Name: Wizualny przewodnik po sortowaniu nagrań elektrofizjologicznych za pomocą SpikeSorter (Wideo) | JoVE Journal
Uploaded: 2017-02-10T15:00:00.000+00:00
Duration: 10 min 31 s
Description: Poznaj SpikeSorter do sortowania spike'ów w zapisach elektrofizjologicznych z tkanki nerwowej. To przyjazne oprogramowanie ułatwia analizę zachowań neuronalnych i eksport danych.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Dziękujemy tym osobom i grupom, które korzystały z SpikeSorter i które dostarczyły prośby o wsparcie formatu plików oraz sugestie i opinie, jak go ulepszyć. Należą do nich Youping Xiao, Felix Fung, Artak Khachatryan, Eric Kuebler, Curtis Baker, Amol Gharat i Dongsheng Xiao. Dziękujemy Adrienowi Peyrache za fałszywie dodatnie i negatywne dane liczbowe podane w "Reprezentatywnych wynikach".

<ol><li>Buzsáki, G. <a target="_blank" href="https://www.ncbi.nlm.nih.gov/pubmed/15114356">Large-scale recording of neuronal ensembles.</a> Nat. Neurosci. 7, 446-451 (2004).</li>
<li>Blanche, T. J., Spacek, M. A., Hetke, J. F., Swindale, N. V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Polytrodes%3A+High+Density+Silicon+Electrode+Arrays+for+Large+Scale+Multiunit+Recording%5BTitle%5D)+AND+%22J.+Neurophys%22%5BJournal%5D)">Polytrodes: High Density Silicon Electrode Arrays for Large Scale Multiunit Recording.</a> J. Neurophys. 93, 2987-3000 (2005).</li>
<li>Lewicki, M. S. <a target="_blank" href="https://www.ncbi.nlm.nih.gov/pubmed/10221571">A review of methods for spike sorting: the detection and classiﬁcation of neuronal action potentials.</a> Network. 9, R53-R78 (1998).</li>
<li>Letelier, J. C., Weber, P. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Spike+sorting+based+on+discrete+wavelet+transform+coefficients%5BTitle%5D)+AND+%22J.+Neurosci.+Methods%22%5BJournal%5D)">Spike sorting based on discrete wavelet transform coefficients.</a> J. Neurosci. Methods. 101, 93-106 (2000).</li>
<li>Quiroga, R. Q., Nadasdy, Z., Ben-Shaul, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Unsupervised+spike+detection+and+sorting+with+wavelets+and+superparamagnetic+clustering%5BTitle%5D)+AND+%22Neural+Computation%22%5BJournal%5D)">Unsupervised spike detection and sorting with wavelets and superparamagnetic clustering.</a> Neural Computation. 16, 1661-1687 (2004).</li>
<li>Franke, F., Natora, M., Boucsein, C., Munk, M., Obermayer, K. <a target="_blank" href="https://www.ncbi.nlm.nih.gov/pubmed/19499318">An online spike detection and spike classiﬁcation algorithm capable of instantaneous resolution of overlapping spikes.</a> J. Comput. Neurosci. 29, 127-148 (2010).</li>
<li>Jäckel, D., Frey, U., Fiscella, M., Franke, F., Hierlemann, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Applicability+of+independent+component+analysis+on+high-density+microelectrode+array+recordings%5BTitle%5D)+AND+%22J.+Neurophysiol%22%5BJournal%5D)">Applicability of independent component analysis on high-density microelectrode array recordings.</a> J. Neurophysiol. 108, 334-348 (2012).</li>
<li>Rossant, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Spike+sorting+for+large%2C+dense+electrode+arrays%5BTitle%5D)+AND+%22Nature+Neuroscience%22%5BJournal%5D)">Spike sorting for large, dense electrode arrays.</a> Nature Neuroscience. 19, 634-641 (2016).</li>
<li>Vandecasteele, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Large-scale+recording+of+neurons+by+movable+silicon+probes+in+behaving+rodents%5BTitle%5D)+AND+%22JoVE%22%5BJournal%5D)">Large-scale recording of neurons by movable silicon probes in behaving rodents.</a> JoVE. (61), e3568(2012).</li>
<li>Schjetnan, A. G. P., Luczak, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Recording+large-scale+neuronal+ensembles+with+silicon+probes+in+the+anesthetized+rat%5BTitle%5D)+AND+%22JoVE%22%5BJournal%5D)">Recording large-scale neuronal ensembles with silicon probes in the anesthetized rat.</a> JoVE. (56), e3282(2011).</li>
