Name: A Visual Guide to Classificando gravações eletrofisiológicas Usando SpikeSorter (Vídeo) | JoVE Journal
Uploaded: 2017-02-10T15:00:00.000+00:00
Duration: 10 min 31 s
Description: Aprenda a usar o SpikeSorter para detectar e classificar picos em gravações eletrofisiológicas de tecido neural. Este software simplifica a análise de comportamentos neurais com interface amigável.

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

Agradecemos aos indivíduos e grupos que usaram o SpikeSorter e que forneceram solicitações de suporte ao formato de arquivo e sugestões e feedback sobre como melhorá-lo. Estes incluem Youping Xiao, Felix Fung, Artak Khachatryan, Eric Kuebler, Curtis Baker, Amol Gharat e Dongsheng Xiao. Agradecemos a Adrien Peyrache pelos números falsos positivos e negativos fornecidos em 'Resultados Representativos'.

<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>

Os autores não têm nada a divulgar.

Formatos de arquivo formatos de arquivos suportados atualmente incluem Neuralynx (.ntt e .ncs), Plexon (.plx), Neuroscope (.xml + .dat), sistemas multicanal (.mcd), Blackrock (.nev) e Intan (.rhd). Para formatos não suportados, há duas opções. Um deles é para solicitar a adição do formato de arquivo para uma próxima versão (um link de e-mail para o desenvolvedor é fornecido na &#39;Ajuda - Sobre o&#39; diálogo). O outro é para converter o arquivo para um formato suportado. Uma opção simples é u...

