OP-GLX: A MATLAB toolbox for online processing and plotting of Neuropixels data acquired with SpikeGLX

Il paper presenta OP-GLX, una toolbox MATLAB progettata per integrare SpikeGLX e abilitare l'elaborazione e la visualizzazione in tempo reale dei dati neurali su larga scala acquisiti con sonde Neuropixels, superando le limitazioni attuali che richiedono un'analisi offline.

L'essenziale

Immagina di essere un direttore d'orchestra che sta registrando un concerto di un'orchestra gigantesca, composta da centinaia di musicisti (i neuroni) che suonano tutti contemporaneamente. Fino a poco tempo fa, per ascoltare questa musica, dovevi aspettare che il concerto finisse, poi andare in studio di registrazione, analizzare ogni singola nota e solo allora capire se qualcosa era andato storto o se la melodia era bella.

Oggi, con le nuove tecnologie chiamate Neuropixels (che sono come microscopici "orecchie" elettroniche inserite nel cervello), possiamo registrare centinaia di musicisti in tempo reale. Ma c'è un problema: il flusso di dati è così enorme e veloce che i software attuali sono come un registratore molto stabile che registra tutto perfettamente, ma è "sordo" mentre registra. Non ti dice subito se un musicista sta suonando stonato o se il volume è troppo alto. Devi aspettare la fine per saperlo.

OP-GLX è il nuovo strumento che gli autori di questo articolo hanno creato per risolvere proprio questo problema. Ecco come funziona, spiegato in modo semplice:

1. Il Problema: Il "Treno in Ritardo"

Immagina che il software che registra i dati (chiamato SpikeGLX) sia un treno che viaggia a velocità incredibile, trasportando scatole piene di musica (i dati neurali).

• Il treno è molto veloce e stabile.
• Il problema è che il "controllore" (il computer dell'utente) è troppo lento per guardare dentro le scatole mentre il treno passa. Se prova a guardare troppo spesso, il treno si blocca. Se guarda troppo poco, le scatole vecchie vengono buttate via e si perdono i dati.

2. La Soluzione: OP-GLX come un "Furbo Assistente"

OP-GLX è come un assistente molto intelligente e veloce che sta seduto accanto al controllore. Il suo lavoro è:

• Prendere le scatole al momento giusto: Non chiede di aprire le scatole troppo spesso (per non disturbare il treno) e non troppo poco (per non perdere dati). Usa un orologio interno molto preciso per prendere i dati esattamente quando sono disponibili.
• Elaborare mentre si corre: Invece di fermarsi a leggere ogni singola nota, l'assistente ha un team di amici (i "lavoratori paralleli" del computer) che controllano le scatole contemporaneamente. Uno conta le note, un altro disegna le onde sonore, un altro cerca i ritmi.
• Mostrare il risultato subito: Appena il team ha finito di analizzare un pezzo di musica, l'assistente lo proietta su uno schermo grande (un'interfaccia grafica) che il direttore d'orchestra può vedere in tempo reale.

3. Cosa fa esattamente questo assistente?

Mentre il treno dei dati passa, OP-GLX fa quattro cose principali per te:

1. Trova i "picchi" (Spike Detection): Identifica quando un neurone "suona" (lancia un segnale elettrico). È come se l'assistente indicasse: "Ehi, il violino numero 42 ha appena suonato una nota forte!".
2. Calcola il ritmo (Firing Rates): Ti mostra quanto velocemente stanno suonando i musicisti in un dato momento.
3. Disegna la forma delle note (Waveforms): Ti mostra come appare fisicamente il segnale elettrico.
4. Trova i gruppi (PCA): Usa la matematica per raggruppare i musicisti che suonano in modo simile, aiutandoti a capire quali sezioni dell'orchestra stanno lavorando insieme.

4. Perché è così importante?

Prima di OP-GLX, se durante un esperimento il microfono si spostava o c'era troppo rumore, lo scopriavi solo giorni dopo, quando era troppo tardi per correggere.
Con OP-GLX, puoi vedere tutto mentre succede.

• Se il microfono si sposta, lo vedi subito e lo rimetti a posto.
• Se un animale sta reagendo a uno stimolo (come un suono o una luce), puoi vedere i neuroni accendersi in tempo reale.
• È come avere un cruscotto di auto con tutti i contatori che si aggiornano istantaneamente, invece di dover aspettare di parcheggiare per controllare il tachimetro.

