МАУ ДО ДЮСШ ТМР, ИНН 7224038620

Основание внесения оператора в реестр (номер приказа): 185

Адрес местонахождения оператора: 625504, Тюменская обл., Тюменский р-н, р. п. Боровский, ул. Трактовая, д. 2а, стр. 2

Дата начала обработки персональных данных: 26.03.2008

Субъекты РФ, на территории которых происходит обработка персональных данных: Тюменская область

Цель обработки персональных данных: ведение бухгалтерского и кадрового учёта для исполнения требований трудового законодательства, оказание услуг в области дополнительного образования, проведение конкурсов и соревнований

Описание мер, предусмотренных ст. 18.1 и 19 Закона: организационные меры: определен перечень защищаемых персональных данных и перечень ИСПДн, установлена контролируемая зона МАУ ДО ДЮСШ Тюменского муниципального района, назначены сотрудники, ответственные за обработку и защиту ПДн, установлены права доступа сотрудников МАУ ДО ДЮСШ Тюменского муниципального района к ПДн, ведется контроль в соответствии с матрицей доступа, определены угрозы безопасности ИСПДн и возможные нарушители безопасности, установлены места хранения материальных носителей информации и сведений конфиденциального характера, разработаны инструкции Операторов ИСПДн, Администратора ИСПДн, ответственных за ИСПДн, разработаны и ведутся соответствующие журналы для каждого пользователя ИСПДн МАУ ДО ДЮСШ Тюменского муниципального района, а также журнал проверок обеспечения безопасности, проводится инструктаж сотрудников по вопросам обработки ПДн, ведётся соответствующий журнал, ведется учёт средств обработки ПДн, средства обеспечения безопасности: контроль за входом на территорию МАУ ДО ДЮСШ Тюменского муниципального района осуществляется с помощью физического лица, доступ в помещения с ИСПДн ограничен, персональные данные, обрабатываемые без средств автоматизации хранятся в специально определенных местах хранения ПДн, контроль за входом на территорию МАУ ДО ДЮСШ Тюменского муниципального района осуществляется с помощью физического лица, доступ в помещения с ИСПДн ограничен, персональные данные, обрабатываемые без средств автоматизации хранятся в специально определенных местах хранения ПДн

Категории персональных данных: фамилия, имя, отчество,год рождения,месяц рождения,дата рождения,место рождения,адрес,семейное положение,социальное положение,образование,профессия,доходы, пол, контактный телефон, паспортные данные, ИНН, № страхового полиса, СНИЛС, сведения о воинском учете, сведения об отсутствии судимостей, данные о достижениях и наградах, данные о квалификации и аттестации, данные о местах работы, стаж, социальные льготы, данные документов об опеке, состав семьи, должность и место работы, результаты профессиональной работы, данные медицинской книжки, данные свидетельства о рождении

Категории субъектов, персональные данные которых обрабатываются: работники, состоящие в трудовых отношениях с МАУ ДО ДЮСШ Тюменского муниципального района, воспитанники МАУ ДО ДЮСШ Тюменского муниципального района и их законные представители

Перечень действий с персональными данными: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, систематизация), извлечение, передача, уничтожение

Обработка персональных данных: смешанная,с передачей по внутренней сети юридического лица,с передачей по сети Интернет

Правовое основание обработки персональных данных: ст. ст. 86-90 Трудового кодекса РФ, Федеральный закон от 29.12.12 №273-ФЗ «Об образовании в Российской Федерации», постановление Правительства РФ от 01.11.2012 № 1119 «Об утверждении требований к защите персональных данных при их обработке в информационных системах персональных данных», постановление Правительства РФ от 21.03.2012 № 211 «Об утверждении перечня мер, направленных на обеспечение выполнения обязанностей, предусмотренных Федеральным законом «О персональных данных» и принятыми в соответствии с ним нормативными правовыми актами, операторами, являющимися государственными или муниципальными органами», Устав МАУ ДО ДЮСШ Тюменского муниципального района

Наличие трансграничной передачи: нет

Сведения о местонахождении базы данных: Россия

Расшифровка черных ящиков доказывает вмешательство в работу самолета МАУ – Енин

Расшифровка черных ящиков сбитого самолета «Международных авиалиний Украины» подтвердила незаконное вмешательство в работу пассажирского лайнера. Об этом 24 июля в Twitter сообщил заместитель министра иностранных дел Евгений Енин.

«Благодарен всем партнерам, которые помогли приблизить этот момент. Черные ящики из PS752 были успешно считаны и расшифрованы. Стенограмма подтвердила факт незаконного вмешательства в работу самолета. Мы ждем от иранской стороны первого раунда переговоров на следующей неделе», – написал он.

---

Grateful to all partners who helped bring this moment closer. Black boxes from #PS752 were read out and deciphered successfully. The transcript confirmed the fact of illegal interference with the plane. We are waiting for the Iranian side for the first round of talks next week. pic.twitter.com/ArqeQ5I2e6

— Yevhenii Yenin (@YeninYevhenii) July 24, 2020

---

Пассажирский самолет Boeing 737-800 рейса PS752 «Международных авиалиний Украины», который направлялся из Тегерана в Киев, разбился 8 января вблизи столицы Ирана. На борту находилось 167 пассажиров и девять членов экипажа. Никто не выжил. Среди погибших – 11 граждан Украины. Большинство пассажиров были гражданами Ирана и Канады.

Власти Ирана, утверждавшие сначала, что самолет разбился из-за технической неисправности, 11 января под давлением лидеров западных стран признали, что рейс PS752 был сбит иранской ракетой по ошибке.

В феврале Украина, Канада, Афганистан, Великобритания и Швеция потребовали от Ирана передать черные ящики сбитого Boeing. В Иране объяснили задержку в дальнейшей работе с самописцами вспышкой коронавируса.

6 июня в Тегеране объявили о завершении расследования обстоятельств авиакатастрофы. По словам замглавы МИД Ирана Мохсена Бахарванда, осталось только расшифровать данные бортовых самописцев.

20 июня президент Украины Владимир Зеленский в интервью канадскому изданию Globe and Mail допустил, что против Ирана будут поданы иски в международные суды, если эта страна не будет придерживаться взятых на себя обязательств в связи с крушением самолета авиакомпании МАУ. По словам Зеленского, Украина ждет официальных извинений за инцидент.

Иранские следователи 20 июля прибыли во французское Бюро по расследованию и анализу безопасности гражданской авиации вместе с бортовыми самописцами самолета «Международных авиалиний Украины».

Расшифровка «черных ящиков» подтвердила, что самолет МАУ был исправен в момент сбития — МИД

Цей матеріал також доступний українською

Расшифровкой «черных ящиков» сбитого самолета занимались эксперты из США, Великобритании, Украины и Канады (Фото: BEA/Twitter)

«Оба ящика были успешно расшифрованы, несмотря на то, что в них были признаки серьезного внешнего повреждения. Важно то, что расшифровка подтвердила, что самолет был исправен, пилоты все делали правильно. В то же время, „черные ящики“ подтвердили, что самолет упал в результате акта незаконного внешнего вмешательства, а именно был сбит ракетой», — объяснили в МИД Украины агентству Интерфакс-Украина.

