Preface#

本ノートは，MEA で取得される神経活動データを解析・可視化する定番の手法を簡単に紹介することを目的としています． しかし内容には当然，偏りや見落としがあることと思います．追加すべきと考える内容がございましたら，ぜひ右上の Open Issue ボタンから編集リクエストをお寄せいただけると幸いです．

章立てにあたり，MEA で取得される神経活動データを spike（発火時刻）と signals（信号）の 2 種類に大別しました．以下で各章の概要を述べます．

introduction#

本ノートはプログラミング言語として Python を使用しています．Python を使用するにあたり，はじめての方は環境構築が必要です．環境構築の手順や，環境構築に関係する便利なツールについてPythonで簡単に紹介しております．

Important

また，本ノートではサンプルデータを用いて解析をデモンストレーションします．サンプルデータのダウンロード，セットアップ方法はDatasetsを参照してください．

spikes#

MEA の各電極では，細胞外電位の信号が記録されます．神経細胞は活動電位（spike）によって情報を表現すると考えられているため，神経細胞のネットワークを情報処理システムとして見た際にもっとも本質的な情報は，spike の時刻です．

まず，多数の電極で記録された spike 時刻を直感的に把握するための可視化手法をVisualization of Spike Dataで述べます． 次に，多数の神経細胞が同期して発火する現象であるバーストについて Burst Detectionで述べます．

細胞集団はシナプス結合によってネットワークを構成しますが，各細胞の発火の時間的相関を分析し，機能的な結合強度を推定する手法についてCorrelation Analysisで述べます．

また，MEA では細胞集団の自発活動を計測するだけではなく，電気刺激を加えて活動を誘発することができます． 誘発された活動を可視化する手法について，Peri-Stimulus Time Histogramで述べます．

signals#

前章では，各電極の spike 時刻を既知としましたが，実際には細胞外電位の信号から，活動電位の波形を検知する過程があります． Spike Detectionでは，フィルタ等の前処理，および閾値に基づく spike 検出について述べます．Spike Sortingでは，複数の細胞が混在する電極の信号から，単一細胞ごとの信号を推定する統計処理について述べます．Simulationでは，膜電位から細胞外電位のシミュレーションを通じて信号の生成過程を理解します．

Note

各ページは独立に構成されているため，コードはページ単位で動作します．見栄えの都合からコードをトグルにより非表示にしている部分がありますので，実行の際は注意してください．