Qualquer um que grava sinais extracelulares a partir do cérebro utilizando métodos mais sofisticados de limiar simples on-line e de janelas enfrenta a tarefa de identificar e separar os sinais de diferentes neurónios a partir dos sinais de tensão ruidosos gravados pelo eléctrodo. Esta tarefa é comumente conhecido como triagem pico. A dificuldade de triagem pico é composta por vários factores. Neurônios pode ser muito próximos uns dos outros de modo a que os sinais gravados a partir deles por um eletrodo nas proximidades são provavelmente similares e difíceis de distinguir. Os sinais produzidos por um único neurônio pode variar ao longo do tempo, talvez por causa dos movimentos do eléctrodo, cinética do canal de sódio variáveis ​​durante os períodos de alta taxa de disparo, graus variáveis ​​de ativação da condutância de tensão em dendritos que estão próximas ao eletrodo, ou possivelmente como resultado de mudanças no estado cerebral. Estes problemas podem ser mitigados usando matrizes multi-eletrodo (MEA), com muitos espaçados (20-100 mm) r<html> ecording canais que permite uma melhor definição espacial dos sinais dos neurônios individuais, uma vez que são normalmente espalhados por vários canais 1, 2. No entanto, isto, combinado com o facto de que os sinais a partir dos neurónios espalhados ao longo de todo o comprimento da sobreposição do eléctrodo no espaço, resulta em um espaço dimensional potencialmente muito elevada no interior do qual agregados correspondente aos neurónios únicos têm de ser identificados. Este problema torna-se computacionalmente intratável por mais do que um pequeno número de canais de eletrodos. Até à data, não há geralmente acordados melhor método para triagem de pico, embora muitas soluções foram propostas 3, 4, 5, 6, 7, 8 e gravações de AAM estão se tornando cada vez mais comum 9,ass = &quot;xref&quot;&gt; 10. Porque pico de classificação não é um fim em si, mas é simplesmente uma etapa preliminar necessária antes de uma análise mais aprofundada dos dados, existe uma necessidade para um pacote facilmente utilizável que vai ler em arquivos de dados de gravação cru e convertê-los em trens de pico classificada com tão pouco de usuário entrada, e como forma rápida e confiável, possível. Este documento fornece um tutorial para o uso de SpikeSorter - um programa desenvolvido com o objetivo de atender a essas necessidades. O programa é baseado em algoritmos descritos em artigos previamente publicados 11, 12, 13. Os objetivos na concepção do programa eram de que a) ele deve ter uma interface amigável que requer pouco ou nenhum conhecimento prévio de programação de computador ou de pico de classificação metodologia; b) deverão ser necessários poucos ou nenhum outros componentes de software especializados além dos sistemas operacionais Windows ou Linux padrão; c </em&gt;) Uma ampla gama de formatos de dados de gravação para importar e exportar dados devem ser apoiadas; d) a necessidade de entrada do usuário durante a classificação deve ser minimizada, e e) a triagem vezes deve dimensionar, de forma razoável, de preferência de forma linear, com a duração de gravação e o número de canais no eletrodo. Os algoritmos implementados no programa incluem a) um conjunto flexível de estratégias de pré-processamento e detecção de eventos; b) uma divisão automatizada e estratégia de conquista de redução da dimensão que agrupa as formas de onda de tensão com base nos componentes principais (PC) das distribuições obtidos a partir de subconjuntos de canais atribuídos a grupos específicos; c) o agrupamento automático de distribuições de PC com um procedimento rápido agrupamento baseado no algoritmo de média-shift 3, 14 e d) fusão de pares parcialmente automatizado e divisão de clusters para garantir que cada um é tão distinta quanto possível de todos os outros. para this, um conjunto de procedimentos foi adicionado que permite a divisão manual ou fusão de clusters com base em uma inspeção de distribuições de PC, cruzada e auto-correlogramas de trens de pico e parcelas de tempo de amplitude de formas de onda de pico. Gravações de tetrodes, matrizes, matrizes tetrode Utah, bem como AAM-haste simples e multi podem ser lidos e ordenados. O limite de corrente para o número de canais é de 256, mas isto pode ser aumentado no futuro. Outro multi-plataforma implementação open-source &quot;, spyke&quot; (http://spyke.github.io), também está disponível. Escrito por um de nós (MS) em Python e Cython, spyke usa a mesma abordagem global como SpikeSorter, com algumas diferenças: para reduzir a demanda de memória, dados brutos são carregados em pequenos blocos, e somente quando absolutamente necessário; clusters são exibidas exclusivamente, manipulados e