В ведомстве прибавили, что де-юре расшифровкой занимались органы по расследованию авиакатастроф Ирана, но де-факто ее проводили во французской лаборатории при участии «лучших мировых экспертов» из США, Великобритании, Украины и Канады. В МИД напомнили, что расшифровка «черных ящиков» — только один из этапов для проведения технического расследования.

Напомним, что во Франции завершили расшифровку данных с двух бортовых самописцев пассажирского самолета МАУ рейса PS752. Заместитель министра иностранных дел Евгений Енин заявил, что на следующей неделе Украину должна посетить иранская делегация.

Самолет МАУ рейса Тегеран-Киев был сбит утром 8 января 2020 года сразу после вылета из аэропорта столицы Ирана.

В результате погибли все 176 человек на борту. Среди погибших — 11 граждан Украины. Большинство жертв были гражданами Ирана и Канады.

На четвертый день после катастрофы Иран официально признал, что самолет МАУ сбили его военные, которые ошибочно приняли его за вражескую цель.

Иран придерживается позиции, что авиакатастрофа произошла из-за «человеческой ошибки» оператора ПВО, а не по приказу иранского военного руководства.

Украина с этой позицией не согласна. Министр иностранных дел Украины Дмитрий Кулеба заявил, что у Киева есть ряд вопросов к функционированию системы управления воздушным пространством Ирана.

МАУ ЦФСР ТМР

Полное наименование: Муниципальное автономное учреждение Центр физкультурной и спортивной работы Тюменского муниципального района

Сокращенное наименование МАУ ЦФСР ТМР

Дата создания организации: 2013 год.

Муниципальное автономное учреждения Центр физкультурной и спортивной работы Тюменского муниципального района (МАУ ЦФСР ТМР) создано распоряжением администрации Тюменского муниципального района распоряжения от 17.01.2013 № 47 ро «О создании Муниципального автономного учреждения Центр физкультурной и спортивной работы Тюменского муниципального района»

Учредитель: управление по спорту и молодежной политике Администрации Тюменского муниципального района

Юридический адрес: 625547, Тюменская область, Тюменский район, с. Онохино, ул. Центральная, д. 30, строение 1

Фактический адрес: 

625547, Тюменская область, Тюменский район, с. Онохино, ул. Центральная, д. 70, строение 1

Директор: Осадченко Ирина Александровна  

Заместитель директора:  Прохоренко Елена Владимировна

Режим, график работы шестидневный пн.- вс.  08:00 — 22:00, 

Администрация, бухгалтерия пн. – чт.  08:00 – 17:00, пт.  08:00 – 16:00.

Обед 12:00 – 13:00

Контактный телефоны/факс: 8 (3452) 779-079

Адрес электронной почты: [email protected]

Официальный сайт учреждения: sportonohino.ru/

Учреждение осуществляет  организацию физкультурно-спортивной работы по месту жительства в  Наримановском, Новотарманском, Онохинском, Салаирском, Червишевском МО.

Учреждение работает по 4 направлениям: 

1. организация и проведение физкультурных спортивных мероприятий на территории Наримановского,  Новотарманского, Онохинского, Салаирского, Червишевского муниципальных образованиях, на территории Тюменского муниципального района.

2. оказание содействия правовой и методической работы учреждениям отрасли спорта Тюменского муниципального района;

3. организация и проведение тестирования граждан, проживающих на территории Тюменского муниципального района по выполнению этими гражданами государственных требований к уровню физической подготовленности при выполнении нормативов всероссийского физкультурно-спортивного комплекса «Готов к труду и обороне» (ГТО) и видов испытаний (тестов), нормативов, требований к оценке уровня знаний и умений в области физической культуры и спорта;

4. организация отдыха в каникулярное время.

 

      

 

   

Организация гражданской авиации Ирана объявила результаты расшифровки «черных ящиков» лайнера МАУ

Директор Организации гражданской авиации Ирана объявил результаты расшифровки черных ящиков сбитого под Тегераном лайнера «Международных авиалиний Украины» (МАУ).

8 января 2020 г. пассажирский лайнер, принадлежащий МАУ, потерпел крушение под Тегераном, в результате погибли 167 пассажиров и 9 членов экипажа.

Директор Организации гражданской авиации Ирана Турадж Дехкани Зангене, разъясняя в воскресенье данные, полученные с «черных ящиков» украинского лайнера, сказал:  «Расшифровка сбитого в Иране украинского самолета прошла с 17 по 24 июля в лаборатории Бюро расследования и анализа безопасности гражданской авиации Франции».

Заметив, что процесс считывания информации из «черных ящиков» проходил под руководством представителей Организации гражданской авиации Ирана при техническим содействии Франции, Дехкани Зангене добавил: «В процессе расшифровки помощь также оказывали представители США в качестве производителя «Боинга» и Украины в качестве поставщика услуг и технических консультаций».

«Кроме того, в изучении данных с черных ящиков приняли участие представители Канады, Великобритании и Швеции, чьи граждане погибли в результате катастрофы «, — добавил он.

По словам Дехкани Зангене, данные с обеих «черных ящиков самолета были расшифрованы во Франции без труда и длительность записей, сделанных после разрыва первой запущенной иранскими военными зенитной ракеты, составляет 19 секунд. Однако вторая ракета поразила самолет через 25 секунд после первой, и Зангене предположил, что, вероятно, осколки первой ракеты нарушили работу записывающих устройств на лайнере.

Директор Организации гражданской авиации Ирана, поблагодарив Бюро расследования и анализа безопасности гражданской авиации франции, сказал: «Извлеченная информация с бортовых самописцев была передана представителям заинтересованных стран, чтобы они провели свои технические анализы согласно стандартам ИКАО и направили в Иран результаты исследований».

ГПУ потребовала от Ирана расшифровки в Украине «черных ящиков» сбитого самолета МАУ

Украина настаивает на проведении расшифровки «черных ящиков» самолета Международных авиалиний Украины (МАУ), сбитого под Тегераном, на своей территории.

Об этом в интервью агентству «Интерфакс-Украина» сообщил генпрокурор Руслан Рябошапка.

По его словам, данные, касающиеся «черных ящиков», меняются несколько раз в день, что мешает окончательному пониманию ситуации.

Присоединяйтесь к нам в Telegram!

«Наша позиция была и будет заключаться в том, чтобы расшифровка «ящиков» проходила в Украине… Готовы привлечь к этому процессу не только представителей Ирана, но и французов, и канадских экспертов», — подчеркнул генпрокурор.

Сейчас проводится два расследования. Как пояснил Рябошапка, одно — гражданское, а второе — уголовное. По его словам, результаты расследования Международной организации гражданской авиации могут быть приобщены к уголовному.

Подписывайтесь на нас в Google News!

«В целом на основании заключения гражданского расследования потом продолжается уголовное расследование. То есть это может быть большой и важной частью уголовного расследования», — считает он.

