IF36.1｜UnitMatch：基于波形跨天追踪神经元

仅凭平均波形即可跨天追踪神经元，性能媲美人工，速度远超现有方法。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

神经活动跨越毫秒到数月的时间尺度。双光子成像可在数天内追踪同一神经元，但缺乏快速时间分辨率且难以触及深部脑区。慢性电生理记录（如Neuropixels探针）能同时捕获快速spike和数百个神经元，且可长期植入。已有研究表明，慢性电极记录到的unit波形在数天内保持稳定，提示同一神经元可被跨天追踪。然而，现有匹配方法（如将多次记录拼接后统一spike sorting）难以扩展到数十次记录，且计算量巨大。因此，需要一种可扩展、快速且仅依赖波形信息的跨天神经元追踪工具。

科学问题

卡在哪里： 现有跨天神经元匹配方法依赖拼接记录后统一spike sorting，计算成本高，难以处理长期多次记录；且多数方法使用功能特性进行匹配，无法用于研究功能特性本身的变化。

本文要回答： 开发一个仅基于平均spike波形、在spike sorting之后运行的流程，能够快速、概率性地跨天追踪神经元，并验证其性能。

技术路线

作者主要用了：平均波形提取、波形参数化、朴素贝叶斯分类、跨天匹配、功能指纹验证。

作者开发了UnitMatch流程：先对每次记录独立spike sorting，提取每个unit在每半段记录中的平均波形；然后从波形中提取空间衰减、加权平均波形、质心轨迹等参数，计算六种相似度分数，并利用同一天内同一unit与邻近unit的分数分布确定阈值，识别跨天候选匹配；接着校正跨天漂移，训练朴素贝叶斯分类器输出匹配概率；最后用三种版本（默认、宽松、保守）的追踪算法将匹配概率转化为跨多天单元身份。为验证性能，作者利用ISI分布、群体耦合和视觉刺激响应等功能指纹评估匹配准确性。

图 1　Fig. 1。图1展示UnitMatch整体流程：预处理阶段对每次记录独立spike sorting并提取每半段平均波形；匹配阶段提取波形参数、计算相似度、利用同一天内数据确定阈值、校正漂移、训练朴素贝叶斯分类器输出匹配概率；追踪阶段将概率转化为跨多天单元身份。

核心亮点

亮点 1｜仅凭波形即可跨天追踪

UnitMatch仅使用每个unit的平均spike波形，不依赖任何功能特性。在慢性Neuropixels记录中，跨天匹配的unit对与同一天内同一unit的波形相似度接近，且远高于邻近不同unit。在急性记录（探针每日重新插入）中，匹配率极低（1.9±3.7%），而慢性记录中匹配率达42±19%，证明波形匹配的特异性。与拼接后统一spike sorting相比，UnitMatch与人工策展的一致性更高，且速度更快（22次记录仅需25分钟，而EMD方法需8小时）。

图 2　Fig. 2。图2展示波形参数提取：a显示探针shank底部及记录位点；b显示示例unit在22个记录位点的平均波形；c显示振幅随距离指数衰减，定义d10（振幅降至10%的距离）；d显示两个记录中所有unit的d10分布；e显示加权平均波形；f显示质心轨迹。

亮点 2｜功能指纹稳定验证匹配

利用ISI直方图、群体耦合和视觉刺激响应作为功能指纹，发现UnitMatch匹配的跨天unit对在这些指纹上高度相关，AUC接近同一天内同一unit的水平（ISI：0.88±0.01 vs 0.94±0.01；群体耦合：0.92±0.01 vs 0.96±0.01；视觉响应：0.85±0.02 vs 0.90±0.03）。即使间隔183天，AUC仍保持在0.75-0.82。这些功能指纹的稳定性独立验证了UnitMatch的追踪准确性，并表明神经元功能特性在数周至数月内保持稳定。

图 3　Fig. 3。图3展示相似度分数与匹配概率：a-c比较同一天内相邻但不同的两个unit，波形和衰减相似度低，总相似度T远低于1；d-f比较同一unit跨天记录，各相似度分数高，T接近1；g-i显示同一天内同一unit的T分布与邻近unit的T分布，用于确定阈值；j-l显示六种相似度分数在匹配与非匹配对中的分布差异，以及朴素贝叶斯分类器输出的匹配概率。

亮点 3｜追踪算法可跨多天连续追踪

UnitMatch提供三种追踪算法版本：默认、宽松和保守。默认版本在匹配概率>0.5且与目标组内相邻记录单元匹配时合并身份，允许神经元暂时消失后重新出现。追踪概率随记录间隔增加而下降，但仍有高达30%的神经元可追踪超过100天。功能验证显示，默认版本在假阳性和假阴性之间取得最佳平衡，优于其他版本。

图 4　Fig. 4。图4展示功能指纹验证：a显示示例unit及其邻居和跨天匹配的ISI直方图；b显示同一天内同一unit、不同unit及跨天匹配对的ISI直方图相关性分布；c显示ROC曲线，AUC高达0.95；d-e显示AUC随天数间隔缓慢下降；f-j显示群体耦合的类似结果；k-o显示视觉刺激响应的类似结果。

亮点 4｜学习过程中纹状体反应变化

在视觉运动任务学习过程中，UnitMatch追踪到背内侧纹状体神经元跨天变化。群体平均反应显示对中央刺激的反应在第2天增强，对侧刺激在第4天增强。单个神经元表现出多样性：有的对两种刺激反应均增强，有的只对一种刺激产生强烈反应。尽管功能反应变化，ISI直方图保持相对稳定，且匹配概率与功能变化无关，证明UnitMatch可揭示学习过程中的神经可塑性。

图 5　Fig. 5。图5展示跨多天追踪：a显示示例小鼠所有记录对之间的匹配概率矩阵；b显示三种追踪算法版本对四个示例unit的追踪结果；c-d显示默认算法追踪的神经元群体及追踪概率随天数下降；e显示追踪概率在时间上不对称；f显示功能相似度验证追踪准确性。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： 平均波形提取、波形参数化、朴素贝叶斯分类、跨天匹配、功能指纹验证
• 公开数据： 原文未给出公开组学登录号
• 代码： 原文未给出公开 GitHub/GitLab 仓库
• 谁该点开原文： 从事慢性电生理记录、需要跨天追踪神经元的研究者，尤其是使用Neuropixels等高密度探针的实验室。

带走一句

做慢性电生理跨天分析时，可先用UnitMatch仅凭波形快速追踪神经元，再用功能特性验证或研究其变化，避免功能特性本身作为匹配依据带来的循环论证。