ordenados em 3D; e de componentes principais e análise de componentes independentes são ambos usados ​​como métodos de redução de dimensão complementares. Spyke exige mais do usuário eminteracção, mas depende fortemente de teclado e atalhos de mouse e uma fila de desfazer / refazer para explorar rapidamente os efeitos de vários fatores sobre o agrupamento de qualquer subconjunto de picos. Esses fatores incluem canal de pico e seleção intervalo de tempo, o alinhamento pico, dimensões de agrupamento e largura de banda espacial (sigma) 11. O que se segue é uma breve descrição dos algoritmos e estratégias utilizadas para a classificação. Mais descrições completas podem ser encontradas em publicações anteriores 11, 12, 13 e anotações que podem ser acessados através de botões de ajuda (identificados com um &quot;?&quot;) Dentro SpikeSorter. Depois de carregar um ficheiro de tensão extracelular cru e filtrar os componentes de frequência mais baixa, numa fase inicial de resultados de detecção de eventos de um conjunto de eventos, cada um dos quais consiste de uma breve tensão instantâneo antes e após a hora do evento. Se o eleitolocais montaram estão suficientemente espaçadas (&lt;100 mm), os sinais unitárias geralmente será exibido em vários canais vizinhos. Um canal central é automaticamente escolhido para cada caso, correspondente ao canal no qual a tensão de pico-a-pico do evento é maior. Automatizado de classificação começa pela formação de um único cluster inicial para cada canal de eletrodo, que consiste em todos os eventos que foram localizadas para esse canal. Uma unidade localizada a meio caminho entre os canais podem dar origem a picos que são localizadas (talvez aleatoriamente) a diferentes canais: os aglomerados a partir destes dois conjuntos de espigões será identificado como semelhante e fundir numa fase posterior. A forma de onda médio dos eventos em cada agrupamento inicial é então calculada. Isto é referido como o modelo de aglomerado. canais auxiliares são atribuídos a cada grupo com base nas amplitudes e desvio padrão das formas de onda do modelo em cada canal. valores dos componentes principais são então calculados para cada cluster baseado on as formas de onda no conjunto atribuído de canais. O usuário pode escolher o número de dimensões principais componentes de usar: normalmente 2 é suficiente. Cada cluster é então dividido em um novo conjunto de clusters, e isto é repetido até que nenhum deles pode ser ainda dividido por agrupamento automatizado. Neste ponto, um conjunto inicial de, digamos, 64 a partir de um eléctrodo de aglomerados de 64 canais, pode ser dividida em duas ou três vezes esse número, dependendo do número de unidades que estava presente na gravação. Mas por causa da atribuição de variável de eventos de unidades individuais para diferentes canais, o número de clusters encontrados nesta fase é quase certamente maior do que deveria ser. A próxima etapa da triagem é corrigir o oversplitting comparando pares de grupos e fundindo pares semelhantes ou reafectação de eventos a partir de um para outro. Esta fase de classificação é referido como &quot;mesclar e dividir&quot;. Fundir e dividir Para n aglomerados, existem N * (N-1) / 2 pares e, portanto, o número de pares cresce como N 2, o que é indesejável. No entanto, muitos pares pode ser excluído da comparação porque os dois membros do par estão fisicamente afastadas. Isto reduz a dependência de algo que é mais linearmente relacionado com o número de canais. Apesar de este atalho, a junção e estágio de divisão ainda pode ser bastante demorado. Ele funciona da seguinte maneira. Cada par de cluster que é para ser comparado (aqueles que são fisicamente próximas umas das outras, tal como avaliado pela sobreposição nos conjuntos de canais atribuídos a cada) temporariamente é fundido, embora mantendo as identidades dos picos nos dois grupos de membros conhecidos. Os principais componentes do par resultante da concentração são então calculadas. Uma medida da sobreposição entre os pontos nos dois grupos é calculada com base na distribuição dos dois primeiros componentes principais. A forma como o ov<html> medida ERLAP é calculado é descrito em mais detalhe noutra secção 11. O seu valor é zero se os aglomerados não se sobrepõem em tudo, ou seja, o vizinho mais próximo de cada ponto está no mesmo aglomerado. O seu valor está próximo de 1 se os aglomerados se sobrepõem completamente, ou seja, a probabilidade de o vizinho mais próximo de estar no mesmo aglomerado é o mesmo que o previsto a partir de uma mistura uniforme de pontos. Vários são tomadas as decisões que tomar a medida se sobrepõem em conta. Se a sobreposição é maior do que um determinado valor, aglomerados podem ser