Контекст. Утром 8 января в 04:40 по киевскому времени в Тегеране потерпел крушение самолет МАУ. В авиакомпании считают, что причиной крушения не могла быть ошибка экипажа, что самолет был полностью исправен – его плановое техническое обслуживание прошло 6 января.

Власти Ирана 18 января заявили, что не в состоянии расшифровать «черные ящики», поскольку сбитый самолет был произведен относительно недавно– в 2016 году. Поэтому «ящики» передадут Украине.

На следующий день Иран заявил, что его эксперты расшифровывают «черные ящики» пока сами, а решения об их передаче другим странам еще нет.

Ошибка в тексте? Выделите её мышкой и нажмите: Ctrl + Enter

расшифровки МАУ, ГАУ, АУ, ГБУ, МБУ, ГКУ

В Российской Федерации наиболее распространены четыре организационно-правовых формы МФЦ: корпоратизированные организации (унитарные предприятия, акционерные общества с преобладающим участием государства), казенные, бюджетные, автономные учреждения.

Согласно п.5 ст. 2 ФЗ № 210 от 27.07.2010 г. МФЦ создается в форме государственного или муниципального учреждения (в том числе автономного).  Гражданский кодекс РФ определяет отличия по объему прав, контроля и ответственности учреждений в зависимости от выбранной организационно-правовой формы.

Таблица. Анализ объема прав, контроля и ответственности в зависимости от организационно-правовой формы МФЦ

Организационно-правовая форма МФЦ напрямую обуславливает эффективность его деятельности. С одной стороны, руководство должно иметь определенные полномочия принятия самостоятельных решений как при управлении имуществом, так и по вопросам осуществления своей деятельности, а с другой стороны, для обеспечения контроля уполномоченными органами и общественными организациями должны быть необходимые условия.

По действующему законодательству, государственные и муниципальные услуги являются бесплатными, создание МФЦ как унитарного (по существу коммерческого) предприятия нецелесообразно, так как получение прибыли не является основной целью деятельности организации.

Некоммерческие учреждения могут оказывать дополнительные услуги, в том числе платные, полученные средства используются для обеспечения деятельности самого учреждения. Такими услугами могут быть: юридическая помощь частными юристами, обеспечение доступа к сети Интернет, иные услуги, которые создают доступность, комфорт при выполнении основных функций. Таким образом, некоммерческие организации могут не только получать определенные денежные средства, но и распоряжаться ими.

В этих условиях особую важность приобретает контроль качества оказания основных услуг, проверка эффективности, законности расходования собственных денежных средств.

Руководство государственного казенного учреждения или муниципального казенного учреждения не обладает всей полнотой власти по распоряжению полученными денежными средствами, а также принятию управленческих решений. Это сказывается на оперативности управления, создает дополнительную нагрузку на вышестоящие органы. В этом случае существует жесткий контроль над деятельностью, но эффективность управления со стороны руководителей самого МФЦ будет снижена. Таким образом, создание ГКУ МФЦ или МКУ МФЦ не является оптимальным решением.

Государственное автономное учреждение (ГАУ), муниципальное автономное учреждение (МАУ) и их руководители обладают большими правами при принятии как управленческих решений, так и при распоряжении финансовыми средствами.  Существующие формы контроля, как со стороны государственных органов, так и со стороны общественных организации позволяют обеспечить прозрачность финансовых операций, своевременную реакцию на возможные нарушения.

Таким образом, создание МФЦ в такой организационно-правовой форме как автономное учреждение (АУ) является наиболее оптимальным решением.

Декодирование DAU, MAU и CCU

В этой статье мы попытаемся развенчать некоторые акронимы, относящиеся к онлайн-трафику, которые обычно используются в многопользовательском / онлайн-жаргоне, но обычно не совсем понятны.

Даже ничего не зная об онлайн-играх, многие из нас знакомы с такими понятиями, как «уникальные посещения», «ежедневные посещения» и т. Д., Которые представляют различные показатели онлайн-активности, обычно в контексте посещаемости веб-сайта.

В последнее время, особенно с момента появления социальных сетей и онлайн-игр, мы стали свидетелями использования новых сокращений, таких как DAU (ежедневные активные пользователи), MAU (ежемесячные активные пользователи) и CCU (одновременные пользователи).Но как именно рассчитываются эти значения? Что они представляют? И как они переводятся друг в друга?

Начнем с DAU . Этот показатель представляет уникальных ежедневных активных пользователей. Обратите внимание на квалификатор «уникальный», который не представлен аббревиатурой, но обычно подразумевается. Другими словами, DAU представляет собой количество отдельных зарегистрированных пользователей, которые взаимодействуют с системой в течение определенного дня. Чтобы уточнить, это означает, что клиент, который входит в приложение пять раз в день, будет считаться только как один.

С точки зрения посещаемости веб-сайта DAU является прямым эквивалентом метрики «уникальное посещение» / «уникальный пользователь», в отличие от представления «посещение» или «сеанс», которое обычно отслеживает все сеансы в течение дня (т. Е. Пять посещения одного и того же пользователя засчитываются как пять вместо одного).

Как только мы это проясним, мы можем перейти к MAU , который, что неудивительно, представляет собой агрегированный вид DAU в течение одного месяца

Наконец, мы переходим к CCU , который является мерой пользователей, подключенных одновременно в любой данный момент.Как видите, «момент» на самом деле не определяет временной интервал, такой как DAU и MAU, а скорее относится к фактическому моменту измерения. Подробнее об этом в нескольких абзацах.

»Конверсии и ожидания

Один из наиболее частых вопросов, которые нам задают, — как оценить количество CCU, чтобы выбрать правильный пакет лицензий или правильно определить размер ресурсов сервера, таких как тип облачного сервера, пропускная способность и т. Д.

Вопрос обычно исходит от разработчиков, у которых уже есть другие онлайн-проекты, как правило, однопользовательские игры, по которым уже известна хотя бы некоторая статистика трафика.

Учитывая DAU существующей игры и предполагая, что многопользовательская версия достигнет этих цифр или, возможно, превысит их, мы можем приблизиться к среднему требуемому CCU.

В зависимости от типа игры и ряда других переменных количество CCU примерно равно DAU, деленному на значение от 50 до 100. Обычно мы можем использовать среднее из двух крайних значений. Другими словами:

CCU == DAU / 75

Если вместо DAU мы начинаем с отчета о веб-сеансах / посещениях, то значение следует разделить на значение от 100 до 200. Пример:

CCU == Посещений / 150

Имейте в виду, что это грубые вычисления, вряд ли высеченные в камне, но все же полезные, чтобы получить приблизительную цифру для начала.

»Дальнейшие доработки

В целом показатели DAU более точны, чем веб-статистика, поскольку они фактически основаны на зарегистрированных пользователях и, следовательно, более надежны. Доступ к более детализированным представлениям о трафике также может помочь повысить надежность наших прогнозов CCU.

Например, наблюдая за скачками трафика в игре в течение дня, мы можем выделить пиковые периоды в течение 24 часов и использовать эти показания для вывода требований CCU.