In sintesi

Gli autori hanno creato una "ponte" tra la registrazione dei dati (che è molto veloce e stabile) e la loro analisi (che è complessa). Hanno usato un trucco intelligente: dividere il lavoro tra più processori e usare un timer preciso per non disturbare la registrazione.

Il risultato è un software che permette agli scienziati di "guardare dentro il cervello" mentre l'esperimento è in corso, rendendo la ricerca più veloce, più sicura e molto più interessante. È come passare dal guardare un film in bianco e nero a casa, a vivere l'esperienza in 3D direttamente al cinema, con la possibilità di cambiare la trama mentre la storia si svolge.

Sommario tecnico

Titolo

OP-GLX: Una toolbox MATLAB per l'elaborazione e la visualizzazione in tempo reale di dati Neuropixels acquisiti con SpikeGLX

1. Il Problema

L'avanzamento delle tecnologie a semiconduttore ha portato allo sviluppo di sonde Neuropixels (NP) ad alta densità, capaci di registrare simultaneamente centinaia di neuroni con alta risoluzione spaziale e temporale. Tuttavia, queste sonde generano flussi di dati massicci (nell'ordine di gigabyte al minuto), rendendo la visualizzazione e l'elaborazione in tempo reale una sfida significativa.

• Limitazioni attuali: Il software standard per l'acquisizione, SpikeGLX, è ottimizzato per la stabilità e la bassa latenza dell'acquisizione, ma offre capacità di elaborazione e visualizzazione online molto limitate (principalmente tracciati di tensione grezzi o filtrati e rilevamento di picchi manuale su singoli canali).
• Il gap: Le analisi complesse, come il spike-sorting o l'analisi multicanale avanzata, vengono tipicamente eseguite offline. Esiste un bisogno urgente di sistemi che permettano l'elaborazione e la visualizzazione immediata dei dati durante l'esperimento per monitorare la qualità dei dati, la posizione della sonda e le risposte neurali agli stimoli.

2. Metodologia

Gli autori hanno sviluppato OP-GLX, una toolbox MATLAB progettata per operare in tandem con SpikeGLX. L'architettura è stata progettata per rispettare i vincoli rigorosi dell'API di SpikeGLX, evitando errori di buffer e saturazione del server dei comandi.

• Architettura e Fetching dei Dati:

  • OP-GLX utilizza la classe SpikeFetcher per gestire il recupero dei dati. A differenza di metodi che usano FetchLatest, OP-GLX utilizza esclusivamente il metodo Fetch con un indice di campione esplicito (s0) per garantire la contiguità dei dati ed evitare sovrapposizioni o perdite.
  • Per evitare di bloccare l'acquisizione, il recupero dei dati è disaccoppiato dall'elaborazione tramite timer MATLAB e buffer FIFO lato MATLAB.
  • Il sistema opera in due modalità: Continua (flusso continuo di dati) ed Eventi (acquisizione sincronizzata con stimoli esterni, come vibrazioni o stimoli elettrici, utilizzando una classe StimulationInterface).

• Elaborazione Parallela:

  • Per minimizzare il blocco delle chiamate API, l'elaborazione dei dati viene eseguita in worker paralleli basati su thread (parpool('Threads')). Questo permette la condivisione della memoria senza l'overhead di copia dei dati tra processi.
  • I dati vengono elaborati in finestre di dimensioni fisse (processing windows) per garantire una dimensione statica dei dati, facilitando l'allocazione predefinita di variabili e oggetti di plotting.

• Funzionalità di Elaborazione:
  La toolbox include quattro funzioni principali di elaborazione (tutte basate su un algoritmo di rilevamento dei picchi vettorializzato):

  1. rasterSpikes: Restituisce i tempi dei picchi rasterizzati per tutti i canali.
  2. getSpikeWaveforms: Restituisce le tracce AP-band e le forme d'onda dei picchi allineate.
  3. getSpikeFiringRates: Calcola i tassi di scarica binnati nel tempo.
  4. pcaSpikes: Esegue un'analisi delle componenti principali (PCA) sui tassi di scarica.
  • Il rilevamento dei picchi stima la deviazione standard del rumore (usando MAD o std) e identifica i picchi basandosi su una soglia multipla del rumore.

