neuropixels-analysis

Neuropixels 数据分析

概述

使用 SpikeInterface、Allen Institute 和 International Brain Laboratory (IBL) 当前的最佳实践，分析 Neuropixels 高密度神经记录的综合工具包。支持从原始数据到可用于发表的整理后神经元单元的完整工作流。

何时使用此技能

在以下情况下应使用此技能：

• 处理 Neuropixels 记录（.ap.bin、.lf.bin、.meta 文件）
• 从 SpikeGLX、Open Ephys 或 NWB 格式加载数据
• 预处理神经记录（滤波、CAR、坏通道检测）
• 检测并校正记录中的运动/漂移
• 运行尖峰分选（Kilosort4、SpykingCircus2、Mountainsort5）
• 计算质量指标（SNR、ISI 违例、存在率）
• 使用 Allen/IBL 标准整理神经元单元
• 创建神经数据可视化
• 将结果导出为 Phy 或 NWB

支持的硬件和格式

探针	电极数	通道数	备注
Neuropixels 1.0	960	384	需要进行 phase_shift 校正
Neuropixels 2.0（单探针）	1280	384	几何结构更密集
Neuropixels 2.0（4 探针柄）	5120	384	多区域记录

格式	扩展名	读取器
SpikeGLX	.ap.bin、.lf.bin、.meta	si.read_spikeglx()
Open Ephys	.continuous、.oebin	si.read_openephys()
NWB	.nwb	si.read_nwb()

快速入门

基本导入和设置

import spikeinterface.full as si
import neuropixels_analysis as npa

# Configure parallel processing
job_kwargs = dict(n_jobs=-1, chunk_duration='1s', progress_bar=True)

加载数据

# SpikeGLX (most common)
recording = si.read_spikeglx('/path/to/data', stream_id='imec0.ap')

# Open Ephys (common for many labs)
recording = si.read_openephys('/path/to/Record_Node_101/')

# Check available streams
streams, ids = si.get_neo_streams('spikeglx', '/path/to/data')
print(streams)  # ['imec0.ap', 'imec0.lf', 'nidq']

# For testing with subset of data
recording = recording.frame_slice(0, int(60 * recording.get_sampling_frequency()))

完整流程（单条命令）

# Run full analysis pipeline
results = npa.run_pipeline(
    recording,
    output_dir='output/',
    sorter='kilosort4',
    curation_method='allen',
)

# Access results
sorting = results['sorting']
metrics = results['metrics']
labels = results['labels']

标准分析工作流

1. 预处理

# Recommended preprocessing chain
rec = si.highpass_filter(recording, freq_min=400)
rec = si.phase_shift(rec)  # Required for Neuropixels 1.0
bad_ids, _ = si.detect_bad_channels(rec)
rec = rec.remove_channels(bad_ids)
rec = si.common_reference(rec, operator='median')

# Or use our wrapper
rec = npa.preprocess(recording)

2. 检查并校正漂移

# Check for drift (always do this!)
motion_info = npa.estimate_motion(rec, preset='kilosort_like')
npa.plot_drift(rec, motion_info, output='drift_map.png')

# Apply correction if needed
if motion_info['motion'].max() > 10:  # microns
    rec = npa.correct_motion(rec, preset='nonrigid_accurate')

3. 尖峰分选

# Kilosort4 (recommended, requires GPU)
sorting = si.run_sorter('kilosort4', rec, folder='ks4_output')

# CPU alternatives
sorting = si.run_sorter('tridesclous2', rec, folder='tdc2_output')
sorting = si.run_sorter('spykingcircus2', rec, folder='sc2_output')
sorting = si.run_sorter('mountainsort5', rec, folder='ms5_output')

# Check available sorters
print(si.installed_sorters())

4. 后处理

# Create analyzer and compute all extensions
analyzer = si.create_sorting_analyzer(sorting, rec, sparse=True)

analyzer.compute('random_spikes', max_spikes_per_unit=500)
analyzer.compute('waveforms', ms_before=1.0, ms_after=2.0)
analyzer.compute('templates', operators=['average', 'std'])
analyzer.compute('spike_amplitudes')
analyzer.compute('correlograms', window_ms=50.0, bin_ms=1.0)
analyzer.compute('unit_locations', method='monopolar_triangulation')
analyzer.compute('quality_metrics')

metrics = analyzer.get_extension('quality_metrics').get_data()

5. 整理

# Allen Institute criteria (conservative)
good_units = metrics.query("""
    presence_ratio > 0.9 and
    isi_violations_ratio < 0.5 and
    amplitude_cutoff < 0.1
""").index.tolist()

# Or use automated curation
labels = npa.curate(metrics, method='allen')  # 'allen', 'ibl', 'strict'

6. AI 辅助整理（用于不确定的神经元单元）

在 Claude Code 中使用此技能时，Claude 可以直接分析波形图并提供专业的整理决策。程序化 API 访问方式如下：

from anthropic import Anthropic

# Setup API client
client = Anthropic()

# Analyze uncertain units visually
uncertain = metrics.query('snr > 3 and snr < 8').index.tolist()

for unit_id in uncertain:
    result = npa.analyze_unit_visually(analyzer, unit_id, api_client=client)
    print(f"Unit {unit_id}: {result['classification']}")
    print(f"  Reasoning: {result['reasoning'][:100]}...")

