在雄性和雌性小鼠（C57BL/6J背景，野生型 ，RBP4-CRE（MMRRC，031125-UCD）和VGAT-CRE（JAX
，028862）中进行实验 。将小鼠保持在22±1°C）的相对湿度，范围从46-65％和12 h – 12 h – 12 h的光周期循环。转基因实验动物是从反杂交到C57BL6的杂合子
。它们起源于不同的垃圾 ，随机分配给实验组
，并通过指定标记确定。与住房，手术 ，行为实验和安乐死有关的所有程序均由庞然大物兽医办公室批准巴塞尔 - 斯塔特
，并符合《瑞士兽医法指南》 。 　　以下与腺相关病毒（AAV）和狂犬病病毒用于解剖和功能实验：AAV-FLEX-SYNGFP（称为AAV-FLEX-SYNTAG）53，CVS-N2C-NL.MCHERRY-FLPO（称为Rabies-ntag）54（称为Rabies-ntag）54（添加ASSIRRERED-NEDGENE）（ADDGENE ，172378）狂犬病）55
，AAV-EF1A双Floxed-HCHR2（H134R）-eyfp（Addgene，20298） ，AAV-EF1A-DIO-CHRMINE-MSCARLET（Addgene
，130998）（所有如前所述生成）26
。为了通过局部感染感染神经元，使用2.9血清型质粒进行生产。为了通过轴突感染对神经元的逆行靶向 ，使用了用于解剖实验的狂犬病病毒或用于功能实验的AAV2.1156 。本研究中使用的所有AAV均根据标准方案生产
。AAV的基因组滴度为每毫升的1×1012和1×1014基因组拷贝，而每毫升1×107和1×108基因组拷贝之间的狂犬病。 　　丁丙诺啡（Temgeic
，每公斤0.1毫克）在手术开始前半小时次要施用作为先发制人的镇痛 。使用氧气作为气载体，用2–3％的异氟烷​​麻醉小鼠
。一旦深度麻醉 ，将小鼠转移到1-2％的异氟烷​​下的立体定位框架上。通过调节异氟烷浓度来保持麻醉恒定 。对手术设备进行了消毒
，并在手术过程中使用了加热垫，以避免体温下降
。眼睛免受眼凝液的脱水保护。在手术区域注射小鼠（50:50）利多卡因（每公斤10毫克）和ropivacaine（naropin ，每公斤3毫克）
，以减轻术后疼痛 。一旦麻醉，皮肤就会剃光并消毒。手术后 ，在手术当天皮下施用丁丙诺啡（每公斤0.1 mg）
，然后在觉醒时皮下注射Meloxicam（每千克5 mg）（每千克5 mg），以确保镇痛度 ，并在接下来的2天间隔24 h或每次饮用水中的24小时或给药
。使用高精度的立体观念仪器（KOPF Instruments
，Model 1900），将病毒 ，电生理记录探针的植入和视光纤维的植入植入。注射大脑注射的刻度坐标坐标被定义为前后（AP），中外侧（ML）和背腹（DV）（大约注射体积：20–100 NL）
，将Bregma或Lambda作为AP和ML轴的参考（SNR轴和ML轴）（snr：_3.6 mm ap ap ap ap ap ap ap ap ap ap ap ap ap ap ap ap ap ap ap ap apmmmmMMMMMMMMMMMMMMMMMMMMMMMMMMMMMMMMMMMMMMM 。LATRM：lambda的-1.95 mm AP，1.5毫米毫升 ，距硬脑膜Mater 4.5 mm dv； ppn：-0.5 mm ap from lambda
，1.1 mm ML，距硬皮植物3 mm dv）
。 　　终止体内实验后 ，将小鼠安乐死
，并收集大脑和脊髓进行组织学处理。简而言之，将动物用氯胺酮 - 健康噻嗪溶液麻醉 ，并用PBS刺激了动物
，然后是含有4％多聚甲醛的溶液 。解剖大脑和脊髓，在4％多聚甲醛中固定过夜 ，并在冷冻保存前至少2天在PBS中孵育30％蔗糖（W/V）
。切成冠状脑组织切片
，以80μm的厚度在低温恒温器上切开。将浮动切片按顺序收集到单个井中，并在阻塞溶液中孵育1小时（1％BSA ，0.2％Triton X-100，PBS） 。然后将一抗在阻断溶液中施用
，并在4°C下孵育1-3天
。大量洗涤后，将荧光团偶联的二抗（杰克逊或Invitrogen）应用于浮动部分 ，并在4°C下孵育1天。然后将切片按顺序的sloctarocaudal顺序洗涤并用抗紫外线防腐剂安装 。这项研究中使用的主要抗体和各自的稀释液如下：鸡抗GFP（1：2,000