fundidos. Se a sobreposição é muito pequena, a par cluster pode ser definida como distinto e deixado sozinho. Os valores intermediários, indicando separação incompleta do par de cluster, pode sinalizar que o par deve ser fundidos e, em seguida, o resultado desejado ser um par de aglomerados com menos sobreposição-split re. Estes procedimentos são executados primeiro numa fase automatizado e, em seguida, numa fase guiado manualmente. tenda &quot;&gt; Na etapa automatizada, pares de cluster com um alto valor de sobreposição são mesclados;., em seguida, pares de cluster com intermediário a baixos valores de sobreposição são fundidas e re-split Na segunda, fase guiada pelo usuário, o usuário é apresentado com toda a restantes pares de cluster ambíguas (ou seja, aqueles com valores sobrepõem-se numa faixa intermediária definida) na sequência e é solicitado a escolher se a) a fusão do par, b) se fundem e resplit o par, c) a declarar o par a ser distintos (que irá substituir o significado da medida de sobreposição), ou d) para definir a relação entre o par como &#39;ambíguo&#39; indicando que os picos do par é improvável que ser bem ordenados. Várias ferramentas são fornecidas para ajudar com estas decisões, incluindo auto - e-correlogramas cruzadas e parcelas de séries temporais de altura de pico e os valores de PC. Idealmente, no final das etapas que se fundem e da separação, cada agrupamento deve ser distinto de todos os outros,ou porque ele tem poucos ou nenhuns canais em comum com outros clusters, ou porque o índice de sobreposição é inferior a um valor definido. Este valor é selecionável pelo usuário, mas é tipicamente de 0,1. Clusters (unidades) que passam este teste são definidos como &quot;estável&quot;, aqueles que não têm (porque a sobreposição com um ou mais outros grupos é maior do que o limiar) são definidos como &quot;instável&quot;. Na prática, a grande maioria das unidades acabar por ser definida como &quot;estável&quot; no final da triagem, deixando o resto para qualquer ser descartado ou tratado como potencialmente multi-unidade. Requisitos de software SpikeSorter é compatível com 64 versões do Windows 7 e Windows 10 bits, e também tem sido executado com êxito no Linux usando o emulador Wine. Os ficheiros de dados são completamente carregado para a memória (para a velocidade), portanto, disponível RAM precisa à escala com o tamanho da gravação (permitir que cerca de 2 GB para o próprio programa). eletrofisiológicoarquivos de dados de al maiores do que 130 GB de tamanho foram classificadas com sucesso em ambos os ambientes Windows e Linux. Opções são acessados ​​através de menus padrão do Windows, uma barra de ferramentas e caixas de diálogo. O layout de itens no menu corresponde aproximadamente a ordem das operações na classificação, começando com o menu &#39;File&#39; à esquerda para a entrada de dados e no menu &#39;Exportar&#39; à direita permitindo a exportação de dados classificados. botões da barra de ferramentas fornecem atalhos para comumente usados ​​itens de menu. O arquivo de configuração do Canal Muitos formatos de dados de gravação não guardar os locais de canal. No entanto, sabendo estes é essencial para a classificação pico. Os canais também podem ser numerados de várias maneiras por software de aquisição: SpikeSorter exige que os canais são numerados em sequência, começando pelo canal 1. Assim, um arquivo de configuração do eletrodo auxiliar tem de ser criado que pode remapear números de canais de seguir a regra seqüencial, e loc canal de lojações. O arquivo de configuração do canal é um arquivo de texto com uma única linha de texto para cada canal. A primeira linha do arquivo armazena um nome de texto, até 16 caracteres, que identifica o eletrodo. Os números em linhas posteriores podem ser separadas por abas, uma única vírgula, ou espaços. Existem quatro números em cada linha fornecendo (por ordem): o número do canal no ficheiro, o número de canal ao qual é para ser mapeada (isto é, o número que será utilizado por SpikeSorter), e a coordenadas x e y do canaleta, em micra. A coordenada x seria normalmente feita como perpendicularmente à direcção de inserção do eléctrodo e a coordenada y conformidade seria profundidade no tecido. O arquivo de configuração tem de ser colocado no mesmo diretório que o arquivo de gravação. Existe alguma flexibilidade no modo como ele pode ser chamado. O programa irá primeiro procurar um arquivo que tem o mesmo nome que o arquivo de dados brutos, mas com uma extensão .cfg. Se esse arquivo is não encontrado, ele irá procurar o arquivo &#39;electrode.cfg&#39;. Se esse arquivo por sua vez, não é encontrada uma mensagem de erro é gerada para indicar uma falta de informação layout do canal.

