神经举止卓越多个时候模范，从毫秒级到月度级。其动态演变可通过慢性高密度阵列（如Neuropixels探针）进行记载，该时代能在数十个位点同步测量每个尖峰信号，并拿获数百个神经元的举止。这些探针产生的海量数据需要袭取不同步履来已毕跨记载时段的神经元跟踪。为此，研究东谈主员开采了UnitMatch经由，该经由在尖峰排序后运行，仅基于每个单位的平均尖峰波形进行匹配。通过在小鼠大脑的Neuropixels记载中测试，UnitMatch已毕了跨周级的神经元跟踪。全脑规模内，神经元具有独到的峰电位隔离漫衍特征，且与其他神经元的有计划性在数周内保抓分解。在视觉皮层中，神经元对视觉刺激的采取性相同进展出抓续分解性。然则在学习任务期间，纹状体的神经元反应会随日历推移产生变化。UnitMatch因此成为揭示神经举止跨日不变性与可塑性的灵验器具。

神经举止卓越从毫秒到数小时、数天乃至数月的多重时候模范，涵盖了从尖峰放电隔离到学习、顾忌或病弱等过程。关于较长模范的动态变化，可通过双光子成像时代进行研究，该时代能对视场内的并吞批神经元进行跨日跟踪。然则，成像步履难以捕捉快速时候模范的举止，且不易应用于深部脑区。要掩盖全脑区域的总共时候模范，理念念的处理决议是慢性电生理记载时代。

慢性电极记载骄横，神经元单位（推定神经元）在跨日历记载中能保抓一致的尖峰波形。这种分解性标明这些单位随时候推移跟踪的是并吞批神经元，特地是当袭取立体电极、四极电极、微丝束、硅探针、团聚物阵列或Neuropixels探针等多点位测量时代时。其中Neuropixels探针易于已毕慢性植入，能在跨日志录中拿获数百个可能匹配的神经元，其几何结构与密度特点还有助于修订电极漂移。

然则，当前针对高密度探针（如Neuropixels）序列化记载产生的海量数据，尚枯竭高效的跨日神经元匹配步履。举例，现存步履频频需要将两段记载拼接后进行长入尖峰排序，虽适用于成对记载，但难以处理长周期序列，无法扩张到数周或数月内获取的数十次记载。

为处理这一问题，研究东谈主员开采了名为UnitMatch的经由。该经由在尖峰排序后运行：用户先袭取偏好算法对每次记载孤独排序，UnitMatch再基于各单位的平均波形构建朴素贝叶斯分类器，已毕跨记载单位的概率化匹配。

通过对小鼠多脑区Neuropixels记载序列的测试，UnitMatch能分解已毕跨周级神经元跟踪。其性能与拼接法及东谈主工校对荒芜，但速率权贵普及，且适用于更长记载序列。

由于UnitMatch仅依赖单位尖峰波形而非功能特点，可用于锻真金不怕火这些特点是否随时候变化。事实上，天然神经元可能保管如峰电位隔离漫衍、嗅觉-融会-认识关联等放电特点，但这些特点的分解性并非势必，通常恰是研究的中枢问题。

研究分析了神经元的峰电位隔离漫衍、神经元间有计划性、视觉皮层神经元对刺激的反应等特点，发现这些特征保抓权贵分解性。同期，独揽UnitMatch揭示了纹状体在学习过程中神经表征的动态变化。遏抑标明，UnitMatch能灵验跟踪长序列记载中多脑区神经举止的分解性与可塑性。

一、遏抑

UnitMatch经由往常期经过孤独尖峰排序的单位波形为输入数据（这些波形按每场记载的前后两半分别谈论平均值，见图1a），其运行分为两个阶段。第一阶段“匹配”谈论某场记载中每个单位与另一场记载中单位相匹配的概率（图1b）。第二阶段“跟踪”生成跨记载单位索引矩阵以已毕抓续跟踪（图1c）。以下咱们将联接践诺室多数数据对这两个阶段进行定性讲解，具体数学公式参见步履部分。

