这项研究使用了十二只雄性野生型小鼠（C57BL/6 ，Charles River） ，其中三只提供了足够的同时记录的HD细胞进行持续实验。在12 h – 12 h的光周期和40％的湿度下，在22°C下单独饲养小鼠 ，食物和水的湿度 。所有实验均根据麦吉尔大学和道格拉斯医院研究中心动物使用与护理委员会（协议2015-7725）进行 ，并根据加拿大卫生研究院研究指南进行 。
在所有手术过程中，通过将氧和5％异氟烷的组合吸入到立体定位框架（David KOPF仪器）之前 ，通过吸入小鼠（David KOPF仪器）来麻醉小鼠 ，在该手术持续时间内通过氧气和0.5-2.5％的异氟烷来维持麻醉。用加热垫保持体温，并用凝胶（OptixCare）水合眼睛 。在每次手术的开始和结束时 ，分别皮下施用了Carprofen（10 mL kg -1）和盐水（0.5 mL） 。录音的准备涉及每只鼠标的三项手术。首先 ，在7-8周的年龄，每只小鼠被注入600 nL的非稀释病毒载体AAV9.SYN.GCAMP6F.WPRE.EYFP，来自宾夕法尼亚大学矢量核心 。所有注射均通过连接到纳米注射II（Drummond Scientific）注射器的玻璃移液管以23 nL s -1的速度进行 。注射后一周 ，将0.5毫米直径的梯度折射率（GRIN）继电器透镜（GO！foton）植入ADN上方（AP ，–1.05; ML，0.8; DV ，-3）。不需要抽吸 。除了笑容外 ，还将三个不锈钢螺钉拧入头骨以稳定植入物 。施加牙齿水泥（C＆B Metabond），以将毛茸茸的镜头和锚螺钉固定在头骨上。使用硅胶粘合剂（Kwik-SIL ，世界精密仪器）来保护笑容的顶部表面 ，直到下一次手术。然后，在晶状体植入后2周 ，将铝底板固定在小鼠的头骨上 ，后来在记录过程中将微型化的荧光内窥镜（Miniscope）固定在适当的位置 。Miniscope/底板安装在立体定位臂上，以降低植入的咧嘴镜头上方 ，直到视野包含可见的细胞段 ， 并将牙齿水泥粘贴到头骨上 。当未记录小鼠以保护底板和镜头时，将聚氧基因盖固定在底板上。手术后，对动物进行连续监测直到恢复 。在手术后的最初3天内 ，为小鼠提供了补充疼痛管理的软饮食（Medigel CPF） 。在底板手术后2-3天开始 ，在实验环境中进行记录的筛查和习惯。记录的前3-4周被用来确认钙数据的质量和可靠性，而动物正在通过不同的屏幕显示环境探索环境 。
用Miniscope（v3; https：//miniscope.org）记录了体内钙视频 ，该视频包含一个单色CMOS成像传感器（MT9V032C12STM ，在半导体上）连接到与自定义数据采集（httpps boxible（httpps：//minisc coarsials）相关的lightweight lightweight lighteweight lighteweight lighteweight lightweeight lightweeight lighteweight lighteweight lighteweight lightweeight lightweeight 。电缆连接到一个无噪声的滑轮系统上，具有平衡（放置在录音环境之外） ，以防止干扰记录的动物的运动并减轻米斯科普的重量。DAQ连接到带有USB 3.0超速电缆的PC ，并使用Miniscope自定义采集软件（https://miniscope.org）进行控制 。根据鼠标的不同，即将发出的激发LED设置为3–6％ ，以最大程度地提高信号质量 ，以最小的激发灯，以减轻光漂白的风险 。调整增益以使记录的视频的动态范围与每个记录的钙信号的波动匹配 ，以避免饱和。使用安装在环境上方的网络摄像头记录行为视频数据 。DAQ以30 Hz的形式同时获得了行为和蜂窝成像流 ，因为未压缩的AVI文件和所有记录的帧都被时间浪费用于事后对齐 。添加了两个可控的LED（绿色和红色）并用于跟踪，以便每当将Miniscope连接到底板上时，绿色LED都指向鼠标头的右侧 ，红色LED指向左侧。覆盖了Miniscope的所有其他光源。所有录音都发生在360°LED屏幕（高度：1 m ，直径：90厘米；深圳尖顶光电子）的中心，我们在该中心放置了一个无壁的圆形平台（直径为20厘米） ，使地面上方50厘米 。在每个录制会议之前 ，鼠标床上用品均匀分布在平台上 。在所有录音中， 小鼠可以自由移动在凸起平台的顶部。一个半球圆顶用于覆盖环境并防止外部光线进入 ，同时还保持了行为相机 。在没有任何屏幕显示的情况下 ，设计实验环境旨在最大化圆形对称性 。在习惯期间，在暴露于单个垂直条纹或没有视觉显示（黑暗）时记录小鼠。这些记录还用于确认在不同条件下跟踪头方向和提示位置的质量 。在本研究的所有实验中 ，视觉提示是指单个白色垂直条纹（宽度 ，15厘米；高度，1 m） 。