• Interfaccia Utente (GUI):
  OP-GLX è fornito con una GUI nativa MATLAB (mlapp) che permette il controllo integrato del fetching, dell'elaborazione e della visualizzazione, consentendo agli utenti di cambiare parametri e tipi di analisi in tempo reale.

3. Risultati Chiave

I test di performance sono stati condotti su un laptop Windows 11 e un desktop con 128GB di RAM, utilizzando sonde NP simulate e reali.

• Stabilità del Buffer (Acquisition Lag):

  • Quando la lunghezza del fetch era inferiore alla lunghezza della finestra di elaborazione, il ritardo di acquisizione (acquisition lag) è rimasto stabile e ben all'interno del buffer di SpikeGLX (con un ritardo inferiore al 2,2% rispetto alla lunghezza nominale del fetch).
  • Quando la lunghezza del fetch era uguale alla finestra di elaborazione, si è osservato un aumento graduale del ritardo, indicando che il sistema stava iniziando a "restare indietro", confermando la necessità di un margine temporale tra fetch ed elaborazione.

• Fattore in Tempo Reale (RTF - Real-Time Factor):

  • L'RTF è stato calcolato come il rapporto tra il tempo di elaborazione e la durata dei dati elaborati. Un RTF < 1 indica capacità in tempo reale.
  • Per tutte le combinazioni testate, l'RTF totale (End-to-End) è rimasto significativamente inferiore a 1 (media: 0,27 ± 0,08), dimostrando che OP-GLX può elaborare e visualizzare i dati più velocemente di quanto vengano acquisiti.
  • La fase di elaborazione ("Work") ha richiesto più tempo rispetto alla fase di plotting ("Plot"), ma entrambe sono state gestite con successo in tempo reale.

• Latenza:

  • La latenza end-to-end minima è di circa 6,5 ms, limitata dall'API di SpikeGLX. Questo è sufficiente per il monitoraggio durante eventi comportamentali e esperimenti a ciclo chiuso, ma non per applicazioni che richiedono feedback sub-millisecondo.

4. Contributi Principali

1. Integrazione Seamless: OP-GLX si integra direttamente nei flussi di lavoro esistenti di SpikeGLX senza richiedere hardware aggiuntivo, sfruttando l'SDK MATLAB ufficiale.
2. Gestione Robusta dei Buffer: Ha risolto il problema critico della sincronizzazione tra il recupero dei dati e l'elaborazione, prevenendo errori comuni come "FETCH: Too late" o il congelamento della console di SpikeGLX.
3. Visualizzazione Interattiva: Fornisce una GUI completa per visualizzare in tempo reale i picchi, le forme d'onda, i tassi di scarica e l'analisi PCA su tutti i canali di una sonda NP.
4. Flessibilità: Supporta sia l'acquisizione continua che quella basata su eventi, con la possibilità per gli utenti avanzati di integrare script personalizzati.

5. Significato e Implicazioni

OP-GLX rappresenta un passo significativo verso l'abbattimento del divario tra l'acquisizione di dati neurali su larga scala e la loro analisi.

• Per la Ricerca Neuroscientifica: Permette ai ricercatori di monitorare la qualità dei dati e le risposte neurali durante l'esperimento, facilitando decisioni immediate su posizionamento delle sonde o parametri di stimolazione.
• Per l'Ingegneria Neurale e le BCI: Offre una piattaforma stabile per esperimenti a ciclo chiuso che richiedono l'elaborazione di dati multicanale in tempo reale.
• Limitazioni e Futuro: Attualmente non esegue lo spike-sorting in tempo reale (risoluzione di singole unità) e supporta una sola sonda. Le direzioni future includono l'integrazione dello spike-sorting online, il supporto per sonde multiple e una possibile reimplementazione in Python o C++ per ridurre ulteriormente la latenza e le dipendenze da MATLAB.

In sintesi, OP-GLX è uno strumento pratico e performante che abilita l'analisi e la visualizzazione stabile di dati Neuropixels in tempo reale, colmando una lacuna critica nell'attuale ecosistema di acquisizione neurale.