XiaoMi-AI文件搜索系统
World File Search SystemNeuropixels
Neuropixels 2.0：用于稳定、长期脑记录的微型高密度探头
神经科学面临的主要挑战是开发可大规模、跨所有相关时间尺度记录神经元活动的工具（1-5）。包括 Neuropixels 探针在内的最新进展利用 CMOS 制造方法显著扩大了记录点的数量和密度（6、7），从而能够以单脉冲分辨率前所未有地记录分布在大脑各处的大量神经元（8-11）。Neuropixels 探针已在小鼠（12-21）、大鼠（22-25）、雪貂（26）和非人类灵长类动物（27）等不同物种中得到迅速采用和广泛应用。尽管如此，仍存在一些关键障碍，阻碍我们稳定地记录数周至数月的长时间尺度上的单个神经元、自由行为的小动物的大量神经元以及密集堆积在具有多种几何形状的大脑结构中的神经元。
使用高密度 Neuropixels 探针在人类皮层进行具有单细胞分辨率的大规模神经记录
。CC-BY-ND 4.0 国际许可下可用（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2021 年 9 月 16 日发布。；https://doi.org/10.1101/2021.06.20.449152 doi：bioRxiv 预印本
使用 Neuropixels 探针对猕猴初级视觉皮层进行高分辨率层状识别
。CC-BY 4.0 国际许可下可用（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2024 年 1 月 24 日发布。；https://doi.org/10.1101/2024.01.23.576944 doi：bioRxiv 预印本
在单核苷酸分辨率的DNA中测序尿嘧啶
。cc-by-nd 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他已授予Biorxiv的许可证，以永久显示预印本。这是该版本的版权持有人，该版本发布于2021年6月21日。 https://doi.org/10.1101/2021.06.20.449152 doi：biorxiv preprint
Hantman CV 带图书馆
Steinmetz，NA，Aydin，J.，Lebedeva，A.，Okun，M.，Pachitariu，M.，Bauza，M.，Beau，M.，Bhagat，J.，Böhm，J.，Broux，M.，Chen，M. YS，J.，Sauerbrei，B.，Van Daal，R.，AZ，Wang，S.，Welkenhuysen，M.，Ye，Ye，Z.，Dudman，J.T. Haesler，S.，Carandini，M。和Harris，TD（2021）。 Neuropixels 2.0：一种用于稳定、长期脑记录的微型高密度探头。科学，372 (6539)。 https://doi.org/10.1126/science.abf4588
哺乳动物大脑中的分布式强化学习
分布式强化学习 (dRL) —— 学习预测的不仅是平均回报，还有回报的整个概率分布 —— 在广泛的基准机器学习任务中取得了令人印象深刻的表现。在脊椎动物中，基底神经节强烈编码平均值，长期以来被认为是实现 RL 的，但对于该回路中的神经元群是否、在何处以及如何编码有关奖励分布高阶矩的信息知之甚少。为了填补这一空白，我们使用 Neuropixels 探针来敏锐地记录执行经典条件反射任务的训练有素、缺水的小鼠的纹状体活动。在几个表征距离测量中，与相同奖励分布相关的气味彼此之间的编码相似度要高于与相同平均奖励但不同奖励方差相关的气味，这与 dRL 的预测一致，但不是传统 RL。光遗传学操作和计算建模表明，遗传上不同的神经元群编码了这些分布的左尾和右尾。总的来说，这些结果揭示了 dRL 与哺乳动物大脑之间显著的融合程度，并暗示了同一总体算法的进一步生物学专业化。
揭示多个神经元种群中并发信号的基序
