# Neuropixels 数据分析 ## 概述使用 SpikeInterface、艾伦研究所和国际脑实验室 (IBL) 的当前最佳实践来分析 Neuropixels 高密度神经记录的综合工具包。支持从原始数据到可发布的策展单元的完整工作流程。 ## 何时使用此技能该技能应该在以下情况下使用： * 使用 Neuropixels 录音（.ap.bin、.lf.bin、.meta 文件） * 从 SpikeGLX、Open Ephys 或 NWB 格式加载数据 * 预处理神经记录（过滤、CAR、坏通道检测） * 检测并纠正录音中的运动/漂移 * 运行尖峰排序（Kilosort4、SpykingCircus2、Mountainsort5） * 计算质量指标（SNR、ISI 违规、存在率） * 使用 Allen/IBL 标准的策展单位 * 创建神经数据的可视化 * 将结果导出到 Phy 或 NWB ## 支持的硬件和格式探针|电极|频道 |注释 ---|---|---|--- 神经像素1.0 | 960 | 960 384 | 384需要相移校正 Neuropixels 2.0（单）| 1280 | 1280 384 | 384更密集的几何形状 Neuropixels 2.0（4 柄）| 5120| 384 | 384多区域录音格式|扩展|读者 ---|---|--- 斯派克GLX | `.ap.bin`、`.lf.bin`、`.meta` | `si.read_spikeglx()` 打开 Ephys | `.连续`、`.oebin` | `si.read_openephys()` 新世界银行 | `.nwb` | `si.read_nwb()` ## 快速入门 ### 基本导入和设置导入 spikeinterface.full 作为 si 将 Neuropixels_analysis 导入为 npa # 配置并行处理 job_kwargs = dict(n_jobs=-1, chunk_duration='1s', Progress_bar=True) ### 加载数据 # SpikeGLX（最常见）录音= si.read_spikeglx('/path/to/data',stream_id='imec0.ap') # 打开 Ephys（许多实验室常用）记录 = si.read_openephys('/path/to/Record_Node_101/') # 检查可用的流流， ids = si.get_neo_streams('spikeglx', '/path/to/data') print(streams) # ['imec0.ap', 'imec0.lf', 'nidq'] # 用于测试数据子集录音 = 录音.frame_slice(0, int(60 * 录音.get_sampling_Frequency())) ### 完整管道（一个命令） # 运行完整的分析管道结果= npa.run_pipeline( 录音, 输出目录='输出/', 排序器='kilosort4', curation_method='艾伦', ） # 访问结果排序=结果['排序'] 指标=结果['指标'] 标签=结果['标签'] ## 标准分析工作流程 ### 1\.预处理 # 推荐的预处理链 rec = si.highpass_filter(录音, freq_min=400) rec = si.phase_shift(rec) # Neuropixels 1.0 所需 bad_ids, _ = si.detect_bad_channels(rec) rec = rec.remove_channels(bad_ids) rec = si.common_reference(rec, 运算符='中位数') # 或者使用我们的包装器 rec = npa.预处理（记录） ### 2\.检查并纠正漂移 # 检查漂移（始终这样做！） Motion_info = npa.estimate_motion（rec，预设='kilosort_like'） npa.plot_drift（rec，motion_info，输出='drift_map.png'） # 如果需要的话应用修正 ifmotion_info['motion'].max() > 10: # 微米 rec = npa. Correct_motion（rec，预设='nonrigid_accurate'） ### 3\.尖峰排序 # Kilosort4（推荐，需要GPU）排序= si.run_sorter（'kilosort4'，rec，文件夹='ks4_output'） # CPU 替代品排序 = si.run_sorter('tridesclous2', rec, 文件夹='tdc2_output') 排序= si.run_sorter（'spykingcircus2'，rec，文件夹='sc2_output'）排序= si.run_sorter（'mountainsort5'，rec，文件夹='ms5_output'） # 检查可用的排序器打印（si.installed_sorters（）） ### 4\.后处理 # 创建分析器并计算所有扩展分析器= si.create_sorting_analyzer（排序，rec，稀疏= True）分析器.compute('random_spikes', max_spikes_per_unit=500) analyzer.compute('波形', ms_before=1.0, ms_after=2.0) 分析器.compute('模板', 运算符=['平均', 'std']) 分析器.compute('spike_amplitudes') 分析器.compute('相关图', window_ms=50.0, bin_ms=1.0) analyzer.compute('unit_locations', method='monopol_triangulation') 分析器.compute('quality_metrics') 指标=analyzer.get_extension('quality_metrics').get_data() ### 5\.策展 # 艾伦研究所标准（保守） good_units = 指标.query(""" 存在比率 > 0.9 且 isi_violations_ratio < 0.5 且幅度截止 < 0.1 """).index.tolist() # 或者使用自动管理标签 = npa.curate(metrics, method='allen') # 'allen', 'ibl', 'strict' ### 6\. AI辅助策展（针对不确定单位）当将此技能与 Claude Code 结合使用时，Claude 可以直接分析波形图并提供专家管理决策。