无参数视网膜神经节细胞生理分类方法
Jouty et al. | Front Cell Neurosci 2018 | DOI: 10.3389/fncel.2018.00481
标签: #视网膜 #RGC分类 #无监督聚类 #MEA #SpikeDistance #3Brain
一、做什么 🔬
视网膜神经节细胞（RGC）是将视觉信息从视网膜传输到大脑的关键神经元。已知 RGC 有多个功能互补的类型，每种类型对不同的视觉特征敏感（方向选择性、ON/OFF、快/慢响应等）。但仅凭光响应模式对 RGC 进行可靠分类一直是个难题——以往方法需要先人工提取特征（如 PSTH、感受野参数），再用降维+聚类，但不同实验室的特征提取标准不统一，导致分类结果无法交叉验证。
核心问题：
| 问题 | 说明 |
|---|---|
| RGC 分类依赖人工特征提取 | 需要先定义感受野参数、PSTH 等，不同实验室结果不一致 |
| 传统聚类在低维特征空间中进行 | 降维过程可能丢失关键信息，且需要搜索最优超参数 |
| 跨视网膜的可重复性差 | 不同视网膜间的异质性导致合并数据聚类不可靠 |
实验设计：
| 要素 | 方案 |
|---|---|
| 记录设备 | 高密度 MEA（多电极阵列）同时记录小鼠视网膜 RGC 响应 |
| 刺激范式 | Chirp 刺激：暗→亮→灰→频率调制→幅度调制，覆盖广泛的响应特性 |
| 核心方法 | ISI Distance + SPIKE Distance（两种 spike train 距离度量）+ 层次聚类（Ward 算法） |
| 验证方式 | 合成数据（LNP 模型，8 种已知 RGC 类型）+ 真实视网膜数据（1026 个 RGC） |
二、发现什么 📊
发现 1：合成数据验证——Spike Distance 方法优于传统特征提取法
图1：用 LNP 模型生成 8 种已知 RGC 类型的合成 spike train。从上到下：（i）线性感受野；（ii）chirp 刺激波形；（iii）线性响应；（iv）通过非线性函数得到的发放率；（v）Poisson 过程生成的 spike raster。
| 维度 | 说明 |
|---|---|
| 做了什么 | 用线性-非线性-Poisson（LNP）模型生成 8 种已知 RGC 类型的合成 spike train（ON/OFF、快/慢、瞬态/持续），用 chirp 刺激驱动。比较 5 种聚类方法：ISI Distance、SPIKE Distance、以及 3 种基于特征向量的传统方法 |
| 发现什么 | ISI Distance 和 SPIKE Distance 在所有噪声水平和 RGC 数量下，聚类质量均优于基于特征向量的方法。特别是在中低噪声水平下，优势最显著 |
| 说明什么 | 直接用 spike train 的距离度量（而非先提取特征再聚类）能更好地保留 RGC 的生理信息，避免了特征工程和降维带来的信息损失 |
发现 2：噪声条件下的稳健性
图2：5 种方法在不同条件下的中位聚类质量评分（调整 Rand 指数、调整互信息、V-measure、Fowlkes-Mallows 指数的中位数）。ISI/SPIKE Distance 在所有条件下均优于特征向量方法。
| 维度 | 说明 |
|---|---|
| 做了什么 | 在合成数据中添加不同水平的噪声（泊松噪声），比较 5 种聚类方法的鲁棒性 |
| 发现什么 | SPIKE Distance 对噪声最鲁棒，在信噪比降低时聚类质量下降最慢。传统方法（基于 PCA 降维+K-means）在噪声水平升高时质量急剧下降 |
| 说明什么 | 在真实实验数据中（必然含噪声），Spike Distance 方法能更可靠地区分 RGC 类型 |
发现 3：真实视网膜数据——1026 个 RGC 的无监督分类
图3：Gap 统计量作为聚类数量的函数。ISI Distance（左）和 SPIKE Distance（右）在全视野刺激和 chirp 刺激下的结果。Gap 统计量的峰值指示最优聚类数量。
| 维度 | 说明 |
|---|---|
| 做了什么 | 用高密度 MEA 记录 1026 个 RGC 对 chirp 刺激的响应，计算 ISI 和 SPIKE 距离矩阵，用 Gap 统计量确定最优聚类数量，然后进行层次聚类 |
| 发现什么 | Gap 统计量在 20-35 个聚类 处出现峰值，与文献报道的 RGC 类型数量一致（Baden et al., 2016 报道至少 39 种） |
| 说明什么 | Spike Distance 方法能从真实数据中自动推断出合理的 RGC 类型数量，无需人工设定聚类数 |
发现 4：RGC 类型的树状图与亚型鉴定
图4：1026 个 RGC 的层次聚类树状图。线条颜色根据 bias 指数着色，表示每个单元相对于平均响应的偏好。聚类后鉴定出多种已知 RGC 类型（如 Off-alpha、On 单相/双相等）。
| 维度 | 说明 |
|---|---|