现代记录技术现在使我们能够从不同大脑网络中不同神经元群体中记录。但是，尤其是当我们考虑多个（超过两个）人群时，需要新的概念和统计框架来表征这些人群中信号的多维，同时流动。在这里，我们开发了一个确定每个潜在维度所描述的人群的子集，（2）这些人群之间信号流的方向，以及（3）这些信号在实验试验内部和整个实验试验中如何演变。我们在模拟中说明了这些特征，并通过将其应用于猕猴视觉区域V1和V2中神经元种群的先前研究的录音来进一步验证该方法。然后，我们研究了与多个Neuropixels探针同时记录的区域V1，V2和V3D区域跨层隔室的相互作用。我们的方法揭示了与视网膜一致性相关的这三个领域的选择性交流的签名。这项工作推进了多个神经元种群中并发信号的研究。
利用初级视觉皮层的生物物理模拟揭示电流源和电流吸收器的电路机制
摘要 局部场电位 (LFP) 记录反映了脑组织中电流源密度 (CSD) 的动态。突触、细胞和电路对电流汇和源的贡献尚不清楚。我们使用公共 Neuropixels 记录和基于模拟 17 种细胞类型的 50,000 多个神经元的 Hodgkin-Huxley 动力学的详细电路模型在小鼠初级视觉皮层中研究了这些情况。该模型同时捕获了脉冲和 CSD 反应并展示了双向分离：通过调整突触权重可以改变放电率，对 CSD 模式的影响很小，通过调整树突上的突触位置可以改变 CSD，对放电率的影响很小。我们描述了丘脑皮层输入和循环连接如何在视觉反应早期塑造特定的汇和源，而皮层反馈在后期对它们产生重大改变。这些结果建立了宏观脑测量（LFP/CSD）与基于微观生物物理学的神经元动力学理解之间的定量联系，并表明 CSD 分析为建模提供了强大的约束，超出了考虑尖峰的约束。
绕过尖峰排序：使用密集多电极探针的尖峰定位进行基于密度的解码
神经解码及其在脑机接口 (BCI) 中的应用对于理解神经活动和行为之间的关联至关重要。许多解码方法的先决条件是尖峰分类，即将动作电位 (尖峰) 分配给单个神经元。然而，当前的尖峰分类算法可能不准确，并且不能正确模拟尖峰分配的不确定性，因此丢弃了可能提高解码性能的信息。高密度探针 (例如 Neuropixels) 和计算方法的最新进展现在允许从未排序的数据中提取一组丰富的尖峰特征；这些特征反过来可用于直接解码行为相关性。为此，我们提出了一种无尖峰分类的解码方法，该方法直接使用对尖峰分配的不确定性进行编码的高斯混合 (MoG) 来建模提取的尖峰特征的分布，而不旨在明确解决尖峰聚类问题。我们允许 MoG 的混合比例随时间变化以响应行为，并开发变分推理方法来拟合得到的模型并执行解码。我们用来自不同动物和探针几何的大量记录对我们的方法进行了基准测试，表明我们提出的解码器可以始终优于基于阈值（即多单元活动）和尖峰分类的当前方法。开源代码可在 https://github.com/yzhang511/density_decoding 上找到。
片上尖峰分类，有效的中位数... 基于闩锁的快速下垂响应的设计 llmcarbon
摘要 - Spike Corting是从细胞外记录中解码大规模神经活动的关键过程。神经探针的进步有助于记录大量神经元，并增加了通道计数的增加，从而导致较高的数据量并挑战了当前的On-Chip Spike Sorters。本文介绍了L-Sort，这是一种新颖的芯片尖峰分类解决方案，其中中位数尖峰检测和基于本地化的聚类。通过组合中位数近似值和提出的增量中值计算方案，我们的检测模块可实现记忆消耗的减少。此外，基于定位的聚类利用几何特征而不是形态特征，从而消除了在特征提取过程中包含尖峰波形的内存耗费缓冲区。使用Neuropixels数据集进行评估表明，L-SORT可以通过减少硬件资源消耗来实现竞争性排序精度。对FPGA和ASIC（180 nm技术）的实现，与最先进的设计相比，面积和功率效率显着提高，同时保持了可比的精度。，如果与使用相同数据集评估的最新设计相比，我们的设计将大约×10面积和功率效率达到相似的精度。因此，L-SORT是可植入设备中实时高通道计数神经处理的有前途的解决方案。