贝叶斯模型能否从钙成像轨迹解码神经元集群？

一个模型同时推断放电与集群

钙成像记录的是荧光信号，而不是放电本身。神经元放电时钙离子进入细胞、荧光上升，随后衰减；由于这一衰减相对放电速度较慢，快速连续的放电会混在一起，测量噪声也会掩盖真实事件。因此论文要还原的不是轨迹本身，而是轨迹背后的两个隐藏对象：每个神经元何时放电，以及哪些神经元属于同一个功能组。

所提出的模型同时处理这两件事。每个神经元的放电概率由一个潜在高斯过程描述，即一条随时间变化的平滑函数，由数据估计而非事先固定。随后模型通过位置依赖的折棍先验把神经元分配到集群，这种聚类机制利用神经元在成像平面上的位置，促使解剖上相邻的神经元归为一组。尖峰-平板狄利克雷过程则刻画放电幅度的分布，使大幅度事件与可忽略的波动被区别对待，而不是靠一个硬阈值分开。

实际后果是放电检测与聚类共享信息：一个神经元的估计活动会影响它加入哪个集群，而集群结构又会影响其含噪轨迹的解读方式。论文把这一定位为对两阶段流程的替代——后者先解卷积得到放电序列，再对结果做聚类。

七秒CA1时间窗得到九个集群

分析使用的是一只小鼠在圆形场地中导航时海马CA1神经元的钙成像数据，原始数据用于研究位置细胞，即只在特定位置激活的神经元。主要示例是一个约七秒、102个时间点的时间窗，记录于小鼠靠近场地边界时。作者依据原研究的提示，聚焦时长至少三秒、对应45个时间点的时间窗。

推断运行了30,000次迭代，前25,000次作为预热丢弃。由于放电幅度并不精确已知，作者尝试了平移参数0、0.5和1三个取值，报告称不同取值间差异很小；正文展示的结果使用取值1。

得到的划分包含九个激活集群和九个单独神经元，即没有同步活动的神经元。其中一个集群（集群1）由全部167个无相关活动的神经元组成。在活跃神经元中，五个大集群各含18至32个神经元，四个小集群各含3至12个。这些计数只描述一个时间窗，而非整个实验。

集群共享放电概率轨迹而非幅度

由于同一集群的神经元共享一条放电概率轨迹，这条潜在曲线就成为模型对一个集群的概括。论文用95%逐点最高后验密度可信区间绘制这些轨迹，显示每个时刻估计值周围的不确定性有多大。

集群2与集群5的对比说明了这一区分为何重要。两者都在时间窗中部、约第3秒附近出现激活，但集群5神经元的放电概率始终更高。这与观测轨迹一致：集群5呈稳定持续的上升，集群2的上升更细微、更渐进；这也与估计幅度一致：集群5有一段陡峭的激活区间，集群2的模式更平缓。

关键在于，即使放电幅度差异很大，集群仍把放电同步的神经元归在一起。这里幅度与放电概率是两个不同的量：尖峰-平板成分描述事件有多大，共享轨迹描述何时可能放电。把其中一个当作另一个的替代，会误读聚类实际恢复的内容。

不确定性集中在活动微弱处

贝叶斯框架给出共聚类后验概率：对每一对神经元，即采样迭代中它们被放入同一集群的比例。按集群排序组成相似性矩阵后，这些概率形成深色对角块，块与块之间界限清晰，说明集群分离良好。

大部分分配不确定性集中在集群1和集群2。论文将其归因于集群2放电稀疏、幅度较小，使其中一些神经元与不活跃神经元相似；与此一致，集群2放电概率轨迹在激活期的可信区间包含零。

把集群映射回成像平面，共激活神经元形成形状不规则的解剖斑块，集群2和集群3最为明显。作者称这与原研究在定性上一致，并把这些局部化分组解释为CA1内的局部功能集群。这一解释明确是定性的：二维成像平面坐标未与组织学或分层标志配准，因此无法把推断出的分组对应到具体解剖亚区。

反复共聚类对应重叠的位置野

在单个时间窗之外，作者对每一对细胞计算了它们被分到同一集群的时间窗比例。全部神经元对中有一半在至少30%的时间窗里被聚在一起，论文将此解读为激活集群随时间具有一定稳定性。

随后考察了两对代表性神经元。神经元A与B的共聚类概率为0.84，神经元C与D为0.81。平滑后的场地各处放电概率后验估计显示，每对神经元都在相同空间区域活动增强，且两例中两个神经元在海马中解剖上相邻。

这体现的是功能聚类与空间编码之间的联系，而非因果证明。论文指出，在相似位置激活的CA1神经元可以成小群邻近出现，而不形成覆盖CA1的平滑大尺度拓扑图，其结果与这一图景一致。作者还观察到，小鼠靠近场地边界时划分更碎片化、更不确定，而在场地中央区域更稳定。

联合推断在合成数据上优于先解卷积再聚类

对照方法是一个两阶段流程：先用现有R包中的ℓ0优化算法从同一生物物理钙模型检测放电，其固定阈值经过校准，使检测到的幅度不低于估计噪声的一个标准差；再按原研究做法用共识K-means对解卷积轨迹聚类，每次重复使用80%的神经元、共200次重复，并以平均轮廓系数选择集群数。

在代表性时间窗上，两阶段方法得到的集群数始终少于所提模型。它检测到的放电总数也更少，作者将其归因于固定阈值对异质放电幅度不够灵活。由此得到的分组更宽、同质性更低，在活动较弱或分散的神经元中尤其明显；而所提模型给出更细的划分，对离群模式的区分更清晰。

在已知答案的合成数据上，比较是定量的。ℓ0方法的放电检测略差于所提方法：假阳性率相当，但假阴性率明显更高，而降低阈值只会用更多假阳性换取这一误差，并不能降低总体误差。在50个重复数据集上，统一模型按调整兰德指数衡量的潜在划分恢复也更好。这些是受控的合成结果；真实数据上的比较则通过集群数量和同质性做定性描述。

证据支持什么，不支持什么

论文的结论受其设定限制：一只小鼠、海马CA1、圆形场地，以及一个约七秒的示例时间窗，更多时间窗见补充材料。对集群的解剖学解读是定性的，因为成像坐标未与组织学标志对齐。作者还指出计算是实际约束：随着神经元、时间点和协变量增加，后验推断负担加重，标准MCMC可能不再可行，长时间实验需要更高效地估计潜在高斯过程。

在这些边界内，论文最独特的重点在于联合建模本身，而不是其中任一成分。真正有意义的比较是：在一个模型中同时估计放电与集群，还是把任务拆成先解卷积再聚类。联合模型给出更细的划分，在幅度异质时检测到更多放电，并在合成测试中减少假阴性、改善划分恢复。对读者最有决策价值的信号是，这种优势出现在幅度变化大、活动微弱或分散的条件下——正是固定阈值会合并或漏掉事件的地方，也是两阶段方法产生更宽、同质性更低分组的地方。

本文引用的文献