使用 nicespike 和 spikeNburst 增强分析高密度多电极阵列电生理数据的协议

PDF原文：下载原文

文献信息

一句话总结

提供了一套完整的 HD-MEA 电生理数据分析协议，包含两个互补工具：nicespike（GPU 加速的 spike sorting 全流程，基于 Kilosort 模板匹配）和 spikeNburst（spike train 过滤、burst/network burst 检测和同步性分析），支持 3Brain Accura 2D、BioCAM DupleX 等多厂商设备，提供 GUI 和 Python 模块两种使用方式。

核心科学问题

高密度多电极阵列（HD-MEA）能够以极高的空间和时间分辨率记录体外神经元活动，但这些海量数据的分析仍面临挑战：

• 数据规模：4096 电极、20 kHz 采样率产生的数据量巨大，传统分析方法难以处理
• Spike sorting 复杂性：HD-MEA 记录中同一神经元可能在多个电极上被检测到，需要准确的 spike sorting 算法
• 网络动态分析：需要可靠的 burst 和 network burst 检测方法，以及神经元同步性评估工具
• 多厂商兼容性：不同 MEA 制造商（3Brain、Maxwell Biosystems 等）的数据格式和分析流程需要统一

关键问题：如何建立一套标准化、可扩展的 HD-MEA 数据分析协议，支持从原始电压迹线到网络动态分析的完整流程？

技术方案

1. nicespike 工具：完整的电生理数据分析流水线
   • GPU 加速的 spike sorting（Kilosort 模板匹配）
   • SpikeInterface 集成，支持多种 spike sorting 算法
   • 自动过滤低质量单元（ISI 违规率、最低放电率）
   • 生成可视化图表（探针图、单元模板、波形）
2. spikeNburst 工具：spike train 分析
   • 活跃单元检测（最低放电率 0.05 Hz）
   • Burst 检测（chiappalone、pasquale、chiappalone_isi_threshold 方法）
   • Network burst 检测（最小单元数 5，最大 IBEI 0.2 s）
   • 同步性分析（STTC、spike distance）
3. GUI + Python 模块：两种使用方式，支持批量分析
4. 多设备兼容：3Brain Accura 2D、BioCAM DupleX，可扩展到 Maxwell Biosystems

实验数据与协议步骤

1. nicespike 配置

做了什么：配置 nicespike 工具的参数，包括通用设置、spike 检测、同步性、burst 和网络 burst 检测。

发现了什么：

• 通用设置：并行进程数（推荐>1 以加速分析）、导出格式（ods/xlsx/pkl）
• Spike 检测：高通滤波 300 Hz，低通滤波 6000 Hz，最低放电率 0.05 Hz，ISI 违规率阈值 1.5 ms
• 同步性：STTC 时间窗口 0.5 s，spike distance 120 bins
• Burst 检测：默认 pasquale 方法，最小 spike 数 5，最大 ISI 阈值 1.0 s
• Network burst：最小单元数 5，最大 IBEI 0.2 s

说明了什么：nicespike 提供了灵活的参数配置，支持多种 burst 和 network burst 检测方法，用户可根据实验需求调整。

图 1：nicespike 工具界面，显示加载的原始电压记录和分析状态

图 2：nicespike 设置对话框：(A) 通用、(B) 单元过滤、(C) 同步性、(D) burst 和 (E) network burst 检测、(F) 绘图设置

2. 使用 nicespike 分析电压迹线

做了什么：加载原始电压记录（.brw 文件），选择记录进行分析，运行自动化分析流程。

发现了什么：

• 文件加载：支持单个 brw 文件或包含 brw 文件的文件夹
• 批量分析：可选择多个记录同时分析，支持全选
• 分析状态：实时显示当前处理记录的状态，支持取消（但需重启 nicespike）
• 错误处理：如果未找到单元，显示错误消息并忽略该记录

说明了什么：nicespike 的自动化分析流程能够高效处理多个 HD-MEA 记录，减少人工干预。

图 3：nicespike 分析流程和结果展示

3. 使用 nicespike 绘图和导出

做了什么：在分析完成后，生成自动化图表并导出数据表格。

发现了什么：

• 图表生成：点击"PLOTS"按钮生成选定记录的图表，保存为 plots.zip
• 数据导出：点击"EXPORT"按钮导出为表格（ods/xlsx）或 Python pickle 文件
• 日志文件：点击"LOGS"按钮导出日志文件，用于进一步检查
• 存储清理：提供"CLEAN"、"REMOVE"、"DISCARD"三种清理方式

说明了什么：nicespike 提供了完整的分析和导出流程，支持数据可视化、表格导出和存储管理。

4. 使用 spikeNburst 分析 spike trains

做了什么：加载 spike train 数据（.npz 或.bxr 文件），检测活跃单元，运行同步性估计、burst 和 network burst 检测。

发现了什么：

• 活跃单元检测：根据最低放电率定义活跃单元，更新"Active"和"Spikes"列
• 同步性分析：支持 STTC 和 spike distance 方法，可并行化加速
• Burst 检测：根据选择的方法（chiappalone/pasquale）调整参数
• Network burst 检测：依赖于 burst 检测结果，检测多个单元参与的 network bursts
• 总结图表：生成 summary figures，支持多种格式（pdf/png/svg）

