🧠 神经科学

PHASOR: An Open-Source Pipeline for Hidden Markov Model Analysis of Stimulus-Locked Retinal Multielectrode-Array Population Activity

本文介绍了 PHASOR，这是一个开源流水线，它集成了刺激对齐、基于傅里叶的分类以及隐马尔可夫模型，用于分析并可视化视网膜多电极阵列记录中与刺激锁定的群体活动，并通过合成数据和多种离体视网膜实验证明了其有效性。

原作者： Shaik, M. J., Chen, S., Jin, J., Babino, D.

发布于 2026-11-03

📖 1 分钟阅读☕ 轻松阅读

原作者： Shaik, M. J., Chen, S., Jin, J., Babino, D.

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

人们通常认为视网膜只是大脑的一个简单照相机镜头，但实际上它是一个复杂的神经回路，在将视觉信息发送出去之前会对其进行处理。在这层薄薄的组织内部，成千上万个被称为视网膜神经节细胞的单个神经元，会对光线做出电信号反应。虽然科学家们长期以来一直在研究单个细胞如何对光做出反应，但人们日益深入地理解到，视觉的真正奥秘在于这些细胞如何作为一个群体协同工作。正如交响乐团中的单一乐器无法传达整部交响曲一样，单个神经元也无法完全解释大脑是如何看待世界的。研究人员面临的挑战在于，如何同时倾听数百个这类细胞的“喋喋不休”，并从中找出它们集体行为中反复出现的模式，尤其是当这些模式与特定的时间点（如光的闪烁）相关联时。

为了解决这个问题，一个研究小组开发了一种名为 PHASOR 的新软件工具，旨在倾听视网膜的群体对话，并将其转化为一个清晰的故事。研究人员记录了来自健康小鼠和患有破坏感光细胞遗传性疾病小鼠的视网膜电活动。他们让这些视网膜暴露在一种节奏性的、全场闪烁的光线下，并将亮度从微弱调节到极亮。其目标是观察这群细胞是否会稳定在与光的时序和强度相对应的、截然不同的重复模式中，而不是仅仅随机地放电。

这一过程始于将每个细胞的每一次电脉冲与光线变化的精确时刻对齐。随后，该软件根据细胞对节奏的反应进行分类：有些细胞在光开启时放电，有些在光关闭时放电，还有些具有更复杂的反应。一旦细胞被归类，软件就会使用一种统计方法将整个群体划分为隐藏状态。想象一下，这个细胞群体就像一个庞大的群众；在任何一秒钟，人群可能处于一种状态，即大多数是某一类型的人在说话，或者处于另一种状态，即另一组不同的人在活跃。软件试图弄清楚存在多少个这样的不同“人群状态”，以及视网膜在每一时刻处于哪种状态。

在针对研究人员预先知道确切状态数量的计算机生成数据进行测试时，该工具表现出了惊人的准确性。即使软件选择用比实际存在的稍多的状态来描述数据，它仍然能够以近乎完美的保真度重建事件序列。在这些模拟实验中，该工具几乎每次都能正确识别隐藏状态的时序和顺序，这表明即使状态的确切计数略有偏差，它也能找回数据的底层结构。这种区别至关重要：该工具的设计目的是寻找活动的模式，而不一定是进行数学意义上的精确计数。

当应用于来自健康小鼠视网膜的真实记录时，该工具揭示了一幅丰富的活动图谱。视网膜并非只是随机放电；它们会在持续数十到数百毫秒的截然不同的状态之间切换。这些状态并不统一：有些状态由响应光开启的细胞主导，而另一些则由响应光关闭的细胞主导。该工具显示，随着光对比度的增加，群体会转移到新的状态，且活跃细胞的具体组合会以一种可预测的方式发生变化。例如，在更高对比度水平下，群体在“开启”细胞高度活跃的状态中停留的时间更长，且这些状态之间的转换与闪烁光线的节奏紧密锁定。

