Neuropixelsデータ解析
概要
SpikeInterface、Allen Institute、International Brain Laboratory (IBL) の現在のベストプラクティスを使用した、Neuropixels高密度神経記録解析のためのツールキットです。生データから出版可能なキュレーションユニットまでの完全なワークフローをカバーします。
すべての例では、実際のSpikeInterface API（spikeinterface.full as si）と、付属のキュレーションモジュール（spikeinterface.curation as sc）を使用しています。このスキルには、scripts/内の実行可能なスクリプトと、assets/内のコピー＆編集可能なテンプレートが含まれており、このワークフローをSpikeInterface上で直接実装します。インストールにリストされている依存関係以外に、別途インストールするパッケージはありません。
このスキルを使用するタイミング
以下の場合にこのスキルを使用する必要があります。
- Neuropixels記録（
.ap.bin、.lf.bin、.metaファイル）を扱う場合 - SpikeGLX、Open Ephys、またはNWB形式からデータを読み込む場合
- 神経記録の前処理（フィルタリング、共通リファレンス、不良チャンネル検出）を行う場合
- モーション/ドリフトを検出および補正する場合
- スパイクソーティング（Kilosort4、SpykingCircus2、Mountainsort5、Tridesclous2）を実行する場合
- 品質指標（SNR、ISI違反、存在率、振幅カットオフ）を計算する場合
- ユニットのキュレーション（閾値ベース、モデルベース、またはAI支援）を行う場合
- 可視化を作成し、PhyまたはNWBにエクスポートする場合
対応ハードウェアと形式
| プローブ | 電極数 | チャンネル数 | 備考 |
|---|---|---|---|
| Neuropixels 1.0 | 960 | 384 | ADC補正にはphase_shiftを使用 |
| Neuropixels 2.0（シングル） | 1280 | 384 | より高密度なジオメトリ |
| Neuropixels 2.0（4シャンク） | 5120 | 384 | 複数領域記録 |
| 形式 | 拡張子 | リーダー |
|---|---|---|
| SpikeGLX | .ap.bin、.lf.bin、.meta | si.read_spikeglx() |
| Open Ephys | .continuous、.oebin | si.read_openephys() |
| NWB | .nwb | si.read_nwb() |
クイックスタート
インポートと並列処理の設定
import spikeinterface.full as si
# グローバルジョブ引数は、並列化可能なすべてのステップで再利用されます
si.set_global_job_kwargs(n_jobs=-1, chunk_duration="1s", progress_bar=True)
データの読み込み
# 最初に利用可能なストリームを確認
stream_names, stream_ids = si.get_neo_streams("spikeglx", "/path/to/run_g0/")
print(stream_names) # 例: ['imec0.ap', 'imec0.lf', 'nidq']
# SpikeGLX（最も一般的）— 名前でAPストリームを選択
recording = si.read_spikeglx("/path/to/run_g0/", stream_name="imec0.ap", load_sync_channel=False)
# Open Ephys
recording = si.read_openephys("/path/to/Record_Node_101/")
# 迅速な反復のために、最初の60秒をスライス
fs = recording.get_sampling_frequency()
recording_sub = recording.frame_slice(0, int(60 * fs))
完全パイプライン（バンドルスクリプト）
リポジトリには、SpikeInterface上に構築されたエンドツーエンドのパイプラインが含まれています。
python scripts/neuropixels_pipeline.py /path/to/spikeglx/data output/ --sorter kilosort4 --curation allen
これは、読み込み → 前処理 → ドリフトチェック → オプションのモーション補正 → ソーティング → 後処理 → 品質指標 → キュレーション → エクスポートを実行します。以下の手順を読んで、インタラクティブに実行するか、パイプラインをカスタマイズしてください。
標準解析ワークフロー
1. 前処理
推奨されるチェーン（SpikeInterface Neuropixelsハウツーに従い、チャンネル除去と共通リファレンスを含むIBLスタイルのデストライピング）:
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) # ADC位相補正（Neuropixels 1.0）
rec = si.common_reference(rec, operator="median", reference="global")
前処理済み記録を保存します（Kilosortはバイナリファイルを必要とし、再利用が高速化されます）:
rec = rec.save(folder="preprocessed/", format="binary")
2. ドリフトの確認と補正
ソーティング前に必ずドリフトを検査します。
from spikeinterface.sortingcomponents.peak_detection import detect_peaks