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

a visual guide to classificando gravações eletrofisiológicas usando &#39;spikesorter&#39;

A Visual Guide to Sorting Electrophysiological Recordings Using 'SpikeSorter'

Poucos aplicativos de software autônomos estão disponíveis para classificar picos de gravações feitas com matrizes de vários eletrodos. Idealmente, um aplicativo deve ser amigável com uma interface gráfica de usuário, capaz de ler arquivos de dados em uma variedade de formatos e fornecer aos usuários um conjunto flexível de ferramentas que lhes dê a capacidade de detectar e classificar formas de onda de tensão extracelular de diferentes unidades com algum grau de confiabilidade. Os métodos de classificação de picos publicados anteriormente estão agora disponíveis em um programa de software, o SpikeSorter, destinado a fornecer aos eletrofisiologistas um conjunto completo de ferramentas para classificação, começando com o arquivo de dados brutos gravados e terminando com a exportação dos tempos de pico classificados. Os procedimentos são automatizados na medida em que isso é possível atualmente. O artigo explica e ilustra o uso do programa. Um arquivo de dados representativo é aberto, os rastreamentos extracelulares são filtrados, os eventos são detectados e, em seguida, agrupados. Uma série de problemas que comumente ocorrem durante a classificação são ilustrados, incluindo a divisão excessiva artefactual de unidades devido à tendência de algumas unidades de disparar picos em pares, onde o segundo pico é significativamente menor que o primeiro, e divisão excessiva causada pela variação lenta na altura do pico ao longo do tempo encontrada em algumas unidades. A precisão do desempenho do SpikeSorter foi testada com dados de verdade substitutos e considerada comparável à de outros algoritmos em desenvolvimento atual.

A Figura 7 mostra o visor (obtido por indo para &#39;View - formas de onda Ordenado&#39;) para uma gravação típica de classificação. A opção de exibição padrão é apenas para mostrar as formas de onda no canal central para cada cluster. Uma experiência comum é que as formas de onda para um par de cluster no mesmo canal parecem idênticos, mas quando o &#39;Comparar pares &quot;de diálogo é usada para examinar os dois clusters existem grupos diferentes na projeção PC, na ma...

O artigo mostra como usar o programa SpikeSorter para detectar e classificar picos em gravações extracelulares feitas com matrizes de vários eletrodos.

A Visual Guide to Classificando gravações eletrofisiológicas Usando &#39;SpikeSorter&#39;