Еще одна полезная информация — это средняя продолжительность сеанса одного пользователя, которую можно использовать в качестве временного окна для расчета нашей оценки CCU.

Давайте посмотрим на пример: давайте рассмотрим существующую игру с 2,4 миллиона DAU, для которой мы планируем создать многопользовательскую версию.Из нашей статистики мы знаем, что большая часть трафика сконцентрирована в 4 пиковых часа дня, со значениями, которые в 3 раза превышают средний трафик.

Наконец, мы знаем, что средняя продолжительность игрового сеанса составляет примерно 6 минут.

Давайте начнем с разделения DAU на среднее значение за час: 2,400,000 / 24 = 100 тыс. Посещений в час . Если мы теперь рассмотрим окно времени, равное средней продолжительности игрового сеанса (6 минут), мы получим ~ 10K CCU . Это все еще приблизительное число, которое может колебаться, но оно должно дать нам общее представление о количестве пользователей, которых мы обнаружим подключенными одновременно, с учетом типичного сеанса.

Однако 10K CCU не принимает во внимание, что наш трафик распределяется неравномерно в течение дня. Поскольку мы знаем, что в часы пик трафик в 3 раза превышает средний показатель, мы можем сделать вывод, что в часы пик у нас будет ~ 30 000 CCU в течение любого 6-минутного игрового сеанса.

Если мы теперь вернемся к нашему первоначальному значению 2,4M DAU и сравним его с окончательной оценкой 30K CCU , которую мы экстраполировали, мы найдем коэффициент 80x , что достаточно близко к значению 75x, которое мы постулировали при начало.

»Заключительные мысли

В заключение, средняя длина сеанса кажется хорошим параметром в сочетании с DAU и другими более детализированными метриками для оценки ожидаемого CCU.

Это по существу потому, что, хотя DAU и MAU являются значениями, заданными для четко определенного временного интервала, метрика CCU — нет. CCU указывает на конкретный момент, и все же мы должны сделать прогноз его развития в течение 24 часов.

Расшифровка лабиринта показателей в экономике приложений

июнь 27, 2017 Читать 5 мин

Мнения, высказанные предпринимателями, участников являются их собственными.

Мобильные приложения находятся в центре цифровой трансформации и вносят все больший вклад в успех компаний практически во всех отраслях. В среднем американцы проводят в приложениях более 2 часов 15 минут в день, что составляет более одного месяца в каждом году нашей жизни. Нет другого средства, которое было бы настолько прямым, личным или вездесущим, чтобы встречаться с вашим клиентом, когда и где бы он ни был в вас нужен.

По мере реализации новых бизнес-стратегий, ориентированных на мобильные устройства и приложения, компании наводняют такие показатели, как DAU, MAU, загрузки, использование, открываемость, удержание и другие.Эти термины могут звучать как иностранный язык для новичков и могут вызвать путаницу, когда вы пытаетесь проверить цифры, нарисовать четкую бизнес-картину и развить свою стратегию. Что на самом деле означают эти числа? Какие из них наиболее важны для оценки успеха в бизнесе? На что компаниям следует обратить внимание и расставить приоритеты?

Связано: 8 секретов роста и удержания вашего приложения

Как исследователь и бывший аналитик на рынке мобильных устройств, я уже много лет продираюсь через этот лабиринт показателей и могу помочь ясность.

Использование — новая валюта успеха.

Когда мы говорим об успехе приложения, первое, что приходит на ум многим, — это количество загрузок. А на ранних этапах жизненного цикла приложения этот показатель имеет решающее значение. Когда загрузки начинают замедляться, предполагается, что бизнес теряет обороты. Однако реальность такова, что загрузки не говорят всей истории, поскольку они не сигнализируют об уровне вовлеченности ваших пользователей. Сами по себе загрузки не приравниваются к долларам, поскольку использование — это новая валюта успеха.

В 2016 году пользователи загрузили более 90 миллиардов приложений в iOS App Store и Google Play, но провели в приложениях почти 900 миллиардов часов. Загрузки — важный показатель для измерения потенциальной широты и охвата приложения, в то время как использование говорит нам об уровне активности и вовлеченности. В конечном итоге имеет значение то, что происходит после загрузки: каков уровень удержания для загрузки после загрузки приложения? Сколько времени они проводят в приложении? Как часто они его открывают? Высокие показатели использования (для данного приложения с течением времени и по сравнению с конкурирующим набором) демонстрируют довольную клиентскую базу и такую, которая с большей вероятностью будет приносить доход (через магазины приложений, рекламу и / или коммерцию), а также значительный доход от рекламы. конкурентные показатели имеют решающее значение для более высоких цен за тысячу показов.

Связано: Apple хочет научить вас создавать приложения

Важность MAU, WAU и DAU зависит от типа приложения.

Поскольку веб-сайты стали критически важным каналом для компаний за последние 20 лет, MAU (ежемесячные активные пользователи) стали ключевым показателем, который необходимо отслеживать. Для любой компании с мобильными приложениями MAU по-прежнему является важной точкой данных, за которой нужно следить, как с точки зрения роста с течением времени, так и по сравнению с конкурентной когортой. Но MAU недостаточно для тех, чьи приложения предоставляют ценность, которая реализуется чаще, и именно здесь в игру вступают WAU и DAU (еженедельные и ежедневные активные пользователи соответственно).

Для социальных, коммуникационных, служебных, фото / видео, развлекательных и новостных / мультимедийных приложений DAU является ключевым показателем, который необходимо отслеживать, чтобы по-настоящему понять относительную ценность, предоставляемую пользователям. Для многих других категорий, включая покупки, финансы, рестораны быстрого обслуживания, производительность и транспорт, важно отслеживать еженедельные активные пользователи, чтобы лучше понять вовлеченность и охват вашего приложения.

Связано: 6 советов и приемов для получения максимального количества загрузок для вашего приложения

Сеансы и время, затрачиваемое на пользователя, сигнализируют о внимании пользователя.

Частота использования приложения указывает на то, как это приложение становится или не становится частью цифровых привычек его пользователей, и сеансы на пользователя могут быть вашим ключом к пониманию этого. Очевидно, что для социальных и коммуникационных компаний количество сеансов на пользователя является самым высоким, но этот показатель имеет значение для многих вертикалей. Для услуг, связанных с ресторанами быстрого обслуживания, финансами и банковским делом, совместным использованием поездок и покупками, количество сеансов на пользователя является критически важным показателем конкуренции и показателем удовлетворенности клиентов и роста доходов.Для некоторых приложений речь идет о предоставлении более захватывающего опыта — подумайте о развлечениях и видео, образовании, СМИ и часто о покупках в качестве примеров — поэтому время, потраченное на пользователя, является ключевым показателем для сравнения.

Связано: 5 основных мифов о мобильных приложениях — и почему их вера вредит вашему бизнесу

Сосредоточьтесь на удержании для получения дохода.