<li>Swindale, N. V., Spacek, M. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Spike+sorting+for+polytrodes%3A+a+divide+and+conquer+approach%5BTitle%5D)+AND+%22Frontiers+in+Systems+Neuroscience%22%5BJournal%5D)">Spike sorting for polytrodes: a divide and conquer approach.</a> Frontiers in Systems Neuroscience. 8, 1-21 (2014).</li>
<li>Swindale, N. V., Spacek, M. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Spike+detection+methods+for+polytrodes+and+high+density+microelectrode+arrays%5BTitle%5D)+AND+%22J.+Comput.+Neurosci%22%5BJournal%5D)">Spike detection methods for polytrodes and high density microelectrode arrays.</a> J. Comput. Neurosci. 38, 249-261 (2015).</li>
<li>Swindale, N. V., Spacek, M. A. <a target="_blank" href="https://www.ncbi.nlm.nih.gov/pubmed/26875661">Veriﬁcation of multichannel electrode array integrity by use of cross-channel correlations.</a> J. Neurosci. Meth. 263, 95-102 (2016).</li>
<li>Fukunaga, K., Hostetler, L. D. <a target="_blank" href="http://ieeexplore.ieee.org/document/1055330/">The estimation of the gradient of a density function, with applications in pattern recognition.</a> IEEE Transactions on Information Theory (IEEE). 21, 32-40 (1975).</li>
<li>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).</li>
<li>Hazan, L., Zugaro, M., Buzsáki, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Klusters%2C+NeuroScope%2C+NDManager%3A+A+free+software+suite+for+neurophysiological+data+processing+and+visualization%5BTitle%5D)+AND+%22J.+Neurosci.+Meth%22%5BJournal%5D)">Klusters, NeuroScope, NDManager: A free software suite for neurophysiological data processing and visualization.</a> J. Neurosci. Meth. 155, 207-216 (2006).</li>
<li>Harris, K. D., Henze, D. A., Csicsvari, J., Hirase, H., Buzsáki, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Accuracy+of+tetrode+spike+separation+as+determined+by+simultaneous+intracellular+and+extracellular+measurements%5BTitle%5D)+AND+%22J.+Neurophysiol%22%5BJournal%5D)">Accuracy of tetrode spike separation as determined by simultaneous intracellular and extracellular measurements.</a> J. Neurophysiol. 84, 401-414 (2000).</li>
<li>Anastassiou, C. A., Perin, R., Buzsáki, G., Markram, H., Koch, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cell-type+and+activity+dependent+extracellular+correlates+of+intracellular+spiking%5BTitle%5D)+AND+%22J.+Neurophysiol%22%5BJournal%5D)">Cell-type and activity dependent extracellular correlates of intracellular spiking.</a> J. Neurophysiol. 114, 608-623 (2015).</li>
<li>Wohrer, A., Humphries, M. D., Machens, C. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Population-wide+distributions+of+neural+activity+during+perceptual+decision-making%5BTitle%5D)+AND+%22Prog.+Neurobiol%22%5BJournal%5D)">Population-wide distributions of neural activity during perceptual decision-making.</a> Prog. Neurobiol. 103, 156-193 (2013).</li>
<li>Mizuseki, K., Buzsáki, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Preconfigured%2C+skewed+distribution+of+firing+rates+in+the+hippocampus+and+entorhinal+cortex%5BTitle%5D)+AND+%22Cell+Reports%22%5BJournal%5D)">Preconfigured, skewed distribution of firing rates in the hippocampus and entorhinal cortex.</a> Cell Reports. 4, 1010-1021 (2013).</li>
<li>Schmitzer-Torbert, N., Jackson, J., Henze, D., Harris, K., Redish, A. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Quantitative+measures+of+cluster+quality+for+use+in+extracellular+recordings%5BTitle%5D)+AND+%22Neuroscience%22%5BJournal%5D)">Quantitative measures of cluster quality for use in extracellular recordings.</a> Neuroscience. 131, 1-11 (2005).</li>
<li>Barnett, A. H., Magland, J. F., Greengard, L. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Validation+of+neural+spike+sorting+algorithms+without+ground-truth+information%5BTitle%5D)+AND+%22J.+Neurosci.+Meth%22%5BJournal%5D)">Validation of neural spike sorting algorithms without ground-truth information.</a> J. Neurosci. Meth. 264, 65-77 (2016).</li>
</ol>

Autorzy nie mają nic do ujawnienia.