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

O objetivo geral deste vídeo é mostrar aos eletrofisiologistas como usar o programa SpikeSorter para detectar e classificar potenciais de ação em gravações extracelulares de tecido neural realizadas com matrizes de microeletrodos. Nosso objetivo foi fornecer uma solução simples para esta tarefa de classificação de potenciais de ação, utilizando um programa com interface amigável ao usuário. O SpikeSorter pode ler arquivos em diversos formatos e oferece várias estratégias de pré-processamento e detecção de eventos, além de opções de classificação e exportação de dados.As implicações desta técnica estendem-se à análise de comportamentos neurais, estudados por meio de gravações extracelulares com matrizes de microeletrodos. Geralmente, indivíduos novos neste método enfrentarão dificuldades devido à complexidade da tarefa e à falta de uma metodologia padronizada e de validação objetiva. Tivemos pela primeira vez a ideia para este método quando nos deparamos com o problema de classificar nossas próprias gravações, realizadas com matrizes de microeletrodos de 54 canais, e não encontramos nenhuma solução disponível.Para iniciar este procedimento, abra o programa. Vá até arquivo e abrir, e então selecione o formato do arquivo de gravação na lista suspensa, localizada no canto inferior direito da janela de abertura de arquivo resultante. Em seguida, selecione o arquivo e clique em abrir.Clique em OK quando a leitura for concluída. Os sinais de gravação agora são exibidos na exibição da forma de onda de tensão. Se a gravação for não filtrada e contiver o potencial de campo local, remova-o clicando no ícone de filtro na barra de ferramentas.Selecione o filtro passa-alta Butterworth, uma frequência de corte adequada e o número de polos, então pressione Executar. Pressione OK, depois concluído e examine a forma de onda filtrada na tela. Os sinais de tensão podem ser examinados mantendo pressionado o botão esquerdo do mouse e arrastando. Use a roda de rolagem para ampliar características específicas e depois reduzir o zoom novamente.Passe o mouse sobre pontos específicos da forma de onda para exibir os valores correspondentes de tensão no canto superior esquerdo. Clicar duas vezes na janela abre uma caixa de diálogo que também pode ser usada para examinar rapidamente qualquer parte da gravação e analisar eventos específicos em canais ou agrupamentos, após a detecção e classificação de eventos terem sido concluídas. Em seguida, verifique se há canais que possam estar com defeito e precisem ser mascarados.Clique no ícone de verificação do canal e inspecione o gráfico. Para mascarar um canal discrepante, selecione o número do canal ou escolha-o na lista de problemas. Ao finalizar, feche a caixa de diálogo e clique em sim no aviso para salvar os valores da máscara.Os canais mascarados são esmaecidos na exibição de tensão. Neste procedimento, vá para detecção de eventos na pré-processamento para abrir a caixa de diálogo de detecção de eventos. Use o controle deslizante no canto superior direito para inspecionar o nível de ruído nos canais específicos.A inspeção cuidadosa da exibição de voltagem também pode revelar canais silenciosos ou anormalmente ruidosos que precisam ser mascarados. Escolha o limiar variável para a detecção de eventos. A faixa recomendada de limiares é de 4,0 a 6,0 vezes o ruído.Selecione 4.5. Escolha o método de detecção de filtro multiphasic dinâmico na lista suspensa. Ajuste a janela para ser aproximadamente metade da largura de uma forma de onda de pico típica, com os valores na faixa de 0,15 a 0,5 milissegundos.Em seguida, selecione o método de alinhamento escolhendo a opção que melhor identifica uma característica única e temporalmente localizada dos picos que estão sendo classificados. Mantenha as demais opções nos valores padrão e pressione Iniciar. Pressione Concluído para sair da caixa de diálogo.A janela de forma de onda de tensão exibe os eventos detectados em cinza no canal central atribuído. Os parâmetros de detecção de eventos podem ser ajustados com base nos resultados observados neste momento. Por exemplo, a detecção de eventos pode ser repetida com um limiar de detecção mais baixo, a fim de detectar mais eventos.O próximo passo normalmente não é realizado antes de uma classificação de rotina, mas é útil realizá-lo ao classificar pela primeira vez ou ao lidar com dados desconhecidos. Vá para classificar, converter canais em agrupamentos, para criar um único agrupamento para cada canal de eletrodo sem máscara, assumindo que cada canal tenha alguns eventos atribuídos a ele. Examine esses agrupamentos acessando revisar, visualizar, limpar e dividir agrupamentos para abrir outra caixa de diálogo.Use o controle de rotação para selecionar o agrupamento a ser visualizado. Selecione um agrupamento que tenha duas ou mais subagrupamentos distintos, depois pressione o botão de realinhar para alterar o tempo de cada evento, de modo a ajustá-lo melhor à forma do modelo. Em seguida, pressione Autosplit para agrupar os eventos com base na distribuição das componentes principais.Posteriormente, clique