使用NeMoS进行电流注入实验的神经元放电率建模分析
2025-06-18 01:51:29作者:劳婵绚Shirley
引言
本文将通过一个实际案例,展示如何使用NeMoS工具包对神经元在电流注入实验中的响应进行建模。我们将分析来自小鼠初级视觉皮层第4层单个神经元的膜片钳记录数据,这些数据来自著名的Allen Brain Atlas数据库。
实验数据概述
实验采用"噪声1"刺激模式,向神经元注入三个电流脉冲。每个脉冲是一个带有固定频率正弦波和随机噪声的方波电流。我们主要关注以下两个数据维度:
- 输入电流:实验者注入的电流信号
- 神经元放电:记录到的动作电位时间点
数据预处理
数据加载与初步处理
我们使用Pynapple工具包加载NWB格式的实验数据:
import pynapple as nap
import numpy as np
# 加载数据文件
data = nap.load_file("allen_478498617.nwb")
# 提取关键数据
trial_interval_set = data["epochs"] # 实验时间区间
current = data["stimulus"] # 输入电流
spikes = data["units"] # 神经元放电时间
数据筛选与转换
我们专注于"噪声1"刺激的第一个脉冲:
# 筛选特定刺激区间
noise_interval = trial_interval_set[trial_interval_set.tags == "Noise 1"][0]
# 限制数据范围并转换单位
current = current.restrict(noise_interval) * 1e12 # 转换为pA
spikes = spikes.restrict(noise_interval) # 限制放电时间范围
数据分析
放电率估计
通过高斯平滑处理获得近似放电率:
bin_size = 0.001 # 1ms的bin大小
count = spikes[0].count(bin_size) # 分bin计数
firing_rate = count.smooth(std=0.05, size_factor=20) / bin_size # 平滑并转换为Hz
电流-放电率关系分析
计算神经元的调谐曲线:
tuning_curve = nap.compute_1d_tuning_curves(spikes, current, nb_bins=15)
分析结果显示放电率与注入电流呈非线性关系,随着电流增大,放电率并非线性增加,而是在高电流时可能出现下降趋势。
使用NeMoS构建GLM模型
数据准备
将数据转换为适合GLM建模的格式:
import jax.numpy as jnp
import nemos as nmo
# 电流信号降采样
binned_current = current.bin_average(bin_size)
# 准备模型输入
predictor = np.expand_dims(binned_current, 1) # 转换为(n_time_bins, 1)
count = spikes[0].count(bin_size) # 放电计数
模型构建与拟合
建立并训练广义线性模型:
# 初始化GLM模型
model = nmo.glm.GLM(regularizer=nmo.regularizer.UnRegularized())
# 模型拟合
model.fit(predictor, count)
模型评估
提取模型参数并分析:
# 获取模型权重
weights = model.coef_
# 生成预测放电率
predicted_rate = model.predict(predictor)
关键发现与讨论
-
非线性输入-输出关系:模型成功捕捉到神经元放电率与注入电流之间的非线性关系,这与调谐曲线分析结果一致。
-
适应性现象:模型能够反映神经元在持续刺激下放电率逐渐降低的现象,表明神经元存在适应性机制。
-
周期性响应:模型预测的放电模式显示出与输入电流相似的周期性,说明神经元对输入信号的时序特征具有选择性响应。
结论
通过NeMoS构建的GLM模型能够有效描述神经元在电流注入实验中的响应特性。该方法不仅适用于此类控制实验,也可扩展应用于更复杂的神经编码研究。模型揭示了神经元输入-输出转换的非线性特性,为理解神经信息处理机制提供了量化工具。
进一步研究方向
- 考虑更复杂的刺激模式下的神经元响应建模
- 引入突触后电位等生物物理机制扩展模型
- 探索群体神经元活动的耦合效应
- 将模型应用于在体记录数据分析
本教程展示了NeMoS在计算神经科学研究中的实用价值,为神经编码与解码问题提供了有力的分析工具。
登录后查看全文
热门项目推荐
HunyuanImage-3.0
HunyuanImage-3.0 统一多模态理解与生成,基于自回归框架,实现文本生成图像,性能媲美或超越领先闭源模型00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++045Hunyuan3D-Part
腾讯混元3D-Part00GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0289Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00GOT-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).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起

deepin linux kernel
C
22
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
168
2.05 K

本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
94
603

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

React Native鸿蒙化仓库
C++
199
279

🎉 (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
954
563

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
78
71

🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
60
17

基于golang开发的网关。具有各种插件,可以自行扩展,即插即用。此外,它可以快速帮助企业管理API服务,提高API服务的稳定性和安全性。
Go
22
0