，Invitrogen，A10262） ，兔子抗RFP（1：5,000
，Rockland，600-401-379） ，600-401-379）
，鸡抗the（1：500，Neuromics ，cheuromics
，ch2222222）使用以下二级抗体均被稀释1：1,000：驴抗兔CY3（杰克逊免疫研究，711-165-152） ，驴抗山羊Cy5（Invitrogen，A-21447）
，Donkey Antikey Anti-Chicken 488（杰克逊免疫研究703-605-155），驴抗山羊488（Invitrogen ，A-111055）
。对于低分辨率概述成像
，用Axioscan光学显微镜（Zeiss）扫描载玻片。对于用于顺行追踪的高分辨率成像（扩展数据图7B），我们将Axio Imager M2显微镜（Zeiss）与横川CSU W1 Dual-Camera T2旋转盘盘共体扫描单元一起使用 。 　　对于弹丸到达和处理任务 ，将受食物限制的小鼠放入包含缝隙的定制腔室中
，并接受了训练的训练，可以通过狭缝伸出手臂 ，从而获得食物奖励。每天监测小鼠的体重和食物消耗
，以免降至基线重量的80％以下
。鼓励小鼠使用前肢通过将食物颗粒放置在缝隙外的稳定位置，并接受5-10天的训练 ，以进行试验。训练后
，所有记录的小鼠均产生了刻板印象的前肢运动运动学（图1B） 。 　　对于杠杆压榨的任务，将受压力的小鼠放入包含缝隙的定制腔室中 ，并接受训练以通过裂缝伸出手臂，按下定制的杠杆
，传递数字信号以与设备的其余部分同步
。使用视觉反应性编程语言BONSAI57对该任务进行了编程。使用小蓝色LED传递视觉信号 。水奖励是通过钝的进料针（FST，18061-10）和电磁阀（Lee Company ，LHDA0531115H）传递的
。对小鼠进行2-4周的培训
，每14天的休息时间为1天。训练后，所有小鼠在响应窗口中都用杠杆按压响应视觉信号 ，如压力延迟和伦理图的分布所示（图4C
，E和扩展数据图5B） 。每天监测小鼠的体重和水的体重，以免降至基线重量的80％以下
。通过Basler摄像头（带有塔塔软件的ACE 2系列 ，与Arduino IDE接口的ACE 2系列）
，从下方和侧面录制视频，以录制视频。 　　为了执行体内细胞外电生理记录 ，将神经蛋白探针（IMEC
，NP1.0或2.0）植入中脑中58,59，以靶向SNR 。在探针植入之前 ，将神经蛋白探针安装到3D打印的固定装置（Atlas Neurowineering）60
。我们使用免疫组织化学和用薄层DII（Invitrogen）（Invitrogen）进行了免疫组织化学和探针涂层，确认了正确的探测位置和记录位点的位置
，并且所有植入的探针都在SNR中分离出put tupters（图1C）。对于Neuropixels探针，我们使用SpikeGLX软件记录与相机时间戳同步的电生理数据 。如果适用 ，使用国家仪器PXIE-6341多功能IO模块通过BNC-2110突破盒
，使用国家仪器PXIE/PCIE/PCIE-8281控制器模块，使用国家仪器PXIE-6341多功能IO模块收集与任务相关的信号（提示 ，杠杆
，奖励阀）和激光脉冲信号。 　　使用激光（Cobolt 06-MLD，473 nm; Cobolt 06-DPL ，532 nm）结合使用Plexbright辐射光遗传学刺激系统（PLEXON）进行了光遗传刺激
。通过贴片绳和旋转接头（Doric镜头）发射光
，该旋转接头（Doric镜头）连接到动物的光纤（Doric镜头C60或FLT）。在每个会话开始时，使用光功率计（ThorLAB）在光纤尖端上测量激光强度 ，其特征与植入的特征相同
，以确保稳定的刺激功率 。在40-50％的随机选择试验中，在提示偏移（距呈现100 ms）的提示偏移（100 ms）上提供了光遗传刺激
。如先前所述 ，刺激PPN> SNR神经元时使用了连续的光脉冲。在LATRM投射SNR神经元的光遗传激活的情况下，使用100 Hz的50％占空比信号来驱动激光以激活SNR神经元 。这些实验中使用的纤维尖端功率在1兆瓦至20兆瓦之间
