PHASOR: An Open-Source Pipeline for Hidden Markov Model Analysis of Stimulus-Locked Retinal Multielectrode-Array Population Activity
Das Paper stellt PHASOR vor, eine Open-Source-Pipeline, die Stimulus-Ausrichtung, Fourier-basierte Klassifizierung und Hidden-Markov-Modellierung integriert, um die stimulus-gebundene Populationsaktivität in retinalen Multielektroden-Array-Aufzeichnungen zu analysieren und zu visualisieren, wobei sie ihre Effektivität durch synthetische Daten und diverse ex vivo Retina-Experimente demonstriert.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Die Netzhaut wird oft als eine einfache Kameralinse für das Gehirn betrachtet, ist aber in Wirklichkeit ein komplexer neuronaler Schaltkreis, der visuelle Informationen verarbeitet, bevor er sie weiterleitet. In dieser dünnen Gewebeschicht feuern tausende einzelner Neuronen, sogenannte Netzhautganglienzellen, elektrische Signale als Reaktion auf Licht ab. Während Wissenschaftler schon lange untersuchen, wie einzelne Zellen auf Licht reagieren, wächst das Verständnis, dass die wahre Geschichte des Sehens darin liegt, wie diese Zellen als Gruppe zusammenarbeiten. So wie ein einzelnes Instrument in einem Orchester keine Sinfonie vermitteln kann, kann ein einzelnes Neuron nicht vollständig erklären, wie das Gehirn die Welt sieht. Die Herausforderung für die Forscher bestand darin, dem Geplapper von Hunderten dieser Zellen gleichzeitig zuzuhören und die wiederkehrenden Muster in ihrem kollektiven Verhalten zu finden, insbesondere wenn diese Muster an spezifische Momente in der Zeit gebunden sind, wie etwa das Flackern eines Lichts.
Um dies zu lösen, hat ein Forscherteam ein neues Software-Tool namens PHASOR entwickelt, das darauf ausgelegt ist, dem Gruppengespräch der Netzhaut zuzuhören und es in eine klare Geschichte zu übersetzen. Die Forscher zeichneten die elektrische Aktivität der Netzhautzellen von Mäusen auf, sowohl von gesunden als auch von solchen mit einer genetischen Erkrankung, die ihre lichtempfindlichen Zellen schädigt. Sie setzten diese Netzhäute einem rhythmischen, vollflächigen Lichtflackern aus, wobei sie die Helligkeit von schwach bis sehr hell variierten. Das Ziel war zu sehen, ob sich die Gruppe von Zellen in distinkte, sich wiederholende Aktivitätsmodi einpendelt, die mit dem Timing und der Intensität des Lichts korrespondieren, anstatt nur zufällig zu feuern.
Der Prozess beginnt damit, jeden elektrischen Impuls der Zellen mit dem exakten Moment der Lichtveränderung in Einklang zu bringen. Die Software sortiert die Zellen dann basierend darauf, wie sie auf den Rhythmus reagieren: Einige feuern, wenn das Licht angeht, andere, wenn es ausgeht, und andere haben komplexere Reaktionen. Sobin die Zellen kategorisiert sind, nutzt die Software eine statistische Methode, um die gesamte Population in verborgene Zustände zu gruppieren. Stellen Sie sich die Zellpopulation wie eine große Menschenmenge vor; in jedem Sekunde könnte die Menge in einem Zustand sein, in dem hauptsächlich ein bestimmter Typ Mensch spricht, oder in einem anderen Zustand, in dem eine andere Mischung aktiv ist. Die Software versucht herauszufinden, wie viele dieser unterschiedlichen Zustände der Menge existieren und in welchem Zustand sich die Netzhaut in jedem Moment befindet.
Getestet an computergenerierten Daten, bei denen die Forscher die exakte Anzahl der Zustände im Voraus kannten, erwies sich das Tool als bemerkenswert genau. Selbst wenn die Software die Daten mit etwas mehr Zuständen beschrieb, als tatsächlich existierten, gelang es ihr dennoch, die Abfolge der Ereignisse mit nahezu perfekter Treue zu rekonstruieren. In diesen Simulationen identifizierte das Tool das Timing und die Reihenfolge der verborgenen Zustände fast jedes Mal korrekt, was zeigte, dass es die zugrunde liegende Struktur der Daten wiederherstellen konnte, selbst wenn die genaue Anzahl der Zustände leicht daneben lag. Diese Unterscheidung ist entscheidend: Das Tool ist darauf ausgelegt, das Muster der Aktivität zu finden, nicht unbedingt, die Zustände mit mathematischer Präzision zu zählen.