在通过开源MATLAB（MATHWORKS; V.R2015A）的管道进行分析之前对钙成像数据进行预处理 ，以校正运动伪影45 ，分段单元格和提取瞬态32,46，并通过第一阶自动磁性型号的瞬态痕迹来推断跨度事件的可能性。我们编写了MATLAB（Mathworks，V.2015A）程序 ，以执行LED的离线跟踪 ，并在每个框架上确定动物的头部方向 。另一个定制编写程序用于估计视觉提示的位置 。两个脚本都合并到预处理管道中。
在这项研究中，神经活动是指除非指定 ，否则如前所述31 。由此产生的时间序列（每个会话每个神经元）对应于尖峰事件的推断可能性 。然后在每个时间序列上应用一个3帧的移动平均过滤器（〜100 ms）。我们将获得的信号称为发射活动。
对于每个已识别的细胞段（ROI） ，我们通过测量水平面（x Axis）每个角bin（每箱1°）内的占用率归一化的射击活动来构建HD调整曲线 。调谐曲线通过50°宽度的移动平均过滤器进行圆形平滑 。这使我们能够更好地估计与给定神经元的调谐曲线的最大触发活性相对应的角bin，我们将其称为PFD。接下来 ，我们通过将测得的HD信号（来自行为摄像机）用狭窄的高斯核（平均= PFD ，S.D. = 17°）构造为该特定PFD的刺激信号，使每个神经元I：
其中 ，θHD是测量的HD时间序列 ，σ是S.D.在高斯内核和Angdiff（a，b）中 ，它是一种MATLAB函数 ，它从B中删除A，包裹在[-π，π]间隔上 。我们将刺激信号与放电活性的归一化版本相关联 ，以获得每个神经元的Pearson相关系数R 。为了确定可以将细胞识别为HD神经元的R的阈值值 ，我们使用了每只动物的十个基线记录（3分钟）的数据，该数据从复位实验中随机选择。我们从相对较高的值rthresh开始 ，然后选择所有神经元 ，例如r> rthresh 。对于每个神经元，我们使用MATLAB旋转函数（以保留射击活动信号的时间相关性）在随机移位时产生1,000个发射活性的洗牌 。接下来 ，我们将每个洗牌版本与相应神经元的刺激信号相关联 ，以获得相关系数的分布（3个单独的分布，每只鼠标1个）。我们将其定义为对应于分布的第95个百分位的值 ，对于小鼠m 。如果我们继续迭代相同的步骤 ，同时将RTHResh降低0.01直至收敛（即）（即），该过程构成相关系数阈值以识别小鼠M的HD神经元（请参见扩展数据图1D ，E表示结果的说明） 。
我们训练了最近开发的贝叶斯解码器37 ，以从成像神经种群的反应钙反应中推断出HD方向。假定神经元之间的噪声独立性 。从概念上讲，该解码器类似于文献中常用的尖峰列车的贝叶斯解码方法47，除了我们使用零膨胀的伽马分布来模拟反voldvoved钙反应的随机性 ，而不是泊松分布 。我们先前的结果表明 ，与泊松噪声模型和其他一些选择相比，零膨胀的伽马模型可以更好地捕获钙信号的噪声 ，并提供更好的解码结果。此过程的详细信息可在参考文献第4节中找到。37 。在这里 ，我们通过迭代地将5帧（〜166.7毫秒）以上的可能性（围绕着每个迭代的相应时间段）组成的5帧（〜166.7毫秒）以上的可能性求和 。请注意，由于检测到的细胞段中HD调整神经元的主导性并避免选择偏见 ，因此所有ADN细胞的神经活性都被用作解码算法的输入。
我们将偏移定义为测得的头方向（θ测量）和解码的头方向（θDecedeD）之间的角差：
在所有涉及漂移估计的分析中 ，测量和解码的HD都使用20帧的移动平均过滤器（〜667 ms）平滑 。为了分析黑暗期间的漂移（除热图除外），采用进一步的平滑来提取信号的低频组件 ，从而使用宽度300帧（〜10 s）的移动平均过滤器 。在所有情况下 ，在20帧（〜667毫秒）的滑动窗口上进行了简单的线性回归，以估计回归窗口中心的漂移速度（即拟合线的斜率）。
使用MATLAB中的K-均值聚类函数进行[70：110]°范围内的重置分类 。提示显示后 ，我们使用了第一个1,450帧的数据 。该算法通过为每个重复的不同初始集群质心位置生成50个重复 ，然后使用“ City Block”距离度量计算每个群集的点到中心距离的总和。