。为了刺激PPN> SNR神经元
，我们在RBP4-CRE小鼠的PPN中注射了AAV2.9-EF1A-DIO-CHRMINE-MSCARLET或AAV2.9-EF1A-DIO-CHRMINE-MSCARLET或AAV2.9-DIO-CHRMINE-MSCARLET或AAV2.9-DIO-CHRMINE-MSCARLET或AAV2.9-EF1A-DOUBLLOXED-HCHR2（H134R）-EYFP。在刺激SNR> LATRM神经元的情况下，我们将AAV2.11-ICRE-H2B-GFP注入LATRM和AAV2.9-EF1A-DIO-CHRMINE-MSCARLET中的WT小鼠或AAV2.11-flex-FLPO-H2B-v5的snr中的latrm and aav2.9-snrrm and aav2.9-prtrtrtrrtrmine in av2.11-flpo-h2b-v5VGAT-CRE小鼠 。这种双重策略是由以前的发现报告的局部抑制性替代物引起的光遗传学激活后的矛盾沉默的动机
。61。为了控制SNR> LATRM神经元刺激的效果 ，我们在闭环的封闭环中使用Bonsai57的闭环轨道上进行了与杠杆压制任务相同的扰动 。具体而言
，当小鼠越过10 cm s -1的运动速度（质心速度）阈值150毫秒时，发射光
。这些实验的结果显示在扩展数据中图9 ， 揭示对运动速度没有显着影响（有关比较
，请参见参考文献41中的图6F）。 　　使用×20物镜（前进跟踪）或具有×5物镜（核分割）的光显微镜从共焦显微镜获得的冠状脑切片的最大强度投影，并使用Aplen CCF对Allen CCF进行对齐 ，并使用Allen ccf进行对齐的Ap_istologology（HTTTPS： 　　使用imageJ（https://imagej.net/plugins/stardist）中的Stardist的自定义实现检测到荧光图像中的核
，并将其质心坐标转换为CCF坐标，以在CCF注释体积的CCF套图上可视化以可视化 。对于每个CCF水平 ，使用核密度估计
，收集并绘制了从前前期和绘制50μmAp的核，并在CCF水平上估计其2D密度（扩展数据图1B）。从阈值步骤开始量化投影密度 ，该步骤从背景中对语法信号进行了二进制，然后手动策划以去除免疫组织化学处理中的自动荧光伪像
。然后计算出每个CCF体素（分辨率为80×10×10μm
，AP×DV×ML）的语法阳性像素的密度，从而在Syntag密度的CCF空间中产生3D体积。使用S.D.的高斯内核过滤所获得的密度 。2,3,3（AP×DV×ML） ，在2 s.d处截断
。在每个维度上。然后
，使用二阶样条插值将获得的密度阵列缩小，以达到10×10×10μm的最终体素尺寸（AP××DV×ML） ，并归一化为0至1之间 。在跨小鼠跨越规模的CCF cCF cCF COCF CORONAL级别绘制了绘图的绘图（绘制曲目ccf cof cof）ccf inf shonot
。 　　为了量化SNR神经元的脑干投影
，我们使用了Allen Brain Connectivity Atlas（https://connectivity.brain-map.org/jerg and）的实验编号100141993、175263063和299895444。使用Allen SDK（https://allensdk.readthedocs.io）将体积投影密度数据作为NRRD文件下载 。将投影密度平均在实验中平均，然后缩放 ，然后在均等的CCF冠状水平上进行可视化
，从而将各自的注释体积绘制为轮廓图
。 　　为了分析前肢任务期间执行的前肢运动，我们使用DeepLabCut63以及在100 fps的底部视图的高速摄像机上应用了基于深神经网络的无标记姿势估计 ，以跟踪移动的手和缝隙。在许多类似的行为实验中
，我们使用了从底部视图的不同视频框架上训练小鼠框架上的深板模型35 。用python中的sosfiltfilt用sosfiltfilt滤波的滤波器大小为5，频率为4 ，频率为15
。触发器的峰值被检测到缝隙的位置，以突出的阈值（缝隙横梁）基于手的二维位置