| 做了什么 | 对 1026 个 RGC 进行层次聚类，生成树状图，根据树状图的分支结构和每个 cluster 的响应特性（PSTH、感受野、方向选择性）鉴定 RGC 类型 |
| 发现什么 | 鉴定出 多种已知 RGC 类型，包括 Off-alpha 细胞、On 单相和双相 RGC 等。树状图清晰显示了不同类型之间的层次关系，噪声单元首先被分离出来，稳定的 RGC 类型保持聚类一致 |
| 说明什么 | 该方法能自动分离噪声单元（通过聚类稳定性），并鉴定出功能明确的 RGC 亚型 |
发现 5：跨视网膜的 RGC 类型匹配
图5：两个独立视网膜的 RGC 分别聚类为 34 种类型，然后用 cosine 距离匹配对应类型。每个 panel 显示全视野刺激（左）和 chirp 刺激频率调制部分（右）的 PSTH。
| 维度 | 说明 |
|---|---|
| 做了什么 | 对两个独立小鼠视网膜的 RGC 数据分别聚类，然后用 cosine 距离在聚类结果之间寻找匹配的类型对 |
| 发现什么 | 不同视网膜间可以匹配到大量对应的 RGC 类型，但同时也发现视网膜间存在显著异质性，导致合并数据聚类时经常按视网膜来源分组，而非按 RGC 类型分组 |
| 说明什么 | RGC 类型在不同个体间具有一定的保守性，但异质性也意味着不能用一个"通用"分类模板来标定所有视网膜。需要在每个视网膜上独立聚类后再进行跨视网膜匹配 |
发现 6：匹配类型的响应特性一致性
图6：两个视网膜中匹配的 RGC 类型的 PSTH 对比。左侧为全视野刺激，右侧为 chirp 刺激的频率调制部分。匹配的类型在响应模式上高度一致。
| 维度 | 说明 |
|---|---|
| 做了什么 | 对匹配的类型对，比较它们在全视野刺激和 chirp 刺激下的 PSTH，验证匹配的有效性 |
| 发现什么 | 匹配的 RGC 类型在响应波形和时间动力学上高度一致，表明该方法鉴定的是真实的生理类型，而非随机分组 |
| 说明什么 | Spike Distance 方法鉴定的 RGC 类型具有跨实验的可重复性，这是建立标准化分类体系的前提 |
三、说明什么 💡
| 发现 | 意义 |
|---|---|
| Spike Distance 优于特征提取法 | 无参数、无需人工特征工程的聚类方法在 RGC 分类中表现更好，减少了人为偏见 |
| SPIKE Distance 对噪声鲁棒 | 在真实实验数据（必然含噪声）中，该方法能更可靠地鉴定 RGC 类型 |
| Gap 统计量自动确定聚类数 | 无需预设"有多少种 RGC"，让数据自己说话 |
| 跨视网膜可匹配但异质性显著 | 个体差异意味着不能用一个"标准模板"标定所有视网膜，需要独立聚类后匹配 |
| 树状图可分离噪声单元 | 该方法自带质量控制功能，能自动排除无效记录单元 |
与我们的产品
| 产品 | 关联度 | 应用场景 |
|---|---|---|
| 3Brain 4096 MEA | ⭐⭐⭐⭐ | 视网膜 RGC 记录的理想平台。4096 电极可同时记录数百至上千个 RGC，配合 chirp 刺激实现高通量分类 |
| 3Brain BioCam | ⭐⭐⭐⭐ | 视网膜体外研究的成熟应用方向。高密度电极阵列可解析 RGC 的空间分布和响应特性 |
| Spike Distance 分析方法 | ⭐⭐⭐ | 可作为 3Brain 数据分析管线的补充工具，提供无参数、自动化 RGC 分类能力 |
📄 原文 PDF
Jouty 2018 - Non-parametric RGC Classification - Front Cell Neurosci.pdf
参考文献
- Baden T, Berens P, Franke K, Román Rosón M, Bethge M, Euler T. The functional diversity of retinal ganglion cells in the mouse. Nature. 2016;529:345-350.
- Kreuz T, Chicharro D, Hutt A, Kurths J, Mormann F. Monitoring spike train synchrony. J Neurophysiol. 2013;110:1457-1468.
- Zeck G, Masland RH. Spike train similarity-space indexing. Curr Biol. 2007;17:1006-1011.
- Farrow K, Masland RH. Physiological clustering of visual channels in the mouse retina. Neuron. 2011;70:657-670.
转发语：无参数 RGC 分类新策略——直接用 spike train 距离做层次聚类，无需人工特征提取，噪声条件下更鲁棒，3Brain MEA 视网膜数据的理想分析工具。
联系人：李东伟
📞 18045130660 🌐 https://www.biokingdom.top