神经活动跨越多个时间尺度，从毫秒级到月度级。其动态演变可通过慢性高密度阵列（如Neuropixels探针）进行记录，该技术能在数十个位点同步测量每个尖峰信号，并捕获数百个神经元的活动。这些探针产生的海量数据需要采用不同方法来实现跨记录时段的神经元追踪。为此，研究人员开发了UnitMatch流程，该流程在尖峰排序后运行，仅基于每个单元的平均尖峰波形进行匹配。通过在小鼠大脑的Neuropixels记录中测试，UnitMatch实现了跨周级的神经元追踪。全脑范围内，神经元具有独特的峰电位间隔分布特征，且与其他神经元的相关性在数周内保持稳定。在视觉皮层中，神经元对视觉刺激的选择性同样表现出持续稳定性。然而在学习任务期间，纹状体的神经元反应会随日期推移产生变化。UnitMatch因此成为揭示神经活动跨日不变性与可塑性的有效工具。

神经活动跨越从毫秒到数小时、数天乃至数月的多重时间尺度，涵盖了从尖峰放电间隔到学习、记忆或衰老等过程。对于较长尺度的动态变化，可通过双光子成像技术进行研究，该技术能对视场内的同一批神经元进行跨日追踪。然而，成像方法难以捕捉快速时间尺度的活动，且不易应用于深部脑区。要覆盖全脑区域的所有时间尺度，理想的解决方案是慢性电生理记录技术。

慢性电极记录显示，神经元单元（推定神经元）在跨日期记录中能保持一致的尖峰波形。这种稳定性表明这些单元随时间推移追踪的是同一批神经元，特别是当采用立体电极、四极电极、微丝束、硅探针、聚合物阵列或Neuropixels探针等多点位测量技术时。其中Neuropixels探针易于实现慢性植入，能在跨日记录中捕获数百个可能匹配的神经元，其几何结构与密度特性还有助于校正电极漂移。

然而，当前针对高密度探针（如Neuropixels）序列化记录产生的海量数据，尚缺乏高效的跨日神经元匹配方法。例如，现有方法通常需要将两段记录拼接后进行统一尖峰排序，虽适用于成对记录，但难以处理长周期序列，无法扩展到数周或数月内获得的数十次记录。

为解决这一问题，研究人员开发了名为UnitMatch的流程。该流程在尖峰排序后运行：用户先采用偏好算法对每次记录独立排序，UnitMatch再基于各单元的平均波形构建朴素贝叶斯分类器，实现跨记录单元的概率化匹配。

通过对小鼠多脑区Neuropixels记录序列的测试，UnitMatch能稳定实现跨周级神经元追踪。其性能与拼接法及人工校对相当，但速度显著提升，且适用于更长记录序列。

由于UnitMatch仅依赖单元尖峰波形而非功能特性，可用于检验这些特性是否随时间变化。事实上，虽然神经元可能维持如峰电位间隔分布、感觉-认知-运动关联等放电特性，但这些特性的稳定性并非必然，往往正是研究的核心问题。

研究分析了神经元的峰电位间隔分布、神经元间相关性、视觉皮层神经元对刺激的反应等特性，发现这些特征保持显著稳定性。同时，利用UnitMatch揭示了纹状体在学习过程中神经表征的动态变化。结果表明，UnitMatch能有效追踪长序列记录中多脑区神经活动的稳定性与可塑性。

一、结果

UnitMatch流程以前期经过独立尖峰排序的单元波形为输入数据（这些波形按每场记录的前后两半分别计算平均值，见图1a），其运行分为两个阶段。第一阶段“匹配”计算某场记录中每个单元与另一场记录中单元相匹配的概率（图1b）。第二阶段“追踪”生成跨记录单元索引矩阵以实现持续追踪（图1c）。以下我们将结合实验室大量数据对这两个阶段进行定性说明，具体数学公式参见方法部分。

