Improving spike sorting performance of bursting neurons

For the understanding of how neural networks grow, learn and are able to fulfill their impressive functions, a reliable way to monitor their activity is crucial. In order to do so, one of the oldest techniques applied, is extracellular recordings. The main reasons for its broad usage are probably the low cost and relative ease of application. Extracellular recordings provide the possibility to detect spikes communicated through the neural network. In extracellular neural electrophysiology, individual spikes have to be assigned to their cell of origin in a procedure called "spike sorting". Spike sorting is an unsupervised problem, since no ground-truth information is generally available. Here, we focus on improving spike sorting performance, particularly during periods of high synchronous activity or so-called "bursting". Bursting entails systematic changes in spike shapes and amplitudes and remains a challenge for current spike sorting schemes. First, we use realistic simulated bursting recordings of high-density micro-electrode arrays (HD-MEAs) and we present a fully automated algorithm based on template matching with a focus on recovering missed spikes during bursts. Moreover, we suggest a method to limit manual curation of spike sorting output of bursting neurons by automatically merging units that have been over split due to bursting modulation. To compare and benchmark spike sorting performance after applying our method, we use ground-truth information of simulated recordings. Second, we propose an alternative approach to deal with bursting behaviour in more general cases. We use both simulated data and experimental recordings from primary dissociated rat hippocampal cell cultures to validate and benchmark our proposed method. For this purpose, we use HD-MEA recording combined with simultaneous patch recording. In this case the patch recording served as a ground-truth information to assess spike sorting performance. We show that our approach can be effective in improving spike sorting performance during bursting. Our method yields a reliable way for analyzing electrophysiological data of bursting neurons.

Per comprendere come le reti neurali crescono, apprendono e sono in grado di svolgere le loro straordinarie funzioni, è fondamentale un metodo affidabile per monitorare la loro attività. Una delle più antiche tecniche applicate è la registrazione extracellulare. Le ragioni principali del suo ampio utilizzo sono probabilmente il basso costo e la relativa facilità di applicazione. Le registrazioni extracellulari offrono la possibilità di rilevare i picchi comunicati attraverso la rete neurale. Nell’elettrofisiologia neurale extracellulare, i singoli picchi devono essere assegnati alla loro cellula di origine in una procedura chiamata "smistamento dei picchi". L’ordinamento dei picchi è un problema non supervisionato, perché generalmente non sono disponibili informazioni sulla verità di base. Qui, ci concentriamo sul miglioramento delle prestazioni di smistamento dei picchi, in partico lare durante i periodi di elevata attività sincrona o il cosiddetto "bursting". Lo scoppio comporta cambiamenti sistematici nelle forme e nelle ampiezze dei picchi e rimane una sfida per gli attuali schemi di smistamento dei picchi. In primo luogo, utilizziamo regis trazioni esplosive simulate realistiche di array di microelettrodi ad alta densità (HD-MEA) e presentiamo un algoritmo completamente automatizzato basato sulla corrispondenza dei modelli con particolare attenzione al recupero dei picchi mancati durante le esplosioni. In oltre, suggeriamo un metodo per limitare la cura manuale dell’output di smistamento dei picchi di neuroni che scoppiano unendo automaticamente le unità divise. Per confrontare e verificarne le prestazioni di ordinamento dei picchi dopo aver applicato il nostro metodo, utilizziamo informazioni sulla verità di base delle registrazioni simulate. In secondo luogo, proponiamo un approccio alternativo per affrontare il comportamento esplosivo in casi più generali. Utilizziamo sia dati simulati che registrazioni sperimentali ottenute da colture di cellule ippocampali primarie dissociate di ratto per convalidare e confrontare il nostro metodo proposto. A tale scopo, utilizziamo la registrazione HD-MEA combinata con la registrazione simultanea di patch. In questo caso la registrazione delle patch è servita come informazione di base. Dimostriamo che il nostro approccio può essere efficace nel migliorare le prestazioni di smistamento dei picchi durante lo scoppio.