Formaty plików
Obecnie obsługiwane formaty plików to Neuralynx (.ntt i .ncs), Plexon (.plx), Neuroscope (.xml + .dat), MultiChannel Systems (.mcd), Blackrock (.nev) i Intan (.rhd). W przypadku nieobsługiwanych formatów dostępne są dwie opcje. Jednym z nich jest prośba o dodanie formatu pliku do nadchodzącej wersji (link do wiadomości e-mail z programistą znajduje się w oknie dialogowym "Pomoc - Informacje"). Drugim jest przekonwertowanie pliku na obsługiwany format. Prostą opcją jest użycie forma...

Każdy, kto rejestruje sygnały zewnątrzkomórkowe z mózgu za pomocą metod bardziej wyrafinowanych niż proste progi i okienka on-line, staje przed zadaniem identyfikacji i oddzielenia sygnałów z różnych neuronów od hałaśliwych sygnałów napięciowych rejestrowanych przez elektrodę. To zadanie jest powszechnie znane jako sortowanie wartości szczytowych. Trudność sortowania kolców jest potęgowana przez różne czynniki. Neurony mogą znajdować się bardzo blisko siebie, więc sygnały rejestrowane z nich przez pobliską elektrodę mogą być podobne i trudne do odróżnienia. Sygnały wytwarzane przez pojedynczy neuron mogą zmieniać się w czasie, być może z powodu ruchów elektrody, zmiennej kinetyki kanału sodowego w okresach wysokiej szybkości wypalania, zmiennego stopnia aktywacji przewodnictwa napięciowego w dendrytach znajdujących się blisko elektrody lub być może w wyniku zmian w stanie mózgu. Problemy te można złagodzić, stosując matryce wieloelektrodowe (MEA) z wieloma blisko rozmieszczonymi (20 - 100 μm) kanałami rejestrującymi, co pozwala na lepszą przestrzenną definicję sygnałów z pojedynczych neuronów, ponieważ są one zwykle rozproszone po kilku kanałach1,2. Jednak to, w połączeniu z faktem, że sygnały z neuronów rozchodzą się na całej długości elektrody nakładają się na siebie w przestrzeni, skutkuje potencjalnie bardzo wysoką przestrzenią wymiarową, w której należy zidentyfikować klastry odpowiadające unikalnym neuronom. Problem ten staje się obliczeniowo nierozwiązywalny dla więcej niż niewielkiej liczby kanałów elektrodowych. Do tej pory nie ma ogólnie uzgodnionej najlepszej metody sortowania spajków, chociaż zaproponowano wiele rozwiązań3,4,5,6,7,8 a nagrania z MEA stają się coraz bardziej powszechne9,10. Ponieważ sortowanie wartości szczytowych nie jest celem samym w sobie, ale jest po prostu niezbędnym krokiem wstępnym przed dalszą analizą danych, istnieje zapotrzebowanie na łatwy w użyciu pakiet, który będzie odczytywał surowe pliki danych nagraniowych i konwertował je na posortowane ciągi spajków przy jak najmniejszym udziale użytkownika oraz tak szybko i niezawodnie, jak to tylko możliwe.
Ten artykuł zawiera samouczek dotyczący korzystania z SpikeSorter — programu opracowanego w celu zaspokojenia tych potrzeb. Program oparty jest na algorytmach opisanych we wcześniej opublikowanych artykułach11,12,13. Celem przy projektowaniu programu było: a) powinien on mieć przyjazny dla użytkownika interfejs, wymagający niewielkiej lub żadnej wcześniejszej wiedzy z zakresu programowania komputerowego lub metodologii sortowania spajków; b) nie powinno być potrzebnych niewiele innych specjalistycznych komponentów oprogramowania poza standardowymi systemami operacyjnymi Windows lub Linux; c) powinien być obsługiwany szeroki zakres formatów zapisu danych do importu i eksportu danych; d) potrzeba wprowadzania danych przez użytkownika podczas sortowania powinna być zminimalizowana, oraz e) czasy sortowania powinny być skalowane w rozsądny sposób, najlepiej liniowo, wraz z czasem nagrywania i liczbą kanałów na elektrodzie. Algorytmy zaimplementowane w programie obejmują: a) elastyczny zestaw strategii wstępnego przetwarzania i wykrywania zdarzeń; b) zautomatyzowana strategia redukcji wymiarów typu "dziel i rządź", polegająca na grupowaniu przebiegów napięcia w oparciu o rozkłady składowych głównych (PC) uzyskane z podzbiorów kanałów przypisanych do określonych klastrów; c) zautomatyzowane grupowanie dystrybucji PC z szybką procedurą grupowania opartą na algorytmie przesunięcia średniego3,14, oraz d) częściowo zautomatyzowane łączenie i dzielenie klastrów parami, aby zapewnić, że każdy z nich jest jak najbardziej różny od wszystkich innych. Do tego dodano zestaw procedur, które umożliwiają ręczne dzielenie lub łączenie klastrów w oparciu o inspekcję rozkładów PC, krzyżowych i autokorelogramów ciągów spajków oraz wykresy czasowo-amplitudowe przebiegów szczytów. Nagrania z tetrod, tablic tetrodowych, tablic Utah oraz jedno- i wielozębowych MEA mogą być odczytywane i sortowane. Obecny limit liczby kanałów wynosi 256, ale w przyszłości może zostać zwiększony.
