近年来，神经科学领域的技术进步使得研究人员能够同时记录数百、数千甚至数万个神经元的活动，从而获得了前所未有的海量神经数据。然而，如何有效理解和可视化这些高维数据成为一大挑战。霍华德·休斯医学研究所（HHMI）珍妮莉亚研究园区的研究人员开发了一种名为Rastermap的新计算方法，旨在帮助神经科学家更好地可视化和分析大规模多神经元记录数据。该方法于2024年发表在《自然神经科学》杂志上。

Rastermap的核心是一种排序算法，它能够根据神经元的活动模式对它们进行智能排序，从而生成清晰的光栅图。论文资深作者Marius Pachitariu解释道：“假设你有20个锥体，需要根据相似性排序。首先你可能注意到它们大小不同，然后颜色、形状也有差异。Rastermap的算法类似，但处理的是50,000个具有抽象属性（如发放率、对外部刺激的反应、与动物运动的相关性等）的神经元。”该算法从随机顺序开始，通过多次迭代移动神经元，使具有相似活动模式的神经元彼此靠近，最终在矩阵中按排序显示神经元的放电率，形成时间序列轨迹。

Rastermap的优势在于它能够揭示神经元群体中隐藏的结构。Pachitariu指出：“大脑中的神经元并非完全独立，它们共享某些活动模式，但这些模式通常不与空间上最近的神经元共享，而是与距离较远但功能相似的神经元共享。”此外，单个神经元往往噪声较大，但通过观察20-50个具有相似模式的神经元，可以在单次试验基础上更清晰地看到它们的平均反应。

研究团队将Rastermap应用于小鼠皮层、大鼠海马体、斑马鱼大脑以及人工神经网络的数据，均取得了良好效果。该方法不仅重现了之前研究的结果，还产生了新的发现。Pachitariu认为：“随着科学家记录越来越多的神经元，Rastermap将变得越来越有用。它支持基于发现的科学方法，让我们有机会在大规模神经记录时代偶然发现有趣的神经特性。”未来，Rastermap有望应用于临床环境，帮助解读人类大脑活动模式，从而提升脑机接口（BCI）等技术的效果和可解释性。

更多信息：Carsen Stringer et al., Rastermap: a discovery method for neural population recordings, Nature Neuroscience (2024). DOI: 10.1038/s41593-024-01783-4.