如何精确理解大量神经记录数据仍是一项更具挑战性的任务。</p><p id="35F97B1D">霍华德·休斯医学研究所（HHMI）珍妮莉亚研究园的研究人员开发了一种名为Rastermap的新计算方法，<strong>该方法有助于更好地可视化同时从许多神经元收集的记录</strong>。这一方法已在《自然·神经科学》（Nature Neuroscience）上发表的一篇论文中进行了概述，并最初应用于从小鼠和猴子大脑皮层、大鼠海马体、斑马鱼大脑，甚至神经网络中的人工神经元收集的记录。</p><p><h5>研究介绍</h5></p><p id="35F97B1E">该论文的主要作者马里乌斯·帕奇塔留（Marius Pachitariu）告诉《医学快讯》（Medical Xpress）：“大约10年前，我们开始能够获取到包含数百个、数千个，有时甚至数万个同时记录的神经元的大型数据集。”</p><p id="35F97B1F">“我们意识到，<strong>要真正了解神经计算的一些基本特征，就需要观察电路中许多神经元同时‘协同工作’的情况</strong>。工程师与神经科学家合作，创造了能够以这种方式监测神经活动的记录设备，而计算专家则创建了处理这些大量数据的工具。”</p><p id="35F97B1G">神经科学家与工程师之间的跨学科合作促成了无数神经记录数据的收集，其中经常同时检测到许多神经元的活动。在这些记录中，每个神经元都有自己随时间展开的独特活动模式，每个神经元通常包含数万个数据点。</p><p id="35F97B1H">帕奇塔留解释说：“在这些记录中，每个神经元在神经空间中构成了神经活动的一个维度，如果你有1万个神经元，那么你就有1万个维度。问题在于，我们不太擅长在高维空间中可视化神经活动。这就是创建Rastermap的动机。”</p><p><h5>研究方法</h5></p><p id="35F97B1I"><strong>帕奇塔留及其同事在最近的研究中的主要目标是开发一种可视化方法</strong>，使神经科学家能够轻松生成看起来熟悉的图表（即光栅图），这些图表能够清晰地映射出大量的多神经元数据。他们开发的方法称为Rastermap，主要依赖于排序算法。</p><p id="35F97B1J">帕奇塔留说：“假设你有20个圆锥体，需要根据相似性对它们进行排序。首先，你可能会注意到它们的大小不同，因此可以根据大小进行排序。这很简单，但随后你会发现它们的颜色也是随机的，按颜色排序也会很好看。因此，你会稍微调整一下排序，让颜色更相似的圆锥体彼此相邻，但随后你又意识到它们的形状也略有不同（例如，一些更扁平，一些更尖），你也想考虑这一点，所以你进一步改变了排序。现在，我们不再是有大小、颜色和纵横比属性的20个圆锥体，而是有5万个具有更抽象属性的神经元，如发放率、对外界刺激的反应、与动物运动的相关性等。”</p><p id="35F97B1K">Rastermap获取单个神经元的属性，并尝试以有意义的方式对它们进行排序。其底层算法处理数据的方式与上述类比中人类如何对圆锥体进行排序类似。从随机顺序开始，算法不断移动神经元，将它们放置在具有相似活动模式的其他神经元附近。</p><p id="35F97B1L">帕奇塔留说：“Rastermap使用稍微智能一些的算法，继续这一过程进行许多次迭代，最后你会得到一个很好的排序。最终，我们如何使用这个排序才是最重要的：我们使用排序以矩阵形式显示神经元的发放率，其中我们将每个神经元的发放轨迹作为时间的函数（每个神经元在矩阵中有一条长长的水平轨迹），并根据排序移动这些轨迹，使具有相似轨迹的神经元彼此相邻。”</p><p id="35F97B1M">最终，Rastermap生成了一个整洁的图表，其中具有相似活动特征的神经元组被放置在一起。<strong>这使得研究人员能够快速理解密集且广泛的神经数据，进而带来新发现</strong>。</p><p id="35F97B1N">帕奇塔留说：“我们的可视化方法之所以有效，是因为大脑中的神经元并非完全独立：它们共享某些活动模式，但这些共享的模式往往不是与组织中最近的神经元共享，而是与恰好有类似活动的相对较远的神经元共享。”</p><p id="35F97B1O">“它之所以有效，还因为单个神经元往往相当嘈杂，所以仅仅孤立地观察其中一个神经元，并不能真正让你‘看到’对特定刺激或行为的反应。但是，如果你有20到50个具有相似模式的神经元，那么在一次试验中，它们的平均值就更容易被观察到。”</p><p id="35F97B1P">在最近的一篇论文中，帕奇塔留和他的同事使用他们的方法来可视化过去研究中收集的数据，包括小鼠大脑皮层中多个神经元的同步记录，以及整个斑马鱼大脑中神经元的记录。</p><p id="35F97B1Q">在这两种情况下，Rastermap似乎都以更清晰、更吸引人的方式呈现了之前报告的结果。研究人员还开始在他们实验室进行的其他研究中使用Rastermap，并得出了新的有趣结果。</p><p id="35F97B1R">帕奇塔留说：“我们认为，<strong>随着科学家记录越来越多的神经元，Rastermap将变得越来越有用，这是必然会发生的事情，Rastermap使科学家们有机会在大规模神经记录时代进行这类研究</strong>。”</p><p id="35F97B1S">这组研究人员提出的新可视化方法很快就会被世界各地的其他神经科学家用来理解同时追踪多个神经元活动的大型数据集。这有助于获得关于特定神经元功能以及大脑不同部分之间联系的新见解。</p><p><h5>研究未来</h5></p><p id="35F97B1T">帕奇塔留说：“可能有一天，当大规模记录技术进入临床环境时，Rastermap将允许科学家读取和解释人类大脑中的神经活动模式，例如，使脑机接口（BCI）等设备更便于使用与理解。”</p><p id="35F97B1U"><strong>在最近研究的基础上，帕奇塔留和他的同事目前正在开发更多可视化技术，以推动神经科学研究的发展</strong>。同时，他们正在与霍华德·休斯医学研究所珍妮莉亚研究园区的神经科学家和医学研究人员合作，测试他们开发的方法。</p><p id="35F97B1V">帕奇塔留补充道：“引用最近一位诺贝尔奖得主的话：要处理14维空间（或更大的空间），请在脑海中想象一个三维空间，然后大声对自己说14。当你需要可视化一个50000维空间时，这甚至要困难得多，因此<strong>我们需要从我们无法直观可视化的空间跨越到我们可以可视化的空间的方法</strong>。</p><p id="35F97B20">“在进行这些简化时，我们需要确保不要‘因噎废食’，因为最简单的简化方法就是直接丢弃大部分数据。例如，主成分分析就是这样处理神经数据的。主成分分析是一种简单且流行的降维算法，但我们想要的不止于此。”</p><p id="35F97B21">新闻来源：Nature Neuroscience</p>