，从而将获得的预测进行了过滤。缩回开始定义为最大延伸力矩（也对应于到达停止），并且通过从回缩开始的时间窗口中回滚到0.5 s到沿着主山脉沿着主距离方向的手速度降低到每秒1个像素1像素的阈值以​​下时 ，检测到触及启动 。缩回停止从回缩开始向前滚动
，因为沿着主距离方向的手速度高于每秒-1像素的阈值以​​上。我们将孤立的覆盖范围确定为与上一个和下一个距离分离的覆盖范围至少为0.75 s
。计算每只小鼠的平均速度曲线，然后在小鼠之间平均图1b。手柄启动 ，操纵开始和停止被手动检测为小鼠手术以开始消耗颗粒的手术
，在处理过程中，向下移动从嘴里移开 ，这是在颗粒操纵和重新剪断之前的
，以及向上向上移动的嘴，在咀嚼之前向上移动 ，向上移动 。为了计算任务时间窗口中的调制
，我们隔离了选择时间窗口，总体捕获了任务中产生的动作的顺序（补充视频1）：（1） 到达启动 ，从检测到的start64从-150ms到+25毫秒；（2）触手可及，从触手开始到缩回开始；（3）从缝隙交叉到缩回开始
，到达远端，以捕获前肢前肢向颗粒运动；（4）缩回开始 ，从回缩开始时
，一个50 ms的窗口包含手指闭合；（5）回缩，从缩回开始到缩回停止；（6）手柄启动 ，以手柄启动为中心的100 ms窗口；（7）操纵开始
，注释操作启动时间点之后的50毫秒；（8）从开始到停止操作；（9）操纵后的操作后50毫秒停止停止时间点
。重复进行的触及试验被确定为彼此0.3-0.6 s以内发生的那些检测到的触及范围，比较了检测到的撤回启动时间戳（图2D和扩展数据图2D）。为了对不同运动阶段进行选择性更改的试验进行分层 ，我们使用了运动学跟踪或手动注释 。为了确定到达持续时间不同的试验
，我们在每只动物中识别出涉及到达持续时间（短距离）和第73％至第97个百分位（长达范围）（补充视频2）之间的试验
。我们没有使用数据的极端来避免捕获特质试验。缩写范围被定义为那些试验，其中手臂在主要运动轴上的缝隙上延伸了0.45 cm ，在次级轴上延伸了0.25 cm
，因此没有到达颗粒（补充视频2） 。手动识别出涉及颗粒检索的试验
。这些试验随后进行处理，与其余检测到的孤立覆盖率进行了对比 ，以比较这些试验类型之间的活性。 　　使用SpikeGLX（https://github.com/jennifercolonell/ecephys_spike_sorting）的Ecephys Spike排序模块处理所有数据 。简而言之，首先使用CATGT模块处理从SpikeGLX收集的数据
，以应用反复校正，删除电伪像（使用“ Gfix”）和高通滤波数据
。此外 ，从IMEC基站的同步脉冲的边缘记录了神经固定数据
，提取了相机暴露脉冲和激光脉冲。随后，使用Kilosort辅助模块 ，将发射速率低于0.05 Hz的通道被排除为嘈杂的通道
，并使用录音中的元数据构建了其余通道空间位置的通道图 。我们在Neuropixels 1.0上使用了Bank 0来记录探针上最多384个通道。随后，kilosort3在数据上运行
。分类后 ，TPRIME模块使用在多功能IO设备和IMEC基础站上记录的同步脉冲
，将所有数据流与IMEC基站记录为参考时间流进行同步。为了使探针道与解剖结构，我们注册了DII信号确定的探针道 ，以将神经蛋白探针标记为Allen CCF（https://github.com/petersaj/ap_ystrology） 。使用国际脑实验室（https://github.com/int-brain-lab/iblapps/wiki）的Ephys对准工具
，我们将电生理特征从数据与解剖学地标保持一致，以获取CCF坐标中的精确探针轨迹和通道位置
。然后 ，我们在PHY 2中对Kilosort3的输出进行了手动策划，以获得孤立的单元。基于其峰值通道在解剖CCF空间中鉴定出单个单元
，并在最接近100μm间隔的CCF水平上绘制 。对于SNR记录，基于有关神经元的强直活动的广泛文献9,10,11,12,13,14 ，15,16,17,18,19,20,29,31,36,45,65,65,66,67,68,69
，我们在整个录制会话中以平均峰值率隔离了高于5 Hz的神经元
。这导致了17只小鼠的646个单位的数据集，以进行颗粒的任务 ，并在5只小鼠上进行了184个神经元
