Systematic Spike Sorting Errors Revealed by Juxtacellular Ground Truth in the Awake Brain
Utilizzando un dataset di ground-truth da topi svegli, questo studio rivela che le prestazioni dello spike sorting sono significativamente compromesse dalla co-occorrenza di bursting e sovrapposizioni di spike, portando ad elevati tassi di falsi negativi che distorcono sproporzionatamente la dinamica delle popolazioni neuronali e rendono necessaria una robusta quantificazione dell'incertezza negli output di sorting.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
Per capire come il cervello pensi, gli scienziati spesso ascoltano i sussurri elettrici dei singoli neuroni. Quando un neurone scarica, invia una minuscola punta elettrica che può essere captata da una sonda sensibile posizionata appena fuori dalla cellula. La sfida è che in un cervello vivente, centinaia di neuroni scaricano contemporaneamente e i loro segnali si sovrappongono sul filo di registrazione, creando un groviglio confuso di elettricità. Per dare un senso a tutto ciò, i ricercatori utilizzano un processo chiamato "spike sorting" (classificazione degli spike), che è essenzialmente un tentativo digitale di districare i fili e assegnare ogni spike al neurone specifico che lo ha creato. Questo compito è così fondamentale che quasi tutto ciò che sappiamo su come le cellule cerebrali comunicano, su come si formano i ricordi e su come le reti di cellule lavorino insieme, dipende dall'accuratezza di questa classificazione. Per anni, gli strumenti utilizzati per eseguire questa classificazione sono stati testati e ritenuti affidabili sulla base di dati provenienti da animali che dormono o da cellule in una piastra, dove il cervello è silenzioso e i segnali sono puliti. Ma il cervello di un animale sveglio e pensante è un luogo molto diverso, pieno di rapidi scoppi di attività e segnali affollati che potrebbero infrangere le regole che questi strumenti sono stati costruiti per seguire.
Un team di ricercatori si è posto l'obiettivo di vedere se gli strumenti standard per classificare questi segnali funzionino effettivamente quando il cervello è sveglio e attivo. Hanno registrato l'attività di sedici neuroni individuali nei cervelli di topi che erano svegli e si muovevano su un tapis roulant. Per sapere con certezza quali spike appartenessero a quale neurone, hanno utilizzato una tecnica speciale in cui un minuscolo elettrodo di vetro è stato posizionato proprio accanto a una singola cellula per catturarne direttamente il segnale, mentre una sonda separata a più fili registrava lo stesso segnale della cella da una breve distanza. Questo ha fornito loro una "verità fondamentale" (ground truth), una risposta nota contro cui testare le prestazioni di quattro dei programmi informatici più popolari usati dagli scienziati per classificare gli spike. Ciò che hanno scoperto è stato un divario significativo tra aspettativa e realtà. Sebbene i programmi di classificazione si siano comportati ragionevolmente bene nel complesso, hanno mancato un gran numero di spike, in particolare quando un neurone scaricava rapidamente in un burst (un colpo rapido). Più sorprendentemente, gli errori non erano casuali; accadevano in schemi molto specifici e prevedibili che potevano distorcere la nostra comprensione di come le cellule cerebrali si parlino tra loro.
I ricercatori hanno scoperto che il problema principale per questi programmi di classificazione era una combinazione di due cose: il neurone che scarica in un rapido burst e i segnali di altri neuroni che si sovrappongono nello stesso momento. Quando un neurone emette uno spike singolo e isolato, i programmi di classificazione sono solitamente molto bravi a trovarlo. Ma quando lo stesso neurone emette una rapida serie di spike, la forma del segnale elettrico cambia, diventando spesso più piccola e difficile da distinguere. I programmi di classificazione, che sono addestrati per cercare una forma costante, spesso non riescono a riconoscere questi segoli variabili come provenienti dalla stessa cellula. La situazione peggiora quando un altro neurone scarica esattamente nello stesso momento, creando una sovrapposizione disordinata di segnali. I ricercatori hanno scoperto che quando un neurone era in fase di burst e il suo segnale si sovrapponeva a un altro, i programmi di classificazione mancavano lo spike circa sette volte più spesso rispetto agli spike normali e isolati. Anche se questi momenti difficili costituivano solo circa un quinto del totale degli spike, essi rappresentavano quasi la metà di tutti i segnali mancati.
Un'altra scoperta importante è stata che i programmi spesso non mancavano del tutto questi spike difficili; invece, li identificavano erroneamente. Il computer rilevava il segnale ma lo assegnava al neurone sbagliato, pensando che appartenesse a una cellula diversa nelle vicinanze. Quando i ricercatori hanno cercato di risolvere il problema unendo manualmente i diversi gruppi di spike, non è servito a nulla. Il tentativo di unire i gruppi ha reso i dati peggiori, introducendo così tanti nuovi errori che il beneficio di trovare gli spike mancanti è andato perduto. Ciò suggerisce che gli attuali metodi di classificazione, che si basano sull'idea che il segnale di un neurone sia sempre uguale, faticano fondamentalmente con la variabilità naturale del cervello sveglio. I programmi sono anche troppo inclini a cercare sovrapposizioni, ipotizzando spesso che un segnale disordinato sia dovuto a due neuroni che scaricano contemporaneamente, quando in realtà è solo un singolo neurone che esegue un burst difficile. Questa eccessiva propensione porta a falsi allarmi, in cui il computer inventa spike che non sono mai avvenuti.
Lo studio conclude che gli errori commessi da questi programmi di classificazione non sono semplice rumore casuale, ma sono strutturati in modo tale da poter trarre in inganno seriamente le conclusioni scientifiche. Poiché gli errori avvengono più spesso durante i burst e le sovrapposizioni — momenti che sono spesso i più interessanti per gli scienziati che studiano come il cervello elabora le informazioni — i dati risultanti potrebbero creare connessioni false tra i neuroni o nascondere quelle reali. I ricercatori sostengono che la soluzione non sia solo costruire strumenti di classificazione migliori, ma cambiare il modo in cui si dà fiducia al loro output. Invece di trattare i dati classificati come un elenco perfetto di fatti, gli scienziati devono riconoscere l'incertezza nel processo, specialmente durante quei momenti caotici di burst e sovrapposizione dei segnali. Comprendendo esattamente dove e perché questi strumenti falliscono, la comunità scientifica può iniziare a sviluppare metodi migliori che tengano conto della realtà disordinata e dinamica del cervello sveglio, garantendo che le storie che raccontiamo su come funziona il cervello siano costruite su una solida base.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.