图1：UnitMatch职责经由

a. 预处理：用户对每场记载进行尖峰排序，并谈论各单位在每场记载前后半段的平均尖峰波形。

b. 匹配经由：UnitMatch率先从每个波形索求要津参数（设施1），据此谈论总共记载对中单位间的相似度分数（设施2）；接着通过日内交叉考证笃定推定匹配的相似度阈值（设施3）；随后修订跨记载电极漂移（设施4）并重新谈论推定匹配；临了构建推定匹配的相似度概率漫衍，通过分类器为总共记载对中的潜在匹配分拨概率（设施5），最终输出总共记载中单位对的匹配概率。

c. 跟踪经由：UnitMatch独揽前阶段输出的概率矩阵，已毕多个记载场次中单个单位的连气儿跟踪。

01.预处理

在运行UnitMatch之前，用户需先完成多场次的神经举止记载，并使用偏好软件对每场记载孤独进行尖峰排序。关于每场记载，独揽尖峰排序软件的输出遏抑索求每个单位的平均时空尖峰波形文献（分别基于每场记载的前后两半时段谈论）。这些文献不包含单个尖峰的详备信息。

东莞市富临塑胶原料有限公司是Neuropixels中国代理商，为中国客户提供Neuropixels数据采集系统、神经探针。

为开采和测试UnitMatch，研究东谈主员使用了1,350场跨日志录（最长连气儿记载达235天），数据来自植入慢性Neuropixels探针的小鼠脑区（包括皮层、海马体、纹状体和上丘等）。每场记载均通过Kilosort进行孤独尖峰排序（该算法复旧场内漂移修订），随后袭取质地评估轨范筛选出25.2%±10.2%的信噪分离追究的单位（波及25只小鼠的1,350场记载）。

02.波形参数索求

高密度记载阵列（如Neuropixels探针）可在多个位点采集单位尖峰信号，从而呈现其特征时空波形。波形振幅在最大位点处达到峰值，并随距离增多而衰减（图2c）。UnitMatch通过指数函数拟合该衰减弧线，笃定振幅降至峰值10%时的距离d10（图2c）。示例记载中该值介于30-95微米（95%置信区间）。关于每个单位，算法中式距最大位点小于d10（最远不卓越150微米）的记载位点进行分析，频频涵盖6-24个位点（呈双列漫衍）。