Хотя издатели игр уже давно знают, что удержание является ключевым фактором, это показатель, который часто упускается из виду многими компаниями, не ориентированными на мобильные устройства.Когда приложение запускается изначально, загрузки являются основным показателем, за которым следует следить, но критически важно знать, что происходит после установки. Понимание того, что такое лучшее в своем классе удержание приложений в первый, третий, седьмой и 30-й день, помогает компании спланировать траекторию роста своего приложения и принять важные решения по продуктам, маркетингу и инвестициям. Увеличение кривой удержания существенно влияет на рентабельность инвестиций в приложение.

Приложения трансформируют практически каждую отрасль — от стартапов, ориентированных прежде всего на мобильные устройства, до крупных компаний, которые задолго до появления мобильной связи.Сегодня во всем мире насчитывается более трех миллиардов смартфонов, и мы ожидаем, что к 2020 году это число удвоится и превысит шесть миллиардов. По мере продолжения революции приложений мы увидим, что показатели приложений все чаще будут упоминаться в качестве показателей роста и успеха бизнеса. Надеюсь, эта статья поможет продемонстрировать, как эти показатели могут быть применены к вашей цифровой и мобильной стратегии в качестве инструментов, которые помогут вам связаться с вашими клиентами и обеспечить процветание вашего бизнеса.

границ | Вероятностная основа для декодирования поведения на основе данных визуализации кальция in vivo

Введение

Ранние исследования in vivo установили взаимосвязь между внешними переменными и нейрональной активностью, включая (но не ограничиваясь) слуховой информацией в слуховой коре (Katsuki et al., 1956), зрительные стимулы в зрительной коре (Hubel, Wiesel, 1962) и пространственная информация в гиппокампе (O’Keefe, Dostrovsky, 1971). Основываясь на широко известной теории информации (Shannon, 1948), ранее было предложено, что нейроны могут действовать как « каналы связи » между физиологическими переменными (входные данные) и цепочками импульсов (выходными сигналами) (Richmond and Optican, 1990; Richmond et al. , 1990; Skaggs et al., 1993). В дополнение к предоставлению показателей для количественной оценки степени, в которой внешние переменные могут быть закодированы в нейронах, эти исследования заложили первые основы для создания вычислительных инструментов для прогнозирования поведения животных, просто используя активность нейронов.Этот процесс, называемый декодированием, важен для понимания роли нейронной активности в поведении, а вероятность успеха прогнозов может использоваться как показатель понимания данной системы. Среди методов, которые были описаны в этом контексте, байесовское декодирование, в частности, было относительно популярным и широко используемым (Brown et al., 1998; Zhang et al., 1998; Gerwinn, 2009; Quian Quiroga and Panzeri, 2009; Koyama et al. ., 2010).

В то время как в литературе по физиологии нейронов in vivo в значительной степени преобладают электрофизиологические исследования, методы визуализации кальция в последнее время приобрели популярность.Изначально визуализация кальция выполнялась на уровне отдельных клеток с помощью сенсоров кальция (Grynkiewicz et al., 1985; Persechini et al., 1997). Теперь визуализация кальция может выполняться in vivo, , в крупных нейронных ансамблях и в течение очень длительных периодов. времени (Ziv et al., 2013; Sheintuch et al., 2017; Gonzalez et al., 2019). Эти важные улучшения совпали с разработкой генетически кодируемых индикаторов кальция (GECI), включая популярный GCaMP (Nakai et al., 2001; Tian et al., 2009; Ohkura et al., 2012; Chen et al., 2013). В последние годы методы визуализации кальция стали свидетелями развития различных вычислительных инструментов, которые решают проблему извлечения сигнала из видеозаписей необработанного изображения кальция. В частности, несколько групп предложили программные коды с открытым исходным кодом для выполнения быстрой рекурсивной коррекции движения (Pnevmatikakis and Giovannucci, 2017), офлайн (Pnevmatikakis et al., 2016; Zhou et al., 2018) и онлайн (Giovannucci et al. , 2017) извлечение пространственных следов нейронов и связанной с ними кальциевой активности, временная регистрация нейронов по дням (Sheintuch et al., 2017), а также доступны полные конвейеры анализа (Giovannucci et al., 2018). Вышеупомянутые открытые исходные коды значительно облегчили анализ наборов данных визуализации кальция. Чаще всего одной из целей при использовании такого инструмента является понимание нейронной основы поведения. К сожалению, до сих пор существует лишь несколько наборов инструментов для анализа с открытым исходным кодом, которые могут связать данные визуализации кальция с поведением (Tegtmeier et al., 2018). Хотя эти полезные аналитические инструменты позволяют исследовать взаимосвязи между кальциевыми сигналами и поведением, они в основном ограничиваются визуализацией и корреляцией.В предыдущих исследованиях использовались наивные байесовские классификаторы для вывода о поведении грызунов на основе данных визуализации кальция, записанных в моторной коре (Huber et al., 2012; Kondo et al., 2018), гиппокампе (Ziv et al., 2013; Mau et al. ., 2018; Gonzalez et al., 2019) или миндалины (Grewe et al., 2017). Хотя эти анализы обычно приводят к точным предсказаниям поведения, нет единого мнения о методологии, и в частности о входном сигнале для классификатора или других этапах предварительной обработки (например, сглаживание кривых настройки нейронов, используемых классификатором).

Хотя визуализация кальция не позволяет определить точное время всплеска, были предложены некоторые методы для аппроксимации активности всплеска по данным визуализации кальция путем деконволюции переходных процессов кальция (Deneux et al., 2016; Pachitariu et al., 2018; Rahmati et al. , 2018). Следовательно, одна стратегия, которая может быть использована, состоит в том, чтобы сначала оценить параметры деконволюции на основе достоверных данных (например, in vitro, запись единиц в срезах мозга в сочетании с визуализацией кальция), чтобы затем применить их к записям, выполненным in vivo . Однако одним из основных недостатков этого подхода является то, что физиологические реакции могут сильно различаться в условиях in vivo, и in vitro, (Belle et al., 2018), что приводит к ошибочной оценке параметров. Еще одно препятствие для использования деконволюционных сигналов и расчетных пиков для декодирования активности кальция заключается в том, что сама природа визуализации кальция не позволяет определить точное время пиков. В то время как единичные записи обычно выполняются с частотой дискретизации, превышающей 10 кГц, однофотонные микроэндоскопы, используемые у свободно движущихся животных, обычно снимают изображения с частотой 30 кадров в секунду или меньше, а последовательности всплесков обычно связаны с большими переходными процессами кальция различной величины и продолжительности.Следовательно, можно, например, правильно оценить, что нейрон запускает 10 потенциалов действия на основе наблюдения одного переходного процесса кальция, однако точное время каждого всплеска останется неизвестным и может произойти где угодно в пределах окна ~ 33 мс (для кальция изображение выполняется с частотой 30 Гц).