为了确保这些模式确实是由光引起的而非仅仅是随机噪声，研究人员进行了两项对照实验。在第一项实验中，他们使用了相同的计时方案，但没有向视网膜投射光线。在这种情况下，细胞以稳定的低速率放电，软件没有发现与协议计时对齐的有组织的形态。在第二项对照实验中，他们使用了来自患有破坏感光细胞遗传性疾病小鼠的视网膜。尽管投射了光线，但细胞并未像健康眼睛那样组织成有节奏的模式。这些对照实验证实，在健康视网膜中发现的复杂、重复的状态是视觉刺激的直接反应。

该工具还允许研究人员测试当特定的化学通路被阻断时，视网膜如何做出反应。通过使用一种使视网膜“开启”通路沉默的药物，他们观察到了群体行为的剧烈变化。状态序列发生了明显的偏移，响应的时序也发生了改变，这证实了该工具能够检测出不同的生物学操作如何改变神经网络的集体活动。这种敏感性表明，该方法可以用于理解视觉系统的不同部分是如何为大脑接收到的整体图像做出贡献的。

这项工作的意义在于，它能够将混乱的电信号流转化为一个可管理的、描述性的模型，用以说明视网膜如何作为团队运作。研究人员并没有发现一种新型细胞或一种新的生物学定律；相反，他们构建了一个将刺激的时序与群体集体行为联系起来的可重复流程。该工具识别出的状态提供了一张群体活动的描述性地图，展示了哪些细胞组在何时一起活跃以及持续多久。虽然在模拟实验中发现的状态数量有时会略高于真实数量，但事件序列的恢复具有高精度，证明了该方法在寻找神经活动底层结构方面的鲁棒性。这种方法为科学家提供了一种新的方式，去观察大脑的第一视觉站如何处理信息，从而超越对单个细胞的研究，去理解定义视觉的群体动力学。

PHASOR 技术摘要：用于分析刺激锁定型视网膜多电极阵列群体活动的开源隐马尔可夫模型流水线

问题陈述
多电极阵列（MEA）记录能够捕捉数百个视网膜神经节细胞（RGCs）的脉冲活动，从而在细胞分辨率下揭示神经群体活动。然而，将循环出现的群体状态与刺激时序及单单元响应联系起来，需要一个复杂的分析链条，而这些步骤往往分散在不同的工具中。现有的资源仅解决了工作流中的特定部分——例如脉冲分选（SpikeInterface）、感受野分析（Pyret, PRANAS）或拟合泊松 HMM（HMM-spikes），但没有单一的、文档齐全且可重复使用的流水线能整合刺激同步、响应分类、基于稀疏发射模型的模型拟合、模型阶数选择以及可视化。此外，将隐马尔可夫模型（HMMs）应用于刺激锁定数据面临特定挑战：在没有近似的情况下，为高维二元数据定义发射分布在计算上是不可行的；同时，由于预测似然倾向于选择过度分割的模型，这使得选择正确的隐藏状态数（ $K$ ）变得复杂。

方法论
作者提出了 PHASOR（视网膜中刺激锁定输出的群体 HMM 分析），这是一个使用 Python 实现并带有 Next.js 浏览器界面的模块化开源流水线。该工作流由五个主要阶段组成：