Dostępna jest również inna wieloplatformowa implementacja open-source, "spyke" (http://spyke.github.io). Napisany przez jednego z nas (MS) w Pythonie i Cython, spyke używa tego samego ogólnego podejścia co SpikeSorter, z pewnymi różnicami: aby zmniejszyć zapotrzebowanie na pamięć, surowe dane są ładowane w małych blokach i tylko wtedy, gdy jest to absolutnie konieczne; klastry są wyłącznie wyświetlane, manipulowane i sortowane w 3D; oraz analiza składowych głównych i składowych niezależnych są stosowane jako uzupełniające metody redukcji wymiarów. Spyke wymaga więcej interakcji z użytkownikiem, ale w dużej mierze opiera się na skrótach klawiaturowych i myszy oraz kolejce cofania/ponawiania, aby szybko badać wpływ różnych czynników na grupowanie dowolnego podzbioru skoków. Czynniki te obejmują wybór kanału spajka i zakresu czasu, wyrównanie wartości szczytowej, wymiary grupowania i przepustowość przestrzenną (sigma)11.
Poniżej znajduje się krótki opis algorytmów i strategii używanych do sortowania. Bardziej szczegółowe opisy można znaleźć w poprzednich publikacjach11,12,13 oraz w adnotacjach, do których można uzyskać dostęp za pomocą przycisków pomocy (oznaczonych znakiem '?') w SpikeSorter. Po załadowaniu surowego pliku napięcia zewnątrzkomórkowego i odfiltrowaniu składowych o niższej częstotliwości, początkowy etap wykrywania zdarzeń skutkuje zestawem zdarzeń, z których każde składa się z krótkiej migawki napięcia przed i po czasie zdarzenia. Jeśli miejsca elektrod są wystarczająco blisko siebie oddalone (< 100 μm), sygnały pojedyncze jednostki będą zwykle pojawiać się na kilku sąsiednich kanałach. Dla każdego zdarzenia automatycznie wybierany jest kanał centralny, odpowiadający kanałowi, na którym napięcie międzyszczytowe zdarzenia jest największe. Automatyczne sortowanie rozpoczyna się od utworzenia pojedynczego początkowego klastra dla każdego kanału elektrody, składającego się ze wszystkich zdarzeń, które zostały zlokalizowane w tym kanale. Jednostka znajdująca się w połowie drogi między kanałami może powodować powstawanie impulsów, które są zlokalizowane (być może losowo) w różnych kanałach: klastry z tych dwóch zestawów kolców zostaną zidentyfikowane jako podobne i połączone na późniejszym etapie. Następnie obliczany jest średni przebieg zdarzeń w każdym początkowym klastrze. Jest to nazywane szablonem klastra. Kanały pomocnicze są przypisywane do każdego klastra na podstawie amplitud i odchylenia standardowego przebiegów szablonu na każdym kanale. Wartości składowych głównych są następnie obliczane dla każdego klastra na podstawie przebiegów na przypisanym zestawie kanałów. Użytkownik może wybrać liczbę wymiarów głównego komponentu, który ma być używany: zwykle wystarczają 2. Każdy klaster jest następnie dzielony na kolejny zestaw klastrów i jest to powtarzane do momentu, gdy żaden z nich nie może być dalej dzielony przez automatyczne grupowanie.
W tym momencie, początkowy zestaw składający się powiedzmy, z 64 klastrów z 64-kanałowej elektrody, może zostać podzielony na dwa lub trzy razy większą liczbę, w zależności od liczby jednostek, które były obecne w nagraniu. Jednak ze względu na zmienne przypisywanie zdarzeń z pojedynczych jednostek do różnych kanałów, liczba klastrów znalezionych na tym etapie jest prawie na pewno większa niż powinna. Kolejnym etapem sortowania jest skorygowanie nadmiernego podziału poprzez porównanie par klastrów i scalenie podobnych par lub ponowne przypisanie zdarzeń z jednego do drugiego. Ten etap sortowania jest określany jako "scalanie i dzielenie".
Łączenie i dzielenie
Dla N klastrów istnieje N*(N-1)/2 par, a zatem liczba par rośnie wraz z N2, co jest niepożądane. Jednak wiele par można wykluczyć z porównania, ponieważ dwaj członkowie pary są fizycznie daleko od siebie. Zmniejsza to zależność do czegoś, co jest bardziej liniowo związane z liczbą kanałów. Pomimo tego skrótu, etap scalania i dzielenia może być nadal dość czasochłonny. Działa to w następujący sposób. Każda para klastrów, która ma być porównywana (te, które są fizycznie blisko siebie, co można ocenić na podstawie nakładania się zestawów kanałów przypisanych do każdej z nich) jest tymczasowo scalana, zachowując jednak tożsamość skoków w dwóch klastrach składowych. Następnie obliczane są główne składowe scalonej pary. Miara nakładania się punktów w dwóch klastrach jest obliczana na podstawie rozkładu pierwszych dwóch głównych składników.
Sposób obliczania miary nakładania się jest opisany bardziej szczegółowo w innym miejscu11. Jego wartość wynosi zero, jeśli klastry w ogóle się nie nakładają, tzn. najbliższy sąsiad każdego punktu znajduje się w tym samym klastrze. Jego wartość jest bliska 1, jeśli klastry całkowicie się na siebie nakładają, tj. prawdopodobieństwo, że najbliższy sąsiad znajdzie się w tej samej grupie, jest takie samo, jak przewidywane na podstawie równomiernego wymieszania punktów.