nas caixas de seleção para examinar as formas de onda nas subaglomerações. Utilize o controle deslizante para analisar as formas de onda correspondentes. Como exercício, utilize um dos pequenos botões divididos para criar um novo agrupamento e examiná-lo.Observe como o agrupamento vermelho agora revela dois subagrupamentos de forma mais clara, após a separação do verde. A classificação poderia continuar manualmente dessa maneira, mas é preferível utilizar o procedimento Autosort mais rápido. Pressione Concluído e vá para Classificar, Autosort.Mantenha a opção de detecção de eventos ignorados marcada se a detecção de eventos já tiver sido realizada, como neste caso. Se não estiver marcada, a detecção de eventos será executada automaticamente, utilizando valores de parâmetros e escolhas herdados da janela de diálogo de detecção de eventos. No painel de agrupamento abaixo, selecione uma janela temporal suficientemente ampla para conter toda a forma de onda do pico, anterior e posterior ao ponto de alinhamento.Em seguida, selecione uma opção de realinhamento a ser usada durante o agrupamento e escolha um tamanho mínimo de agrupamento. Decida o número de dimensões no espaço de componentes principais que serão usadas para o agrupamento e mantenha as demais opções nas configurações padrão. Após isso, pressione Iniciar para começar o Autosort.Após a conclusão do Autosort, pressione próximo para ir para a etapa de mesclagem e divisão guiada manualmente, depois pressione iniciar. Na nova caixa de diálogo, pares de agrupamentos que não sejam claramente semelhantes ou distintos serão apresentados em sequência. Para cada par apresentado, use os botões para escolher se deseja mesclar o par, mesclar e dividi-lo novamente, marcar o par como distinto ou como ambíguo, caso não esteja claro qual é a melhor decisão.Clique nas caixas de seleção para exibir um gráfico da altura máxima do pico de disparo ou do primeiro ou segundo componente principal em função do tempo ou histogramas de autocorrelação e correlação cruzada. Isso pode ajudar nas decisões. Aqui, vemos um exemplo de uma decisão de mesclagem.Seguido por uma decisão de mesclar e dividir. Se a opção de mesclar e dividir não conseguir identificar clusters claramente separáveis, utilize o controle deslizante na caixa de diálogo exibida para variar manualmente um parâmetro de agrupamento e encontrar uma divisão que pareça satisfatória. Se isso não for possível, utilize o botão de reversão para retornar ao estado original dos dois clusters.Quando terminar, pressione dividir conforme mostrado. Agora, vá para revisão, pós-processamento. Use o botão de limpeza de alinhamento para remover eventos dos agrupamentos que são correspondências inadequadas ao modelo do agrupamento.Em seguida, utilize o botão reagrupar para realocar eventos não agrupados em modelos específicos com base no valor de correspondência. Os eventos recuperados são marcados como subagrupamentos de cada agrupamento principal e podem ser inspecionados por meio da caixa de diálogo visualizar, limpar e dividir agrupamentos. Esses eventos permanecerão no agrupamento e serão exportados como tal, a menos que sejam excluídos.Em seguida, retorne à caixa de diálogo de pós-processamento. Utilize o botão de exclusão e o controle giratório ao lado dele para excluir os agrupamentos com uma relação sinal-ruído inferior ao limite selecionado. Posteriormente, use o botão de classificação para renumerar os agrupamentos de acordo com um critério escolhido.Esta figura mostra a exibição obtida ao acessar visualização, formas de onda classificadas para a gravação que acabou de ser classificada. É comum que as formas de onda de um par de agrupamentos no mesmo canal pareçam idênticas, mas o diálogo de comparação de pares mostra, não obstante, agrupamentos distintos na projeção de componentes principais. Decisões de mesclagem após as etapas anteriores de classificação são às vezes sugeridas por gráficos de amplitude ao longo do tempo e por correlogramas cruzados.Isso ilustra uma decisão de agrupamento com base na presença de uma forte correlação cruzada assimétrica em intervalos de tempo curtos, associada a uma relação clara entre os valores do primeiro componente principal das duas unidades, mostrados aqui no eixo vertical. Esta figura mostra um caso em que evidências semelhantes para agrupamento são insuficientes. O correlograma cruzado não é fortemente assimétrico e os autocorrelogramas são diferentes.Embora as formas das formas de onda sejam semelhantes, as duas unidades provavelmente não deveriam ser unidas, devido à diferença nas distribuições dos componentes principais. Esta figura mostra um caso em que as formas das formas de onda são semelhantes e os valores do primeiro componente principal de duas unidades se misturam quando uma delas deixa de disparar e a outra começa. Neste caso, a decisão de unir parece clara.Esperamos que esta breve introdução ao SpikeSorter tenha sido útil. Pretendemos continuar a desenvolver o programa e adicionar novos recursos sempre que forem úteis. Para tanto, agradecemos relatos de erros, feedback construtivo e sugestões de aprimoramento.

