PHASOR: An Open-Source Pipeline for Hidden Markov Model Analysis of Stimulus-Locked Retinal Multielectrode-Array Population Activity
Het artikel introduceert PHASOR, een open-source pijplijn die stimulusalignement, Fourier-gebaseerde classificatie en Hidden Markov Modeling integreert om stimulus-gelockte populatieactiviteit in retinaal multielectrode-array-opnames te analyseren en te visualiseren, waarbij de effectiviteit ervan wordt aangetoond door middel van synthetische data en diverse ex vivo retinaal-experimenten.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
De retina wordt vaak beschouwd als een eenvoudige cameralens voor de hersenen, maar het is in werkelijkheid een complex neuraal circuit dat visuele informatie verwerkt voordat deze wordt doorgegeven. Binnen deze dunne laag weefsel vuren duizenden individuele neuronen, genaamd retinale ganglioncellen, elektrische signalen in reactie op licht. Hoewel wetenschappers al lang bestuderen hoe individuele cellen op licht reageren, groeit het begrip dat het ware verhaal van het zicht ligt in de manier waarop deze cellen samenwerken als een groep. Net zoals een enkel instrument in een orkest geen symfonie kan overbrengen, kan een enkele neuron niet volledig verklaren hoe de hersenen de wereld zien. De uitdaging voor onderzoekers is geweest om te luisteren naar het geklets van honderden van deze cellen tegelijk en de terugkerende patronen in hun collectieve gedrag te vinden, vooral wanneer die patronen verbonden zijn aan specifieke momenten in de tijd, zoals het flikkeren van een licht.
Om dit op te lossen, heeft een team van onderzoekers een nieuwe softwaretool ontwikkeld genaamd PHASOR, ontworpen om te luisteren naar het groepsgesprek van de retina en dit te vertalen naar een helder verhaal. De onderzoekers namen de elektrische activiteit op van de retinale cellen van muizen, zowel gezonde als van muizen met een genetische aandoening die hun lichtgevoelige cellen beschadigt. Ze stelden deze retina's bloot aan een ritmisch, volveldflikkerend licht, waarbij de helderheid varieerde van zwak tot zeer fel. Het doel was om te zien of de groep cellen zou bezinken in duidelijke, herhalende modi van activiteit die overeenkwamen met de timing en intensiteit van het licht, in plaats van simpelweg willekeurig te vuren.
Het proces begint met het uitlijnen van elke elektrische spike van de cellen met het exacte moment waarop het licht veranderde. De software sorteert de cellen op basis van hoe ze op het ritme reageren: sommige vuren wanneer het licht aan gaat, sommige wanneer het licht uitgaat, en anderen hebben complexere reacties. Zodra de cellen zijn gecategoriseerd, gebruikt de software een statistische methode om de gehele populatie in verborgen toestanden (hidden states) te groeperen. Stel je de populatie cellen voor als een grote menigte; op elk willekeurig moment kan de menigte zich in een staat bevinden waarin voornamelijk één type persoon aan het praten is, of een andere staat waarin een andere mix actief is. De software probeert te achterhalen hoeveel van deze verschillende menigte-staten er bestaan en in welke staat de retina zich op elk moment bevindt.
Wanneer getest op computergegenereerde data waarbij de onderzoekers vooraf het exacte aantal staten kenden, bleek de tool opmerkelijk nauwkeurig. Zelfs wanneer de software ervoor koos de data te beschrijven met iets meer staten dan daadwerkelijk bestonden, slaagde het er nog steeds in om de sequentie van gebeurtenissen met bijna perfecte getrouwheid te reconstrueren. In deze simulaties identificeerde de tool de timing en de volgorde van de verborgen staten bijna elke keer correct, wat aantoonde dat het de onderliggende structuur van de data kon herstellen, zelfs als het exacte aantal staten er iets naast zat. Dit onderscheid is cruciaal: de tool is ontworpen om het patroon van activiteit te vinden, en niet noodzakelijkerwijs om de staten met wiskundige precisie te tellen.
Bij toepassing op echte opnames van gezonde muizenretina's onthulde de tool een rijk tapijt van activiteit. De retina's vuurden niet simpelweg willekeurig; ze verschoven tussen duidelijke staten die tientallen tot honderden milliseconden duurden. Deze staten waren niet uniform; sommige werden gedomineerd door cellen die reageerden op het inschakelen van het licht, terwijl andere werden gedomineerd door cellen die reageerden op het uitschakelen van het licht. De tool toonde aan dat naarmate het contrast van het licht toenam, de populatie verschoof naar nieuwe staten, en dat de specifieke mix van actieve cellen op een voorspelbare manier veranderde. Bijvoorbeeld, bij hogere contrastniveaus bracht de populatie meer tijd door in staten waarin de "on"-cellen zeer actief waren, en de transities tussen deze staten waren nauw verbonden met het ritme van het flikkerende licht.
Om er zeker van te zijn dat deze patronen werkelijk door het licht werden veroorzaakt en niet slechts door willekeurige ruis, voerden de onderzoekers twee controlexperimenten uit. In het eerste experiment volgden ze hetzelfde timingprotocol, maar zonder licht op de retina te projecteren. In dat geval vuurden de cellen met een constante, lage snelheid, en de software vond geen georganiseerde staten die aansloten bij de timing van het protocol. In het tweede controleexperiment gebruikten ze een retina van een muis met een genetische aandoening die de lichtgevoelige cellen vernietigt. Ondanks dat het licht werd geprojecteerd, organiseerden de cellen zich niet in de ritmische patronen die bij gezonde ogen werden gezien. Deze controles bevestigden dat de complexe, herhalende staten gevonden in de gezonde retina's een directe reactie waren op de visuele stimulus.
De tool stelde de onderzoekers ook in staat om te testen hoe de retina reageert wanneer een specifieke chemische route wordt geblokkeerd. Door een medicijn toe te dienen dat de "on"-route van de retina stillegt, observeerden zij een dramatische verandering in het gedrag van de populatie. De sequentie van staten verschoof zichtbaar, en de timing van de reacties veranderde, wat bevestigde dat de tool kan detecteren hoe specifieke biologische manipulaties de collectieve activiteit van het neurale netwerk veranderen. Deze gevoeligheid suggereert dat de methode gebruikt kan worden om te begrijpen hoe verschillende delen van het visuele systeem bijdragen aan het totale beeld dat de hersenen ontvangen.
De betekenis van dit werk ligt in het vermogen om een chaotische stroom van elektrische signalen om te zetten in een beheersbaar, beschrijvend model van hoe de retina als team werkt. De onderzoekers hebben niet een nieuw type cel of een nieuwe biologische wet ontdekt; in plaats daarvan hebben ze een herbruikbare pijplijn gebouwd die de timing van een stimulus verbindt met het collectieve gedrag van de populatie. De door de tool geïdentificeerde staten bieden een beschrijvende kaart van de activiteit van de populatie, die laat zien welke groepen cellen samen actief zijn en hoe lang dat duurt. Hoewel het exacte aantal staten gevonden in de simulaties soms iets hoger was dan het werkelijke aantal, werd de sequentie van gebeurtenissen met hoge precisie gereconstrueerd, wat bewijst dat de methode robuust is voor het vinden van de onderliggende structuur van neurale activiteit. Deze aanpak biedt een nieuwe manier voor wetenschappers om te inspecteren hoe het eerste visuele station van de hersenen informatie verwerkt, waarbij de focus verschuift van de studie van individuele cellen naar het begrijpen van de groepsdynamiek die het zicht definieert.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.