Análise de Dados Neuropixels

Visão Geral

Kit de ferramentas para analisar gravações neurais de alta densidade Neuropixels usando as melhores práticas atuais do SpikeInterface, do Allen Institute e do International Brain Laboratory (IBL). Ele cobre o fluxo de trabalho completo, desde dados brutos até unidades revisadas e curadas. Tem como alvo SpikeInterface 0.105.0, ProbeInterface 0.4.0 e Neo 0.14.5 (revisado em 2026-10-01). Testes sintéticos cobrem contratos de gravação, pré-processamento, analisadores, métricas e exportações; arquivos de aquisição reais, classificadores nativos, execução em GPU e modelos pré-treinados permanecem ilustrativos.

Todos os exemplos usam a API real do SpikeInterface (spikeinterface.full as si) mais o módulo de curadoria complementar (spikeinterface.curation as sc). A habilidade envia scripts executáveis em scripts/ e um modelo de copiar e editar em assets/ que implementam este fluxo de trabalho diretamente sobre o SpikeInterface — não há um pacote separado para instalar além das dependências listadas em Instalação.

Quando Usar Esta Habilidade

Esta habilidade deve ser usada quando:

• Trabalhando com gravações Neuropixels (arquivos .ap.bin, .lf.bin, .meta)
• Carregando dados dos formatos SpikeGLX, Open Ephys ou NWB
• Pré-processando gravações neurais (filtragem, referência comum, detecção de canal ruim)
• Detectando e corrigindo movimento/deriva
• Executando classificação de picos (Kilosort4, SpykingCircus2, Mountainsort5, Tridesclous2)
• Calculando métricas de qualidade (SNR, violações de ISI, razão de presença, corte de amplitude)
• Curando unidades (baseado em limiar, baseado em modelo ou assistido por IA)
• Criando visualizações e exportando para Phy ou NWB

Hardware e Formatos Suportados

Início Rápido

Importar e configurar processamento paralelo

import spikeinterface.full as si

# Global job kwargs are reused by all parallelizable steps
si.set_global_job_kwargs(n_jobs=-1, chunk_duration="1s", progress_bar=True)

Carregando dados

# Inspect available streams first
stream_names, stream_ids = si.get_neo_streams("spikeglx", "/path/to/run_g0/")
print(stream_names)  # e.g. ['imec0.ap', 'imec0.lf', 'nidq']

# SpikeGLX (most common) — select the AP stream by name
recording = si.read_spikeglx("/path/to/run_g0/", stream_name="imec0.ap")

# Open Ephys
recording = si.read_openephys("/path/to/Record_Node_101/")

# For quick iteration, slice the first 60 s
fs = recording.get_sampling_frequency()
recording_sub = recording.frame_slice(0, min(int(60 * fs), recording.get_num_samples()))

Pipeline completo (script empacotado)

O repositório envia um pipeline de ponta a ponta construído sobre SpikeInterface:

python scripts/neuropixels_pipeline.py /path/to/spikeglx/data output/ --sorter kilosort4 --curation allen

Ele executa: carregar → pré-processar → verificar deriva → correção de movimento opcional → classificar → pós-processar → métricas de qualidade → curadoria → exportar. Phy e o relatório retêm todas as unidades para revisão com rótulos de curadoria; sorting_curated/ contém unidades boas selecionadas. Leia as etapas abaixo para executá-las interativamente ou personalizar o pipeline.

Fluxo de Análise Padrão

1. Pré-processamento

Valide o stream AP, calibração, ordem dos canais, geometria da sonda e limites dos segmentos primeiro. Esta cadeia de filtro/referência não é o destriping completo do IBL. Aplique a correção de tempo do ADC apenas a partir de metadados de aquisição válidos e referencie cada shank separadamente:

rec = si.highpass_filter(recording, freq_min=400.0)
bad_channel_ids, channel_labels = si.detect_bad_channels(rec)
rec = rec.remove_channels(bad_channel_ids)
rec = si.phase_shift(rec)  # Requires valid inter_sample_shift property.
rec = si.common_reference(rec, operator="median", reference="global")  # Single shank only.

Para múltiplos shanks, use o auxiliar reference_by_shank empacotado descrito em PREPROCESSING.md. Arrays de traços são amostras × canais; get_traces(return_in_uV=True) precisa de ganho/offset calibrados. Os comandos empacotados

…