图2：尖峰波形参数索求经由

a. 探针底部偏执记载位点暗意图。

b. 示例单位在指定记载位点（玄色及相邻灰色位点）的平均尖峰波形。

c. 示例单位波形振幅随距最大位点距离的变化弧线，通过指数衰减拟合笃定d10值。空间衰减率根据振幅随距离的下跌斜率谈论。

d. 两场示例记载中总共单位d10值的漫衍（实线浮现中位数，虚线浮现95%置信区间）。

e. 基于最大位点相近加权的示例单位平均波形，单位振幅由此加权波形谈论得出。

f. 示例波形峰值前后（-0.2毫秒至+0.5毫秒）的质心轨迹（圆圈浮现平均质心），逐时候点谈论认识标的与距离。

关于每个单位偏执两个平均波形，UnitMatch从采纳记载位点测量的时空尖峰波形中索求七项特征参数：

1. 空间衰减率（依据公式(8)谈论）；

2. 通过位点加权平均获取的加权平均波形（公式(9)），权重取决于各站点与最大站点的接近进程；

3. 加权平均波形的振幅（公式(10)）；

4. 平均质心位置（公式(6)），即各记载位点最大振幅加权的平均位置；

5. 峰值前0.2毫秒至峰值后0.5毫秒期间的空间质心轨迹（公式(4)）；

6. 每个时候点的质心迁移距离；

7. 每个时候点空间质心的迁移标的（公式(5)）。

03.相似度谈论

索求这些时空波形参数后，UnitMatch对总共记载内及记载间的波形对进行比拟，生成六项相似度分数：

- 衰减相似度（D，公式(14)）

- 波形相似度（W，公式(18)）

- 振幅相似度（A，公式(13)）

- 质心相似度（C，公式(20)）

- 波动相似度（V，质心差值的分解性，公式(23)）

- 旅途相似度（R，轨迹相似性，公式(24)）

每项分数规模在0到1之间，1代表最高相似度。临了通过单项分数平均谈论总相似度T。

以两个单位对为例讲解分数含义：

第一例为并吞天记载的两个相邻但不同的单位（图3a-b）。由于位置相近，它们质心相似度C较高，但尖峰波形（W值低）、空间衰减（D值低）和认识旅途（R值低）互异权贵，导致总相似度T远低于1（图3c）。

第二例为并吞单位在不同日历的记载（图3d-e），其波形与轨迹高度相似，多数相似度分数接近最大值，总相似度T约即是1（图3f）。

图3：相似度谈论与分类器缔造

a. 图2示例单位（黑）与同记载最隔邻单位（蓝）的加权平均波形对比；

b. 两单位的质心轨迹（暗影圆标示平均位置）；

c. 两单位六项相似度分数及总相似度T；

d-f. 跨日志录的并吞单位（黑）与最相似单位（红）的波形(d)、轨迹(e)及相似度(f)对比；

g. 示例记载对中日内（蓝）与跨日（红）单位对的总相似度T矩阵（按探针及深度排序）；

h. 并吞单位在记载前后半段的T值漫衍（绿）与相近单位（蓝）对比；

i. 跨日志录经漂移修订后的T值漫衍（红），虚线为推定匹配阈值；

j. 推定匹配（黑）与非匹配（灰）的各相似度概率密度漫衍；

k. 基于朴素贝叶斯分类器谈论的匹配概率P(match)；

l. 并吞单位（绿）与相近单位（蓝）在日内记载间的匹配概率漫衍；

m. 跨日志录的匹配概率漫衍（红），概率大于0.5则判定为匹配。

04.推定匹配的识别

正如预期，当应用于并吞记载场内前后半段的疏导单位时，总相似度T频频较高（图3g主对角线）。骨子上，并吞单位在前后半段测量的T值权贵高于相近单位间的测量值（图3h绿线与蓝线）。

UnitMatch独揽这一互异设定阈值：当并吞单位对的T值比例卓越相近单位对比例时的临界点（图3h，公式(28)）。将该阈值应用于跨日志录的T值漫衍（图3i），T值卓越阈值的跨日单位对即被识别为推定匹配。

05.跨记载场次的漂移修订

当代尖峰排序算法（包括本研究使用的版块）可修订记载场次内的电极漂移，但无法修订孤独排序场次间的漂移，导致日内测量的T值频频高于跨日测量。为排斥这一互异，UnitMatch对日内与跨日的T值漫衍进行高斯拟合，通过变调使两者均值对皆后重新识别推定匹配。针对这些匹配，算法谈论质心位移中值并对位置有计划参数进行刚性变换，重迭前述设施以获取更可靠的推定匹配辘集。图3所示遏抑均经过漂移修订。

06.基于推定匹配构建分类器

独揽总相似度T识别总共记载对间的推定匹配后（图3i），UnitMatch回溯各相似度分数，以其漫衍老师分类器。单位对分为推定匹配（T>阈值）与推定非匹配（T<阈值）两类，其六项相似度分数漫衍存在权贵互异（图3j）。基于这些漫衍，咱们构建了朴素贝叶斯分类器，输入两个波形的六项相似度分数，输出"匹配概率"——即两波形来自并吞单位的后验概率（公式(29)）。

该分类器能准确识别日内并吞单位，匹配概率接近1（图3k主对角线，图3l绿线）；而相近单位的匹配概率接近0（图3l蓝线）。跨日志录中，大部分波形对来自不同神经元，匹配概率辘集于0摆布（图3m），但部分单位对匹配概率接近1，这些即跨日跟踪到的单位。

