Biokingdom

高分辨率MEA检测神经元微环路中稳态与演化的2D电流源密度

Zapfe et al. | 2025 | DOI: 10.5281/zenodo.17108410

标签: #电流源密度 #CSD #高密度MEA #海马 #数据分析 #3Brain #质心分析

头部信息

项目 内容
第一作者 K.W.P. Zapfe, I. Romero-Maldonado
通讯作者 R. Gutiérrez
机构 墨西哥CINVESTAV药理学系，UNAM细胞生理研究所
研究对象 大鼠海马切片、纹状体切片、丘脑皮层计算模型
技术手段 4096电极APS-MEA，2D-CSD分析，质心追踪（CMA），Julia+Jupyter开源代码
核心发现 开发了从4096电极MEA数据到2D-CSD再到质心时空轨迹的完整分析流水线，首次实现二维源/汇斑块的自动分离与传播路径推断

一、做什么 🔬

核心科学问题：高密度MEA（>4000电极）记录的海量场电位数据中，如何自动分离出相关的电流发生器（源和汇），并追踪神经活动的空间传播路径？传统CSD分析多为一维（线性阵列），无法捕捉二维平面中的复杂传播模式。

技术/模型 用途 关键参数
4096电极APS-MEA 全海马/纹状体切片场电位记录 12-bit精度，0.1 Hz高通滤波
有限差分算子法 2D-CSD计算 电势的拉普拉斯算子离散化
kCSD（核CSD） 交叉验证方法 基于kCSD-python包
质心分析（CMA） 追踪源/汇的时空演化 加权质心→连续轨迹=传播路径
NEURON计算模型 方法学验证 Traub丘脑皮层网络，356细胞

处理流程：

  1. BrainWave 4采集数据 → 2. Julia预处理（故障通道检测+8邻域重建）→ 3. 2D-CSD计算 → 4. 几何集合分析（分离连通/不连通斑块）→ 5. 质心追踪

二、发现什么 📊

1. 高通量数据预处理：故障通道智能识别与重建

图1：MEA数据预处理与活跃通道检测

图1：数据预处理算法流程。使用Otsu阈值法识别故障通道，根据组织活动水平选择指标，用8-邻域平均重建坏通道信号。

维度 说明
做了什么 针对4096电极MEA特有的数据质量问题（故障通道、信号饱和、信号重叠、CMOS光噪声），开发基于Julia语言的预处理协议。使用Otsu阈值算法递归识别偏离正常分布的通道，根据组织类型（海马高活动 vs 纹状体低活动）选择不同检测指标
发现什么 海马组织因自发放电频率高，基数（cardinality）指标即可有效识别坏通道；纹状体低活动组织需要补充信号偏移偏差指标。坏通道用直接8-邻域（immediate 8-neighborhood）的平均值重建，重建后CSD计算不再出现伪影
说明什么 高密度MEA的数据质量高度依赖预处理，不同脑区/组织需要定制化的阈值策略。跳过预处理直接算CSD会导致源/汇位置误判和质心轨迹断裂

2. 2D-CSD计算方法验证：有限差分 vs kCSD

图2：CSD分析方法交叉验证

图2：有限差分算子法与kCSD方法的对比。使用NEURON编码的丘脑皮层网络模型（356细胞）生成模拟数据进行验证。

维度 说明
做了什么 用两种独立的CSD计算方法处理同一数据集：①有限差分算子法（计算电势的二维拉普拉斯）；②核CSD（kCSD，基于高斯核的连续CSD估计）。使用Traub丘脑皮层网络模型的NEURON模拟数据（10%网络，356细胞，L5/L6锥体细胞电流注入）作为金标准
发现什么 两种方法得出的源/汇质量心位置和位移轨迹高度一致。有限差分法计算量更小，结果与模拟数据的解剖结构完全吻合；kCSD在噪声环境下更稳健但计算成本高
说明什么 有限差分算子法作为2D-CSD的标准方法是可靠的，可作为MEA实验室的常规分析工具。kCSD可作为疑难数据（高噪声、电极稀疏）的补充验证

3. CSD几何集合：源/汇斑块的连通性分析

图3：CSD源/汇的几何集合与不连通分量

图3：CSD彩色图展示源和汇的斑块分布（典型交叉长度~150 μm）。通过"厚中性集"分离正负集合，计算每个不连通分量的质心。

维度 说明
做了什么 将CSD图中的源（正CSD值）和汇（负CSD值）分别定义为几何集合。创建"厚中性集"（CSD值在零附近误差区间内的缓冲区）作为隔离带，将每个集合分解为几何上不连通的分量（disconnected components）。对每个不连通分量计算加权质心（center of mass）
发现什么 海马CA区的CSD图中，源和汇以多个离散斑块形式出现，典型交叉长度约150 μm。某些集合（如图中红色集合b）在几何上不连通，但在功能上相关（同为源或同为汇），可追踪到连接它们的活动路径
说明什么 将CSD分解为不连通分量是关键创新——每个分量代表一个独立的电流发生器。质心不再是整个视野的模糊平均，而是每个发生器的精确定位。这使追踪多个并行的信息流成为可能