Podejmowane są różne decyzje, które uwzględniają miarę nakładania się. Jeśli nakładanie się jest większe niż określona wartość, klastry mogą być scalane. Jeśli nakładanie się jest bardzo małe, para skupień może być zdefiniowana jako odrębna i pozostawiona sama sobie. Wartości pośrednie, wskazujące na niepełną separację pary klastrów, mogą sygnalizować, że para powinna zostać scalona, a następnie ponownie podzielona, co pożądanym rezultatem jest para klastrów o mniejszym nakładaniu się. Procedury te są uruchamiane najpierw w etapie zautomatyzowanym, a następnie w etapie kierowanym ręcznie.
Na etapie automatycznym, pary klastrów o wysokiej wartości nakładania się są łączone; następnie pary klastrów o średnich i niskich wartościach nakładania się są łączone i ponownie dzielone. W drugim, kierowanym przez użytkownika, użytkownikowi prezentowane są kolejno wszystkie pozostałe niejednoznaczne pary klastrów (tj. te, których wartości pokrywają się w zdefiniowanym pośrednim zakresie) i jest proszony o wybór, czy a) scalić parę, b) scalić i ponownie podzielić parę, c) zadeklarować, że para jest odrębna (co zastąpi znaczenie miary nakładania się), lub d) zdefiniowanie relacji między parą jako "niejednoznacznej", co wskazuje, że jest mało prawdopodobne, aby skoki w parze były dobrze posortowane. Dostępne są różne narzędzia, które pomagają w podejmowaniu tych decyzji, w tym automatyczne i krzyżowe korelogramy oraz wykresy szeregów czasowych wysokości szczytów i wartości PC.
Idealnie, na końcu etapów łączenia i dzielenia, każdy klaster powinien być odrębny od wszystkich innych, albo dlatego, że ma niewiele kanałów wspólnych z innymi klastrami, albo dlatego, że indeks nakładania się jest mniejszy niż zdefiniowana wartość. Ta wartość jest wybierana przez użytkownika, ale zwykle wynosi 0,1. Klastry (jednostki), które przejdą ten test, są definiowane jako "stabilne", a te, które tego nie robią (ponieważ nakładanie się z jednym lub kilkoma innymi klastrami jest większe niż próg) są definiowane jako "niestabilne". W praktyce zdecydowana większość jednostek jest definiowana jako "stabilna" na końcu sortowania, pozostawiając pozostałą część do odrzucenia lub potraktowania jako potencjalnie wielojednostkową.
Wymagania dotyczące oprogramowania
SpikeSorter jest kompatybilny z 64-bitowymi wersjami Windows 7 i Windows 10, a także został pomyślnie uruchomiony pod Linuksem przy użyciu emulatora Wine. Pliki danych są ładowane w całości do pamięci (ze względu na szybkość), stąd dostępna pamięć RAM musi skalować się wraz z rozmiarem nagrania (pozwól na około 2 GB na sam program). Pliki danych elektrofizjologicznych o rozmiarze większym niż 130 GB zostały pomyślnie posortowane zarówno w środowisku Windows, jak i Linux. Dostęp do opcji można uzyskać za pośrednictwem standardowych menu systemu Windows, paska narzędzi i okien dialogowych. Układ elementów w menu jest mniej więcej zgodny z kolejnością operacji sortowania, zaczynając od menu "Plik" po lewej stronie do wprowadzania danych i menu "Eksportuj" po prawej stronie, umożliwiającego eksport posortowanych danych. Przyciski paska narzędzi udostępniają skróty do często używanych elementów menu.
Plik konfiguracyjny kanału
Wiele formatów danych zapisu nie przechowuje lokalizacji kanałów. Jednak ich znajomość jest niezbędna do sortowania spajków. Kanały mogą być również numerowane na różne sposoby przez oprogramowanie akwizycyjne: SpikeSorter wymaga, aby kanały były numerowane w kolejności, zaczynając od kanału 1. W związku z tym należy utworzyć plik konfiguracyjny elektrody pomocniczej, który może zmienić mapowanie numerów kanałów, aby były zgodne z regułą sekwencyjną i przechowywać lokalizacje kanałów. Plik konfiguracyjny kanału jest plikiem tekstowym z pojedynczym wierszem tekstu dla każdego kanału. W pierwszym wierszu pliku znajduje się nazwa tekstowa o długości do 16 znaków, która identyfikuje elektrodę. Liczby w kolejnych wierszach mogą być oddzielone tabulatorami, pojedynczym przecinkiem lub spacjami. W każdym wierszu znajdują się cztery liczby podające (w kolejności): numer kanału w pliku, numer kanału, do którego ma być zmapowany (tj. numer, który będzie używany przez SpikeSorter) oraz współrzędne x i y kanału, w mikronach. Współrzędna x byłaby zwykle traktowana jako prostopadła do kierunku wprowadzania elektrody, a współrzędna y odpowiednio oznaczałaby głębokość w tkance. Plik konfiguracyjny musi być umieszczony w tym samym katalogu, co plik z nagraniem. Istnieje pewna elastyczność w tym, jak można go nazwać. Program najpierw wyszuka plik, który ma taką samą nazwę jak plik danych surowych, ale z rozszerzeniem .cfg. Jeśli ten plik nie zostanie znaleziony, wyszuka plik "elektroda.cfg". Jeśli ten plik z kolei nie zostanie znaleziony, zostanie wygenerowany komunikat o błędzie wskazujący na brak informacji o układzie kanału.