07.性能评估

在日内波形数据上考证标明，UnitMatch总体准确且偏保守。将其应用于并吞记载场次前后半段的单位时（这些单位已被尖峰排序算法判定为疏导），UnitMatch与算法遏抑高度一致（扩张数据图2a）。不合率极低：在10场孤独排序记载中，未必匹配率仅0.2%±0.1%，未必不匹配率4.2%±0.8%。这些少数不合可能来自UnitMatch的误判或排序算法不实。

在连气儿两日志录的最大可能单位数中，UnitMatch发现42%±19%的单位存在匹配（共339对日历）。对照践诺中，逐日重新插入探针的急性记载险些不成能匹配并吞单位，其匹配率仅为1.9%±3.7%（慢性与急性记载对比：P<10⁻¹¹），反证了算法的可靠性。

与拼接记载排序法的对比骄横，UnitMatch的日内未必匹配率（0.3%±0.3%）与不匹配率（5.9%±1.9%）与孤独排序遏抑荒芜（扩张数据图2a）。跨日志录中，29.5%±16.4%被Kilosort判定为并吞的单位未被UnitMatch识别为匹配（扩张数据图2c）。

与六位行家东谈主工校对对比（扩张数据图3），UnitMatch比拼接记载排序法更接近东谈主工判断遏抑。拼接排序倾向于高估跨记载匹配数（尤其在噪声数据中），而UnitMatch与东谈主工校对的一致性更高——后者频频被以为比自动排序更可靠（尽管两者均非全都轨范）。

临了，咱们锻真金不怕火了UnitMatch是否对特定波形或放电特点的单位存在跟踪偏好（扩张数据图4）。发现尖峰数目与峰值振幅具有高瞻望性，波形抓续时候（尖峰较窄的单位匹配率略低）与峰值数目（多峰单位匹配率略低）也有一定瞻望力，这些特征可为算法转换提供标的。

08.基于分解功能特点的考证

通过评估神经元的功能"指纹"（即举止模式），可更可靠推断UnitMatch的性能。若该指纹具有神经元间特异性和跨日分解性，则标明跟踪算法灵验。本研究考证了功能指纹兼具特异性和权贵分解性，从而阐明了UnitMatch的可靠性。

咱们视察了三类功能指纹：

1. 峰电位隔离漫衍：被跟踪单位的ISI直方图在跨日后保抓高度一致（图4a）。跨日匹配单位的ISI漫衍有计划性接近日内并吞单位水平，而非匹配单位有计划性权贵较低（图4b）。基于ISI有计划性的分类AUC值在数月内保抓分解（图4c-e）。

2. 群体耦合：单位与参考神经元群 firing rate 的瞬时有计划性。跨日匹配单位的有计划性模式高度相似，而非匹配单位互异权贵（图4f-j）。

3. 视觉刺激响应：视觉皮层单位对多数天然图像的反应模式。匹配单位的响适时候弧线和图像采取性在跨日后保抓分解，其指纹相似性权贵高于非匹配单位（图4k-o）。

这些功能指纹的分解性考证了UnitMatch在永劫程记载中灵验跟踪神经元身份的才调。

如实，即使关于隔离6个月记载的单位对，其ISI直方图之间的有计划性仍能高度瞻望它们是否匹配。咱们通过谈论接纳者操作特征弧线来量化匹配与非匹配单位对有计划性漫衍的可离别性（图4c）。示例日历对的弧线底下积为0.95，接近日内测量的0.97。跟着记载隔离天数增多（图4d），这一宗旨在总共小鼠中均保抓较高水平（图4e）。平均而言，跨日志录的AUC为0.88±0.01（日内为0.94±0.01），且随隔离时候增长衰减徐徐（斜率-0.001±0.008）。在示例小鼠中，183天后AUC仍保管在0.82。