在任何给定的时间，我们都可以使用归一化的调谐曲线加权总和48：从每个神经元的点火活动及其各自的调谐曲线中重建活性凸起：
在其中，A是一个360乘T的矩阵（每一行都是水平面的1°bin ，每列是分析范围内的框架） ，FI是神经元I和RI的调谐曲线，是神经元I的触发活性 。
我们假设 ，在任何给定时间 ，丘脑HD网络都受到射击活动的全球增益调制，它们同金应用于所有ADN神经元 ，以至于：
其中ri ，t是ADN神经元I的瞬时触发活动；αT是瞬时增益因子；FI是ADN神经元I的调整曲线（根据基线条件下的响应计算）；θt是时间t的神经活动的解码头方向；ε是加性高斯噪声 。
我们的目标是使用最大样本估计方法在任何给定时间t估算αT的值。
鉴于所有ADN神经元的时间t，θt以及调谐曲线FI的解码后方向 ，我们获得了与参数αT观察RI ，T的可能性：
我们定义向量：
其中n是网络中的ADN神经元的数量 。
假设上述神经元之间具有独立的活性，我们可以计算观察RT的可能性：
我们在双方应用对数：
我们的目标是确定最大化对数可能的参数 ，以便以下内容：
为此 ，我们参考αT采用目标函数的导数，并将其设置为零：
因此：
与偏移信号类似，除非另有说明 ，否则使用宽度20帧（〜667 ms）的移动平均过滤器将获得的增益平滑 。除扩展数据外 ，图5b -d，增益始终归一化为平均基线活性。在扩展数据图5b – d中 ，调整曲线代表了整个录制会话中内部HD的平均触发率。
增益热图是2D矩阵 ，其中每个像素p（x，y）是宽度为1.5°的2D箱 ，对应于测得的角头速度 ，高度为与解码的HD相对应的高度为1° 。Pixel P（X，Y）代表平均网络增益（across小鼠）和跨课程 - 在2D平均宽度宽度[x -3：x+3]°和高度[y - 15：y+15]° 。S.D.的2D高斯滤波器然后使用= 15（每秒钟15°×22.5°）。网络增益 ，解码的HD和测得的HD均使用宽度20帧（〜667 ms）的移动平均过滤器平滑 ，而测得的头部角速度通过具有相似宽度的回归窗口的简单线性回归近似 。为了评估增益热图之间差异的重要性（图4F），我们进行了Wilcoxon Rank-sum测试 ，以在每个像素上比较宽度的2D窗口内的增益分布[x-3：x+3]°s和高度[y - 15：y-15：y+15：y+15]°之间 ，在20的20 s实验和D2实验之间，在黑暗的台面之间 。由于我们只对正值的重要性感兴趣（表明新凸起的出现），因此负值以及p> 0.001被标记为NAN。
根据与增益热图相同的方法生成漂移速度的热图 。但是 ，通过简单的线性回归 ，带有宽度20帧（〜667 ms）的回归窗口近似漂移速度 。如上所述，计算了2分钟实验的20 s实验和D2之间的漂移速度差的P值矩阵（扩展数据图13E）。但是 ，只有p值> 0.001被标记为NAN 。
该分析的目的是说明基线吸引力 。我们定义状态空间（Y轴 ，漂移速度（每秒°）； X轴，漂移角（°））。我们通过将X轴分为宽度为20°的宽度为20° ，在[-180：180]°范围内 ，将Y轴分为每个宽度为20°，将Y轴分为每个宽度为20箱 ，每个宽度为20箱 ，每个宽度为20箱，每个宽度为20箱 ，每个宽度为20箱 ，每个宽度为20箱，每个宽度为20箱，每个宽度为20座 ，每个宽度为20座 ，每个宽度为20 b，每个宽度范围为0.03° 。在每个垃圾箱（x ，y） ，我们计算跨小鼠和跨疗程的平均漂移速度和平均漂移加速度 。后两个量代表确定速度矢量长度和方向的速度成分（U，V）。我们假设矢量场具有中央对称性 ，参考了基线点（0,0） ，这是由于实验设计中的对称性。因此，我们生成了原始矢量场的图像 ，该图像是其在原点上的反射 。然后将这两个版本进行平均以产生最终的2D矢量场 。使用MATLAB中的流线功能生成流线。对于无花果 。4D和5E ，模拟了超过1,000个时间段的流线 。
在每个连续的提示旋转时期的开头，视觉提示显示在与基线相同的位置。取消提示并取决于其先前的旋转速度后 ，提示将达到±180°或±90°（在x轴上反射出顺时针 - 提示旋转会话的提示方向 ，以使提示以±180°结束（快速提示旋转）或-90°（慢速提示提示）） 。因此，预计偏移量将在第二个黑暗时期的这两个方向的近距离范围内开始 。但是，在某些情况下 ，第一个黑暗时期的漂移足够大 ，因此旋转提示的初始锚定距离基线很远。这导致第二个黑暗中的漂移信号远离预期位置 。在图5D中，我们将分析限制为从[-180：-145] U [145：180]°开始的漂移 ，以进行快速提示旋转 ，[-125：-55]°°以用于缓慢的提示旋转，以研究基线期间跨n = 44 = 44的稳定性的效果 ，以研究跨60个稳定性的效果 。
