一种用于检测相似神经脉冲序列群落的网络框架

大规模电生理记录技术的最新进展现已能够同时测量神经元群体中多个神经元的脉冲序列。因此，数学神经科学面临的一项核心挑战，是直接从这些数据中识别功能性神经元集群及其集体组织结构。本研究旨在设计一种方法，根据神经元的脉冲活动推断其集体组织结构。我们利用 van Rossum 距离量化成对神经元之间的相似性，并据此从神经元脉冲序列构建加权功能网络。该功能网络能够捕捉神经元放电模式之间的相似性，并为其集体组织结构提供一种表征。我们假设，相似的神经元集群将在网络中呈现为具有聚类特征的社区，并采用 Louvain 算法检测此类集群。我们使用合成脉冲序列数据，以及在外部泊松驱动下、基于随机块模型的漏积分发放神经元模拟数据对该方法进行验证，其中真实组织结构是已知的。最后，我们将该方法应用于 Allen Institute Visual Coding: Neuropixels 数据集中的大规模记录数据。结果表明，只要具备足够的数据量，且相较于噪声而言时间结构足够显著，我们的方法就能取得良好效果。

大规模电生理记录技术的最新进展如今已能够同时测量神经元群体中多个神经元的脉冲序列。因此，数学神经科学面临的一项核心挑战，是直接从这些数据中识别功能性神经元群体及其集体组织结构。本研究旨在设计一种方法，根据神经元的脉冲活动推断其集体组织结构。我们利用 van Rossum 距离量化神经元两两之间的相似性，并据此从神经脉冲序列构建加权功能网络。该功能网络刻画了神经元放电模式之间的相似性，并为表征其集体组织结构提供了一种方式。我们假设，相似的神经元群体将在网络中呈现为具有聚类特征的社区，并采用 Louvain 算法检测此类神经元群体。我们利用合成脉冲序列数据，以及由随机块模型模拟生成的数据对该方法进行验证；在后者中，模型由受到外部泊松驱动的 Leaky Integrate and Fire 神经元构成，且真实组织结构已知。最后，我们将该方法应用于 Allen Institute Visual Coding: Neuropixels 数据集中的大规模记录数据。结果表明，只要具备足够量的数据，且相较于噪声而言时间结构足够显著，我们的方法便能取得良好效果。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.03.749154v1?rss=1

🏷️ 神经脉冲序列 神经元功能网络 社区检测 van Rossum距离 Louvain算法 神经元群体组织