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

Technische Samenvatting: SpikeCleaner

Probleemstelling
Hoewel geautomatiseerde algoritmen voor spike sorting de extractie van neuronale activiteit uit extracellulaire opnames hebben getransformeerd, zijn zij niet onfeilbaar. Een kritieke beperking is de onnauwkeurige acceptatie van ruisgebaseerde eenheden, wat uitgebreide handmatige curatie noodzakelijk maakt. Dit handmatige proces is niet alleen tijdrovend, maar introduceert ook aanzienlijke subjectiviteit bij de selectie van eenheden. De schaalbaarheid van handmatige curatie komt steeds meer in het gedrang door de komst van hoog-densiteit probes, zoals Neuropixels, waarbij een enkele uur aan data meer dan 80 GB kan overschrijden. Bijgevolg is er een dringende behoefte aan automatische standaardisatie van kwaliteitscriteria om de datacuratie te versnellen en de betrouwbaarheid van datasets te waarborgen zonder uitsluitend op menselijk oordeel te vertrouwen.

Methodologie
De auteurs hebben SpikeCleaner ontwikkeld, een semi-geautomatiseerde curatie-pipeline die ontworpen is om de kwaliteit van eenheden te labelen na automatische sortering door Kilosort. Het algoritme werkt door criteria te standaardiseren om clusters te classificeren in drie categorieën: Ruis (Noise), Multi-Unit Activiteit (MUA) en Goede Eenheden (Good Units).

De classificatielogica berust op een combinatie van specifieke fysiologische en statistische kenmerken:

• Spike Rate: De frequentie van vuren.
• Spike Timing Metrics: Afgeleid van autocorrelogrammen.
• Waveform-gebaseerde fysiologische kenmerken: Inclusief piekamplitude, hellingen, halve breedte en inter-kanaal correlatie.

Op basis van deze metrieken wijst het algoritme gestandaardiseerde labels toe:

• Ruis (Noise): Eenheden die waarschijnlijk niet van neuronale oorsprong zijn.
• MUA: Eenheden die significante neuronale bijdragen bevatten (neuronale waveforms vertonen), maar duidelijke imperfecties bezitten die verdere opschoning vereisen.
• Goed (Good): Eenheden die geen duidelijke afwijking vertonen van ideale eenheidscriteria.

Cruciaal is dat SpikeCleaner is ontworpen om te fungeren als een curatie-hulpmiddel in plaats van een absolute classifier. De resulterende labels kunnen direct worden geïmporteerd in Phy, waar ze het deskundig oordeel ondersteunen, maar niet vervangen. De beslissingsdrempels voor alle metrieken werden heuristisch geoptimaliseerd om de overeenstemming met de handmatige curatie van twee expertgebruikers te maximalen. Bovendien bevat het systeem een tool waarmee gebruikers de drempels handmatig kunnen aanpassen op basis van hun eigen oordeel, of deze semi-automatisch kunnen optimaliseren tegen hun specifieke expert-curatiestandaarden.

Belangrijkste Bijdragen

• Standaardisatie: De introductie van een verenigd kader voor het labelen van eenheidskwaliteit dat de subjectiviteit in het curatieproces vermindert.
• Schaalbaarheid: Een pipeline die in staat is de enorme datavolumes te verwerken die worden gegenereerd door moderne hoog-densiteit probes, waarmee de bottleneck van handmatige curatie wordt aangepakt.
• Integratie: Naadloze compatibiliteit met bestaande workflows (Kilosort en Phy), waardoor het hulpmiddel wordt gepositioneerd als een ondersteunende laag voor menselijke experts in plaats van een vervanging.
• Flexibiliteit: De opname van mechanismen waarmee gebruikers classificatiedrempels kunnen aanpassen of semi-automatisch kunnen afstemmen op hun specifieke experimentele behoeften of expertvoorkeuren.

Resultaten
Het algoritme werd getest tegen de handmatige curatie van twee expertgebruikers over drie verschillende opnames. De prestatie-indicatoren wijzen op een hoge getrouwheid aan het deskundig oordeel:

• Single Unit Classificatie: Behaalde 97% nauwkeurigheid en een 92% F1-score.
• Overeenkomst tussen volledige categorieën (SU, MUA, Noise): Behaalde 97% nauwkeurigheid en een 92% F1-score.
• Onderscheid tussen Neuraal versus Niet-Neuraal: Behaalde 97% nauwkeurigheid en een 95% F1-score.

Betekenis
Het artikel stelt dat door de nauwkeurige selectie van acceptabele eenheden te waarborgen via gestandaardiseerde, semi-geautomatiseerde criteria, SpikeCleaner meer robuuste downstream-analyses mogelijk maakt. Specifiek benadrukken de auteurs de bruikbaarheid ervan bij het faciliteren van betrouwbare neurale decodering en de longitudinale tracking van neuronale identiteit. Het hulpmiddel pakt de kritieke bottleneck van datacuratie aan in het tijdperk van hoog-densiteit elektrofysiologie, en biedt een schaalbare oplossing die een hoge overeenstemming met expertstandaarden behoudt terwijl de handmatige last wordt verminderd.