CN110432888B - 一种前庭神经权重信息编码神经元的筛选方法 - Google Patents

Abstract

本发明提供了一种前庭神经权重信息编码神经元的筛选方法，其特征在于：使用单神经元记录技术捕获某前庭神经元群落在静息状态下的神经电生理信息；计算该前庭神经群落内每个神经元的归一化变异系数；通过半对数图对该前庭神经群落进行分析，绘制该前庭神经元群落在归一化变异系数分布范围内的数量累积峰；计算数量累积峰的峰顶区间，将归一化变异系数落入神经元数量累积峰峰顶区间内的前庭神经元挑选出，即为该前庭神经群落内编码权重信息的神经元。本发明从特殊的视角量化锁定神经群落内编码权重信息的神经元，为神经通路内群体信息集传递研究奠定基础，也为前庭神经群落精准调控策略的优化改进提供依据。

Description

一种前庭神经权重信息编码神经元的筛选方法

技术领域

本发明涉及一种特定神经元的筛选方法，用于提取前庭神经群落内编码权重信息的神经元，进而为神经通路内群体信息集传递研究奠定基础，也为仿生器官——人工前庭的神经群落精准调控策略的优化改进提供依据。

背景技术

双侧前庭功能病(bilateral vestibulopathy,BVP)为前庭神经系统常见疾病之一，指由各种病因所导致的前庭神经系统活性减弱或者功能丧失。既往研究显示，BVP的发病率约为4～7％，可导致多种机体功能障碍，严重影响患者的生活、工作、社交以及精神健康，直接或间接地增加了个人及社会的经济负担(13019美元/人/年)。然而目前在国内外，对BVP尚无有效的治疗方法。

随着科技的发展，基于神经调控技术的人工前庭(vestibular prothesis)的出现为有效治疗BVP带来了希望。人工前庭是一种可将头部运动信息转化为前庭神经信号的精密电子设备，类似于人工耳蜗，主体包括运动传感器、信息处理模块、电源及电刺激器、生物电极组等。

世界上第一个多通道人工前庭假体(multi-channel vestibular prosthesis,MVP)由美国约翰霍普金斯大学医学院的Della Santina团队率先设计开发，经过不断优化改进，目前已经研发出大小为12×20×2mm、功耗为30mV的第三代人工前庭假体(MVP3)，并成功通过FDA批准，进入人体植入临床试验阶段。尽管MVP已经进入人体植入的临床试验阶段，但在实际应用中仍存在诸多缺陷，例如前庭功能重建精准度不足，非线性感知区间内MVP神经调控策略的不精准构建，不精准的前庭神经群落调控，MVP尚缺少线性运动感知和耳石神经元调控功能，MVP仍具有微型化及低功耗升级空间等。而在这些问题之中，最为重要的，也是最难解决的是前庭神经群落的精准有效调控。

前庭传入神经纤维聚集于壶腹嵴和囊斑基底形成神经群落(前庭神经各分支)；以神经群落为单位，感知同一运动刺激时，群落内每个神经元依据自身特性(感知增益和响应延迟)不同而编码不同的感知信息(Yu X,et al,J Neurophysiol,2014)，这些不同步不同频的信息组成了庞杂的感知信息集(information set)并向上游神经元和大脑传递；然而值得注意的是，大脑却从未因为前庭神经元(下游神经元)信息输入的庞杂而失去对头部运动和空间方位的精准感知和重建，因此前庭神经群落在向上游神经元或大脑传递信息集时存在特殊的信息处理机制；遗憾的是，目前为止神经元群落(群体)感知信息集传递方式仍不清楚；此外由于科技发展及电极制造水平的局限，目前尚无法实现在同一神经群落内对不同神经元实施个体化调控(Chiang B,et al,IEEE Trans Neural Syst Rehabil Eng,2012；Phillips C,et al,Hear Res,2015)，MVP对壶腹嵴和囊斑处神经群落的激活总是同步且同频的，与生理性激活完全不同；这显然违背了生理状态下神经信息传递原理，导致MVP不精准的神经元群落调控。

在前庭神经电生理数据分析过程中，发明人发现归一化变异系数(normalizedcoefficient of variation,CV*)相近的前庭神经元拥有相近的感知增益(gain)和响应延迟(latency)，且通过半对数图(semi-logarithmic graph)考察前庭神经元群落时，会在特定CV*区间内出现数量累积峰，提示在前庭神经群落编码的内容庞杂的信息集中，出现了组分权重信息(weight information of components)。如果能够锁定前庭神经群落内编码权重信息的神经元，就能对前庭神经感知信息集内的信息进行分频段滤过，破解信息集在神经通路内的传递方式，并为MVP神经群落精准调控奠定基础。