图1：UnitMatch工作流程

a. 预处理：用户对每场记录进行尖峰排序，并计算各单元在每场记录前后半段的平均尖峰波形。

b. 匹配流程：UnitMatch首先从每个波形提取关键参数（步骤1），据此计算所有记录对中单元间的相似度分数（步骤2）；接着通过日内交叉验证确定推定匹配的相似度阈值（步骤3）；随后校正跨记录电极漂移（步骤4）并重新计算推定匹配；最后构建推定匹配的相似度概率分布，通过分类器为所有记录对中的潜在匹配分配概率（步骤5），最终输出所有记录中单元对的匹配概率。

c. 追踪流程：UnitMatch利用前阶段输出的概率矩阵，实现多个记录场次中单个单元的连续追踪。

01.预处理

在运行UnitMatch之前，用户需先完成多场次的神经活动记录，并使用偏好软件对每场记录独立进行尖峰排序。对于每场记录，利用尖峰排序软件的输出结果提取每个单元的平均时空尖峰波形文件（分别基于每场记录的前后两半时段计算）。这些文件不包含单个尖峰的详细信息。

东莞市富临塑胶原料有限公司是Neuropixels中国代理商，为中国客户提供Neuropixels数据采集系统、神经探针。

为开发和测试UnitMatch，研究人员使用了1,350场跨日记录（最长连续记录达235天），数据来自植入慢性Neuropixels探针的小鼠脑区（包括皮层、海马体、纹状体和上丘等）。每场记录均通过Kilosort进行独立尖峰排序（该算法支持场内漂移校正），随后采用质量评估标准筛选出25.2%±10.2%的信噪分离良好的单元（涉及25只小鼠的1,350场记录）。

02.波形参数提取

高密度记录阵列（如Neuropixels探针）可在多个位点采集单元尖峰信号，从而呈现其特征时空波形。波形振幅在最大位点处达到峰值，并随距离增加而衰减（图2c）。UnitMatch通过指数函数拟合该衰减曲线，确定振幅降至峰值10%时的距离d10（图2c）。示例记录中该值介于30-95微米（95%置信区间）。对于每个单元，算法选取距最大位点小于d10（最远不超过150微米）的记录位点进行分析，通常涵盖6-24个位点（呈双列分布）。

图2：尖峰波形参数提取流程

a. 探针底部及其记录位点示意图。

b. 示例单元在指定记录位点（黑色及相邻灰色位点）的平均尖峰波形。

c. 示例单元波形振幅随距最大位点距离的变化曲线，通过指数衰减拟合确定d10值。空间衰减率根据振幅随距离的下降斜率计算。

d. 两场示例记录中所有单元d10值的分布（实线表示中位数，虚线表示95%置信区间）。

e. 基于最大位点邻近加权的示例单元平均波形，单元振幅由此加权波形计算得出。

f. 示例波形峰值前后（-0.2毫秒至+0.5毫秒）的质心轨迹（圆圈表示平均质心），逐时间点计算运动方向与距离。

对于每个单元及其两个平均波形，UnitMatch从选定记录位点测量的时空尖峰波形中提取七项特征参数：

1. 空间衰减率（依据公式(8)计算）；

2. 通过位点加权平均获得的加权平均波形（公式(9)），权重取决于各站点与最大站点的接近程度；

3. 加权平均波形的振幅（公式(10)）；

4. 平均质心位置（公式(6)），即各记录位点最大振幅加权的平均位置；

5. 峰值前0.2毫秒至峰值后0.5毫秒期间的空间质心轨迹（公式(4)）；

6. 每个时间点的质心移动距离；

7. 每个时间点空间质心的移动方向（公式(5)）。

03.相似度计算

提取这些时空波形参数后，UnitMatch对所有记录内及记录间的波形对进行比较，生成六项相似度分数：

- 衰减相似度（D，公式(14)）

- 波形相似度（W，公式(18)）

- 振幅相似度（A，公式(13)）

- 质心相似度（C，公式(20)）

- 波动相似度（V，质心差值的稳定性，公式(23)）

- 路径相似度（R，轨迹相似性，公式(24)）

每项分数范围在0到1之间，1代表最高相似度。最后通过单项分数平均计算总相似度T。

以两个单元对为例说明分数含义：

第一例为同一天记录的两个相邻但不同的单元（图3a-b）。由于位置邻近，它们质心相似度C较高，但尖峰波形（W值低）、空间衰减（D值低）和运动路径（R值低）差异显著，导致总相似度T远低于1（图3c）。