Важно отметить, что еще одна проблема, с которой сталкиваются при визуализации кальция с помощью GCaMP, — это фотообесцвечивание, которое приводит к прогрессирующей потере сигнала из-за разрушения флуоресцентных белков, сообщающих о притоке кальция.В отличие от записи электрофизиологических единиц, которые могут выполняться в течение нескольких часов, визуализация кальция, таким образом, обычно выполняется в течение более коротких периодов времени. Хотя за скоплениями GCaMP-положительных клеток можно следить в течение нескольких месяцев (Ziv et al., 2013; Sheintuch et al., 2017), каждый сеанс записи должен быть ограничен по продолжительности, чтобы избежать фотообесцвечивания. Это приводит к низкой выборке, что может быть проблематичным при попытке связать нейронную активность с определенным поведением: некоторые поведенческие состояния могут быть чрезмерно или недостаточно представлены, и одновременно активность кальция может быть слишком разреженной для построения кривых настройки нейронной активности.

Здесь мы предлагаем простые аналитические методы для связи активности кальция с поведением путем (1) извлечения периодов активности в данных визуализации кальция без аппроксимации времени всплеска и проверки фактических данных нулевой гипотезой, чтобы решить проблему низкой выборки, (2 ) декодирование поведения с использованием ранее вычисленных функций плотности вероятности в наивном байесовском классификаторе и (3) реконструкция нейрональной активности по поведению и оценка качества нейронного кодирования.

Результаты

Построение вероятностных кривых настройки нейронов

Чтобы продемонстрировать полезность нашего метода, мы выполнили визуализацию кальция в хорошо охарактеризованной системе: пирамидные клетки СА1 дорсального гиппокампа (рис. 1А). Эти нейроны, как известно, обладают пространственной настройкой и обычно называются клетками места (O’Keefe and Dostrovsky, 1971). Мы обучили мышь бегать взад и вперед по линейной дорожке длиной 100 см, предоставив сахарозу в качестве награды в виде воды на каждом конце дорожки и запланировав ежедневный доступ домашней клетки к воде (рис. 1B).Мы зарегистрировали ∼400 нейронов в этих условиях (рис. 1C). После извлечения пространственных следов нейронов (рис. 1D) мы визуализировали соответствующую активность кальция, а также положение и скорость передвижения животного (рис. 1E). Предыдущие исследования показали, что периоды неподвижности связаны с воспроизведением опыта (Foster and Wilson, 2006; Diba and Buzsáki, 2007; Davidson et al., 2009). Поэтому, чтобы сосредоточиться на кривых пространственной настройки нейронов CA1, мы исключили периоды неподвижности (<5 см.s ^–1 ), которые потенциально могут содержать периоды нейрональной активности, отражающие настройку на внутренние, а не на внешние переменные.

Рисунок 1. Обоснование извлечения характеристик пространственного кодирования ячеек пирамидальной структуры CA1. (A) Схема линзы GRIN, имплантированной над пирамидными клетками CA1 дорсального гиппокампа. (B) Визуализацию кальция выполняли, когда мышь бегала в чередующихся направлениях по линейной дорожке. (C) Максимальная проекция соответствующего поля зрения. (D) Соответствующие извлеченные пространственные контуры с использованием CNMFe. (E) Пример кривых из подмножества извлеченных ячеек, выровненных с положением на линейном пути и скоростью движения. Идущие эпохи обозначены зелеными полосами. (F) Пример необработанного переходного процесса (вверху) из одной ячейки и соответствующих отфильтрованных, оцененных по оси Z, сигналов с первой производной и бинаризованных сигналов. (G) Обоснование, используемое для извлечения безусловных и совместных вероятностей из бинаризованных данных, которые впоследствии могут быть использованы для вычисления условных вероятностей. (H) Местоположение мыши на линейной дорожке с соответствующей сырой кальциевой активностью и полученной бинарной кривой (синий). Здесь учитываются только ходы вправо. (I) (вверху) траектория мыши на линейной дорожке (серый) с соответствующими местоположениями, где была обнаружена бинаризованная активность одной клетки (синие точки), и (внизу) местоположение бинаризованной активности на линейной дорожке для каждого прогона ( n = 16 прогонов). (J) Вероятность P (активный | состояние) ячейки №4 быть активной с учетом местоположения на линейной дорожке и соответствующей взаимной информации (MI, вверху). (K) Полученная апостериорная вероятность нахождения мыши в месте с учетом активности клеток P (состояние | активный) (охра) по сравнению с однородностью (пунктирная линия). (L) Примеры случаев плохого кодирования переменной (случай 1), лучшего кодирования переменной (случай 2), плохого кодирования переменной с разреженной информацией (случай 3) и превосходного кодирования переменной с разреженной информацией (случай 4). (M) Метод вычисления значения p : фактический (a) след кальция, соответствующие круговые перестановки (s _n ) и соответствующее местоположение (зеленый). (N) Вероятность P (активный | состояние) ячейки №4, которая будет активной в данном местоположении (синий) и соответствующее среднее перемешанное распределение из n = 1000 суррогатов (толщина линии представляет SEM). (O) p -Значение, вычисленное с использованием фактических данных и перемешанных суррогатов для каждого местоположения линейной дорожки. (P) Поле с пороговым значением, сохраняющее только значимые значения P (активное | состояние). (Q) Метод вычисления 95% доверительного интервала из образцов начальной загрузки. (R) Фактическая кривая настройки P (активный | состояние) (синий) и соответствующий 95% доверительный интервал (красный), вычисленные из образцов начальной загрузки (серый; n = 1000).

Чтобы вычислить вероятности, которые будут использоваться в дальнейшем анализе кривых настройки, мы попытались различать периоды активности и бездействия. С этой целью мы разработали простой метод бинаризации, при котором необработанные кальциевые сигналы сначала фильтруются (для удаления высокочастотных флуктуаций, которые могут быть ошибочно обнаружены как переходные периоды нарастания), и мы рассматривали периоды активности в соответствии с двумя критериями: (1) амплитуда сигнала нормализованной трассы должна быть выше 2 стандартных отклонений, и (2) производная первого порядка должна быть положительной (таким образом, соответствует переходному периоду нарастания; рисунок 1F).

Извлечение значений вероятности в байесовском контексте

После бинаризации необработанных следов кальция мы предлагаем вероятностную основу для описания того, как активность нейрона кодирует определенное поведение или состояние (рис. 1G). С этой целью мы можем сначала вычислить вероятность того, что нейрон будет активным P (A) , используя следующую формулу:

P⁢ (A) = t⁢i⁢m⁢e⁢a⁢c⁢t⁢i⁢v⁢et⁢o⁢t⁢a⁢l⁢t⁢i⁢m⁢e (1)

P (A) информирует только о скорости активности нейрона в течение сеанса записи и соответствует предельной вероятности в байесовском контексте. Мы также можем вычислить вероятность провести время в заданном поведенческом состоянии i :

P⁢ (Si) = t⁢i⁢m⁢e⁢i⁢n⁢s⁢t⁢a⁢t⁢e⁢it⁢o⁢t⁢a⁢l⁢t⁢i⁢m⁢e (2)

P (S) может быть информативным относительно того, является ли распределение поведенческих состояний однородным или неоднородным, что потенциально может привести к ошибкам в дальнейших анализах. В байесовском контексте P (S) соответствует предыдущему. Кроме того, совместная вероятность P ( S _i ∩ A ) данного нейрона быть активным и находиться в данном состоянии i позже будет использоваться для вычисления информационных показателей:

P⁢ (Si∩A) = t⁢i⁢m⁢e⁢a⁢c⁢t⁢i⁢v⁢e⁢w⁢h⁢i⁢l⁢e⁢i⁢n⁢s⁢t⁢a⁢t⁢ e⁢it⁢o⁢t⁢a⁢l⁢t⁢i⁢m⁢e (3)

Затем мы можем вычислить вероятность того, что клетка активна, учитывая, что животное находится в состоянии i :

P⁢ (A | Si) = t⁢i⁢m⁢e⁢a⁢c⁢t⁢i⁢v⁢e⁢w⁢h⁢i⁢l⁢e⁢i⁢n⁢s⁢t⁢a⁢t⁢ e⁢it⁢i⁢m⁢e⁢i⁢n⁢s⁢t⁢a⁢t⁢e (4)

P ( A | S ) более информативен и может интерпретироваться как кривая настройки.В байесовской структуре эта вероятность также известна как вероятность. Например, значение вероятности 0,8 означает, что клетка активна 80% времени, когда животное находится в заданном поведенческом состоянии.

В нашем примере мы изолировали периоды бега, когда мышь двигалась к правой стороне линейной дорожки (рис. 1H), и разделили дорожку на интервалы по 3 см. Таким образом, каждая ячейка представляет собой дискретное состояние, и при визуализации активности нейрона №4 для каждого прогона очевидно, что эта ячейка отображает некоторую пространственную настройку (рис. 1I).Таким образом, мы вычислили P ( S _i | A ) для этой ячейки и нашли пиковую вероятность 0,78 на ∼64,5 см от левой стороны дорожки (рис. 1J). Наконец, используя классический байесовский вывод, мы можем сделать вывод о вероятности того, что животное находится в состоянии S _i с учетом активности нейронов A:

P⁢ (Si | A) = P⁢ (A | Si) × P⁢ (Si) P⁢ (A) (5)

P ( S | A ) — это апостериорное распределение вероятностей состояний с учетом нейронной активности и будет использоваться позже для декодирования поведения.

Проверка значимости кривых настройки

Одной из актуальных проблем визуализации кальция является фотообесцвечивание, которое предотвращает расширенные записи и, таким образом, ограничивает выборку как нейронной активности, так и поведенческих данных. Таким образом, экспериментаторы могут часто сталкиваться с одним из четырех случаев: во-первых, достаточно выборки как поведения, так и активности нейронов, и между этими двумя переменными нет очевидной связи (рис. 1L, случай 1). Во-вторых, достаточно выборки, и существует очень четкая взаимосвязь между поведением и нейрональной активностью (рис. 1L, случай 2).В-третьих, выборка слишком мала, чтобы наблюдать явное явление (недостаточный охват поведенческих состояний, редкая нейронная активность; рис. 1L, случай 3). Наконец, достаточно поведенческой выборки, но активность нейронов редка, и хотя существует очевидная взаимосвязь между поведением и активностью нейронов, нет абсолютной уверенности в том, что это действительно так (рис. 1L, случай 4). В каждом случае мы захотим проверить, существенно ли отличаются полученные кривые настройки от случайных.

Получение p -значений из перемешанных распределений

Одно из предлагаемых нами решений этой проблемы — сопоставить фактические данные с нулевой гипотезой об отсутствии связи между поведением и активностью нейронов. С этой целью мы сгенерировали распределение настроечных кривых, которые вычисляются на основе фактического следа кальция, но смещены во времени, так что любая потенциальная связь с поведением теряется. Круговые перестановки могут использоваться для устранения временной взаимосвязи, существующей между нейрональной активностью и поведением; Рисунок 1M).Мы рекомендуем этот метод перетасовки, потому что он сохраняет временную структуру переходных процессов кальция и приводит к более консервативным результатам, в отличие от полной рандомизации каждой точки данных, которая часто приводит к нефизиологическим данным и, таким образом, увеличивает значимость результатов. Однако выбор нулевой гипотезы следует тщательно определять в зависимости от характера задаваемого вопроса. В нашем примере мы выполнили n = 1000 случайных циклических перестановок, вычислили среднее значение, а также стандартную ошибку среднего (SEM) и сравнили его с нашей фактической кривой настройки (рисунок 1N).Поскольку нельзя предположить, что перетасованные точки данных распределены нормально, преобразование фактических данных в балл z не может использоваться для получения меры значимости. Вместо этого можно вычислить значение p , которое соответствует количеству точек данных из перемешанного распределения, которые больше, чем фактические данные, деленное на количество перестановок (Cohen, 2014). Обратите внимание, что при использовании этого метода значение p может принимать нулевые значения в случае, когда все точки данных из перемешанного распределения попадают под фактические данные.После вычисления значения p -значение из наших фактических данных и перемешанного распределения (рисунок 10), порог (обычно 0,05 или 0,01) может использоваться для отображения только значимых точек данных (в нашем примере мы использовали порог 0,05; рисунок 1П).

Получение доверительных интервалов с использованием образцов начальной загрузки

Другая проблема, связанная с разреженной выборкой поведения и / или нейронной активности, — это оценка надежности кривых настройки. Один из способов обойти эту проблему — получить статистику (среднее значение и доверительный интервал) из самонастраиваемых выборок (Kass et al., 2014). С этой целью мы можем измерить несколько раз (например, n = 1000 выборок) нашу вероятность P (A | S) для части данных (например, 50% случайно выбранных точек данных) и с заменой (одни и те же точки данных могут использоваться в различных образцах начальной загрузки; рисунок 1Q). Используя эти параметры ( n = 1000 образцов начальной загрузки с использованием 50% данных), мы отображаем каждую кривую настройки начальной загрузки вместе с соответствующим 95% доверительным интервалом (рисунок 1R).

Информационные метрики

Многочисленные исследования применяли показатели, полученные из теории информации (Shannon, 1948), к нейронным данным (Skaggs et al., 1993; см. обзор Димитрова и др., 2011). Хотя информацию, содержащуюся в одном спайке, трудно аппроксимировать с помощью визуализации кальция, взаимная информация (MI) может использоваться для описания количества информации об одной переменной посредством наблюдения за другой переменной (активность нейрона и поведенческое состояние в нашем примере) с использованием безусловного и совместные вероятности:

M⁢I = ∑i = 1M∑j = 12P⁢ (Si∩Aj) × log2⁡ (P⁢ (Si∩Aj) P⁢ (Si) × P⁢ (Aj))

, где M — общее количество возможных поведенческих состояний, P ( S _i ∩ A _j ) — совместная вероятность одновременного наблюдения поведенческого состояния i . с уровнем активности j .Обратите внимание, что в нашем случае мы рассматриваем только два уровня активности j (активный и неактивный). Индекс MI — это практический способ сортировки нейронов по количеству информации, которую они кодируют (дополнительный рисунок 1), и ранее было обнаружено, что, хотя и связан, MI более надежен и масштабируем, чем другие метрики пространственной информации (Souza et al., 2018 ). В нашем примере ячейка № 4 отображает 0,21 бита информации, учитывая только траектории вправо (рис. 1J). С другой стороны, можно оценить значимость значений MI, используя методы, описанные в разделе «Информационные метрики».Пример значений MI по сравнению с перетасованным суррогатом можно найти на дополнительном рисунке 1a.