因此，目前急需寻找或建立一种可用以筛选前庭神经群落(群体)内编码权重信息神经元的方法，为破解感知信息集在神经通路内的传递方式及实现前庭神经群落整体精准调控奠定基础，这不仅是神经信息科学亟待解决的问题，也是MVP优化改进的前提。

发明内容

为了克服现有技术的不足，本发明提供一种基于归一化变异系数分析的前庭神经元筛选方法，用以在前庭神经群落内确定编码权重信息的神经元。

本发明解决其技术问题所采用的技术方案包括以下步骤：使用单神经元记录技术捕获某前庭神经元群落在静息状态下的神经电生理信息；计算该前庭神经群落内每个神经元的归一化变异系数；通过半对数图对该前庭神经群落进行分析，绘制该前庭神经元群落在归一化变异系数分布范围内的数量累积峰；计算数量累积峰的峰顶区间，将归一化变异系数落入神经元数量累积峰峰顶区间内的前庭神经元挑选出，即为该前庭神经群落内编码权重信息的神经元。

所述的使用单神经元记录技术捕获某前庭神经元群落在静息状态下的神经电生理信息包括以下步骤：将实验动物进行异氟醚麻醉，颅骨外入路暴露实验动物前庭神经及Scarpa’s神经节；将实验动物头部空间方位调整至中立位；将记录电极插入被暴露的前庭神经及Scarpa’s神经节内，搜寻前庭神经元；手动给予机械运动性刺激，鉴别被捕获的前庭神经元种类，包括前半规管神经元群落、水平半规管神经元群落、后半规管神经元群落、耳石神经元群落；在鉴别被捕获的前庭神经元种类后，保持实验动物头部中立位，在静息状态下记录该神经元自发性放电活动20s以上。

所述的计算该前庭神经群落内每个神经元的归一化变异系数包括以下步骤：

1)将某待计算归一化变异系数的前庭神经元电生理信息数据输入Matlab数学分析平台；

2)提取该神经元在静息状态下的自发性放电数据，计算瞬时放电时间间隔Δtn＝tn–tn-1；其中tn代表在被记录的神经电生理信息集中，该神经元第n个瞬时放电所对应的时间点，n>1；计算瞬时自发放电时间间隔平均值：μ_ISI＝(Δt1+Δt2+···+Δtn-1+Δtn)/n；

3)进一步求出静息状态下瞬时放电时间间隔标准差

求解该神经元自发放电变异系数CV＝σ_ISI/μ_ISI；将自发放电变异系数CV转化为归一化变异系数CV*；

4)重复步骤1)～3)，求解该前庭神经元群落内每一个神经元的CV*。

所述的半对数图是将该前庭神经群落内每个神经元的归一化变异系数输入Matlab数学分析平台，以归一化变异系数为X轴，以神经元数量为Y轴，绘制神经元数量累积图，然后对X轴进行对数处理，即可构建半对数图。

所述的计算数量累积峰的峰顶区间是定义神经元数量累积峰的峰值为平均神经元数量分布基线的5倍及以上，计算并确认该前庭神经群落在半对数图内是否存在的神经元数量累积峰；若不存在，分析计算结束，该神经群落不纯在编码权重信息神经元，若存在数量累积峰，则对确认后的神经元数量累积峰进行正态分布分析，求解数量累积峰的位置参数范围

其中μ为位置参数，σ为尺度参数；μ在归一化变异系数分布的区间即为该前庭神经群落数量累积峰的峰顶区间。

本发明的有益效果是：

(1)另辟蹊径，使用量化表达前庭神经元电生理特性的参数CV*为基础(感知增益及响应延迟)，从特殊的视角探究神经群落内编码权重信息的神经元；

(2)利用神经元感知增益及响应延迟相近在感知刺激时，瞬时放电增幅相近且反应几乎同步这一特性，将神经群落内神经元进行聚类分析；

(3)在有益效果(2)的基础上，利用半对数图清晰显示并求解神经群落内聚类神经元的数量累积峰；

(4)利用正太分布概率函数，求解聚类神经元数量累积峰的峰顶范围；

(5)求解出权重信息编码神经元的量化筛选范围。

本发明利用反映神经元电生理特性的参数CV*进行聚类分析，从特殊的视角量化锁定神经群落内编码权重信息的神经元，为神经通路内群体信息集传递研究奠定基础，也为前庭神经群落精准调控策略的优化改进提供依据。