第二例为同一单元在不同日期的记录（图3d-e），其波形与轨迹高度相似，多数相似度分数接近最大值，总相似度T约等于1（图3f）。

图3：相似度计算与分类器设置

a. 图2示例单元（黑）与同记录最近邻单元（蓝）的加权平均波形对比；

b. 两单元的质心轨迹（阴影圆标示平均位置）；

c. 两单元六项相似度分数及总相似度T；

d-f. 跨日记录的同一单元（黑）与最相似单元（红）的波形(d)、轨迹(e)及相似度(f)对比；

g. 示例记录对中日内（蓝）与跨日（红）单元对的总相似度T矩阵（按探针及深度排序）；

h. 同一单元在记录前后半段的T值分布（绿）与邻近单元（蓝）对比；

i. 跨日记录经漂移校正后的T值分布（红），虚线为推定匹配阈值；

j. 推定匹配（黑）与非匹配（灰）的各相似度概率密度分布；

k. 基于朴素贝叶斯分类器计算的匹配概率P(match)；

l. 同一单元（绿）与邻近单元（蓝）在日内记录间的匹配概率分布；

m. 跨日记录的匹配概率分布（红），概率大于0.5则判定为匹配。

04.推定匹配的识别

正如预期，当应用于同一记录场内前后半段的相同单元时，总相似度T通常较高（图3g主对角线）。实际上，同一单元在前后半段测量的T值显著高于邻近单元间的测量值（图3h绿线与蓝线）。

UnitMatch利用这一差异设定阈值：当同一单元对的T值比例超过邻近单元对比例时的临界点（图3h，公式(28)）。将该阈值应用于跨日记录的T值分布（图3i），T值超过阈值的跨日单元对即被识别为推定匹配。

05.跨记录场次的漂移校正

现代尖峰排序算法（包括本研究使用的版本）可校正记录场次内的电极漂移，但无法校正独立排序场次间的漂移，导致日内测量的T值通常高于跨日测量。为消除这一差异，UnitMatch对日内与跨日的T值分布进行高斯拟合，通过调整使两者均值对齐后重新识别推定匹配。针对这些匹配，算法计算质心位移中值并对位置相关参数进行刚性变换，重复前述步骤以获得更可靠的推定匹配集合。图3所示结果均经过漂移校正。

06.基于推定匹配构建分类器

利用总相似度T识别所有记录对间的推定匹配后（图3i），UnitMatch回溯各相似度分数，以其分布训练分类器。单元对分为推定匹配（T>阈值）与推定非匹配（T<阈值）两类，其六项相似度分数分布存在显著差异（图3j）。基于这些分布，我们构建了朴素贝叶斯分类器，输入两个波形的六项相似度分数，输出"匹配概率"——即两波形来自同一单元的后验概率（公式(29)）。

该分类器能准确识别日内同一单元，匹配概率接近1（图3k主对角线，图3l绿线）；而邻近单元的匹配概率接近0（图3l蓝线）。跨日记录中，大部分波形对来自不同神经元，匹配概率集中于0附近（图3m），但部分单元对匹配概率接近1，这些即跨日追踪到的单元。

07.性能评估

在日内波形数据上验证表明，UnitMatch总体准确且偏保守。将其应用于同一记录场次前后半段的单元时（这些单元已被尖峰排序算法判定为相同），UnitMatch与算法结果高度一致（扩展数据图2a）。分歧率极低：在10场独立排序记录中，意外匹配率仅0.2%±0.1%，意外不匹配率4.2%±0.8%。这些少数分歧可能来自UnitMatch的误判或排序算法错误。

在连续两日记录的最大可能单元数中，UnitMatch发现42%±19%的单元存在匹配（共339对日期）。对照实验中，每日重新插入探针的急性记录几乎不可能匹配同一单元，其匹配率仅为1.9%±3.7%（慢性与急性记录对比：P<10⁻¹¹），反证了算法的可靠性。

与拼接记录排序法的对比显示，UnitMatch的日内意外匹配率（0.3%±0.3%）与不匹配率（5.9%±1.9%）与独立排序结果相当（扩展数据图2a）。跨日记录中，29.5%±16.4%被Kilosort判定为同一的单元未被UnitMatch识别为匹配（扩展数据图2c）。

与六位专家人工校对对比（扩展数据图3），UnitMatch比拼接记录排序法更接近人工判断结果。拼接排序倾向于高估跨记录匹配数（尤其在噪声数据中），而UnitMatch与人工校对的一致性更高——后者通常被认为比自动排序更可靠（尽管两者均非绝对标准）。