群体耦合分析骄横该宗旨相同具有跨日一致性（图4f,g）。其离别度极高，跨日AUC达0.98（日内0.98），标明UnitMatch找到的匹配对极可能为并吞神经元（图4h）。这一划定在总共小鼠中一致（跨日0.92±0.01，日内0.96±0.01），且分解保管数玉成数月（斜率-0.006±0.010）。示例小鼠183天后AUC仍为0.82。该指纹特征不依赖刺激响应，适用于全脑区域。

视觉皮层中被跟踪的单位对视觉刺激相同进展出跨日一致性（图4k,l）。示例小鼠跨日AUC为0.95（日内0.96），总共小鼠平均为0.85±0.02（日内0.90±0.03），历久记载中分解性仍是权贵（斜率-0.006±0.010）。示例小鼠183天后AUC为0.75。

09.与其他步履的比拟

功能特点的分解性为比拟UnitMatch与拼接记载排序法提供了新维度。对四场连气儿记载序列的测试标明，UnitMatch的功能考证遏抑比拼接数据排序更接近信得过情况。尤其在长隔离记载中，UnitMatch基于功能相似度离别匹配的AUC值深广高于Kilosort（扩张数据图2e,f）。

与基于地球迁移距离的新近算法对比骄横（扩张数据图6a），UnitMatch的日内掷中率更高且假阳性率分解较低。对EMD论文示例小鼠22场记载的跟踪任务（扩张数据图6b），UnitMatch仅需25分钟（EMD算法需8小时），且其匹配单位的ISI直方图离别AUC值权贵更高（t(20)=4.57, P=0.0002）。这标明UnitMatch在速率与性能上均优于当前先进步履。

10.多记载场次跟踪

UnitMatch可应付扩张至同期处理总共记载日历的数据，为总共神经元对生成匹配概率矩阵（图5a）。随后独揽这些概率已毕多记载场次的神经元身份归组（图1c）。

图5：长程神经元跟踪

a. 示例小鼠总共记载对中神经元间的匹配概率矩阵；

b. 三个记载场次中四个示例单位的跟踪旅途（上）及三种算法版块的输出遏抑（下）；

c. 示例小鼠195天内被跟踪的神经元集群（并吞形式浮现疏导身份）；

d. 按初次出当前候排序的神经元在场次中的存在情况；

e. 单位跟踪概率随记载隔离的变化弧线；

f. 被跟踪与非跟踪神经元功能相似度的AUC比拟；

g. 各时候箱内的数据集数目。

通过优化概率阈值与冲突处理政策，UnitMatch能灵验处理神经元暂时消失与重现的情况（图5c），为永劫程神经可塑性研究提供可靠器具。

UnitMatch提供三种跟踪算法版块：默许版、宽松版与保守版（图5b）。默许版块迭代查验总共单位对，当某单位与宗旨单位组（含相邻记载中的单位）的匹配概率均高于0.5时则进行合并。该算法到手已毕了跨日/周级的神经元跟踪，允许神经元在不同记载日历间暂时消失与重现（图5c,d）。宽松版块以更高假阳性率为代价跟踪更多神经元；保守版块则通过增多假阴性率确保更高准确率。不同版块会产生略有互异的分组遏抑（扩张数据图7），默许版块在多花样标上进展最优，因此被用于后续分析。

如图5e所示，神经元跟踪概率随记载隔离增多而下跌。通过量化特定日志录的神经元在既往（负隔离）与改日（正隔离）被跟踪的概率，发现日内跟踪概率虽高但<1，这为孤独排序的跨记载跟踪设定了上限。意旨的是，跟踪概率在时候双向均呈下跌趋势，标明探针记载的神经元在握住徐徐更新，且改日跟踪概率略低于既往，教唆开动神经元池存在渐进性耗竭。在此植入决议与算法组合下，卓越30%的神经元可被跟踪卓越100天（遏抑受记载质地与产出量影响）。