Bei der Anwendung auf reale Aufzeichnungen von gesunden Mäusen-Netzhäuten offenbarte das Tool ein reiches Geflecht an Aktivität. Die Netzhäute feuerten nicht einfach zufällig; sie wechselten zwischen distinkten Zuständen, die zehn bis hundert Millisekunden dauerten. Diese Zustände waren nicht einheitlich; einige wurden von Zellen dominiert, die auf das Einschalten des Lichts reagierten, während andere von Zellen domiert wurden, die auf das Ausschalten des Lichts reagierten. Das Tool zeigte, dass die Population mit zunehmendem Kontrast des Lichts in neue Zustände überging und sich die spezifische Mischung der aktiven Zellen auf vorhersehbare Weise änderte. Beispielsweise verbrachte die Population bei höheren Kontrastwerten mehr Zeit in Zuständen, in denen die „On“-Zellen hochaktiv waren, und die Übergänge zwischen diesen Zuständen waren eng an den Rhythmus des flackernden Lichts gekoppelt.
Um sicherzustellen, dass diese Muster tatsächlich durch das Licht und nicht nur durch zufälliges Rauschen verursacht wurden, führten die Forscher zwei Kontrollexperimente durch. In einem Fall ließen sie dasselbe Timing-Protokoll laufen, ohne dass Licht auf die Netzhaut projiziert wurde. In diesem Fall feuerten die Zellen mit einer stetigen, niedrigen Rate, und die Software fand keine organisierten Zustände, die mit dem Timing des Protokolls übereinstimmten. Im zweiten Kontrollversuch verwendeten sie eine Netzhaut von einer Maus mit einer genetischen Erkrankung, die die lichtempfindlichen Zellen zerstört. Obwohl das Licht projiziert wurde, organisierten sich die Zellen nicht in den rhythmischen Mustern, die in gesunden Augen beobachtet wurden. Diese Kontrollen bestätigten, dass die komplexen, sich wiederholenden Zustände in den gesunden Netzhäuten eine direkte Reaktion auf den visuellen Stimulus waren.
Das Tool ermöglichte es den Forschern auch zu testen, wie die Netzhaut reagiert, wenn ein spezifischer chemischer Pfad blockiert wird. Durch die Anwendung eines Medikaments, das den „On“-Pfad der Netzhaut zum Schweigen bringt, beobachteten sie eine dramatische Änderung im Verhalten der Population. Die Sequenz der Zustände verschob sich sichtbar, und das Timing der Reaktionen änderte sich, was bestätigte, dass das Tool erkennen kann, wie spezifische biologische Manipulationen die kollektive Aktivität des neuronalen Netzwerks verändern. Diese Sensitivität deutet darauf an, dass die Methode verwendet werden kann, um zu verstehen, wie verschiedene Teile des visuellen Systems zur Gesamtbildgebung des Gehirns beitragen.
Die Bedeutung dieser Arbeit liegt in der Fähigkeit, einen chaotischen Strom elektrischer Signale in ein handhabbares, beschreibendes Modell der Funktionsweise der Netzhaut zu verwandeln. Die Forscher haben keinen neuen Zelltyp oder ein neues biologisches Gesetz entdeckt; stat vielmehr haben sie eine wiederverwendbare Pipeline gebaut, die das Timing eines Stimulus mit dem kollektiven Verhalten der Population verbindet. Die vom Tool identifizierten Zustände bieten eine deskriptive Karte der Populationsaktivität und zeigen, welche Gruppen von Zellen zusammen aktiv sind und wie lange dies der Fall ist. Während die exakte Anzahl der in den Simulationen gefundenen Zustände manchmal etwas höher war als die tatsächliche Zahl, wurde die Abfolge der Ereignisse mit hoher Präzision wiederhergestellt, was beweist, dass die Methode robust für das Finden der zugrunde liegenden Struktur neuronaler Aktivität ist. Dieser Ansatz bietet einen neuen Weg für Wissenschaftler, um zu untersuchen, wie die erste visuelle Station des Gehirns Informationen verarbeitet, indem man über das Studium einzelner Zellen hinausgeht, um die Gruppendynamiken zu verstehen, die das Sehen definieren.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.