最后，我们检验了UnitMatch是否对特定波形或放电特性的单元存在追踪偏好（扩展数据图4）。发现尖峰数量与峰值振幅具有高预测性，波形持续时间（尖峰较窄的单元匹配率略低）与峰值数量（多峰单元匹配率略低）也有一定预测力，这些特征可为算法改进提供方向。

08.基于稳定功能特性的验证

通过评估神经元的功能"指纹"（即活动模式），可更可靠估计UnitMatch的性能。若该指纹具有神经元间特异性和跨日稳定性，则表明追踪算法有效。本研究验证了功能指纹兼具特异性和显著稳定性，从而证实了UnitMatch的可靠性。

我们考察了三类功能指纹：

1. 峰电位间隔分布：被追踪单元的ISI直方图在跨日后保持高度一致（图4a）。跨日匹配单元的ISI分布相关性接近日内同一单元水平，而非匹配单元相关性显著较低（图4b）。基于ISI相关性的分类AUC值在数月内保持稳定（图4c-e）。

2. 群体耦合：单元与参考神经元群 firing rate 的瞬时相关性。跨日匹配单元的相关性模式高度相似，而非匹配单元差异显著（图4f-j）。

3. 视觉刺激响应：视觉皮层单元对大量自然图像的反应模式。匹配单元的响应时间曲线和图像选择性在跨日后保持稳定，其指纹相似性显著高于非匹配单元（图4k-o）。

这些功能指纹的稳定性验证了UnitMatch在长时程记录中有效追踪神经元身份的能力。

确实，即使对于间隔6个月记录的单元对，其ISI直方图之间的相关性仍能高度预测它们是否匹配。我们通过计算接收者操作特征曲线来量化匹配与非匹配单元对相关性分布的可区分性（图4c）。示例日期对的曲线下面积为0.95，接近日内测量的0.97。随着记录间隔天数增加（图4d），这一指标在所有小鼠中均保持较高水平（图4e）。平均而言，跨日记录的AUC为0.88±0.01（日内为0.94±0.01），且随间隔时间增长衰减缓慢（斜率-0.001±0.008）。在示例小鼠中，183天后AUC仍维持在0.82。

群体耦合分析显示该指标同样具有跨日一致性（图4f,g）。其区分度极高，跨日AUC达0.98（日内0.98），表明UnitMatch找到的匹配对极可能为同一神经元（图4h）。这一规律在所有小鼠中一致（跨日0.92±0.01，日内0.96±0.01），且稳定维持数周至数月（斜率-0.006±0.010）。示例小鼠183天后AUC仍为0.82。该指纹特征不依赖刺激响应，适用于全脑区域。

视觉皮层中被追踪的单元对视觉刺激同样表现出跨日一致性（图4k,l）。示例小鼠跨日AUC为0.95（日内0.96），所有小鼠平均为0.85±0.02（日内0.90±0.03），长期记录中稳定性依然显著（斜率-0.006±0.010）。示例小鼠183天后AUC为0.75。

09.与其他方法的比较

功能特性的稳定性为比较UnitMatch与拼接记录排序法提供了新维度。对四场连续记录序列的测试表明，UnitMatch的功能验证结果比拼接数据排序更接近真实情况。尤其在长间隔记录中，UnitMatch基于功能相似度区分匹配的AUC值普遍高于Kilosort（扩展数据图2e,f）。

与基于地球移动距离的新近算法对比显示（扩展数据图6a），UnitMatch的日内命中率更高且假阳性率稳定较低。对EMD论文示例小鼠22场记录的追踪任务（扩展数据图6b），UnitMatch仅需25分钟（EMD算法需8小时），且其匹配单元的ISI直方图区分AUC值显著更高（t(20)=4.57, P=0.0002）。这表明UnitMatch在速度与性能上均优于当前先进方法。