from spikeinterface.sortingcomponents.peak_localization import localize_peaks
noise_levels = si.get_noise_levels(rec, return_in_uV=False)
peaks = detect_peaks(rec, method="locally_exclusive", noise_levels=noise_levels,
detect_threshold=5, radius_um=50.0)
peak_locations = localize_peaks(rec, peaks, method="center_of_mass")
# ドリフトラスターを可視化
si.plot_drift_raster_map(peaks=peaks, peak_locations=peak_locations,
recording=rec, clim=(-50, 50))
必要に応じて補正を適用します（プリセット: rigid_fast、kilosort_like、nonrigid_accurate、nonrigid_fast_and_accurate、dredge、dredge_fast）:
rec_corrected = si.correct_motion(rec, preset="nonrigid_fast_and_accurate", folder="motion/")
3. スパイクソーティング
# Kilosort4（推奨、CUDA GPUが必要）
sorting = si.run_sorter("kilosort4", rec_corrected, folder="ks4_output")
# CPU代替（内部開発、外部インストール不要）
sorting = si.run_sorter("spykingcircus2", rec_corrected, folder="sc2_output")
sorting = si.run_sorter("tridesclous2", rec_corrected, folder="tdc2_output")
sorting = si.run_sorter("mountainsort5", rec_corrected, folder="ms5_output")
# 外部ソーターはローカルインストールなしでコンテナ内で実行可能
sorting = si.run_sorter("kilosort2_5", rec_corrected, folder="ks25_output", docker_image=True)
print(si.installed_sorters())
注:
run_sorterはfolder=引数を使用します。古いoutput_folder=は非推奨です。
4. 後処理
analyzer = si.create_sorting_analyzer(sorting, rec_corrected, sparse=True,
format="binary_folder", folder="analyzer/")
analyzer.compute("random_spikes", method="uniform", max_spikes_per_unit=500)
analyzer.compute("waveforms", ms_before=1.0, ms_after=2.0)
analyzer.compute("templates", operators=["average", "std"])
analyzer.compute("noise_levels")
analyzer.compute("spike_amplitudes")
analyzer.compute("correlograms", window_ms=50.0, bin_ms=1.0)
analyzer.compute("unit_locations", method="monopolar_triangulation")
analyzer.compute("template_similarity")
metric_names = ["firing_rate", "presence_ratio", "snr", "isi_violation", "amplitude_cutoff"]
analyzer.compute("quality_metrics", metric_names=metric_names)
metrics = analyzer.get_extension("quality_metrics").get_data()
5. メトリクス閾値によるキュレーション
# Allenスタイルのクエリ（注意: 列名は isi_violations_ratio）
query = "(amplitude_cutoff < 0.1) & (isi_violations_ratio < 0.5) & (presence_ratio > 0.9)"
good_unit_ids = metrics.query(query).index.values
再利用可能なマルチスレッショルドロジック（allen / ibl / strict プリセット）については、バンドルされた scripts/compute_metrics.py を使用してください。詳細とBombcell / UnitMatchツールについては、references/AUTOMATED_CURATION.md を参照してください。
6. モデルベースのキュレーション（UnitRefine）
SpikeInterfaceは、spikeinterface.curation モジュールを介してHugging Faceから事前訓練された機械学習分類器を適用できます。UnitRefineモデルは実際のNeuropixelsデータ（V1、SC、ALM）で訓練されています。
import spikeinterface.curation as sc
# 1) ノイズ vs 神経
noise_labels = sc.model_based_label_units(
sorting_analyzer=analyzer,
