まず、ex-vivoマウス脳急性切片およびin vitroヒトIPSC由来の神経回路網からの時空間神経活動を記録します。記録された生データファイルをBrainWaveソフトウェアで開きます。分析を選択し、[LFP 検出] または [スパイク検出] をクリックします。
海馬と嗅球の回路記録では、実体顕微鏡から検出されたイベントファイルに構造光画像をインポートするための高度なワークスペースオプションを統合します。大規模な海馬皮質回路を調べるための構造層を作成します。カスタムで記述された Python スクリプトを利用して、BXR ファイルを読み取ります。
IPSCネットワークの記録からスパイク列を抽出し、海馬と嗅球の脳スライス回路の記録からLFPイベント列を抽出します。結果のイベント トレイン データを時空間情報とともに NPY ファイル形式で保存します。BRW ファイルの時系列データを使用して、64 x 64 配列内のアクティブ電極のペア間の相互共分散を計算します。
各接続性マトリックスを動的グラフ ファイルに変換します。ネットワーク接続性マップの場合、空間マッピングに地理レイアウトを適用し、比較のために角度範囲とエッジのウェイトにパラメーターの制約を設定します。節点の色、エッジ サイズ、次数サイズを割り当てて、視覚化を強化します。
平均大規模LFPまたはスパイク発火パターンの地形空間マッピングは、それぞれの顕微鏡で撮影された光学画像に重ね合わせられます。ラスタグラム プロットには、指定した時間帯で同期的に検出された LFP またはスパイク イベントが表示されます。HDME記録電極からの代表的なイベントトレースは、海馬、皮質、および嗅球回路で記録されたさまざまな振動周波数と、ヒトIPSCネットワークにおけるマルチユニットスパイクバースト活性を示しました。
海馬の皮質回路と嗅球回路のコネクトームマップは、異なる層を表すさまざまなノードを明らかにし、サイズは強度の程度を示し、色は層を示しました。ヒトのIPSCネットワークでは、時空間フィルターと潜伏閾値を使用して接続の識別が洗練され、入力が興奮性か抑制性かが節点色で示されました。