10.多记录场次追踪

UnitMatch可轻松扩展至同时处理所有记录日期的数据，为所有神经元对生成匹配概率矩阵（图5a）。随后利用这些概率实现多记录场次的神经元身份归组（图1c）。

图5：长程神经元追踪

a. 示例小鼠所有记录对中神经元间的匹配概率矩阵；

b. 三个记录场次中四个示例单元的追踪路径（上）及三种算法版本的输出结果（下）；

c. 示例小鼠195天内被追踪的神经元集群（同一颜色表示相同身份）；

d. 按首次出现时间排序的神经元在场次中的存在情况；

e. 单元追踪概率随记录间隔的变化曲线；

f. 被追踪与非追踪神经元功能相似度的AUC比较；

g. 各时间箱内的数据集数量。

通过优化概率阈值与冲突解决策略，UnitMatch能有效处理神经元暂时消失与重现的情况（图5c），为长时程神经可塑性研究提供可靠工具。

UnitMatch提供三种追踪算法版本：默认版、宽松版与保守版（图5b）。默认版本迭代检查所有单元对，当某单元与目标单元组（含相邻记录中的单元）的匹配概率均高于0.5时则进行合并。该算法成功实现了跨日/周级的神经元追踪，允许神经元在不同记录日期间暂时消失与重现（图5c,d）。宽松版本以更高假阳性率为代价追踪更多神经元；保守版本则通过增加假阴性率确保更高准确率。不同版本会产生略有差异的分组结果（扩展数据图7），默认版本在多项指标上表现最优，因此被用于后续分析。

如图5e所示，神经元追踪概率随记录间隔增加而下降。通过量化特定日记录的神经元在既往（负间隔）与未来（正间隔）被追踪的概率，发现日内追踪概率虽高但<1，这为独立排序的跨记录追踪设定了上限。有趣的是，追踪概率在时间双向均呈下降趋势，表明探针记录的神经元在不断缓慢更新，且未来追踪概率略低于既往，提示初始神经元池存在渐进性耗竭。在此植入方案与算法组合下，超过30%的神经元可被追踪超过100天（结果受记录质量与产出量影响）。

功能验证证实即使对于长间隔记录，追踪算法仍保持准确（图5f）。被算法识别为同一单元的单元对，其功能相似度分数始终高于标记为“不同”的单元对（扩展数据图8a-f）。对于匹配概率为0的远间隔单元对，被算法追踪的组别功能相似度仍高于“不同”组；而匹配概率为1却被判为不同的单元对，其功能相似度低于追踪组。这表明算法能实现超越简单概率判定的有效追踪，其中默认版本在假阳性/假阴性权衡上最优（扩展数据图8g-r）。

11.学习过程中的单元追踪

UnitMatch不仅能通过稳定功能特征验证跨日追踪，更重要的应用在于追踪功能特性随时间演变（如学习引发的变化）。通过对小鼠视觉运动操作任务学习期间纹状体记录数据的分析（图6a），发现群体响应随训练进展变化：训练第2天对中央刺激响应增强，第4天对侧向刺激响应增强（图6b）。但UnitMatch追踪显示个体神经元存在显著异质性：有的对双刺激响应均增强（如单元158），有的仅对单一刺激产生强响应（如单元72、89）。尽管学习诱导了响应变化，ISI直方图仍保持相对稳定（图6d）。关键的是，匹配概率与功能指标变化程度无显著关联（图6f-h），说明算法追踪不受学习引起可塑性变化的干扰。

图6：学习过程中的单元追踪

a. 纹状体植入Neuropixels探针的小鼠通过操纵方向盘将侧向刺激移至中央以获取奖励，并在被动观看时记录神经元响应；

b. 被追踪神经元群体（n=12）在训练第0/2/4天对中央（红）与侧向（蓝）刺激的标准化放电率变化；

c-e. 三个示例追踪神经元跨3天的平均波形(c)、ISI直方图(d)及个体响应曲线(e)；

f-h. 个体神经元的ISI相关性(f)、侧向响应均方根差(g)、中央响应均方根差(h)与匹配概率的散点图（示例神经元着色标注）。

这一概念验证表明，UnitMatch不仅是揭示神经活动跨日不变性的有力工具，更能有效捕捉其可塑性变化。

二、讨论

UnitMatch填补了跨记录神经元灵活概率化追踪的技术空白，具有多重优势：

首先，其匹配过程不依赖功能特性（与多数现有算法不同），可直接探究功能特性的演变规律；

其次，作为尖峰排序后处理工具，兼容各类排序算法，符合电生理预处理流程标准化趋势（已提供与SpikeInterface的对接代码）；

第三，专为长序列独立记录设计，突破传统方法对连续记录的依赖；

第四，通过记录内交叉验证构建概率模型，能同步检测需合并/分割的单元；

第五，输出概率化结果而非二元判定，并提供人工校对界面；

第六，对慢性Neuropixels记录常见的漂移现象具有鲁棒性；

最后，其运算速度与性能均显著优于领域最新算法。

尽管UnitMatch能实现数月级的神经元追踪，但追踪数量随时间递减。这一现象可能源于记录质量下降、漂移累积、神经元静默或死亡等非算法因素。匹配概率与单元质量指标的相关性提示记录质量和漂移校正的重要性，未来需进一步解析各因素对追踪效果的影响。