repo_id="SpikeInterface/UnitRefine_noise_neural_classifier",
trust_model=True,
)
neural = analyzer.remove_units(noise_labels[noise_labels["prediction"] == "noise"].index)
# 2) 生存ユニットに対する単一ユニット（sua） vs マルチユニット（mua）
sua_mua_labels = sc.model_based_label_units(
sorting_analyzer=neural,
repo_id="SpikeInterface/UnitRefine_sua_mua_classifier",
trust_model=True,
)
各呼び出しは、ユニットごとに prediction と probability（信頼度）を含むDataFrameを返します。trust_model=True（または明示的な trusted=[...] リスト）は .skops モデルを読み込むために必要です—信頼できるソースからのモデルのみを読み込んでください。他の脳領域/データセットで訓練されたモデルは転移しない可能性があります。手動でラベル付けされたサブセットに対して検証してください。
7. AI支援キュレーション（不確かなユニット向け）
CursorやClaude Codeなどのエージェント内で実行する場合、エージェントは波形/相関図プロットを直接検査し、専門家による評価を提供できます。API設定は不要です。プロットを生成し、エージェントに分離品質の評価を依頼してください。
プログラムによるビジョンモデルアクセスの場合、APIキーは環境変数から読み取ります—解析スクリプトに資格情報をハードコードしないでください（バージョン管理やログに漏洩します）:
import os
from anthropic import Anthropic
client = Anthropic(api_key=os.environ["ANTHROPIC_API_KEY"]) # シェルで設定し、コードには記述しない
完全なパターン（ユニットサマリー画像のレンダリング、プロンプトの構築、応答の解析）については、references/AI_CURATION.md を参照してください。
8. 結果のエクスポート
# 良好なユニットのみを保持してエクスポート
analyzer_clean = analyzer.select_units(good_unit_ids, folder="analyzer_clean/", format="binary_folder")
# 手動レビュー用のPhy
si.export_to_phy(analyzer_clean, output_folder="phy_export/",
compute_pc_features=True, compute_amplitudes=True)
# フィギュアレポート
si.export_report(analyzer_clean, "report/", format="png")
# NWB
from spikeinterface.exporters import export_to_nwb
export_to_nwb(analyzer_clean, "output.nwb")
# メトリクス表
metrics.to_csv("quality_metrics.csv")
よくある落とし穴とベストプラクティス
- スパイクソーティング前に必ずドリフトを確認する — ドリフトが約10μmを超えると、品質が大幅に低下します。
- Neuropixels 1.0では
phase_shiftを使用してADCサンプリングオフセットを補正します。 - 前処理済み記録を
rec.save(folder=...)で保存して再計算を避けます（Kilosortもバイナリファイルを必要とします）。 - Kilosort4にはGPUを使用する — CPUソーターよりもはるかに高速です。
- 不確かなユニットをレビューする — 自動化/モデルベースのキュレーションは出発点であり、最終判断ではありません。
- アプローチを組み合わせる — 明確なケースには閾値、境界線上のユニットにはモデル/AIを使用します。
- 再現性のために閾値とモデルリポジトリIDを文書化する。
- 重要な実験ではPhyにエクスポートする — 人間による監視は貴重です。
調整すべき主要パラメータ
前処理
freq_min: ハイパスカットオフ（通常300～400 Hz）detect_bad_channels:(bad_channel_ids, channel_labels)を返します
モーション補正
preset:nonrigid_fast_and_accurate（バランス）、nonrigid_accurate（深刻なドリフト）、dredge（最先端）
スパイクソーティング（Kilosort4）
batch_size: バッチあたりのサンプル数（デフォルト60000）nblocks: ドリフトブロック数（長くドリフトの多い記録では増やす）Th_universal/Th_learned: 検出閾値（低いほど多くのスパイク）
品質指標
snr: 信号対雑音比カットオフ（通常3～5）isi_violations_ratio: 不応期違反（0.01～0.5）presence_ratio: 記録カバレッジ（0.5～0.95）
バンドルリソース
scripts/explore_recording.py
記録のクイック検査（ストリーム、チャンネル、期間、不良チャンネル）:
python scripts/explore_recording.py /path/to/data
scripts/preprocess_recording.py
自動化された前処理:
python scripts/preprocess_recording.py /path/to/data --output preprocessed/
scripts/run_sorting.py
スパイクソーティングの実行:
python scripts/run_sorting.py preprocessed/ --sorter kilosort4 --output sorting/