附图说明

图1是半规管神经元H20150827004在静息状态下的神经电生理活动信息数据示意图；

图2是该半规管神经元群落神经元累积数量-CV*半对数图。

具体实施方式

下面结合附图和实施例对本发明进一步说明，本发明包括但不仅限于下述实施例。

本发明从分析前庭神经元群落归一化变异系数(CV*)入手，通过半对数图(semi-logarithmic graph)对前庭神经群落的CV*进行分析，考察前庭神经元群落在CV*分布范围内的数量累积峰，计算数量累积峰顶范围，并用CV*度量；根据CV*相近的神经元拥有相近感知增益(gain)和响应延迟(latency)这一特性，锁定数量累积峰顶范围内的前庭神经元，即为前庭神经权重信息编码神经元。

本发明实现前庭神经权重信息编码神经元筛选的方案是：1.使用single unitrecording技术捕获某前庭神经元群落在静息状态下的神经电生理信息；2.计算该前庭神经群落内每个神经元的CV*；3.通过半对数图(semi-logarithmic graph)对该前庭神经群落进行分析，绘制该前庭神经元群落在CV*分布范围内的数量累积峰；4.计算数量累积峰的峰顶区间，将CV*落入神经元数量累积峰峰顶区间内的前庭神经元挑选出，即为该前庭神经群落内编码权重信息的神经元。

具体实施过程为：

1.前庭神经元静息状态下电生理信息数据的捕获

在单神经元记录技术(single unit recording)的帮助下，捕获某前庭神经元群落在静息状态下的神经电生理信息。

1)实验动物经异氟醚麻醉后，于头部制作颅骨帽，用于颅骨帽辅助固定(Ren P,etal,Current medical science,2019)，提高单神经元记录系统的稳定性，便于前庭神经元电生理信息数据的采集。

2)颅骨外入路暴露实验动物前庭神经及Scarpa’s神经节(Hullar TE,et al,Journal of Neurophysiology,2005)。

3)将手术后的实验动物固定于坐落在万向空间调节平台上的立体定位椅内；万向空间调节平台与伺服控制旋转速率的电动机平台(servo-controlled rate motor table)相连接，可通过计算机或者手动提供旋转及线性运动刺激，旋转平面平行于水平面。

4)将实验动物头部空间方位调整至中立位。

5)三维空间机械臂(model US-3F,Narishige International,Japan)操纵记录电极，在液压微推进器的驱动下插入被暴露的前庭神经及Scarpa’s神经节内，搜寻前庭神经元，以记录到强健的自发放电活动为确认标准。

6)手动给予机械运动性刺激，鉴别被捕获的前庭神经元种类(Hullar TE,et al,JNeurophysiol,1999)，分为前半规管神经元群落、水平半规管神经元群落、后半规管神经元群落、耳石神经元群落。

7)在鉴别的被捕获的前庭神经元种类后，保持实验动物头部中立位，在静息状态下记录该神经元自发性放电活动20s以上。

8)记录结束。

2.计算某前庭神经群落内每个神经元的CV*

1)将某待计算CV*的前庭神经元电生理信息数据输入Matlab数学分析平台。

2)提取该神经元在静息状态下的自发性放电数据，进行以下分析计算。

3)计算瞬时放电时间间隔(interspike interval,ISI,ms)：Δt_n＝t_n–t_n-1；其中t_n代表在被记录的神经电生理信息集中，该神经元第n个瞬时放电所对应的时间点，其中n>1。

4)计算瞬时自发放电时间间隔平均值：μ_ISI＝(Δt₁+Δt₂+···+Δt_n-1+Δt_n)/n；其中n>1。

5)进一步求出静息状态下瞬时放电时间间隔标准差(standard deviation ofISI,SD)：

其中t_n代表在被记录的神经电生理信息集中，该神经元第n个瞬时放电所对应的时间点，其中n>1。

6)求解该神经元自发放电变异系数(coefficient of variation,CV)：CV＝σ_ISI/μ_ISI。

7)根据前庭神经元群体特性，将ISI归一化至15ms，将自发放电变异系数CV转化为归一化变异系数CV*。

8)重复1)-7)，求解该前庭神经元群落内每一个神经元的归一化变异系数CV*。

3.该前庭神经群落神经元数量累积半对数图(semi-logarithmic graph)构建

1)将该前庭神经群落内每个神经元的CV*值输入Matlab数学分析平台。

2)以CV*为X轴，以神经元数量为Y轴，绘制神经元数量累积图，然后对X轴进行对数处理，即可构建神经元数量累积半对数图。

4.该前庭神经群落在半对数图内的数量累积峰的确定及峰顶区间计算

1)定义神经元数量累积峰的峰值应为平均神经元数量分布基线的5倍及以上，计算并确认该前庭神经群落在半对数图内是否存在的神经元数量累积峰；若不存在，分析计算结束，该神经群落不纯在编码权重信息神经元，若存在数量累积峰，则进行以下运算。