UnitMatch证实神经元功能特征具有长期稳定性，但若直接将其作为追踪标准将无法评估功能特性随时间的变化（已有研究报道此类变化）。我们观察到的AUC值随天数缓慢下降，既可能源于匹配质量降低，也可能反映功能特性本身的改变。因此，除非确有证据表明功能特性恒定，否则应避免将其作为追踪依据，而仅作为验证手段或独立研究课题。

综上所述，UnitMatch为探索记忆、学习、衰老等涉及多脑区、多时间尺度的神经活动机制提供了强大工具。

三、方法

实验流程遵照英国《动物科学程序法》（1986年）在伦敦大学学院进行，并获得内政部在伦理审查后授予的个人及项目许可。

我们分析了25只慢性植入小鼠（雌雄均有，Bl6背景）的数据。小鼠植入手术时年龄为3-9个月，最长植入时间为8个月。实验期间小鼠通常处于头部固定状态，接受感觉刺激、参与行为任务或静息。这些数据来自不同实验装置，由不同操作者使用不同设备完成植入和记录（扩展数据表1）。

01.手术流程

在异氟烷（1-3%浓度氧气混合）麻醉下进行约1小时的初始手术，植入钛合金（Apollo植入体，约25×3×0.5毫米，0.2克）或钢材（超轻及骨水泥植入体，约25×5×1毫米，0.5克）头板。简要流程包括：清除头皮及骨膜，涂抹氰基丙烯酸酯并干燥后，分层施加紫外线固化光学胶直至覆盖颅骨表面，最后用Super-Bond聚合物将头板固定于顶间骨上方。其中一只小鼠（编号2/19）在颅骨植入银丝作为记录时的接地电极。

术后给予卡洛芬或美洛昔康镇痛3天，随后进行适应训练。小鼠随后被植入可回收模块化、超轻或骨水泥固定式植入体（详见“植入体类型”）。植入当天在异氟烷麻醉下（注射可的松和利马多后）进行开颅手术：去除紫外线胶，清洁颅骨表面以优化粘附性，水平校准后使用钻头或活检穿孔器打开颅骨，暴露脑组织后覆盖Dura-Gel。

02.植入体类型

0201.骨水泥固定式植入体

4只小鼠通过多维尔榫固定探针，使用牙科水泥包裹探针电路板并固定于颅骨。记录采用外部参考模式（银丝或头板作为参考信号），该数据已发表。

0202.可回收模块化植入体

20只小鼠植入可回收模块化植入体。Apollo植入体和Haesler植入体的方法详见各自论文，Repix植入体设计理念类似。通过三维打印的载荷固定器固定植入体，使用微操纵器定位探针。避开血管将探针缓慢（3-5微米/秒）插入脑组织。术前探针涂抹DiI荧光染料用于组织学重建。达到目标深度后，用紫外线胶密封植入体，再覆盖Super-Bond聚合物（仅固定对接模块）。记录结束后取出探针清洁备用。记录采用外部或内部参考模式（头板作为参考）。

0203.超轻植入体

自主研发超轻植入体：将Neuropixels探针封装于定制三维打印的刚性树脂支架中，前端添加sorbuthane缓冲垫。确保所有探针相互平行后缓慢插入脑组织。到达目标深度后，用凡士林覆盖探针基部防止水泥渗入，最后用水泥固定植入体与颅骨。取出时精确钻除凡士林覆盖区域的水泥。

03.数据处理电生理数据通过SpikeGLX采集，各场次记录使用Kilosort2.5或Kilosort4进行尖峰排序。数据预处理采用ExtractKilosortData.m脚本提取关键信息（记录位点坐标、聚类簇信息及尖峰时间等）并去除公共噪声。通过Bombcell工具（使用bc_qualityParamValuesForUnitMatch.m定义的参数）筛选信噪分离良好的单元。每场记录中各单元在各记录位点的平均波形由Bombcell或UnitMatch的ExtractAndSaveAverageWaveforms.m脚本提取。