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

Research

JoVE Journal

Neuroscience

Neurociência

A questão fundamental em nossa compreensão do circuito cortical é como as redes em diferentes camadas corticais codificar a informação sensorial. Aqui, descrevemos técnicas eletrofisiológicas utilizando eletrodos de contato multi-laminar para gravar um único unidades e potenciais de campo locais e análises presentes para identificar camadas cortical.

Examinando Processamento Rede Local usando contato Multi-Gravação Eletrodo Laminar

Este vídeo demonstra o registro da atividade neural espontânea e dependente de estimulação de culturas primárias de neurônios ganglionares espirais murinos (SGN) em uma matriz de múltiplos eletrodos (MEA). Envolve lavar e preparar o MEA, registrar a atividade neural espontânea e aplicar estímulos elétricos controlados para identificar a atividade neuronal dependente de estimulação.

Analisando a atividade neural em neurônios ganglionares espirais murinos primários usando matrizes de multieletrodos

Este vídeo demonstra o procedimento detalhado para preparar um rato anestesiado para registros eletrofisiológicos da atividade cerebral de vários locais. O couro cabeludo é dissecado para acessar o crânio e os orifícios são feitos em locais precisos para instalar e prender os eletrodos. Os eletrodos de microfios de tungstênio são então inseridos no local de destino para registrar os dados.

Registros eletrofisiológicos in vivo de atividades cerebrais de vários locais em ratos

Implantar matrizes organizados de microfios para utilização em gravações eletrofisiológicas unitárias apresenta uma série de desafios técnicos. Métodos para a realização desta técnica e os equipamentos necessários são descritos. Além disso, discute-se o uso benéfico de matrizes microfios organizados para gravar a partir de sub-regiões neurais distintos, com alta seletividade espacial.

Um Procedimento para Implantação de Arrays organizado de microfios para gravações a única unidade em Awake, comportando-se Animais

Neste estudo, a metodologia é apresentada sobre como realizar gravações eletrofisiológicas in vivo multi-site a partir da via hiperdiretiva sob anestesia com uretano.

Agudo<em&gt; In Vivo</em&gt; Gravações eletrofisiológicas de Potenciais de campo locais e atividade de múltiplas unidades a partir do caminho hiperdiretivo em ratos anestesiados

O protocolo atual demonstra um método simples para traçar projeções de glutamato da área tegmental ventral (VTA) para o hipocampo. A fotostimulação dos neurônios de glutamato VTA foi combinada com a gravação de CA1 para demonstrar como terminais de glutamato VTA modulam a taxa de disparo piramipário putativo ca1 in vivo.

Rastreamento Anatômico e Funcional In Vivo dos Terminais de Glutamato da Área Tegmental Ventral no Hipocampo

O uso combinado da tecnologia de matriz de microeletrodos e estimulação química induzida por 4 aminopirdina para investigar a atividade nociceptiva em nível de rede no chifre dorsal da medula espinhal é delineado.

Atividade de rede de gravação em circuitos nociceptivos da coluna vertebral usando matrizes de microeletrodos

O protocolo descreve a metodologia de registro extracelular no córtex motor (CM) para revelar propriedades eletrofisiológicas extracelulares em camundongos conscientes em movimento livre, bem como a análise de dados de potenciais de campo local (LFPs) e picos, o que é útil para avaliar a atividade neural da rede subjacente aos comportamentos de interesse.

Gravação Extracelular Multicanal em Ratos em Movimento Livre

Microdrives personalizados permitem a segmentação submilimétrica de locais de gravação corticais com matrizes lineares de silício.

Eletrofisiologia da Atividade Cortical Laminar no Sagui-comum

Aqui, apresentamos um sistema de implante de sonda leve e econômico para eletrofisiologia crônica em roedores otimizado para facilidade de uso, recuperação de sonda, versatilidade experimental e compatibilidade com o comportamento.

O implante DREAM: um sistema de implante leve, modular e econômico para eletrofisiologia crônica em camundongos com cabeça fixa e comportamento livre

Aprenda a usar o SpikeSorter para detectar e classificar picos em gravações eletrofisiológicas de tecido neural. Este software simplifica a análise de comportamentos neurais com interface amigável.

A Visual Guide to Classificando gravações eletrofisiológicas Usando 'SpikeSorter'

Explorar mais vídeos