使用NEMoS项目分析海马位置细胞的神经编码特性

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：

1. 位置信息是位置细胞放电的最主要决定因素
2. theta相位调制提供了额外的编码维度
3. 运动速度对放电率也有显著影响
4. 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。