UnitMatch核心算法的输入数据需包含：(1)聚类簇标识；(2)纳入分析的单元标识（通常为信噪分离良好的单元）；(3)记录场次信息；(4)探针标识。此外需提供参数文件（使用DefaultParametersUnitMatch.m默认参数）指定原始波形存储路径。UnitMatch代码库提供了从SpikeGLX原始数据到算法验证的完整流程示例，DEMO_UNITMATCH.m脚本同时适用于其他探针及软件采集的数据。

04.数学定义设探针包含N个记录位点，位点s的空间坐标为ps。对于单元i，其在位点s、时间点t的平均尖峰波形（经n个尖峰平均后）记为ws,t,i。

第一步：波形参数提取关键波形特征包括：空间能量分布：

最大振幅位点：

分析时间窗为峰值前0.23毫秒至峰值后0.50毫秒，基线噪声评估使用波形起始前1.33毫秒的等长窗。

空间衰减拟合（图2c）：

由此计算振幅衰减至峰值10%的距离d10 = log(10)/λ，后续分析仅考虑距最大位点小于d10的记录位点。

质心轨迹（图2f）：

瞬时运动方向：

平均质心：

位点邻近权重：

空间衰减率：

加权平均波形（图2e）：

加权振幅：

归一化波形：

第二步：相似度计算各相似度分数经0-99标准化（将最小值映射为0，99分位数映射为1，更高值截断为1）。具体分数包括：振幅相似度：

衰减相似度：

波形相似度（欧氏距离与相关系数的均值）：

质心相似度（dmax = 100微米）：

波动相似度（去偏移质心轨迹的稳定性）：

路径相似度（运动方向与位移量的综合）：

总相似度：

第三步：推定匹配识别初步匹配分类阈值TP(M=0)定义为同一单元T值分布与50微米内邻近单元T值分布的交点。针对跨日记录的整体分数偏移，通过正态分布拟合调整阈值。

第五步：构建分类器基于推定匹配的相似度分布，通过朴素贝叶斯分类器计算匹配概率：

其中Xi,j包含六项相似度分数。该概率输出用于最终跨记录神经元追踪决策。

05.功能相似度评分

为评估UnitMatch性能，我们定义了三种神经活动功能相似度评分：

ISI指纹：计算每个神经元i的ISI直方图Ai，元素ai,τ表示连续尖峰间隔时间的对数分布（0-5秒区间）。该直方图作为第一功能指纹。

互相关指纹：计算每个单元与跨日追踪参考神经元群的瞬时相关性。首先将各场记录前后半段的尖峰活动以10毫秒分箱，然后计算每个单元与所有跨日追踪单元的互相关系数向量Ci（元素ci,j为单元i与j的相关系数）。若单元自身属于参考群组，其自相关值设为NaN。该向量作为第二功能指纹。

自然图像响应指纹：向头部固定小鼠呈现112张自然图像（每图随机呈现5次），通过锁定图像起始（前0.3秒至后0.5秒）与偏移（后0-0.5秒）的peri-stimulus直方图（5毫秒分箱）构建响应矩阵Ri,t,s。通过拼接时间维度上的平均响应曲线pi,t=⟨Ri,t,s⟩s与图像维度上的平均选择性mi,s=⟨Ri,t,s⟩t，形成第三功能指纹。

0501.指纹稳定性评估

通过计算不同记录日期间指纹的相关系数衡量相似度：

使用不同半场数据计算可评估同一场次内的指纹可靠性。

06.ROC与AUC分析

通过比较同一单元与不同单元对的指纹相关性分布，绘制ROC曲线并计算AUC值以量化区分度。仅纳入匹配单元数≥20的记录场次，且自然图像响应指纹需满足首日重测信度>0.2。统计检验在动物层面进行。

07.连续追踪算法

开发三种追踪版本，均基于概率降序处理单元对：

追踪概率通过计算每个单元在既往/未来记录中被成功追踪的概率，并在动物间平均获得。

08.学习过程中的功能变化追踪

使用Kilosort4处理三天的数据，发现12个跨三日追踪的神经元。计算其对侧向与中央屏幕刺激的基线校正响应：

通过ISI直方图的皮尔逊相关性及归一化视觉响应的均方根差量化功能稳定性。

09.研究设计总结

更多研究设计信息见文末链接的《自然研究方案概要》。

东莞市富临塑胶原料有限公司是Neuropixels中国代理商，采购Neuropixels数据采集系统、神经探针请立即联系我们。

邮：li@fulinsujiao.com