scripts/compute_metrics.py
品質指標の計算とキュレーションの適用:
python scripts/compute_metrics.py sorting/ preprocessed/ --output metrics/ --curation allen
scripts/export_to_phy.py
手動キュレーションのためのPhyへのエクスポート:
python scripts/export_to_phy.py metrics/analyzer --output phy_export/
scripts/neuropixels_pipeline.py
完全なエンドツーエンドパイプライン（クイックスタートを参照）。
assets/analysis_template.py
完全で編集可能な解析テンプレート。コピーしてカスタマイズ:
cp assets/analysis_template.py my_analysis.py
# PARAMETERSセクションを編集し、実行
python my_analysis.py
詳細リファレンスガイド
| トピック | リファレンス |
|---|---|
| 全ワークフロー | references/standard_workflow.md |
| APIリファレンス（SpikeInterface） | references/api_reference.md |
| プロットガイド | references/plotting_guide.md |
| 前処理 | references/PREPROCESSING.md |
| スパイクソーティング | references/SPIKE_SORTING.md |
| モーション補正 | references/MOTION_CORRECTION.md |
| 品質指標 | references/QUALITY_METRICS.md |
| 自動化＆モデルベースキュレーション | references/AUTOMATED_CURATION.md |
| AI支援キュレーション | references/AI_CURATION.md |
| 波形解析 | references/ANALYSIS.md |
インストール
Python 3.10以上が必要です。uv の使用を推奨します。
# コアパッケージ（SpikeInterfaceにはキュレーション/モデルツールがバンドルされています）
uv pip install "spikeinterface[full]" probeinterface neo
# スパイクソーター
uv pip install kilosort # Kilosort4（CUDA GPUが必要）
uv pip install spykingcircus # SpykingCircus（レガシー; SpykingCircus2はSpikeInterfaceに同梱）
uv pip install mountainsort5 # Mountainsort5（CPU）
# モデルベースキュレーション（UnitRefine）はHugging Faceからダウンロード
uv pip install "huggingface_hub" skops
# オプション: AI支援ビジュアルキュレーション
uv pip install anthropic
# オプション: IBLツールとBombcell
uv pip install ibl-neuropixel ibllib bombcell
再現可能な環境のためには、バージョンを固定してください（2026-06月現在: spikeinterface==0.104.3、kilosort==4.1.7、probeinterface==0.3.2、neo==0.14.4）。固定しないインストールは、簡単な実験には問題ありませんが、本番パイプラインでは固定する必要があります。
プロジェクト構造
project/
├── raw_data/
│ └── recording_g0/
│ └── recording_g0_imec0/
│ ├── recording_g0_t0.imec0.ap.bin
│ └── recording_g0_t0.imec0.lf.bin
├── preprocessed/
│ └── (spikeinterface バイナリフォルダ)
├── motion/
│ └── (モーション補正ファイル)
├── ks4_output/
│ └── (Kilosort4 結果)
├── analyzer/
│ └── (ソーティングアナライザ)
├── analyzer_clean/
│ └── (キュレーション後のソーティングアナライザ)
├── phy_export/
│ └── (Phy フォルダ)
├── report/
│ └── (品質レポートの図)
├── quality_metrics.csv
├── output.nwb
├── scripts/
│ ├── neuropixels_pipeline.py
│ ├── explore_recording.py
│ ├── preprocess_recording.py
│ ├── run_sorting.py
│ ├── compute_metrics.py
│ └── export_to_phy.py
├── assets/
│ └── analysis_template.py
└── references/
├── standard_workflow.md
├── api_reference.md
├── plotting_guide.md
├── PREPROCESSING.md
├── SPIKE_SORTING.md
├── MOTION_CORRECTION.md
├── QUALITY_METRICS.md
├── AUTOMATED_CURATION.md
├── AI_CURATION.md
└── ANALYSIS.md
ライセンス
このプロジェクトはMITライセンスの下で配布されています。詳細については LICENSE ファイルを参照してください。