功能考证阐明即使关于长隔离记载，跟踪算法仍保抓准确（图5f）。被算法识别为并吞单位的单位对，其功能相似度分数永恒高于记号为“不同”的单位对（扩张数据图8a-f）。关于匹配概率为0的远离离单位对，被算法跟踪的组别功能相似度仍高于“不同”组；而匹配概率为1却被判为不同的单位对，其功能相似度低于跟踪组。这标明算法能已毕超越浮浅概率判定的灵验跟踪，其中默许版块在假阳性/假阴性量度上最优（扩张数据图8g-r）。

11.学习过程中的单位跟踪

UnitMatch不仅能通过分解功能特征考证跨日跟踪，更伏击的应用在于跟踪功能特点随时候演变（如学习激发的变化）。通过对小鼠视觉认识操作任务学习期间纹状体记载数据的分析（图6a），发现群体响应随老师进展变化：老师第2天对中央刺激响应增强，第4天对侧向刺激响应增强（图6b）。但UnitMatch跟踪骄横个体神经元存在权贵异质性：有的对双刺激响应均增强（如单位158），有的仅对单一刺激产生强响应（如单位72、89）。尽管学习率领了响应变化，ISI直方图仍保抓相对分解（图6d）。要津的是，匹配概率与功能宗旨变化进程无权贵关联（图6f-h），讲解算法跟踪不受学习引起可塑性变化的侵犯。

图6：学习过程中的单位跟踪

a. 纹状体植入Neuropixels探针的小鼠通过驾驭标的盘将侧向刺激移至中央以获取奖励，并在被迫不雅看时记载神经元响应；

b. 被跟踪神经元群体（n=12）在老师第0/2/4天对中央（红）与侧向（蓝）刺激的轨范化放电率变化；

c-e. 三个示例跟踪神经元跨3天的平均波形(c)、ISI直方图(d)及个体响应弧线(e)；

f-h. 个体神经元的ISI有计划性(f)、侧向响应均方根差(g)、中央响应均方根差(h)与匹配概率的散点图（示例神经元着色标注）。

这一认识考证标明，UnitMatch不仅是揭示神经举止跨日不变性的有劲器具，更能灵验捕捉其可塑性变化。

二、筹商

UnitMatch填补了跨记载神经元天真概率化跟踪的时代空缺，具有多重上风：

率先，其匹配过程不依赖功能特点（与多数现存算法不同），可径直探究功能特点的演变划定；

其次，看成尖峰排序后处理器具，兼容各类排序算法，妥贴电生理预处理经由轨范化趋势（已提供与SpikeInterface的对接代码）；

第三，专为长序列孤独记载规划，阻难传统步履对连气儿记载的依赖；

第四，通过记载内交叉考证构建概率模子，能同步检测需合并/分割的单位；

第五，输出概率化遏抑而非二元判定，并提供东谈主工校对界面；

第六，对慢性Neuropixels记载常见的漂移现象具有鲁棒性；

临了，其运算速率与性能均权贵优于限制最新算法。

尽管UnitMatch能已毕数月级的神经元跟踪，但跟踪数目随时候递减。这一现象可动力于记载质地下跌、漂移积蓄、神经元静默或物化等非算法身分。匹配概率与单位质地宗旨的有计划性教唆记载质地和漂移修订的伏击性，改日需进一步解析各身分对跟踪效用的影响。

UnitMatch阐明神经元功能特征具有历久分解性，但若径直将其看成跟踪轨范将无法评估功能特点随时候的变化（已有研究报谈此类变化）。咱们不雅察到的AUC值随天数徐徐下跌，既可动力于匹配质地裁汰，也可能反馈功能特点本人的改变。因此，除非确有凭证标明功能特点恒定，不然应幸免将其看成跟踪依据，而仅看成考证妙技或孤独研究课题。

总而言之，UnitMatch为探索顾忌、学习、病弱等波及多脑区、多时候模范的神经举止机制提供了宏大器具。

三、步履

践诺经由顺服英国《动物科学范例法》（1986年）在伦敦大学学院进行，并获取内务部在伦理审查后授予的个东谈主及花样许可。

咱们分析了25只慢性植入小鼠（牝牡均有，Bl6布景）的数据。小鼠植动手术时年纪为3-9个月，最长植入时候为8个月。践诺期间小鼠频频处于头部固定景色，接受嗅觉刺激、参与行动任务或静息。这些数据来自不同践诺安装，由不同操作家使用不同缔造完成植入和记载（扩张数据表1）。