预处理： 将原始脉冲时间通过周期性同步信号（“synctone”）对齐到刺激时钟，以防止时钟漂移累积。数据被分箱为固定时间窗口（例如 10 ms），并堆叠成一个四维数组，索引维度分别为刺激条件、时间、通道和单元。
处理（聚类）： 为确保聚类稳定性，流水线按刺激条件对数据进行划分，并应用非监督 UMAP 紧接着进行 OPTICS 聚类。超参数通过网格搜索进行调优，旨在最大化调整兰德指数（ARI）和轮廓得分（silhouette score），同时最小化噪声比例。
傅里叶分类： 每个单元根据其刺激锁定响应被独立分配一个功能标签。利用循环平均的周刺激时间直方图（PSTH），流水线计算傅里叶变换的第一和第二谐波。单元根据相位、振幅和信噪比门限，按极性（ON/OFF 与双相型）和动力学特征（瞬态与持续型）进行分类。这些标签用于解释，但不影响 HMM 拟合。
HMM 拟合： 群体活动被建模为一个潜在状态序列。
- 发射模型： 为了避免估计 $N$ 个单元对应的 $2^N$ 个参数在计算上不可行的问题，PHASOR 使用了 Chow-Liu 树近似。这种方法捕获了单元间最强的成对依赖关系，将参数减少到每个状态 $N-1$ 个。成对协方差通过绝对软阈值（ $\eta$ ）进行正则化，以剪枝弱边。
- 参数估计： 参数（初始分布、转移矩阵、发射参数）使用带有多次随机初始化的期望最大化（EM）算法进行估计。
- 模型选择： 状态数（ $K$ ）和协方差阈值（ $\eta$ ）使用前向链式交叉验证进行选择。应用“肘部法则”（elbow rule）来处理验证对数似然的边际增益，从而选择 $K$ ，以防止选择过度分割的模型。
报告： 流水线生成标准化的图表，用于可视化状态占用率、停留时间、转移矩阵以及每个状态内活跃单元的组成。

核心贡献

集成性： PHASOR 将刺激同步、基于傅里叶的响应分类、Chow-Liu 树 HMM 拟合和模型阶数选择组装成一个统一、文档齐全且可重复使用的流程。
模块化： 该流水线设计为每个阶段都是一个独立的命令行程序，通过读取和写入固定的文件格式，使得各阶段可以跳过、重跑或替换，而无需重新处理整个数据集。
方法论洞察： 本文证明，一个有用的群体描述并不一定需要恢复出精确的生成状态数量。用于模型选择的“肘部法则”可能会产生比基准真相略高的状态计数，但生成的状态序列仍能实现与生成过程近乎完美的对齐。

结果
该流水线使用已知基准真相的合成数据进行了评估，并应用于来自三只野生型小鼠和一只 rd1（光感受器退化）小鼠的十份离体视网膜记录。

合成数据验证： 在十个具有 7 个隐藏状态的合成数据集中，肘部法则选择的模型阶数在 7 到 9 之间（均值为 7.9）。虽然仅在三个案例中恢复了精确的生成计数，但解码的状态序列显示出与生成状态近乎一一对应的关系。训练数据上的调整兰德指数（ARI）很高（训练数据均值为 0.963，持有数据为 0.965），表明即使状态计数被轻微高估，序列恢复依然是鲁棒的。
视网膜记录： 在一个具有代表性的野生型记录中，流水线选择了 12 个状态的模型。解码状态表现出明显的占用率、停留时间（范围从 ~65 ms 到 ~340 ms）和活跃单元组成。状态间的转移通常与优势细胞亚型的转变（例如，从 OFF-持续型到 ON-持续型群体）相吻契合。
药理学扰动： 应用 L-AP4（一种抑制 ON-双极细胞信号传导的 mGluR6 激动剂）后，与给药前条件相比，观察到了明显不同的解码状态序列，而洗脱后的序列则更接近基线情况。
对照实验：
- 无投影对照： 在缺乏视觉刺激的情况下，平均放电率保持在低水平且恒定，解码状态在时间上是分散的，且无法在对比度块边界处重新对齐。
- rd1 视网膜：在光感受器退化的视网膜中，活动水平高但对对比度不敏感。尽管拟合了一个 12 状态模型，但解码序列并未锁定到刺激，且转移熵较高，表明缺乏刺激锁定的结构。

意义
作者声称，PHASOR 通过将成熟的方法整合进统一的工作流，使复杂的群体分析变得更容易重复和检查。该工具明确区分了模型衍生的状态与独立建立的生物学细胞类型或集合，将其视为群体活动的描述性模型。其意义在于能够将与刺激相关的群体活动与功能响应类别联系起来，提供一种对循环群体状态的紧凑描述。论文也谦逊地指出，虽然所选状态提供了描述性模型，但其数量和与生物学集合的对应关系需要单独验证，目前的工作是作为工作流的演示，而非针对基因型或药物效应的强力生物学研究。

类似论文