对于编程 API 访问：从 anthropic 导入 Anthropic # 设置API客户端客户端=人类（） # 直观地分析不确定单位不确定=metrics.query('snr > 3 and snr < 8').index.tolist() 对于不确定的unit_id：结果= npa.analyze_unit_visually（分析器，unit_id，api_client =客户端） print(f"单位 {unit_id}: {结果['分类']}") print(f" 推理：{结果['推理'][:100]}...") **Claude 代码集成**：在 Claude 代码中运行时，要求 Claude 直接检查波形/相关图 - 无需 API 设置。 ### 7\.生成分析报告 # 生成具有可视化效果的综合 HTML 报告 report_dir = npa.generate_analysis_report(结果, '输出/') # 打开report.html，其中包含摘要统计数据、数字和单位表 # 将格式化的摘要打印到控制台 npa.print_analysis_summary（结果） ### 8\.导出结果 # 导出到 Phy 进行手动审核 si.export_to_phy(分析器，output_folder='phy_export/', compute_pc_features = True，compute_amplitudes = True） # 导出到 NWB 从spikeinterface.exporters导入export_to_nwb export_to_nwb(rec, 排序, 'output.nwb') # 保存质量指标指标.to_csv('quality_metrics.csv') ## 常见陷阱和最佳实践 1. **在尖峰分选之前始终检查漂移** - 漂移 > 10μm 会显着影响质量 2. **对 Neuropixels 1.0 探针使用phase_shift**（2.0 不需要） 3. **保存预处理数据**以避免重新计算 - 使用 `rec.save(folder='preprocessed/')` 4. **使用 GPU** 进行 Kilosort4 - 它比 CPU 替代品快 10-50 倍 5. **手动审查不确定的单元** \-自动管理是一个起点 6. **将指标与 AI 相结合** \- 对明确案例使用指标，对边界单元使用 AI 7. **记录您的阈值** \- 不同的分析可能需要不同的标准 8. **导出到 Phy** 进行关键实验 - 人类监督很有价值 ## 需要调整的关键参数 ### 预处理 * `freq_min`：高通截止（典型值 300-400 Hz） * `detect_threshold`: 不良通道检测灵敏度 ### 运动校正 * `preset`：'kilosort_like'（快速）或'nonrigid_accurate'（更适合严重漂移） ### 尖峰排序 (Kilosort4) * `batch_size`: 每批样本数（默认 30000） * `nblocks`：漂移块的数量（长录音时增加） * `Th_learned`：检测阈值（较低=更多尖峰） ### 质量指标 * `snr_threshold`：信噪比截止（典型值为 3-5） * `isi_violations_ratio`：难处理违规 (0.01-0.5) * `presence_ratio`: 录音覆盖范围 (0.5-0.95) ## 捆绑资源 ### 脚本/preprocess_recording.py 自动预处理脚本： python 脚本/preprocess_recording.py /path/to/data --输出预处理/ ### 脚本/run_sorting.py 运行尖峰排序： python 脚本/run_sorting.py 预处理/ --sorter kilosort4 --输出排序/ ### 脚本/compute_metrics.py 计算质量指标并应用管理： python脚本/compute_metrics.py排序/预处理/--输出指标/--curation allen ### 脚本/export_to_phy.py 导出到 Phy 进行手动管理： python脚本/export_to_phy.py指标/分析器--输出phy_export/ ### 资产/analysis_template.py 完整的分析模板。复制并自定义： cp 资产/analysis_template.py my_analysis.py # 编辑参数并运行 python my_analysis.py ###参考/standard_workflow.md 详细的分步工作流程以及每个阶段的说明。 ###参考/api_reference.md 按模块组织的快速功能参考。 ###参考/plotting_guide.md 出版质量数据的综合可视化指南。 ## 详细参考指南主题 |参考 ---|--- 完整的工作流程| [参考/standard_workflow.md]() API参考| [参考/api_reference.md]() 绘图指南 | [参考/plotting_guide.md]() 预处理 | [PREPROCESSING.md]() 穗排序| [SPIKE_SORTING.md]() 运动校正| [MOTION_CORRECTION.md]() 质量指标| [QUALITY_METRICS.md]() 自动管理| [AUTOMATED_CURATION.md]() 人工智能辅助策展 | [AI_CURATION.md]() 波形分析| [ANALYSIS.md]() ## 安装 # 核心包 pip install spikeinterface[完整]probeinterface neo # 尖峰分拣机 pip install kilosort # Kilosort4（需要 GPU） pip 安装spykingcircus # SpykingCircus2 (CPU) pip install mountainsort5 # Mountainsort5 (CPU) # 我们的工具包 pip 安装神经像素分析 # 可选：人工智能策展 pip 安装人类 # 可选：IBL 工具 pip 安装 ibl-neuropixel ibllib ## 项目结构项目/ ├── 原始数据/ │ └── 录音_g0/ │ └── 录音_g0_imec0/ │ ├── 录音_g0_t0.imec0.ap.bin │ └── 录音_g0_t0.imec0.ap.meta ├── preprocessed/ # 保存的预处理录音 ├──motion/ # 运动估计结果 ├── sorting_output/ # Spike 排序器输出 ├──analyzer/#SortingAnalyzer（波形、指标） ├── phy_export/ # 用于手动管理 ├── ai_curation/ # AI分析报告 └── 结果/ ├── 质量指标.csv ├── curation_labels.json └── 输出.nwb ## 其他资源 * **SpikeInterface 文档**： * **Neuropixels 教程** ： * **Kilosort4 GitHub** ： * **IBL 神经像素工具**： * **艾伦研究所 ecephys** ： * **Bombcell（自动 QC）** ： * **SpikeAgent（AI 管理）** ：

神经像素分析

包含技能