<table><tbody><tr><td>spikesorter.exe</td><td>Nie</td><td></td> dotyczy<td><a href="http://www.swindale.ecc.ubc.ca/SpikeSorter">http://www.swindale.ecc.ubc.ca/SpikeSorter</a></td></tr></tbody></table>

wizualny przewodnik po sortowaniu nagrań elektrofizjologicznych za pomocą "spikesorter"

A Visual Guide to Sorting Electrophysiological Recordings Using 'SpikeSorter'

Dostępnych jest niewiele samodzielnych aplikacji do sortowania skoków z nagrań wykonanych za pomocą układów wieloelektrodowych. Idealnie byłoby, gdyby aplikacja była przyjazna dla użytkownika z graficznym interfejsem użytkownika, zdolnym do odczytywania plików danych w różnych formatach i zapewniała użytkownikom elastyczny zestaw narzędzi dających im możliwość wykrywania i sortowania zewnątrzkomórkowych przebiegów napięcia z różnych jednostek z pewnym stopniem niezawodności. Wcześniej opublikowane metody sortowania spajków są teraz dostępne w oprogramowaniu SpikeSorter, którego celem jest dostarczenie elektrofizjologom kompletnego zestawu narzędzi do sortowania, począwszy od surowego pliku z zapisanymi danymi, a skończywszy na eksporcie posortowanych czasów spajków. Procedury są zautomatyzowane w zakresie, w jakim jest to obecnie możliwe. Artykuł wyjaśnia i ilustruje zastosowanie programu. Otwierany jest reprezentatywny plik danych, filtrowane są ślady zewnątrzkomórkowe, wykrywane są zdarzenia, a następnie grupowane. Zilustrowano szereg problemów, które często występują podczas sortowania, w tym artefaktowe nadmierne dzielenie jednostek spowodowane tendencją niektórych jednostek do wystrzeliwania kolców w parach, gdzie drugi skok jest znacznie mniejszy niż pierwszy, oraz nadmierne dzielenie spowodowane powolnymi zmianami wysokości kolców w czasie, które występują w niektórych jednostkach. Dokładność działania SpikeSortera została przetestowana z zastępczymi danymi o prawdzie gruntowej i uznano, że jest porównywalna z innymi algorytmami w obecnie rozwijanym systemie.