01.手术经由

在异氟烷（1-3%浓度氧气搀杂）麻醉下进行约1小时的开动手术，植入钛合金（Apollo植入体，约25×3×0.5毫米，0.2克）或钢材（超轻及骨水泥植入体，约25×5×1毫米，0.5克）头板。简要经由包括：毁掉头皮及骨膜，涂抹氰基丙烯酸酯并干燥后，分层施加紫外线固化光学胶直至掩盖颅骨名义，临了用Super-Bond团聚物将头板固定于顶间骨上方。其中一只小鼠（编号2/19）在颅骨植入银丝看成记载时的接地电极。

术后赐与卡洛芬或好意思洛昔康镇痛3天，随后进行妥贴老师。小鼠随后被植入可回收模块化、超轻或骨水泥固定式植入体（详见“植入体类型”）。植入本日在异氟烷麻醉下（打针可的松和利马多后）进行开颅手术：去除紫外线胶，清洁颅骨名义以优化粘附性，水平校准后使用钻头或活检穿孔器掀开颅骨，披露脑组织后掩盖Dura-Gel。

02.植入体类型

0201.骨水泥固定式植入体

4只小鼠通过多维尔榫固定探针，使用牙科水泥包裹探针电路板并固定于颅骨。记载袭取外部参考模式（银丝或头板看成参考信号），该数据已发表。

0202.可回收模块化植入体

20只小鼠植入可回收模块化植入体。Apollo植入体和Haesler植入体的步履详见各自论文，Repix植入体规划理念雷同。通过三维打印的载荷固定器固定植入体，使用微驾驭器定位探针。隐匿血管将探针徐徐（3-5微米/秒）插入脑组织。术前探针涂抹DiI荧光染料用于组织学重建。达到宗旨深度后，用紫外线胶密封植入体，再掩盖Super-Bond团聚物（仅固定对接模块）。记载收尾后取出探针清洁备用。记载袭取外部或里面参考模式（头板看成参考）。

0203.超轻植入体

自主研发超轻植入体：将Neuropixels探针封装于定制三维打印的刚性树脂支架中，前端添加sorbuthane缓冲垫。确保总共探针相互平行后徐徐插入脑组织。到达宗旨深度后，用凡士林掩盖探针基部防患水泥渗透，临了用水泥固定植入体与颅骨。取出时精准钻除凡士林掩盖区域的水泥。

03.数据处理电生理数据通过SpikeGLX采集，各场次记载使用Kilosort2.5或Kilosort4进行尖峰排序。数据预处理袭取ExtractKilosortData.m剧本索求要津信息（记载位点坐标、聚类簇信息及尖峰时候等）并去除人人噪声。通过Bombcell器具（使用bc_qualityParamValuesForUnitMatch.m界说的参数）筛选信噪分离追究的单位。每场记载中各单位在各记载位点的平均波形由Bombcell或UnitMatch的ExtractAndSaveAverageWaveforms.m剧本索求。

UnitMatch核默算法的输入数据需包含：(1)聚类簇象征；(2)纳入分析的单位象征（频频为信噪分离追究的单位）；(3)记载场次信息；(4)探针象征。此外需提供参数文献（使用DefaultParametersUnitMatch.m默许参数）指定原始波形存储旅途。UnitMatch代码库提供了从SpikeGLX原始数据到算法考证的完好经由示例，DEMO_UNITMATCH.m剧本同期适用于其他探针及软件采集的数据。