，用于使用光遗传学扰动，用于杠杆压榨任务。对于剩余的中脑和LATRM电生理学数据 ，包括所有策划的单个单元进行分析（剩下的中脑中的17只小鼠的2,197个神经元
，LATRM中8只小鼠的709个神经元） 。对于LATRM，来自四只小鼠的神经元记录是先前发表的DataSet35的一部分 ，而这项工作记录了四只小鼠
。将射击率归纳为50 ms的箱
，以随后绘制单神经元的peths。对于图和图2中SNR神经元种群的热图和平均发射率 。2和3以及相关的扩展数据图2
。2和3，我们用Sigma为10且大小为100 ms的高斯滤波器计算了5 ms垃圾箱中每个神经元的发射速率。在手稿中考虑的所有试验类型中 ，围绕缩回开始的两个窗口中的平均发射率是连接的（请参阅“前肢到达任务中的行为分析 ”部分），并对Z得分进行了Z得分
，以展示和进一步分析对神经元活动的影响运动变化 。 　　为了识别与分析前肢任务不同阶段的触发率调节的SNR神经元，我们计算了上面“前肢到达任务的行为分析”部分中定义的任务时间窗口中的调制。对于每个神经元和每个时间窗口 ，我们计算了跨N试验的窗口期间的平均尖峰速率
，并定义了计算出1,000组N随机窗口的平均发射率的无效分布
。我们将调制定义为窗口期间的平均尖峰速率与平均点火率的无效分布的中值（标准化为这两个变量的总和），以减轻基线尖峰差异的影响。为了计算计算调制的统计显着性 ，我们在任务时间窗口中对无效分布的平均尖峰速率进行了排名
，并认为仅是高于绝对0.025阈值的显着调制，分别为0％和第1个百分位和第99％和100个百分位数的负分布和正阳性调制 。 　　为了评估神经元活性的神经元到神经元的相关结构 ，我们将每只小鼠在-2s中的所有记录神经元的平均发射率与相关时间戳周围的+2 s窗口相关联（例如
，会议中的首次撤回或随机时间戳）
。在扩展数据图2E中，以热图的形式绘制了跨神经元的成对Pearson相关性。然后 ，我们回归了跨时间戳所获得的成对神经元相关性
，并获得了跨时间戳的拟合的斜率和r值，以在扩展数据中生成摘要栏图 。 　　为了辨别试验类型对所有检查的试验对发射速率的影响（图3A；请参见“前肢到达任务中的行为分析
”部分的行为分析） ，我们将不同神经元种群的发射速率与计算出的平均射击率的无效分布与从每种试验类型采样的1,000个随机试验的平均射击率的无效分布
。给定n型和2型2型试验的N试验，N <m
，我们产生了1,000个随机组的N试验，同样从试验类型1和2进行了采样。对于每个神经元 ，我们计算了每一个随机组的平均发射率
，从而获得了与撤回率的无效发射速率的无效分布，并使用均值启动 ，并使用平均值和Z scessecored和S.D和S.D 。在本文中考虑的所有试验类型中获得（请参阅“前肢达到任务的行为分析”部分）
。对于每个神经元种群
，我们确定了Z得分的平均点火率窗口的时间超过50 ms，在50 ms中 ，这两种试验类型的发射率差异大于该神经元人群平均点火率无效分布的99.9％置信区间。实际上
，我们确定了一个数据时间点，其中一种试验类型中人口的平均发射率低于0.05个百分点 ，而另一种试验类型高于该神经元人群平均点火率的无效分布的第99.95个百分点 。 　　该分析是对单个单元的特定群体进行的：（1）在整个手臂扩展中暂停的SNR神经元
，即，到达和到达远端窗户 ，并且在与处理相关的时间窗口（手柄启动，操纵启动
，操纵停止，操作）中没有负面调制；（2）在收缩开始时对SNR神经元进行负调节 ，但在到达时间窗口中却没有；（3）在手柄启动时对SNR神经元进行了负调节
，但在任何近端任务时间窗口中都没有（接触到缩回）
。对于扩展数据图3i，我们分离了神经元种群2的子集 ，在缩回开始时和至少一个与处理相关的时间窗口时
，SNR神经元在缩回开始时进行了负调节。 　　为了量化SNR神经元对光遗传激发的响应，在每只小鼠中 ，我们计算了每个SNR神经元的平均激光诱发和提示诱发的点火速率 。使用平均值和s.d将获得的阵列连接在一起
，并为每个单个神经元进行z得分。对照试验中的发射率
。然后，我们在记录的每个记录的小鼠中平均在记录的SNR群体上平均（图4C） ，然后在小鼠之间平均（图4D（顶部））。然后
