SuperAPI AI 工具集
合作ENAI 行业资讯收藏
Skill 广场neuropixels-analysis

neuropixels-analysis

数据与分析

查看项目

更新于 10-21 16:24

技能介绍

用途

该技能用于使用 SpikeInterface、Allen Institute 与 International Brain Laboratory（IBL）的当前最佳实践，分析 Neuropixels 高密度神经记录。它覆盖从原始数据到可发表级筛选单元（curated units）的完整工作流。所有示例使用真实的 SpikeInterface API（spikeinterface.full 作为 si）以及配套的筛选模块（spikeinterface.curation 作为 sc）。技能附带 scripts/ 中的可运行脚本和 assets/ 中的复制即用模板，直接构建在 SpikeInterface 之上——除安装部分列出的依赖外，无需安装单独的包。

适用场景

  • 处理 Neuropixels 记录（.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（滤波、共参考、坏通道检测）
  • 检测与校正运动/漂移
  • 运行尖峰分选（Kilosort4、SpykingCircus2、Mountainsort5、Tridesclous2）
  • 计算质量指标（SNR、ISI 违规、存在比、幅度截断）
  • 筛选单元（基于阈值、基于模型或 AI 辅助）
  • 创建可视化并导出到 Phy 或 NWB

支持的硬件与格式

探针：Neuropixels 1.0（960 电极，384 通道，使用 phase_shift 进行 ADC 校正）；Neuropixels 2.0 单探针（1280 电极，384 通道，更密集几何）；Neuropixels 2.0 四探针（5120 电极，384 通道，多区域记录）。

格式：SpikeGLX（.ap.bin、.lf.bin、.meta，读取器 si.read_spikeglx()）；Open Ephys（.continuous、.oebin，读取器 si.read_openephys()）；NWB（.nwb，读取器 si.read_nwb()）。

使用方式

快速开始：导入并配置并行处理（si.set_global_job_kwargs），加载数据（先用 si.get_neo_streams 检查可用流，再按名称选择 AP 流），可对前 60 秒切片以便快速迭代。

完整流水线（附带脚本）：python scripts/neuropixels_pipeline.py /path/to/spikeglx/data output/ --sorter kilosort4 --curation allen，执行加载 → 预处理 → 漂移检查 → 可选运动校正 → 分选 → 后处理 → 质量指标 → 筛选 → 导出。

标准分析工作流：

  1. 预处理：高通滤波（freq_min=400.0）、检测坏通道并移除、phase_shift（Neuropixels 1.0 的 ADC 相位校正）、共参考（median、global），并用 rec.save(folder=...) 保存为二进制。
  2. 检查与校正漂移：检测峰值、定位峰值、绘制漂移栅格图，必要时用 correct_motion 校正（预设：rigid_fast、kilosort_like、nonrigid_accurate、nonrigid_fast_and_accurate、dredge、dredge_fast）。
  3. 尖峰分选：Kilosort4（推荐，需 CUDA GPU），CPU 替代方案 SpykingCircus2、Tridesclous2、Mountainsort5；外部分选器可用 docker_image=True 在容器中运行。注意 run_sorter 使用 folder= 参数，旧的 output_folder= 已弃用。
  4. 后处理：创建 SortingAnalyzer，计算 random_spikes、waveforms、templates、noise_levels、spike_amplitudes、correlograms、unit_locations、template_similarity 及质量指标（firing_rate、presence_ratio、snr、isi_violation、amplitude_cutoff）。
  5. 基于指标阈值的筛选：使用 Allen 风格查询（注意列名为 isi_violations_ratio），或使用附带脚本 compute_metrics.py 的 allen/ibl/strict 预设。
  6. 基于模型的筛选（UnitRefine）：通过 spikeinterface.curation 应用 Hugging Face 上的预训练分类器（噪声 vs 神经、单单元 vs 多单元），需 trust_model=True，返回含 prediction 与 probability 的 DataFrame。
  7. AI 辅助筛选：在 Cursor 或 Claude Code 等智能体内运行时，智能体可直接检查波形/相关图并给出专家判断；程序化视觉模型访问需从环境变量读取 API 密钥，切勿硬编码凭据。
  8. 导出结果：保留好单元后导出到 Phy（手动审查）、生成图表报告、导出 NWB、保存质量指标 CSV。