通常认为 ，HD系统的主要功能是在任何给定时间提供HD的估计。由于该网络的大多数研究（包括我们的）是在记录放置在水平面上的动物中的神经活动时进行的，因此可以公平地假设 ，高清神经种群活性的大部分可变性可以由代表动物t的单个变量捕获 ，该变量是在Instant t上，参考给定的分配化学参考框架 。实际上 ，先前的研究表明 ，在稳定的条件下，不同的维度降低方法17,38会产生一个圆形的歧管，该循环歧管可以在具有固定半径的一维极性空间中相当近似 。然而 ，先前的研究17观察到 ，在慢波睡眠期间，结构变得更加复杂。我们的指导假设是 ，HD网络中神经活动的固有几何结构位于多维状态空间中 ，并且需要除角分以外的潜在变量以解释在不稳定条件（例如重置和漂移情况）的不稳定条件下峰值数据的可变性。在这里，我们通过添加一个我们期望指出HD网络全局射击活动的瞬时变化的径向组件来提出对潜在结构的最简单增强 。尽管我们认为 ，HD神经数据的真正内在维度高于两个 ，但当前的论文主要集中于在不稳定性过程中至少有HD系统的第二维度 。
为了检验我们的假设，我们开发了一个深馈出的神经网络 ，该网络将高维输入（神经）数据映射到2D极性空间（角度尺寸θ和径向尺寸r）。从测量的头方向对网络进行了循环数据训练 。径向分量r是一个潜在变量 ，可以采用任何非负值 。我们以前的分析（此处不包括）表明，尽管主要成分分析和ISOMAP等方法可以发现循环的潜在结构 ，但这些无监督的学习算法倾向于在噪音的情况下产生扭曲的圆圈 ，当应用于基线数据时（即稳定的状态），这使得对radius的定义不那么直接地进行了一种使人的使用方法，使我们的方法进行了刺激的方法。
我们使用了带有三个平行分支的前馈神经网络 。这些分支中的两个具有三个完全连接的隐藏层（分别称为第一和第二或B1和B2） ，而第三个分支具有两个完全连接的隐藏图层（称为中间或BM）（扩展数据图4D） 。输入层在时间t上从N ADN神经元中接收N×1的神经活动（钙迹线以及从反volved峰的发射活性都可以送到模型）。输出层由两个单元组成 ，这些单元是将中间分支的输出GT乘以第一个分支的输出Z1，一方面的输出Z1 ，另一方面是第二个分支的输出Z2 ，T的输出Z2，T ，另一方面 ，如扩展数据图4d所示 。
我们在基线数据上训练了模型 。目的是找到一组重量W，以最大程度地减少网络输出与向量之间的距离 ，其中θt是动物瞬间t时所测量的动物头方向。我们将损耗函数定义为平方误差：
在哪里 ，t是训练时期的持续时间，.2是L2规范 。如果算法收敛 ，我们将获得以下近似值：
让我们可以重写每个分支的输出：
实际上 ，这将使分支B1和B2可以从输入（神经）空间学习到给定状态ST的极性坐标的笛卡尔转换（分别在任何时候）（分别在任何时候）（B1分别将输入投射到X轴上，并且B2将输入投射到YAxIS上） 。从这两个分支中，我们可以提取解码角。虽然分支BM将学习从输入空间到所述状态半径的倒数 ，但在极空间中。如果我们假设根据我们的假设 ，那是全球神经活动的某种反映，那么我们预计训练数据中人口活动的少量波动（基线）足以使网络能够以较大的波动来推断测试数据 。
所有统计测试都记录在整个主要文本和补充信息中报告相应结果的情况下 。除非另有说明 ，否则所有测试均未校正两尾测试。将离群值确定为落在平均值±（3 s.d）范围之外的数据点 。
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 。
本文来自作者[admin]投稿，不代表永利号立场，如若转载，请注明出处：http://www.siyonli.com/wiki/202506-1970.html
评论列表（3条）
我是永利号的签约作者“admin”
本文概览： 这项研究使用了十二只雄性野生型小鼠（C57BL/6，Charles River），其中三只提供了足够的同时记录的HD细胞进行持续实验。在12 h – 12 h的光周期和40...
文章不错《在漂移和重新定位期间，头向神经元的种群动态》内容很有帮助