4. 海马CA区CSD分析与质心轨迹

图4：海马切片CSD分析结果

图4：海马CA区的2D-CSD分析，展示刺激诱发的源/汇空间分布及随时间演化的质心轨迹。

维度 说明
做了什么 在大鼠海马切片上施加刺激，用4096电极MEA记录场电位，计算2D-CSD。追踪每个CSD事件（源/汇斑块）的质心在连续时间窗口中的位置变化，连接成运动轨迹
发现什么 刺激诱发的CSD事件从特定层（如stratum radiatum）起源，质心沿CA1锥体细胞层方向传播。不同时间窗口的质心位置反映了突触输入在树突上的传播路径
说明什么 质心轨迹将静态的CSD快照转化为动态的"信息流地图"。连续的质心位置揭示"哪些相邻区域被前一个区域的活动激活"，为推断海马内的信息传递方向提供了直接证据

5. 纹状体CSD分析：低活动组织的挑战

图5：纹状体切片CSD与质心分析

图5：纹状体切片的CSD分析结果。与海马相比，纹状体自发活动低，CSD斑块更稀疏，质心轨迹更短。

维度 说明
做了什么 将同一套2D-CSD+质心分析流程应用于纹状体切片。纹状体缺乏海马那样的层状结构，自发活动水平低得多
发现什么 纹状体的CSD斑块更稀疏、幅值更低，质心轨迹较短且不连续。预处理阶段需要更敏感的阈值策略才能检测到有效信号
说明什么 该方法不仅适用于层状结构（海马），也可用于非层状结构（纹状体），但参数需要针对组织特性调整。这证明了2D-CSD分析框架的通用性

三、说明什么 💡

方法学贡献总结

环节 传统做法 本研究 提升
CSD维度 一维（线性阵列） 二维（4096电极面阵） 空间信息完整
源/汇识别 目视判断 几何集合+连通性分析 客观、可重复、可自动化
轨迹追踪 手动标记峰值 质心自动追踪 高通量、可量化
预处理 通用滤波 组织特异性阈值+坏通道重建 针对性优化

对领域的意义

  1. 2D-CSD分析标准化：首次系统描述从高密度MEA原始数据到2D-CSD再到质心轨迹的完整流程，Julia代码开源（GitHub + Zenodo），可直接复用。

  2. 质心分析的新维度：将质心从"活动定位工具"升级为"信息传播路径推断工具"，为研究神经环路的信息流向提供了新方法。

  3. 海马-纹状体对比验证：证明了该方法在层状和非层状结构中的通用性，只需调整预处理参数。

  4. 计算模型与实验数据结合：用NEURON模拟验证了方法的鲁棒性，为后续仿真-实验交叉研究提供了框架。

与3Brain MEA的关联

与我们的产品

产品 关联度 应用场景
3Brain 4096-MEA (APS) ⭐⭐⭐⭐ 本文使用4096电极MEA进行2D-CSD分析，是MEA场电位数据处理的高级应用
3Brain BrainWave 4 ⭐⭐⭐⭐ 数据采集软件，12-bit精度，支持高通滤波和实时预览
3Brain 数据分析支持 ⭐⭐⭐ 质心分析（CMA）可作为高级数据分析服务提供给客户

参考文献

  1. Zapfe KWP, Romero-Maldonado I, Gutiérrez R. High Resolution Detection of Stationary and Evolving 2D-Current Source Density within Neuronal Microcircuits. Preprint. 2025. DOI: 10.5281/zenodo.17108410
  2. Manjarrez E, et al. Center of mass analysis for neural activity. J Neurosci Methods. 2007;165:209-218.
  3. Traub RD, et al. A model of thalamocortical network. J Neurophysiol. 2005;93:3178-3194.
  4. Potworowski J, et al. Kernel Current Source Density method. Neural Comput. 2012;24:268-297.

转发语：墨西哥团队用4096电极MEA+Julia代码开发了一套完整的2D-CSD分析流程，从场电位数据中自动追踪源/汇的传播轨迹。代码开源，做场电位和传播分析的课题组可以直接拿来用。

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