[論文レビュー] SPySort: Neuronal Spike Sorting with Python

Christophe Pouzat, Georgios Detorakis|arXiv (Cornell University)|Dec 19, 2014

Neural dynamics and brain function参考文献 7被引用数 4

ひとこと要約

SPySort は、外部マルチエレクトロード記録用に、モジュラーでインタラクティブかつ再現可能なスパイクソーティングパイプラインの純粋な Python 実装を提供する。ジャッターキャンセリング、次元削減、およびガウス・ミックス・モデルと k-means を用いた反復的 'ピーリング' クラスタリングといった高度な技術を統合し、重ね合わさった神経細胞のアクション・ポテンシャルを高精度に解離する。

ABSTRACT

Extracellular recordings with multi-electrode arrays is one of the basic tools of contemporary neuroscience. These recordings are mostly used to monitor the activities, understood as sequences of emitted action potentials, of many individual neurons. But the raw data produced by extracellular recordings are most commonly a mixture of activities from several neurons. In order to get the activities of the individual contributing neurons, a pre-processing step called spike sorting is required. We present here a pure Python implementation of a well tested spike sorting procedure. The latter was designed in a modular way in order to favour a smooth transition from an interactive sorting, for instance with IPython, to an automatic one. Surprisingly enough - or sadly enough, depending on one's view point -, recoding our now 15 years old procedure into Python was the occasion of major methodological improvements.

研究の動機と目的

• 神経生理学的データ解析のための完全に再現可能でオープンソースの Python スパイクソーティングパイプラインの開発。
• 多様な実験データ、特に異なる種や記録条件に適応可能なインタラクティブでカスタマイズ可能なスパイクソーティングの実現。
• サンプリング・ジャッターの推定と補正の新しい効率的メソッドを導入することで、スパイクソーティングの精度を向上。
• ユーザーがクラスタリング、次元削減、検出戦略をリアルタイムで実験できる柔軟性を提供。
• GitHub とチュートリアルWebサイトを通じたアクセス可能で、良好にドキュメント化されたコードの提供により、再現可能な研究を促進。

提案手法

• Python におけるモジュラーでオブジェクト指向の設計を採用し、IPython を介したインタラクティブ開発と自動化へのスムーズな移行を可能に。
• スパイク検出は、複数のエレクトロードで生データの局所的最大値を特定することで実施。
• 次元削減は、検出された波形からの主成分を抽出することで、ノイズと計算負荷を低減。
• クラスタリングには、期待値最大化（E-M）アルゴリズムを用いたガウス・ミックス・モデル（GMM）を採用し、明確な神経源を同定。
• 新規のジャッター補正手順により、一次および二次微分を用いてクラスタ中心を個々のスパイクに一致させ、波形一致の精度を向上。
• 反復的 'ピーリング' 手順により、生データから最もよく一致する整列済みクラスタ中心を差し引くことで、段階的に個々のスパイクを分離し、重ね合わさったイベントを解消。

実験結果

リサーチクエスチョン

• RQ1 どのようにして、多様な神経生理学的データに適応可能なインタラクティブでスケーラブルなスパイクソーティングパイプラインを構築できるか？
• RQ2 明示的にサンプリング・ジャッターをモデル化し補正することで、スパイクソーティングの精度にどのような向上が得られるか？
• RQ3 完全に再現可能でオープンソースの Python 実装は、柔軟性と信頼性において商用スパイクソーティングソフトウェアを上回るか、少なくとも同等の性能を発揮できるか？
• RQ4 反復的 'ピーリング' 手順は、標準的なクラスタリングでは解消できない重ね合わさったアクション・ポテンシャルに対して、どの程度効果的か？
• RQ5 ジャッター補正における手法の洗練が、ノイズが多くマルチユニット記録である状況下での神経活動分離に、どの程度寄与するか？

主な発見

• R から Python への移行により、特にサンプリング・ジャッター推定と補正手順において顕著なメソッド的改善が達成され、R バージョンにも後方移植された。
• シンプルな形式であるが、ジャッター補正法は誤一致エラーを効果的に低減し、クラスタリング中の波形一致精度を向上。
• 反復的 'ピーリング' 手順は、生データから最もよく一致する整列済みクラスタ中心を差し引くことで、重ね合わさったスパイクを効果的に解消。一致が良い場合には残りエネルギーが著しく低下。
• 標準的なクラスタリング手法がしばしば不十分に扱う重なりイベントに対しても、本手法は信頼性の高いスパイクソーティングを達成。
• IPython と Python の科学計算スタック（NumPy、Matplotlib）の活用により、メソッドの探索とカスタマイズに非常にインタラクティブで効率的な環境が提供。
• 実装は完全に再現可能であり、GitHub とチュートリアルWebサイトを通じてアクセス可能で、オープンサイエンスとコミュニティの採用を支援。