附带资源：scripts/explore_recording.py（快速检查记录）、scripts/preprocess_recording.py（自动预处理）、scripts/run_sorting.py（运行分选）、scripts/compute_metrics.py（计算指标并筛选）、scripts/export_to_phy.py（导出到 Phy）、scripts/neuropixels_pipeline.py（完整端到端流水线）、assets/analysis_template.py（可编辑分析模板）。

常见陷阱与最佳实践

分选前务必检查漂移（漂移 > ~10 μm 会显著降低质量）；Neuropixels 1.0 使用 phase_shift 校正 ADC 采样偏移；保存预处理记录以避免重复计算（Kilosort 也需要二进制文件）；Kilosort4 使用 GPU 远快于 CPU 分选器；审查不确定单元（自动/模型筛选只是起点而非结论）；结合多种方法（明确案例用阈值，边界单元用模型/AI）；记录阈值与模型仓库 ID 以保证可复现；关键实验导出到 Phy 进行人工监督。

关键可调参数

预处理：freq_min（高通截止，典型 300–400 Hz）；detect_bad_channels 返回 (bad_channel_ids, channel_labels)。运动校正：preset（nonrigid_fast_and_accurate 均衡、nonrigid_accurate 严重漂移、dredge 最先进）。Kilosort4：batch_size（默认 60000）、nblocks（漂移块，长且漂移的记录需增加）、Th_universal / Th_learned（检测阈值，越低尖峰越多）。质量指标：snr（典型 3–5）、isi_violations_ratio（0.01–0.5）、presence_ratio（0.5–0.95）。

安装

需要 Python ≥ 3.10，推荐使用 uv。核心包：uv pip install "spikeinterface[full]" probeinterface neo。分选器：uv pip install kilosort（Kilosort4，需 CUDA GPU）、uv pip install spykingcircus（旧版；SpykingCircus2 随 SpikeInterface 提供）、uv pip install mountainsort5（CPU）。基于模型的筛选（UnitRefine 从 Hugging Face 下载）：uv pip install "huggingface_hub" skops。可选 AI 辅助视觉筛选：uv pip install anthropic。可选 IBL 工具与 Bombcell：uv pip install ibl-neuropixel ibllib bombcell。可复现环境建议固定版本（截至 2026-06：spikeinterface==0.104.3、kilosort==4.1.7、probeinterface==0.3.2、neo==0.14.4）。

项目结构

project/ 下包含 raw_data/（原始记录）、preprocessed/（保存的预处理记录）、motion/（运动估计结果）、sorting_output/（分选器输出）、analyzer/（SortingAnalyzer，含波形与指标）、phy_export/（用于手动筛选）、ai_curation/（AI 分析报告）、results/（quality_metrics.csv、curation_labels.json、output.nwb）。

智能体操作流程与完整性规则

检查环境（确认工具版本、参考基因组/注释构建与输入格式）；明确输入（确认格式、标识符与参数，不确定时询问而非猜测）；先运行小规模版本（一个样本、一条染色体、几千个细胞）；执行完整任务；验证结果（检查 QC 指标、样本身份、基因组构建一致性、批次效应）；报告（说明运行内容、检查内容与仍不确定之处）。若基因组构建或标识符不匹配，停止并先协调；若指令中的函数/标志/端点在已安装版本中缺失，查阅该版本文档并告知用户，绝不虚构 API；若必需输入、标识符或参数不明确，询问用户或明确说明假设。绝不捏造结果、参数、标识符、引用或统计；不超出统计支持范围解释生物学意义，报告多重检验校正；将版本相关细节视为可能过时，对照已安装版本的官方文档确认；在涉及花钱、占用共享 GPU 或云配额、触碰个人或患者数据、或不可撤销的操作前先询问。

附加资源

SpikeInterface 文档、Neuropixels 教程、基于模型的筛选教程、UnitRefine 模型（Hugging Face）、Kilosort4 GitHub、IBL Neuropixel 工具、Allen Institute ecephys、Bombcell、Awesome Neuropixels 等链接见原文。

限制

Kilosort4 需要 CUDA GPU；基于模型的筛选模型在其他脑区/数据集上可能无法迁移，需用手动标注子集验证；AI 辅助筛选需在智能体内运行或配置 API 密钥；具体收费、价格与平台信息暂未提供。