Claude Code 集成：在 Claude Code 中运行时，可让 Claude 直接检查波形图/自相关图——无需设置 API。

7. 生成分析报告

# Generate comprehensive HTML report with visualizations
report_dir = npa.generate_analysis_report(results, 'output/')
# Opens report.html with summary stats, figures, and unit table

# Print formatted summary to console
npa.print_analysis_summary(results)

8. 导出结果

# Export to Phy for manual review
si.export_to_phy(analyzer, output_folder='phy_export/',
                 compute_pc_features=True, compute_amplitudes=True)

# Export to NWB
from spikeinterface.exporters import export_to_nwb
export_to_nwb(rec, sorting, 'output.nwb')

# Save quality metrics
metrics.to_csv('quality_metrics.csv')

常见问题和最佳实践

1. 尖峰分选前务必检查漂移——漂移超过 10μm 会显著影响质量
2. Neuropixels 1.0 探针应使用 phase_shift（2.0 无需使用）
3. 保存预处理数据以避免重复计算——使用 rec.save(folder='preprocessed/')
4. Kilosort4 应使用 GPU——速度比 CPU 方案快 10-50 倍
5. 手动检查不确定的神经元单元——自动整理只是起点
6. 结合指标与 AI——明确的情况使用指标，临界情况使用 AI
7. 记录所用阈值——不同分析可能需要不同标准
8. 关键实验应导出到 Phy——人工监督很有价值

需要调整的关键参数

预处理

• freq_min：高通截止频率（通常为 300-400 Hz）
• detect_threshold：坏通道检测灵敏度

运动校正

• preset：'kilosort_like'（快速）或 'nonrigid_accurate'（适用于严重漂移）

尖峰分选（Kilosort4）

• batch_size：每批样本数（默认 30000）
• nblocks：漂移区块数（长时间记录时应增加）
• Th_learned：检测阈值（越低 = 尖峰越多）

质量指标

• snr_threshold：信噪比截止值（通常为 3-5）
• isi_violations_ratio：不应期违例（0.01-0.5）
• presence_ratio：记录覆盖率（0.5-0.95）

附带资源

scripts/preprocess_recording.py

自动预处理脚本：

python scripts/preprocess_recording.py /path/to/data --output preprocessed/

scripts/run_sorting.py

运行尖峰分选：

python scripts/run_sorting.py preprocessed/ --sorter kilosort4 --output sorting/

scripts/compute_metrics.py

计算质量指标并应用整理：

python scripts/compute_metrics.py sorting/ preprocessed/ --output metrics/ --curation allen

scripts/export_to_phy.py

导出到 Phy 以进行手动整理：

python scripts/export_to_phy.py metrics/analyzer --output phy_export/

assets/analysis_template.py

完整的分析模板。复制并自定义：

cp assets/analysis_template.py my_analysis.py
# Edit parameters and run
python my_analysis.py

references/standard_workflow.md

详细的分步工作流，并对每个阶段进行说明。

references/api_reference.md

按模块整理的快速函数参考。

references/plotting_guide.md

全面的可视化指南，助你创建适合发表的图表。

详细参考指南

主题	参考文档
完整工作流	references/standard_workflow.md
API 参考	references/api_reference.md
绘图指南	references/plotting_guide.md
预处理	references/PREPROCESSING.md
脉冲排序	references/SPIKE_SORTING.md
运动校正	references/MOTION_CORRECTION.md
质量指标	references/QUALITY_METRICS.md
自动整理	references/AUTOMATED_CURATION.md
AI 辅助整理	references/AI_CURATION.md
波形分析	references/ANALYSIS.md

安装

# Core packages
pip install spikeinterface[full] probeinterface neo

# Spike sorters
pip install kilosort          # Kilosort4 (GPU required)
pip install spykingcircus     # SpykingCircus2 (CPU)
pip install mountainsort5     # Mountainsort5 (CPU)

# Our toolkit
pip install neuropixels-analysis

# Optional: AI curation
pip install anthropic

# Optional: IBL tools
pip install ibl-neuropixel ibllib

项目结构

project/
├── raw_data/
│   └── recording_g0/
│       └── recording_g0_imec0/
│           ├── recording_g0_t0.imec0.ap.bin
│           └── recording_g0_t0.imec0.ap.meta
├── preprocessed/           # Saved preprocessed recording
├── motion/                 # Motion estimation results
├── sorting_output/         # Spike sorter output
├── analyzer/               # SortingAnalyzer (waveforms, metrics)
├── phy_export/             # For manual curation
├── ai_curation/            # AI analysis reports
└── results/
    ├── quality_metrics.csv
    ├── curation_labels.json
    └── output.nwb

其他资源

• SpikeInterface 文档：https://spikeinterface.readthedocs.io/
• Neuropixels 教程：https://spikeinterface.readthedocs.io/en/stable/how_to/analyze_neuropixels.html
• Kilosort4 GitHub：https://github.com/MouseLand/Kilosort
• IBL Neuropixel 工具：https://github.com/int-brain-lab/ibl-neuropixel
• Allen Institute ecephys：https://github.com/AllenInstitute/ecephys_spike_sorting
• Bombcell（自动 QC）：https://github.com/Julie-Fabre/bombcell
• SpikeAgent（AI 整理）：https://github.com/SpikeAgent/SpikeAgent