SimSort: A Data-Driven Framework for Spike Sorting by Large-Scale Electrophysiology Simulation

要約

スパイクソートは、脳内の電極によって記録された個々のニューロンから電気信号を識別および分離するニューラル記録に不可欠なプロセスであり、研究者が特定のニューロンがどのように通信し、情報を処理するかを研究できるようにします。
重要な神経科学的ブレークスルーに貢献したスパイクの並べ替え方法は多数存在しますが、多くはヒューリスティックに設計されているため、実際の神経記録からグラウンドトゥルースラベルを取得することが難しいため、正確性を検証することが困難です。
この作業では、データ駆動型の深い学習ベースのアプローチを探ります。
まず、生物学的に現実的な計算モデルを使用した電気生理学シミュレーションを通じて大規模なデータセットを作成することから始めます。
次に、スパイクソートのための事前削除フレームワークであるSimSortを提示します。
シミュレートされたデータのみでトレーニングされたSimSortは、実際のスパイクソートタスクに対するゼロショットの一般化可能性を実証し、複数のベンチマークにわたって既存の方法で一貫した改善をもたらします。
これらの結果は、実験的神経科学におけるスパイクソートの堅牢性とスケーラビリティを強化するためのシミュレーション駆動型の事前供与の可能性を強調しています。

要約(オリジナル)

Spike sorting is an essential process in neural recording, which identifies and separates electrical signals from individual neurons recorded by electrodes in the brain, enabling researchers to study how specific neurons communicate and process information. Although there exist a number of spike sorting methods which have contributed to significant neuroscientific breakthroughs, many are heuristically designed, making it challenging to verify their correctness due to the difficulty of obtaining ground truth labels from real-world neural recordings. In this work, we explore a data-driven, deep learning-based approach. We begin by creating a large-scale dataset through electrophysiology simulations using biologically realistic computational models. We then present SimSort, a pretraining framework for spike sorting. Trained solely on simulated data, SimSort demonstrates zero-shot generalizability to real-world spike sorting tasks, yielding consistent improvements over existing methods across multiple benchmarks. These results highlight the potential of simulation-driven pretraining to enhance the robustness and scalability of spike sorting in experimental neuroscience.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google