2)对确认后的神经元数量累积峰进行正态分布分析，求解数量累积峰的位置参数范围(位置参数等于均数，尺度参数为方差)，用CV*度量，具体函数如下：

其中μ为位置参数，σ为尺度参数。

3)μ在CV*分布的区间即为该前庭神经群落数量累积峰的峰顶区间。

4)挑选CV*落入该峰顶区间内的前庭神经元，这些神经元即为该前庭神经群落内编码权重信息的神经元。

下面将针对某前庭神经群落在静息状态下的电生理信息数据，使用本发明所涉及的方法进行权重信息编码神经元的筛选；以本实施例对本发明进一步说明；本发明涉及的神经群落权重信息编码神经元的筛选包括但不仅限于下述实施例。

1.选取发明人实验室所拥有的某半规管神经元群落电生理信息数据，用于权重信息编码神经元的筛选；该半规管神经元群落电生理信息数据由发明人使用single unitrecording技术，在静息状态下捕获于活体南美栗鼠(Ren P,et al,PLoS One,2018；Ren P,et al,Current medical science,2019)。所有数据输入Matlab数学分析平台。

2.提取该半规管神经群落内某神经元的静息状态下的电生理信息数据，时长超过20秒，数据如图1所示。

3.求解相关参数：μ_ISI＝17.902；σ_ISI＝0.7837；CV＝0.4378；CV*＝0.3247。

4.分析该半规管神经元群落内每一个神经元在静息状态下的自发性放电数据，求解CV*，如表1所示。

5.将该半规管神经元群落内每一个神经元的CV*值输入Matlab数学分析平台，绘制半对数图，其中X轴经过对数处理，用CV*值度量，Y轴则为神经元累积数量，如图2所示。

6.根据神经元数量累积峰定义，确认该半规管神经元群落在半对数图内具有神经元数量累积峰，存在权重信息编码神经元。

表1该半规管神经元群落参数运算结果(N＝262，仅显示29神经元作为示例)

7.对确认后的神经元数量累积峰进行正态分布分析，求解数量累积峰的位置参数：μ＝0.03136±0.00727，如图2中箭头所示。

8.该半规管神经元群落的神经元数量累积峰的峰顶范围为：μ＝0.03136±0.00727，既该半规管神经元群落权重信息编码神经元分布范围为：CV*＝0.03136±0.00727。

Claims (4)

1.一种前庭神经权重信息编码神经元的筛选方法，其特征在于：对于已经获取的半规管神经元群落电生理信息数据，计算该前庭神经群落内每个神经元的归一化变异系数；通过半对数图对该前庭神经群落进行分析，绘制该前庭神经元群落在归一化变异系数分布范围内的数量累积峰；计算数量累积峰的峰顶区间，将归一化变异系数落入神经元数量累积峰峰顶区间内的前庭神经元挑选出，即为该前庭神经群落内编码权重信息的神经元。

2.根据权利要求1所述的前庭神经权重信息编码神经元的筛选方法，其特征在于：所述的计算该前庭神经群落内每个神经元的归一化变异系数包括以下步骤：

1)将某待计算归一化变异系数的前庭神经元电生理信息数据输入Matlab数学分析平台；

2)提取该神经元在静息状态下的自发性放电数据，计算瞬时放电时间间隔Δtn＝tn–tn-1；其中tn代表在被记录的神经电生理信息集中，该神经元第n个瞬时放电所对应的时间点，n>1；计算瞬时自发放电时间间隔平均值：μ_ISI＝(Δt1+Δt2+…+Δtn-1+Δtn)/n；

3)进一步求出静息状态下瞬时放电时间间隔标准差

求解该神经元自发放电变异系数CV＝σ_ISI/μ_ISI；将自发放电变异系数CV转化为归一化变异系数CV*；

4)重复步骤1)～3)，求解该前庭神经元群落内每一个神经元的CV*。

3.根据权利要求1所述的前庭神经权重信息编码神经元的筛选方法，其特征在于：所述的半对数图是将该前庭神经群落内每个神经元的归一化变异系数输入Matlab数学分析平台，以归一化变异系数为X轴，以神经元数量为Y轴，绘制神经元数量累积图，然后对X轴进行对数处理，即可构建半对数图。

4.根据权利要求1所述的前庭神经权重信息编码神经元的筛选方法，其特征在于：所述的计算数量累积峰的峰顶区间是定义神经元数量累积峰的峰值为平均神经元数量分布基线的5倍及以上，计算并确认该前庭神经群落在半对数图内是否存在的神经元数量累积峰；若不存在，分析计算结束，该神经群落不存在编码权重信息神经元，若存在数量累积峰，则对确认后的神经元数量累积峰进行正态分布分析，求解数量累积峰的位置参数范围

其中μ为位置参数，σ为尺度参数；μ在归一化变异系数分布的区间即为该前庭神经群落数量累积峰的峰顶区间。

Images