说明了什么：spikeNburst 提供了全面的 spike train 分析功能，从单元检测到网络动态分析。

图 4：spikeNburst 工具界面，显示加载的 spike train 数据和分析结果

图 5：spikeNburst 设置对话框：(A) 活跃单元、(B) 同步性、(C) burst 和 (D) network burst 检测

5. 作为 Python 模块使用 nicespike

做了什么：演示如何在 Python 脚本或控制台中以编程方式使用 nicespike。

发现了什么：

from nicespike import settings, set_value, SpikeSorting

# 调整参数
set_value(settings['General']['Number of parallel processes'], 8)
set_value(settings['Spikes']['Minimum firing rate'], 0.05)

# 创建 sorting 对象
sorting = SpikeSorting(path='brw/div_21_21_chip_A.brw',
                       output_dir='output/div_21_21_chip_A',
                       settings=settings, verbose=True)

# 运行分析流程
sorting.read_and_filter()
sorting.run_kilosort2()
sorting.extract_waveforms()
sorting.export_npz()
sorting.spikenburst_analysis()

说明了什么：nicespike 可作为 Python 模块使用，支持自定义分析流程和参数调整。

6. 作为 Python 模块使用 spikeNburst

做了什么：演示如何在 Python 脚本或控制台中以编程方式使用 spikeNburst。

发现了什么：

import spikenburst

# 创建 spike analysis 对象
analysis = spikenburst.SpikeAnalysis(...)

# 计算同步性
analysis.compute_synchrony(...)

# 运行 burst 检测
burst = analysis.detect_bursts(...)

# 运行 network burst 检测
network_burst = burst.detect_network_bursts(...)

说明了什么：spikeNburst 同样支持编程使用，便于集成到自定义分析流水线中。

图 6：HD-MEA 数据分析结果示例

图 7：nicespike 生成的单元波形和模板图

图 8：spikeNburst 生成的 burst 和 network burst 分析结果

图 9：神经元同步性分析结果

创新点

1. 首次 提供完整的 HD-MEA 数据分析协议，涵盖从 spike sorting 到网络动态分析的完整流程
2. GPU 加速：Kilosort 模板匹配实现高效的 spike sorting
3. 双工具互补：nicespike（spike sorting + 可视化）+ spikeNburst（burst/network burst + 同步性）
4. 多厂商兼容：支持 3Brain、Maxwell Biosystems 等多种 HD-MEA 设备
5. GUI + Python 模块：两种使用方式，适合不同用户需求

局限性

1. 存储需求：HD-MEA 数据分析占用大量存储空间，需要定期清理
2. 同步性计算限制：对于大量活跃单元（~1000），同步性计算可能耗时或失败
3. burst 检测参数敏感：不同实验范式需要调整 burst 检测参数
4. 仅限体外记录：协议适用于体外 HD-MEA 记录，不适用于在体记录
5. Kilosort 依赖 GPU：spike sorting 需要 CUDA 兼容的 GPU

客户场景

🏥 高校/科研院所 + HD-MEA 电生理数据分析 + 需要 nicespike + spikeNburst 进行从原始电压迹线到网络动态分析的完整流程

💊 药企（神经精神疾病药物） + 化合物对神经元网络活动的影响评估 + 需要标准化 HD-MEA 分析协议比较不同药物处理对 burst 和 network burst 的影响

🧠 神经科学实验室 + 神经元网络同步性和 burst 模式研究 + 需要 spikeNburst 进行多记录比较和同步性分析

学术启示

这篇文献是 STAR Protocols 的标准协议文章，由 意大利理工学院（IIT） 的 Valter Tucci 团队撰写，提供了 HD-MEA 数据分析的完整解决方案。

值得注意的是，协议使用了 3Brain Accura 2D 和 BioCAM DupleX 作为示例设备，证明了 nicespike 和 spikeNburst 工具对 3Brain 产品的兼容性。这为 3Brain 用户在以下场景的应用提供了直接依据：

• 数据分析流水线：nicespike 提供从原始数据到 spike sorting 的完整流程
• 网络动态分析：spikeNburst 支持 burst、network burst 和同步性分析
• 多设备兼容：协议可扩展到其他 MEA 制造商的设备

对于我们的产品线而言，这篇文献是 3Brain HD-MEA 数据分析协议 的重要参考资料，尤其适合向做 HD-MEA 电生理记录、spike sorting、网络动态分析的客户推广 nicespike 和 spikeNburst 工具。

PDF 原文：下载原文
原始链接：STAR Protocols

📝 nicespike + spikeNburst 提供完整的 HD-MEA 数据分析协议：GPU 加速 spike sorting（Kilosort）、burst/network burst 检测、同步性分析。支持 3Brain Accura 2D/BioCAM DupleX 等多厂商设备，GUI 和 Python 模块双模式。

联系人｜李东伟
📞 18045130660
🌐 主页：https://www.biokingdom.top