Neuropixels Analysis Automated Curation

# 自动筛选参考 使用 Bombcell、UnitRefine 及其他工具进行自动脉冲排序筛选的指南。 ## 为什么使用自动筛选？ 手动筛选存在以下问题： - **缓慢**：每个记录会话需要数小时 - **主观性**：评估者之间存在差异 - **不可重现**：难以标准化 自动化工具提供一致、可重现的质量分类。 ## 可用工具 | 工具 | 分类 | 语言 | 集成 | |------|---------------|----------|-------------| | **Bombcell** | 4 类 (单/多/噪声/非躯体) | Python/MATLAB | SpikeInterface, Phy | | **UnitRefine** | 基于机器学习 | Python | SpikeInterface | | **SpikeInterface QM** | 基于阈值 | Python | 原生 | | **UnitMatch** | 跨会话追踪 | Python/MATLAB | Kilosort, Bombcell | ## Bombcell ### 概述 Bombcell 将单位分为 4 类： 1. **单躯体单位** - 良好隔离的单个神经元 2. **多单位活动 (MUA)** - 混合神经元信号 3. **噪声** - 非神经伪影 4. **非躯体** - 轴突或树突信号 ### 安装 bash # Python pip install bombcell # 或开发版本 git clone https://github.com/Julie-Fabre/bombcell.git cd bombcell/py_bombcell pip install -e . ### 基本用法 (Python) python import bombcell as bc # 加载排序数据 (Kilosort 输出) kilosort_folder = '/path/to/kilosort/output' raw_data_path = '/path/to/recording.ap.bin' # 运行 Bombcell results = bc.run_bombcell( kilosort_folder, raw_data_path, sample_rate=30000, n_channels=384 ) # 获取分类 unit_labels = results['unit_labels'] # 'good' = 单单位, 'mua' = 多单位, 'noise' = 噪声 ### 与 SpikeInterface 集成 python import spikeinterface.full as si # 脉冲排序后 sorting = si.run_sorter('kilosort4', recording, output_folder='ks4/') # 创建分析器并计算所需扩展 analyzer = si.create_sorting_analyzer(sorting, recording, sparse=True) analyzer.compute('waveforms') analyzer.compute('templates') analyzer.compute('spike_amplitudes') # 导出为 Phy 格式 (Bombcell 可读取) si.export_to_phy(analyzer, output_folder='phy_export/') # 在 Phy 导出数据上运行 Bombcell import bombcell as bc results = bc.run_bombcell_phy('phy_export/') ### Bombcell 指标 Bombcell 计算用于分类的特定指标： | 指标 | 描述 | 用途 | |--------|-------------|----------| | `peak_trough_ratio` | 波形形状 | 躯体与非躯体区分 |