04.数学界说设探针包含N个记载位点，位点s的空间坐标为ps。关于单位i，其在位点s、时候点t的平均尖峰波形（经n个尖峰平均后）记为ws,t,i。

第一步：波形参数索求要津波形特征包括：空间能量漫衍：

最大振幅位点：

分析时候窗为峰值前0.23毫秒至峰值后0.50毫秒，基线噪声评估使用波形肇端前1.33毫秒的等长窗。

空间衰减拟合（图2c）：

由此谈论振幅衰减至峰值10%的距离d10 = log(10)/λ，后续分析仅接头距最大位点小于d10的记载位点。

质心轨迹（图2f）：

瞬时认识标的：

平均质心：

位点相近权重：

空间衰减率：

加权平均波形（图2e）：

加权振幅：

归一化波形：

第二步：相似度谈论各相似度分数经0-99轨范化（将最小值映射为0，99分位数映射为1，更高值截断为1）。具体分数包括：振幅相似度：

衰减相似度：

波形相似度（欧氏距离与有计划总共的均值）：

质心相似度（dmax = 100微米）：

波动相似度（去偏移质心轨迹的分解性）：

旅途相似度（认识标的与位移量的抽象）：

总相似度：

第三步：推定匹配识别初步匹配分类阈值TP(M=0)界说为并吞单位T值漫衍与50微米内相近单位T值漫衍的交点。针对跨日志录的举座分数偏移，通过正态漫衍拟合变调阈值。

第五步：构建分类器基于推定匹配的相似度漫衍，通过朴素贝叶斯分类器谈论匹配概率：

其中Xi,j包含六项相似度分数。该概率输出用于最终跨记载神经元跟踪决策。

05.功能相似度评分

为评估UnitMatch性能，咱们界说了三种神经举止功能相似度评分：

ISI指纹：谈论每个神经元i的ISI直方图Ai，元素ai,τ浮现连气儿尖峰隔离时候的对数漫衍（0-5秒区间）。该直方图看成第一功能指纹。

相互关指纹：谈论每个单位与跨日跟踪参考神经元群的瞬时有计划性。率先将各场记载前后半段的尖峰举止以10毫秒分箱，然后谈论每个单位与总共跨日跟踪单位的相互关总共向量Ci（元素ci,j为单位i与j的有计划总共）。若单位自身属于参考群组，其自有计划值设为NaN。该向量看成第二功能指纹。

天然图像响应指纹：向头部固定小鼠呈现112张天然图像（每图马上呈现5次），通过锁定图像肇端（前0.3秒至后0.5秒）与偏移（后0-0.5秒）的peri-stimulus直方图（5毫秒分箱）构建响应矩阵Ri,t,s。通过拼接时候维度上的平均响应弧线pi,t=⟨Ri,t,s⟩s与图像维度上的平均采取性mi,s=⟨Ri,t,s⟩t，造成第三功能指纹。

0501.指纹分解性评估

通过谈论不同记载日历间指纹的有计划总共斟酌相似度：

使用不同半场数据谈论可评估并吞场次内的指纹可靠性。

06.ROC与AUC分析

通过比拟并吞单位与不同单位对的指纹有计划性漫衍，绘图ROC弧线并谈论AUC值以量化离别度。仅纳入匹配单位数≥20的记载场次，且天然图像响应指纹需得志首日重测信度>0.2。统计锻真金不怕火在动物层面进行。

07.连气儿跟踪算法

开采三种跟踪版块，均基于概率降序处理单位对：

跟踪概率通过谈论每个单位在既往/改日记载中被到手跟踪的概率，并在动物间平均获取。

08.学习过程中的功能变化跟踪

使用Kilosort4处理三天的数据，发现12个跨三日跟踪的神经元。谈论其对侧向与中央屏幕刺激的基线修订响应：

通过ISI直方图的皮尔逊有计划性及归一化视觉响应的均方根差量化功能分解性。

09.研究规划追究

更多研究规划信息见文末合资的《天然研究决议摘抄》。

东莞市富临塑胶原料有限公司是Neuropixels中国代理商，采购Neuropixels数据采集系统、神经探针请立即有计划咱们。

邮：li@fulinsujiao.com