使用NEMoS项目分析海马位置细胞的神经编码特性
2025-06-18 04:53:03作者:昌雅子Ethen
前言
本文将介绍如何使用NEMoS项目中的工具来分析海马位置细胞的神经编码特性。海马位置细胞是空间导航研究中的重要神经元类型,它们会在动物处于特定空间位置时表现出较高的放电频率。我们将通过实际数据分析,展示如何建立位置细胞的编码模型。
数据准备
数据来源
我们使用的数据来自Grosmark和Buzsáki在2016年发表的Science论文,记录了小鼠在直线轨道上运动时的神经活动、位置信息和theta节律相位。
数据加载与预处理
首先,我们使用pynapple库加载NWB格式的神经数据文件:
import nemos as nmo
import pynapple as nap
# 加载数据
path = nmo.fetch.fetch_data("Achilles_10252013.nwb")
data = nap.load_file(path)
数据提取
从加载的数据中提取关键信息:
# 提取尖峰时间、位置信息和theta相位
spikes = data["units"]
position = data["position"]
theta = data["theta_phase"]
# 限制分析范围到直线轨道运动期间
position = position.restrict(data["runs"])
# 筛选兴奋性神经元
spikes = spikes.getby_category("cell_type")["pE"]
spikes = spikes.getby_threshold("rate", 0.3) # 去除低放电率神经元
基础分析
位置场计算
位置场(position field)是位置细胞最显著的特征,表示神经元在不同位置的放电率分布:
# 计算位置场
pf = nap.compute_1d_tuning_curves(spikes, position, 50, position.time_support)
# 按峰值位置排序
order = pf.idxmax().sort_values().index.values
相位进动分析
位置细胞还表现出theta相位进动现象,即放电相位会随位置变化:
# 调整数据采样率
bin_size = 0.005
theta = theta.bin_average(bin_size, position.time_support)
theta = (theta + 2 * np.pi) % (2 * np.pi)
# 创建包含位置和相位的数据结构
data = nap.TsdFrame(
t=theta.t,
d=np.vstack((position.interpolate(theta).values, theta.values)).T,
time_support=position.time_support,
columns=["position", "theta"],
)
速度调制分析
我们还分析了运动速度对神经元放电的影响:
# 计算运动速度
speed = []
for s, e in data.time_support.values:
pos_ep = data["position"].get(s, e)
speed_ep = np.abs(np.diff(pos_ep))
speed_ep = np.pad(speed_ep, [0, 1], mode="edge") * data.rate
speed.append(speed_ep)
speed = nap.Tsd(t=data.t, d=np.hstack(speed), time_support=data.time_support)
# 计算速度调谐曲线
tc_speed = nap.compute_1d_tuning_curves(spikes, speed, 20)
建模分析
基函数选择
我们使用不同的基函数组合来建模神经活动:
# 定义各种基函数
position_basis = nmo.basis.MSplineEval(n_basis_funcs=10, label="position")
phase_basis = nmo.basis.CyclicBSplineEval(n_basis_funcs=12, label="theta_phase")
speed_basis = nmo.basis.MSplineEval(n_basis_funcs=15, label="speed")
# 组合基函数
basis = position_basis * phase_basis + speed_basis
basis.label = "full_design"
模型训练
使用Poisson GLM模型进行训练:
# 准备设计矩阵
X = basis.compute_features(position, theta, speed)
count = spikes[neuron].count(bin_size, data.time_support)
# 训练模型
glm = nmo.glm.GLM(solver_kwargs=dict(tol=10**-12), solver_name="LBFGS")
glm.fit(X, count)
模型预测与验证
评估模型预测效果:
# 预测放电率
predicted_rate = glm.predict(X) / bin_size
# 计算预测的调谐曲线
glm_pf = nap.compute_1d_tuning_curves_continuous(predicted_rate[:, np.newaxis], position, 50)
glm_pos_theta = nap.compute_2d_tuning_curves_continuous(predicted_rate[:, np.newaxis], data, 30)
glm_speed = nap.compute_1d_tuning_curves_continuous(predicted_rate[:, np.newaxis], speed, 30)
模型比较
我们比较了不同特征组合的模型表现:
models = {
"position": position_basis,
"position + speed": position_basis + speed_basis,
"position * phase": position_basis * phase_basis,
"position * phase + speed": position_basis * phase_basis + speed_basis,
}
# 训练和评估各模型
scores = {}
for m in models:
X = models[m].compute_features(*features[m])
glm.fit(X.restrict(train_iset), count.restrict(train_iset))
scores[m] = glm.score(X.restrict(test_iset), count.restrict(test_iset))
结论
通过NEMoS项目提供的工具,我们能够系统地分析位置细胞的编码特性。实验结果表明:
- 位置信息是位置细胞放电的最主要决定因素
- theta相位调制提供了额外的编码维度
- 运动速度对放电率也有显著影响
- 综合考虑位置、相位和速度的模型表现最佳
这种分析方法可以扩展到研究其他类型的神经元编码特性,为理解神经信息处理机制提供了有力工具。
登录后查看全文
热门项目推荐
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00- DDeepSeek-OCR暂无简介Python00
openPangu-Ultra-MoE-718B-V1.1昇腾原生的开源盘古 Ultra-MoE-718B-V1.1 语言模型Python00
HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出Python00
AI内容魔方AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。03
Spark-Scilit-X1-13BFLYTEK Spark Scilit-X1-13B is based on the latest generation of iFLYTEK Foundation Model, and has been trained on multiple core tasks derived from scientific literature. As a large language model tailored for academic research scenarios, it has shown excellent performance in Paper Assisted Reading, Academic Translation, English Polishing, and Review Generation, aiming to provide efficient and accurate intelligent assistance for researchers, faculty members, and students.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile013
Spark-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
248
2.48 K
deepin linux kernel
C
24
6
仓颉编译器源码及 cjdb 调试工具。
C++
116
89
React Native鸿蒙化仓库
JavaScript
217
298
暂无简介
Dart
548
119
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.02 K
600
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.02 K
411
Ascend Extension for PyTorch
Python
88
118
仓颉编程语言运行时与标准库。
Cangjie
124
102
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
592
125