SpikeCleaner: An Algorithm to Label Unit Quality After Automated Spike Sorting

Resumen Técnico: SpikeCleaner

Planteamiento del Problema
Si bien los algoritmos de clasificación de picos (spike sorting) automatizados han transformado la extracción de actividad neuronal a partir de registros extracelulares, no son infalibles. Una limitación crítica es la aceptación inexacta de unidades basadas en ruido, lo que requiere una extensa curación manual. Este proceso manual no solo es laborioso, sino que también introduce una subjetividad significativa en la selección de unidades. La escalabilidad de la curación manual se ve cada vez más comprometida por la llegada de sondas de alta densidad, como las Neuropixels, donde una sola hora de datos puede exceder los 80 GB. En consecuencia, existe una necesidad urgente de estandarizar automáticamente los criterios de calidad para acelerar la curación de datos y asegurar la fiabilidad de los conjuntos de datos sin depender únicamente del juicio humano.

Metodología
Los autores desarrollaron SpikeCleaner, un flujo de trabajo (pipeline) de curación semiautomático diseñado para etiquetar la calidad de las unidades tras la clasificación automatizada mediante Kilosort. El algoritmo opera estandarizando los criterios para clasificar los cúmulos (clusters) en tres categorías: Ruido (Noise), Actividad Multi-Unidad (MUA) y Unidades Buenas (Good Units).

La lógica de clasificación se basa en una combinación de características fisiológicas y estadísticas específicas:

• Tasa de picos (Spike Rate): La frecuencia de disparo.
• Métricas de tiempo de picos (Spike Timing Metrics): Derivadas de autocorrelaciones.
• Características fisiológicas basadas en la forma de onda (Waveform-Based Physiological Features): Incluyendo amplitud de pico, pendientes, ancho de media altura e intercorrelación entre canales.

Basándose en estas métricas, el algoritmo asigna etiquetas estandarizadas:

• Ruido (Noise): Unidades que difícilmente son de origen neuronal.
• MUA: Unidades que contienen contribuciones neurales significativas (que exhiben formas de onda neuronales) pero poseen imperfecciones claras que requieren una limpieza adicional.
• Buena (Good): Unidades que no muestran desviaciones claras de los criterios de unidad ideales.

Crucialmente, SpikeCleaner está diseñado para funcionar como una ayuda de curación en lugar de un clasificador absoluto. Las etiquetas resultantes son importables directamente en Phy, donde sirven de apoyo, pero no reemplazan, el juicio experto. Los umbrales de decisión para todas las métricas fueron optimizados heurísticamente para maximizar la concordancia con la curación manual de dos usuarios expertos. Además, el sistema incluye una herramienta que permite a los usuarios ajustar manualmente los umbrales según su propio criterio o optimizarlos semiautomáticamente frente a sus estándares de curación experta específicos.

Contribuciones Clave

• Estandarización: La introducción de un marco unificado para el etiquetado de la calidad de las unidades que reduce la subjetividad en el proceso de curación.
• Escalabilidad: Un flujo de trabajo capaz de manejar los volúmenes masivos de datos generados por las sondas de alta densidad modernas, abordando el cuello de botella de la curación manual.
• Integración: Compatibilidad fluida con los flujos de trabajo existentes (Kilosort y Phy), posicionando a la herramienta como una capa asistencial para los expertos humanos en lugar de un reemplazo.
• Flexibilidad: La inclusión de mecanismos para que los usuarios personalicen o ajusten semiautomáticamente los umbrales de clasificación para que coincidan con sus necesidades experimentales específicas o preferencias de expertos.

Resultos
El algoritmo fue evaluado mediante un test de rendimiento (benchmark) frente a la curación manual de dos usuarios expertos en tres registros distintos. Las métricas de desempeño indican una alta fidelidad al juicio experto:

• Clasificación de Unidad Simple (Single Unit): Logró una precisión del 97% y una puntuación F1 del 92%.
• Acuerdo de Categoría Completa (SU, MUA, Ruido): Logró una precisión del 97% y una puntuación F1 del 92%.
• Distinción Neuronal vs. No Neuronal: Logró una precisión del 97% y una puntuación F1 del 95%.

Significancia
El artículo postula que, al asegurar la selección precisa de las unidades aceptables mediante criterios estandarizados y semiautomáticos, SpikeCleaner permite análisis posteriores más robustos. Específicamente, los autores destacan su utilidad para facilitar la decodificación neural fiable y el seguimiento longitudinal de la identidad neuronal. La herramienta aborda el cuello de botella crítico de la curación de datos en la era de la electrofisiología de alta densidad, ofreciendo una solución escalable que mantiene una alta concordancia con los estándares expertos mientras reduce la carga manual.