，我们对在200毫秒箱中计算的杠杆速率上进行了相同的操作 。简而言之，我们计算了平均激光诱发和控制压力的速率 ，并将它们作为整个小鼠的平均值绘制
。我们还在对照和刺激试验的响应时间内用杠杆按下计算了试验的比例，并将激光与控制响应率的比率绘制为对照响应率（扩展数据）（扩展数据图5A）。为了进一步量化激光暴露的行为效应
，我们使用Kolmogorov – Smirnov测试对激光与对照试验的压力分布进行了比较，并绘制了小鼠跨小鼠的单小鼠和平均累积分布（图4E）和实验（扩展数据图5B） 。为了回归激光反应对压力杠杆的潜伏期中位数增加 ，我们计算了激光诱发的SNR种群响应至少1 s.d的时间
。在控制之上（控制响应的S.D.）。 　　为了量化激光和对照试验中的杠杆压力相关的暂停（图4F）
，我们分离了在围绕控制试验的杠杆压力机的200 ms窗口中对压力机进行负调节的神经元 。我们计算了每个神经元的行为试验的调制，作为在基线上方该试验的行为窗口中的平均点火率
。对于杠杆压力机的调制 ，我们使用了提示之前的200 ms窗口作为基线。将获得的调制指数（MIS）的分布与从整个记录会话中采样的至少200个随机时间点获得的MIS的分布进行了比较
，或者在时间窗口中与相当于使用Mann-Whitney U-Test的行为的行为中采样的行为 。当神经元的P <0.05时，神经元被分类为调节 ，并且在所有行为试验中
，MI的平均值小于0的阴性调制
。 　　为了识别SNR和Midbrain之间的连接神经元对，我们使用了Python和包装神经py（https://zenodo.org/records/5509776）。我们使用默认参数使用gen_sfc函数来使用Poisson Stark测试来识别抑制性假定的单突触连接 ，以实现显着性70和p值阈值0.02 。该过程基于将横截面图（用0.5 ms垃圾箱计算）用部分空心的窗口进行卷积。我们从推定的突触前神经元尖峰时代搜索了1至2.5 ms的跨率图中的功能负相关
。然后
，我们过滤了获得的连接，以识别Z得分相关图中2.5 ms以内负相关峰的连接 ，并且最小z得分相关幅度小于-10。然后，对于图5A中的每个连接的对和扩展的数据图
，对z得分的相关性（突触前与突触后）进行可视化 。8b和9a
。上面的“解剖重建和数据分析 ”部分中所述，在CCF空间中也可视化了所有连接的神经元对的位置。为了计算行为前和突触后神经元射击之间的噪声相关性 ，我们将围绕相关行为时间戳的400毫秒的窗口与20毫秒箱中的尖峰速率相关联 。 　　对于每个数据集（SNR
，中脑，LATRM） ，我们分析了在所有孤立的触手启动时间戳中单个神经元的活性
。在触手可及之前的时间范围为0.5 s
，我们确定了在任何20 ms窗口滑动1 ms的调制中显着（p <0.001）的神经元，与基线触发速率从-0.70到-0.50 s到-0.70到-0.50 s ，到达到达启动之前（请参见上面的调制计算）。在识别这些神经元和最早的调制窗口之前
，我们向后回滚以找到最早的时间窗口，然后在显示小于0.05的调制p值之前 。每个神经元的20 ms窗口的开始时间被认为是一致的神经元活性变化的开始 ，该试验跨越试验的发作（图5B和扩展数据图8C）
。使用Kolmogorov -Smirnov检验确定了属于不同大脑区域的神经元或对SNR进行负面调制的神经元的分布（图5C）。然后
，我们绘制了所检测到的单个神经元的z量的平均点火率，如上所述 ，以达到启动（图5D和扩展数据图8C） 。 　　所有分析均使用上面指定的Python或MATLAB中的自定义代码进行
。未预先确定样本量，并且始终使用非参数统计检验（Wilcoxon Signed-Rank和Kolmogorov – Smirnov检验）来避免假设正常分布。使用高斯内核估计概率密度 。所有P值均在文本或图传说中指示。在Coreldraw v.24.4中制备了数字
。小鼠图纸由E. Tyler和L. Kravitz通过Scidraw存储库（www.scidraw.io）提供
，并在Coreldraw中进行了改编。 　　有关研究设计的更多信息可在与本文有关的自然投资组合报告摘要中获得 。