Modeling experimental data: required pre-processing and workflows

Kleinjohann, Alexander; Kampa, Björn M.; Grün, Sonja Annemarie

doi:43686

Modeling experimental data: required pre-processing and workflows

Kleinjohann, Alexander^RWTH*

2023 & 2024

Verantwortlichkeitsangabevorgelegt von Alexander Kleinjohann, M.Sc.

ImpressumAachen : RWTH Aachen University 2023

Umfang1 Online-Ressource : Illustrationen

Dissertation, RWTH Aachen University, 2023

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2024

Genehmigende Fakultät
Fak01

Hauptberichter/Gutachter
Grün, Sonja Annemarie (Thesis advisor)^RWTH* ; Kampa, Björn M. (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2023-11-30

Online
DOI: 10.18154/RWTH-2024-09140
URL: http://publications.rwth-aachen.de/record/994159/files/994159.pdf

Einrichtungen

Projekte

Inhaltliche Beschreibung (Schlagwörter)
computational neuroscience (frei) ; neural coding (frei) ; research software development (frei) ; statistical neuroscience (frei) ; workflow management (frei)

Thematische Einordnung (Klassifikation)
DDC: 570

Kurzfassung
In dieser Arbeit entwickeln wir ein Modell und vergleichen dessen Vorhersagen mit experimentellen Daten. Wir validieren das Modell, nutzen es um die Ergebnisse des Experiments zu erklären und zeigen, wie diese Ergebnisse den Parameterraum des Modells eingrenzen. Um ein präzises Modell mit einem angebrachten Abstraktionslevel zu formulieren und auf experimentelle Ergebnisse anzuwenden, müssen die experimentellen Daten grundlegende Voraussetzungen erfüllen: Sie müssen auf Artefakte, die die Ergebnisse beeinflussen können, untersucht und bereinigt werden, sie müssen vorverarbeitet werden, und die Provenienzinformationen und Metadaten der Vorverarbeitung und der Analyse müssen zugänglich und durchsuchbar sein um in der Modellentwicklung einbezogen werden zu können. Um dies sicherzustellen klassifizieren wir Artefakte in elektrophysiologischen Daten, entwickeln Methoden zur Beseitigung der verschiedenen Klassen und quantifizieren die Wirksamkeit dieser Methoden. Darauf aufbauendentwickeln wir einen Workflow zur Vorverarbeitung von elektrophysiologischen Daten weiter, der die positivbewerteten Methoden zur Beseitigung von Artefakten beinhaltet, indem wir ihn verbessern, ausbauen und allgemeiner anwendbar machen. Vorverarbeitung und Beseitigung von Artefakten in elektrophysiologischen Daten ist ein stetig wachsender Bereich der computergestützten Neurowissenschaften, da Experimente kontinuierlich komplexer werden und wachsende Datenmengen von mehr Modalitäten gleichzeitig aufgenommen werden können. Wir präsentieren ein breit anwendbares Konzept zur Datenerfassung und -vorverarbeitung für die Elektro- und Optophysiologie, entwickeln eine Checklist für die Entwicklung eines rigorosen Konzepts für die Erfassung und Vorverarbeitung von Daten und demonstrieren dies anhand eines Anwendungsbeispiels. Im letzten Schritt formulieren wir ein räumliches Modell für die Einbettung von Synfire Chains in einemkortikalen Netzwerk und wenden es auf raumzeitliche Muster von Aktionspotenzialen, die in Daten aus dem primären Motorkortex von Macaque Affen detektiert wurden, während diese instruiert waren, eine retardierte Griffbewegung auszuführen. Zuerst validieren wir das Modell, indem wir zeigen, dass aktive Synfire Chains in diesem Versuchsaufbau trotz der gewaltigen Unterabtastung der beteiligten Neuronengruppen als raumzeitliche Muster von Aktionspotenzialen detektiert werden können. Darauf aufbauend fitten wir das Modell an die Daten und zeigen, dass Synfire Chains die Statistiken der raumzeitlichen Muster erklären können und berechnen, wie die experimentellen Ergebnisse den Parameterraum des Modells einschränken: Die Gruppen der Synfire Chains müssen viele Neurone enthalten und räumlich breit verteilt sein.

In this work, we formulate and apply a model to experimental data. We validate the model, use it to explain the experimental results, and calculate constraints for the parameters of the model using the experimental data. The formulation of an accurate model at a proper abstraction level and its application to real experimental data requires several important prerequisites; the experimental data has to be pre-processed adequately, it has to be cleaned of artefacts which could impact the results, and the provenance of the pre-processing and the applied analysis methods as well as the metadata of the recording has to be readily available and searchable to be taken into account in the formulation of the model. To this end, we first explore artefacts in electrophysiological data which could impact our results. We group them into multiple artefact types, propose removal methods for all types, and evaluate the removal methods to check their performance. We then build upon a pre-processing workflow for electrophysiological data which incorporates the artefact removal methods which have proven to be successful in the previous step by improving, expanding, and generalising the workflow. Data pre-processing and artefact removal is a growing demand in computational neuroscience as experiments become more and more complex and more data of different modalities can be recorded simultaneously. We propose a common framework for data handling in electrophysiology, design a checklist for designing a rigorous acquisition and pre-processing workflow, and apply it to an example use-case. In the final step, we formulate a spatial model of the embedding of synfire chains in a cortical network and apply it to spatio-temporal spike patterns detected in macaque primary motor cortex during a delayed reach-to-grasp task. First, we validate that synfire chain activity can be detected as spatio-temporal spike patterns in this experimental setup despite the massive sub-sampling of the underlying neuronal populations. Building upon this, we fit the model to the experimental results, show that synfire chains can explain the observed spike pattern statistics, and calculate constraints of the model parameters given the experimental results: the groups of the synfire chains have to contain many neurons and have to be broadly distributed in space.

OpenAccess:
PDF
(additional files)