Rysunek 7 przedstawia widok (uzyskany poprzez przejście do opcji „View - Sorted waveforms”) dla typowego zarejestrowanego sygnału po sortowaniu. Domyślna opcja wyświetlania pokazuje jedynie przebiegi impulsów na kanale centralnym dla każdego klastra. Często zdarza się, że przebiegi impulsów dla pary klastrów na tym samym kanale wyglądają identycznie, jednak po użyciu okna dialogowego „Compare pairs” do analizy obu klastrów, w projekcji PC widoczne są wyraźne skupiska, co ...

Artykuł pokazuje, jak używać programu SpikeSorter do wykrywania i sortowania skoków w nagraniach pozakomórkowych wykonanych za pomocą matryc wieloelektrodowych.

Wizualny przewodnik po sortowaniu nagrań elektrofizjologicznych za pomocą "SpikeSorter"

Few stand-alone software applications are available for sorting spikes from recordings made with multi-electrode arrays. Ideally, an application should be ...

Ogólnym celem niniejszego filmu jest zaprezentowanie elektrofizjologom sposobu korzystania z programu SpikeSorter w celu wykrywania i sortowania impulsów (spike'ów) w zewnątrzkomórkowych rejestracjach z tkanki nerwowej wykonanych przy użyciu matryc mikroelektrod. Naszym celem było zapewnienie prostego rozwiązania tego zadania sortowania impulsów poprzez wykorzystanie programu z przyjaznym interfejsem użytkownika. SpikeSorter potrafi odczytywać pliki w różnych formatach i oferuje szereg strategii wstępnego przetwarzania oraz wykrywania zdarzeń, a także opcje sortowania i eksportu danych.Zastosowania tej techniki obejmują analizę zachowań neuronalnych badanych za pomocą pozakomórkowych rejestracji z użyciem matryc wieloelektrodowych. Zazwyczaj osoby rozpoczynające pracę z tą metodą napotykają trudności ze względu na złożoność zadania oraz brak standardowej metodologii i obiektywnej walidacji. Pomysł na tę metodę pojawił się, gdy stanęliśmy przed problemem sortowania własnych rejestracji, wykonanych przy użyciu 54-kanałowych matryc wieloelektrodowych, i nie znaleźliśmy żadnego dostępnego rozwiązania.Aby rozpocząć tę procedurę, otwórz program. Przejdź do pliku i wybierz opcję otwórz, a

a-visual-guide-to-sorting-electrophysiological-recordings-using

Research

JoVE Journal

Neuroscience

Neuronauka

Fundamentalnym problemem w naszym rozumieniu obwodów korowych jest sposób, w jaki sieci w różnych warstwach kory kodują informacje sensoryczne. W niniejszej pracy opisujemy techniki elektrofizjologiczne z wykorzystaniem wielokontaktowych elektrod laminarnych do rejestracji pojedynczych jednostek oraz potencjałów polowych (LFP) i przedstawiamy analizy służące do identyfikacji warstw kory.

Badanie przetwarzania w lokalnych sieciach za pomocą rejestracji z zastosowaniem wielokontaktowych elektrod laminarnych

Ten film demonstruje rejestrację spontanicznej i zależnej od stymulacji aktywności neuronalnej z hodowli pierwotnych mysich neuronów spiralnych (SGN) na matrycy wieloelektrodowej (MEA). Polega na umyciu i przygotowaniu MEA, rejestrowaniu spontanicznej aktywności neuronalnej i zastosowaniu kontrolowanych bodźców elektrycznych w celu zidentyfikowania aktywności neuronalnej zależnej od stymulacji.

Analiza aktywności neuronalnej w pierwotnych mysich neuronach spiralnych przy użyciu układów wieloelektrodowych

Ten film demonstruje szczegółową procedurę przygotowania znieczulonego szczura do elektrofizjologicznych zapisów aktywności mózgu z wielu miejsc. Skóra głowy jest preparowana w celu uzyskania dostępu do czaszki, a otwory są wiercone w precyzyjnych miejscach, aby zainstalować i zabezpieczyć elektrody. Elektrody wolframowe są następnie umieszczane w docelowym miejscu w celu zarejestrowania danych.

