使用NeMoS进行电流注入实验的神经元放电率建模分析

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

1. 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。

2. 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。

3. 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

1. 考虑更复杂的刺激模式下的神经元响应建模
2. 引入突触后电位等生物物理机制扩展模型
3. 探索群体神经元活动的耦合效应
4. 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。