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 10-16 04:03

技能介绍

用途

neuropixels-analysis 是一套用于分析 Neuropixels 高密度神经记录的综合工具包，采用 SpikeInterface、Allen Institute 和 International Brain Laboratory（IBL）的当前最佳实践，支持从原始数据到可发表级别整理单元（units）的完整工作流。

该技能适用于以下场景：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、CAR、坏通道检测）；检测与校正记录中的运动/漂移；运行脉冲分选（Kilosort4、SpykingCircus2、Mountainsort5）；计算质量指标（SNR、ISI 违规、存在比）；依据 Allen/IBL 标准整理单元；创建神经数据可视化；将结果导出为 Phy 或 NWB。

支持的硬件与格式

探头方面，Neuropixels 1.0 为 960 电极、384 通道，需要 phase_shift 校正；Neuropixels 2.0（单 shank）为 1280 电极、384 通道，几何更密集；Neuropixels 2.0（4-shank）为 5120 电极、384 通道，可进行多区域记录。

格式方面，SpikeGLX 使用 .ap.bin、.lf.bin、.meta 扩展名，通过 si.read_spikeglx() 读取；Open Ephys 使用 .continuous、.oebin，通过 si.read_openephys() 读取；NWB 使用 .nwb，通过 si.read_nwb() 读取。

使用方式

基本设置示例：

import spikeinterface.full as si
import neuropixels_analysis as npa

# 配置并行处理
job_kwargs = dict(n_jobs=-1, chunk_duration='1s', progress_bar=True)

加载数据示例：

# SpikeGLX（最常见）
recording = si.read_spikeglx('/path/to/data', stream_id='imec0.ap')

# Open Ephys（许多实验室常用）
recording = si.read_openephys('/path/to/Record_Node_101/')

# 检查可用流
streams, ids = si.get_neo_streams('spikeglx', '/path/to/data')
print(streams)  # ['imec0.ap', 'imec0.lf', 'nidq']

# 使用数据子集进行测试
recording = recording.frame_slice(0, int(60 * recording.get_sampling_frequency()))

一键完整流程示例：

results = npa.run_pipeline(
    recording,
    output_dir='output/',
    sorter='kilosort4',
    curation_method='allen',
)

sorting = results['sorting']
metrics = results['metrics']
labels = results['labels']

标准分析工作流包含以下阶段：

  1. 预处理。推荐链路为高通滤波（freq_min=400）、phase_shift（Neuropixels 1.0 必需）、坏通道检测与移除、共参考（operator='median'），也可使用封装函数 npa.preprocess(recording)。

  2. 检查与校正漂移。使用 npa.estimate_motion(rec, preset='kilosort_like') 估计运动，通过 npa.plot_drift 输出漂移图；若运动最大值超过 10 微米，则使用 npa.correct_motion(rec, preset='nonrigid_accurate') 校正。

  3. 脉冲分选。推荐 Kilosort4（需要 GPU）：si.run_sorter('kilosort4', rec, folder='ks4_output')；CPU 替代方案包括 tridesclous2、spykingcircus2、mountainsort5；可用 si.installed_sorters() 查看已安装的分选器。

  4. 后处理。创建 analyzer 并计算扩展：random_spikes、waveforms、templates、spike_amplitudes、correlograms、unit_locations、quality_metrics，示例参数为 max_spikes_per_unit=500、ms_before=1.0、ms_after=2.0、window_ms=50.0、bin_ms=1.0、method='monopolar_triangulation'。

  5. 整理。可使用 Allen Institute 标准（保守）查询指标，或使用 npa.curate(metrics, method='allen')（支持 'allen'、'ibl'、'strict'）进行自动整理。

  6. AI 辅助整理（针对不确定单元）。在 Claude Code 中运行时可直接分析波形图并给出整理决策，无需 API 设置；程序化 API 访问需使用 anthropic 客户端，调用 npa.analyze_unit_visually(analyzer, unit_id, api_client=client)，例如针对 snr 在 3 到 8 之间的不确定单元。

  7. 生成分析报告。使用 npa.generate_analysis_report(results, 'output/') 生成包含可视化、汇总统计、图表和单元表格的 HTML 报告，或用 npa.print_analysis_summary(results) 打印格式化摘要。

  8. 导出结果。可导出到 Phy 进行人工审查（si.export_to_phy，含 compute_pc_features 与 compute_amplitudes）、导出到 NWB（export_to_nwb），并将质量指标保存为 CSV（metrics.to_csv）。

关键参数

预处理方面，freq_min 为高通截止频率（典型 300-400 Hz），detect_threshold 控制坏通道检测灵敏度。运动校正方面，preset 可选 'kilosort_like'（快）或 'nonrigid_accurate'（对严重漂移更好）。Kilosort4 方面，batch_size 为每批样本数（默认 30000），nblocks 为漂移块数（长记录需增加），Th_learned 为检测阈值（越低检测到越多脉冲）。质量指标方面，snr_threshold 为信噪比截止（典型 3-5），isi_violations_ratio 为不应期违规（0.01-0.5），presence_ratio 为记录覆盖度（0.5-0.95）。

常见陷阱与最佳实践

分选前始终检查漂移，漂移超过 10μm 会显著影响质量；Neuropixels 1.0 探头需使用 phase_shift（2.0 不需要）；保存预处理数据以避免重复计算，使用 rec.save(folder='preprocessed/')；Kilosort4 建议使用 GPU，比 CPU 替代方案快 10-50 倍；人工复核不确定单元，自动整理只是起点；结合指标与 AI，清晰案例用指标，边界单元用 AI；记录所用阈值，不同分析可能需要不同标准；关键实验导出到 Phy，人工监督很有价值。

附带的脚本与资源

脚本包括：scripts/preprocess_recording.py（自动化预处理）、scripts/run_sorting.py（运行脉冲分选）、scripts/compute_metrics.py（计算质量指标并应用整理）、scripts/export_to_phy.py（导出到 Phy 进行人工整理）。资源包括 assets/analysis_template.py（完整分析模板，可复制并自定义）、reference/standard_workflow.md（详细分步工作流）、reference/api_reference.md（按模块组织的函数速查）、reference/plotting_guide.md（出版级图表可视化指南）。详细参考指南涵盖完整工作流、API 参考、绘图指南、预处理、脉冲分选、运动校正、质量指标、自动整理、AI 辅助整理、波形分析等主题。

安装

# 核心包
pip install spikeinterface[full] probeinterface neo

# 脉冲分选器
pip install kilosort          # Kilosort4（需要 GPU）
pip install spykingcircus     # SpykingCircus2（CPU）
pip install mountainsort5     # Mountainsort5（CPU）

# 本工具包
pip install neuropixels-analysis

# 可选：AI 整理
pip install anthropic

# 可选：IBL 工具
pip install ibl-neuropixel ibllib

项目结构

典型项目结构如下：raw_data 存放原始记录（如 recording_g0/recording_g0_imec0/ 下的 .ap.bin 与 .meta）；preprocessed 保存预处理后的记录；motion 保存运动估计结果；sorting_output 保存分选器输出；analyzer 保存 SortingAnalyzer（波形、指标）；phy_export 用于人工整理；ai_curation 保存 AI 分析报告；results 保存 quality_metrics.csv、curation_labels.json、output.nwb。

限制

资料未提供本工具的具体收费、价格、平台兼容范围、性能基准及使用步骤以外的效果承诺，相关信息暂未提供。