A database and deep learning toolbox for noise-optimized, generalized spike inference from calcium imaging.
A database and deep learning toolbox for noise-optimized, generalized spike inference from calcium imaging.
复制标题
DOI：
10.1038/s41593-021-00895-5
复制
发表时间：
2021-09
影响因子：
25
通讯作者：
Friedrich RW
中科院分区：
文献类型：
--
作者：
Rupprecht P;Carta S;Hoffmann A;Echizen M;Blot A;Kwan AC;Dan Y;Hofer SB;Kitamura K;Helmchen F;Friedrich RW
由于缺乏同时测量动作电位和钙信号（“基本事实”），从神经元钙信号推断动作电位（“尖峰”）变得复杂。我们根据斑马鱼和小鼠的公开记录和新近进行的记录编制了一个大型、多样化的地面实况数据库，涵盖广泛的钙指标、细胞类型和信噪比，包括来自 298 个神经元的总共超过 35 个小时的记录。我们开发了一种尖峰推断算法 (CASCADE)，该算法基于监督深度网络，利用地面实况数据库，推断绝对尖峰率，并且优于现有的基于模型的算法。为了优化未见过的成像数据的性能，CASCADE 通过重新采样地面实况数据来重新训练自身，以匹配各自的采样率和噪声水平；因此，用户无需调整任何参数。此外，我们针对看不见的数据开发了系统的性能评估，公开发布了资源工具箱，并提供了用户友好的基于云的实施。
Inference of action potentials (‘spikes’) from neuronal calcium signals is complicated by the scarcity of simultaneous measurements of action potentials and calcium signals (‘ground truth’). We compiled a large, diverse ground-truth database from publicly available and newly performed recordings in zebrafish and mice covering a broad range of calcium indicators, cell types, and signal-to-noise ratios, comprising a total of >35 recording hours from 298 neurons. We developed an algorithm for spike inference (CASCADE) that is based on supervised deep networks, takes advantage of the ground-truth database, infers absolute spike rates, and outperforms existing model-based algorithms. To optimize performance for unseen imaging data, CASCADE retrains itself by resampling ground-truth data to match the respective sampling rate and noise level; therefore, no parameters need to be adjusted by the user. In addition, we developed systematic performance assessments for unseen data, openly release a resource toolbox, and provide a user-friendly cloud-based implementation.
登录
查看更多内容
提高神经元群体记录的数据质量。
影响因子：
25
作者：
Harris KD;Quiroga RQ;Freeman J;Smith SL
通讯作者：
Smith SL
影响因子：
2.9
作者：
Gers, FA;Schmidhuber, J;Cummins, F
通讯作者：
Cummins, F
影响因子：
3
作者：
Eden, Uri T.;Kramer, Mark A.
通讯作者：
Kramer, Mark A.
影响因子：
5.5
作者：
Eltes, Timea;Szoboszlay, Miklos;Nusser, Zoltan
通讯作者：
Nusser, Zoltan
影响因子：
16.6
作者：
Deneux, Thomas;Kaszas, Attila;Vanzetta, Ivo
通讯作者：
Vanzetta, Ivo