Unsupervised pipeline for the identification of cortical excitatory and inhibitory neurons in high-density multielectrode arrays with ground-truth validation
Notice bibliographique
Résumé
Large-scale extracellular recording techniques have advanced the study of neuronal circuits but lack methods to reliably identify cell types while scaling to thousands of neurons. We introduce spikeMAP, a pipeline for analyzing large-scale in vitro cortical recordings that combines spike sorting with cell-type identification using viral and optogenetic validation. SpikeMAP integrates data analysis with optogenetic, viral, and pharmacological protocols to dynamically probe distinct cell types while recording from large populations. The pipeline fits spike waveforms using spline interpolation to measure half-amplitude and peak-to-peak durations, applies principal component analysis and k-means clustering to isolate single-neuron signals, and uses linear discriminant analysis to optimize cluster separability. Channel source locations are determined through spatiotemporal spike waveform characteristics. Applied to mouse prefrontal cortex slices recorded on a 4096-channel array, spikeMAP effectively distinguishes regular-spiking excitatory neurons from fast-spiking inhibitory interneurons via action potential waveform, Fano factor, and spatial cross-correlations. This validated toolbox enables comprehensive characterization of neuronal activity across cell types in high-density recordings, offering a scalable approach to study microcircuit interactions in the brain.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».