Detection and statistical evaluation of spike patterns in parallel electrophysiological recordings

Quaglio, Pietro; Grün, Sonja Annemarie (Thesis advisor); Kampa, Björn Michael (Thesis advisor)

Jülich : Forschungszentrum Jülich GmbH (2020)
Buch, Doktorarbeit

In: Schriften des Forschungszentrums Jülich. Reihe Schlüsseltechnologien/ key technologies 217
Seite(n)/Artikel-Nr.: 1 Online-Ressource (128 Seiten) : Illustrationen, Diagramme

Dissertation, RWTH Aachen University, 2019

Kurzfassung

Die rechnerischen Prozesse, die das Gehirn zur Darstellung, Verarbeitung und Übertragung von Informationen einsetzt, sind weitgehend unbekannt. Es wird angenommen, dass Zellverbände (hochgradig miteinander verbundene Neuronengruppen) die Bausteine der rechnerischen Prozesse im zerebralen Netzwerk sind. Einer der möglichen Mechanismen der Informationscodierung ist die Koordination von Emission von Aktionspotentialen (Spikes)zwischen Neuronen in Millisekundenpräzision was eine Signatur von der Aktivierung von Zellverbänden ist. Insbesondere, spezifische zeitlich präzise Spikesequenzen im Input, können zuverlässig eine Spike-Emission in einem postsynaptischen Neuron verursachen. Evidenz für die Koordination der Spikeaktivität in Millisekundenpräzision wurde bereits in der Vergangenheit gesammelt, dennoch weisen solche Studien zwei Hauptbeschränkungen auf: in den meisten Fällen berücksichtigen sie nur wenige parallel aufgezeichnete Neuronen und die Korrelationsanalyse ist auf Synchronizität beschränkt. Jüngste Entwicklungen der Aufzeichnungsmethodik überwinden die erste Beschränkung. Moderne elektrophysiologische Technologien ermöglichen das Aufnehmen der neuronalen Aktivität von Hunderten von Neuronen in parallel, eine Zahl, die dazu bestimmt ist zuwachsen. Die Größe der bereits derzeit verfügbaren Daten erfordert eine optimierte rechnerische Analyse und anspruchsvolle statistische Ansätze. In dieser Arbeit befassen wir uns mit der zweiten Einschränkung, indem wir eine Methode entwickeln, um räumlich-zeitliche Muster von Spikes in großen parallelen Aufnahmen zuerkennen. Insbesondere erweitern wir die Spike Pattern Detection and Evaluation Methode (SPADE), die ursprünglich auf die Erkennung synchroner Muster beschränkt war, um nach einer beliebigen wiederholten Sequenz von Spikes zu suchen. SPADE kann in zwei Schritten zusammengefasst werden: a) Extraktion aller wiederholten Spike-Sequenzen unter Verwendung des Frequent-Item-Set-Mining-Frameworks, b) statistische Auswertung der Signifikanz der gefundenen Sequenzen in Bezug auf die Nullhypothese unabhängiger zeitlicher Spikeemissionen. Wir haben das Verfahren umfassend verfeinert und validiert, wobei künstliche Daten verwendet wurden, die den experimentellen Daten ähneln, um die statistischen Leistungen der Methode zu testen. Anschließend haben wir die Python-Implementierung von SPADE öffentlich als Submodul des Elektorphysiological Analysis Toolkit (Elephant) online zur Verfügung gestellt. Wir haben SPADE auf in-vivo Aufzeichnungen paralleler neuronaler Aktivität im motorischen Areal von zwei Makaken angewandt, die einen reach-to-grasp task durchführten, und eine große Anzahl signifikanter Spikemuster gefunden. Anschließend untersuchten wir die statistischen Merkmale der erkannten Muster in Bezug auf die neuronale Zusammensetzung, zeitliches Vorkommen und die Beziehung zum Verhalten der Makaken. Die meisten Muster treten während der Greifbewegung auf und setzen sich aus zwei bis vier verschiedenen Neuronen zusammen. Darüber hinaus unterscheiden sich die Neuronen in den Zellverbänden für die verschiedenen Grifftypen, was auf eine hohe Spezifität der Muster für die verschiedenen Verhaltenskontexte hinweist. Im letzten Teil dieser Arbeit vergleichen wir SPADE mit anderen existierenden Methoden im Rahmen einer allgemeineren Evaluierung von Methoden für die Korrelationsanalyse von parallelen Spiketrains. Insbesondere argumentieren wir für die Wichtigkeit eines gründlichen Vergleichs der verschiedenen Methoden und für die Integration verschiedener Methoden, die verschiedene Aspekte der Korrelationsstruktur der Daten hervorheben. Zusammenfassend zeigen wir, dass SPADE es ermöglicht, signifikante präzise Spike-Sequenzen robust zu erkennen und auszuwählen, und dass sich mehrere signifikante Musterwährend der Ausführung eines reach-to-grasp tasks wiederholen. Dennoch garantieren die räumlich-zeitlichen Muster allein keine vollständige Beschreibung der Korrelationsstruktur der Daten, daher präsentieren und vergleichen wir alternative Korrelationsanalysen für parallele Spikedaten.

Einrichtungen

• Fachgruppe Biologie [160000]
• Lehr- und Forschungsgebiet Theoretische Systemneurobiologie (FZ Jülich) [163110]