Elektrofizjologiczne zapisy in vivo aktywności mózgu z wielu miejsc u szczurów

Wszczepianie zorganizowanych układów mikroprzewodów do użycia w jednojednostkowych zapisach elektrofizjologicznych stanowi szereg wyzwań technicznych. Opisano również metody wykonywania tej techniki i niezbędny sprzęt. Omówiono również korzystne wykorzystanie zorganizowanych układów mikroprzewodów do nagrywania z różnych podregionów neuronowych o wysokiej selektywności przestrzennej.

Procedura wszczepiania zorganizowanych układów mikroprzewodów do nagrań pojedynczych jednostek u obudzonych, zachowujących się zwierząt

Komórki neuronalne myszy hodowane na układach wieloelektrodowych wykazują zwiększoną reakcję po stymulacji elektrycznej. Protokół ten pokazuje, jak hodować neurony, jak rejestrować aktywność i jak ustanowić protokół trenowania sieci w celu reagowania na wzorce stymulacji.

Zależny od czasu wzrost odpowiedzi sieci na stymulację kultur komórek neuronalnych na układach mikroelektrod

Ten protokół ma na celu pokazanie, jak połączyć układy mikroelektrod in vitro z urządzeniami mikroprzepływowymi do badania transmisji potencjału czynnościowego w kulturach neuronalnych. Analiza danych, a mianowicie wykrywanie i charakteryzacja rozchodzących się potencjałów czynnościowych, odbywa się za pomocą nowego, zaawansowanego, a jednocześnie przyjaznego dla użytkownika i ogólnodostępnego narzędzia obliczeniowego.

Łączenie mikrofluidyki z układami mikroelektrod do badania komunikacji neuronalnej i propagacji sygnałów aksonalnych

Obecny protokół demonstruje prostą metodę śledzenia projekcji glutaminianu w brzusznym obszarze nakrywki (VTA) do hipokampa. Fotostymulację neuronów glutaminianu VTA połączono z zapisem CA1, aby zademonstrować, w jaki sposób zakończenia glutaminianu VTA modulują przypuszczalną szybkość wypalania CA1 w piramidzie in vivo.

Połączone anatomiczne i funkcjonalne śledzenie in vivo zakończeń glutaminianu w brzusznym obszarze nakrywki w hipokampie

Przedstawiono połączone użycie technologii matryc mikroelektrod i stymulacji chemicznej indukowanej 4-aminopirydyną do badania aktywności nocyceptywnej na poziomie sieci w rogu grzbietowym rdzenia kręgowego.

Rejestrowanie aktywności sieci w obwodach nocyceptywnych rdzenia kręgowego za pomocą układów mikroelektrod

Protokół opisuje metodologię zewnątrzkomórkowego zapisu w korze ruchowej (MC) w celu ujawnienia zewnątrzkomórkowych właściwości elektrofizjologicznych u swobodnie poruszających się świadomych myszy, a także analizę danych lokalnych potencjałów pola (LFP) i skoków, co jest przydatne do oceny aktywności neuronalnej sieci leżącej u podstaw interesujących zachowań.

Wielokanałowy zapis zewnątrzkomórkowy w swobodnie poruszających się myszach

Specjalnie zbudowane mikronapędy umożliwiają submilimetrowe celowanie w miejsca zapisu kory mózgowej za pomocą liniowych układów krzemowych.

Elektrofizjologia aktywności kory laminarnej u marmozety zwyczajnej

Tu opisujemy protokół dotyczący ex vivo nagrań z wysoko gęstej matrycy mikroelektrody z ostrych kroi móżdżku u modelu chomika z dystonią, który otrzymał in vivo ciągłą stymulację głęboką mózgu w zakresie 11 dni.

Badanie mechanizmów działania stymulacji głębokiej mózgu obszaru ciemieniowego za pomocą wysokoczułowych mikroelektrodowych tablic

Poznaj SpikeSorter do sortowania spike'ów w zapisach elektrofizjologicznych z tkanki nerwowej. To przyjazne oprogramowanie ułatwia analizę zachowań neuronalnych i eksport danych.

Wizualny przewodnik po sortowaniu nagrań elektrofizjologicznych za pomocą "SpikeSorter"

Przeglądaj więcej filmów