Расшифровка поведения по данным визуализации кальция

Извлечение настраиваемых кривых для каждого отдельного нейрона может пролить свет на характер их активности, но не полностью объясняет конкретное поведение. Важно отметить, что временная координация больших нейронных ансамблей может предоставить больше информации о специфичности генерируемого поведения. В нашем примере мы хотели бы понять взаимосвязь между местоположением (не различая сначала левую / правую траектории) и паттернами активности большой (~ 400) клеточной сборки.Когда данный нейрон активен, вычисленная ранее апостериорная функция плотности вероятности (уравнение 5) дает оценку вероятного положения мыши на линейной дорожке. Наиболее вероятное положение мыши, учитывая, что нейрон можно оценить как местоположение, соответствующее максимальному значению апостериорной функции плотности вероятности. P (S) можно измерить напрямую (в нашем случае это общая вероятность нахождения мыши в любом заданном месте; рис. 2A, бирюзовая линия на нижней панели) или сохранить единообразие.В последнем случае мы не делаем предварительных предположений о потенциальном местоположении мыши на линейной дорожке и приписываем равную вероятность для каждого местоположения (рис. 2A, оранжевая линия на нижней панели).

Рис. 2. Байесовское декодирование поведения по данным визуализации кальция. (A) Кривые пространственной настройки для каждого отдельного нейрона CA1 [данные, отсортированные по местоположению максимальной вероятности P (активное | состояние)], и соответствующая предельная вероятность быть активным (правая часть), и априорная вероятность нахождения в данное состояние (= местоположение; внизу). (B) Растровый график бинаризованной активности клеток и соответствующее положение на линейной дорожке (внизу). (C) Кривые настройки ячеек, соответствующие их состоянию в кадре 11392 (в b) и последующей апостериорной вероятности нахождения в местоположении на линейной дорожке с учетом активности клеток (внизу). Местоположение было оценено с использованием максимум апостериорных (MAP). (D) Апостериорные вероятности для каждого кадра, оцененные на основе текущей бинаризованной активности кальция, и соответствующее фактическое (зеленый) и декодированное (розовый) местоположение, оцененное с помощью MAP. (E) Матрица неточностей фактического и декодированного положения. (F) Метод, используемый для вычисления ошибки декодирования Евклидова расстояния (вверху) и согласования декодирования (внизу). (G) Paradigm, используемый для обучения и тестирования декодера в разные эпохи набора данных. (H) Влияние априорной ошибки и смещения (предельная вероятность активности ячейки) на согласование декодирования. (I) То же для ошибки декодирования. Цветовые коды в a, c, d, e: темно-синий = низкая вероятность, желтый = высокая вероятность.

Расшифровка поведения с использованием активности нескольких нейронов

Для прогнозирования состояния мыши с использованием активности нескольких нейронов более эффективно использовать произведение (а не сумму) апостериорных вероятностей , поскольку нулевые значения означают абсолютную уверенность в том, что мышь не может находиться в данном состояние с учетом активности данного нейрона. Важно отметить, что это можно сделать только в предположении, что каждый нейрон независим друг от друга, что маловероятно на практике из-за нейроанатомической связи или по другим причинам: например, на линейном треке ожидается одна и та же последовательность нейронной активности. необходимо соблюдать для каждой траектории.В случае взаимозависимых нейронов апостериорные вероятности должны быть вычислены для каждого зависимого нейронного ансамбля, и ожидается, что реконструкции будут более точными за счет требования значительно больших наборов обучающих данных. Следовательно, предположение, что записанные нейроны независимы, жертвует точностью декодирования на время вычислений. Затем мы можем переписать наше уравнение, включив в него кривые настройки от нескольких нейронов:

P⁢ (S | A) = ∏k = 1NP⁢ (Ak | S) × P⁢ (S) P⁢ (Ak) (6)

, где P ( S | A ) — это вектор апостериорных поведенческих состояний , а N соответствует количеству используемых нейронов. — оценочное состояние среди всех состояний в S.

Оценка точности декодирования

В нашем примере мы можем вычислить апостериорные вероятности для каждого отдельного временного шага на основе активности нейронов и сравнить фактическое и декодированное местоположение на линейной дорожке (рис. 2D). Чтобы визуализировать, какие состояния связаны с лучшей / худшей ошибкой декодирования, мы можем вычислить матрицу неточностей, которая выражает часть моментов времени, в которых фактическое состояние было успешно декодировано (рисунок 2E). Это представление также полезно для определения того, какие состояния труднее декодировать.Хотя матрицы путаницы полезны, они непрактичны, когда дело доходит до суммирования точности декодирования больших наборов данных и выполнения статистического анализа. Таким образом, мы предлагаем две метрики: (1) согласие декодирования и (2) ошибка декодирования (рисунок 2F). Мы определяем согласование декодирования как отрезок времени, в течение которого точное состояние мыши было успешно декодировано:

d⁢e⁢c⁢o⁢d⁢i⁢n⁢g⁢a⁢g⁢r⁢e⁢e⁢m⁢e⁢n⁢t = t⁢i⁢m⁢e⁢p⁢o⁢i⁢n⁢ t⁢s⁢s⁢u⁢c⁢c⁢e⁢s⁢s⁢f⁢u⁢l⁢l⁢y⁢d⁢e⁢c⁢o⁢d⁢e⁢dT⁢o⁢t⁢a⁢l⁢ t⁢i⁢m⁢e (9)

Следовательно, соглашение о декодировании — это значение от 0 до 1.Например, значение 0,5 означает, что 50% временных точек были успешно декодированы. Этот подход довольно консервативен: когда декодированное состояние находится всего в одном бине от фактического поведенческого состояния, это приведет к нулевому соглашению о декодировании, оставаясь при этом близким к реальности. Следовательно, другой показатель, обычно используемый при анализе декодирования, — это ошибка декодирования, которая представляет собой расстояние между декодированным поведением и фактическим поведением. Обратите внимание, что в нашем случае расстояние явно евклидово и может быть выражено в см.Для одномерных данных уравнение (16) может использоваться для вычисления ошибки декодирования:

d⁢e⁢c⁢o⁢d⁢i⁢n⁢g⁢e⁢r⁢r⁢o⁢r = | d⁢e⁢c⁢o⁢d⁢e⁢d⁢s⁢t⁢a⁢t⁢ea ⁢C⁢t⁢u⁢a⁢l⁢s⁢t⁢a⁢t⁢e | (10)

Ошибка декодирования может оказаться полезной или бесполезной в зависимости от исследуемых переменных. Например, в случае слуховых стимулов расстояние между частотами тона не обязательно может быть таким значимым, как фактическое пространственное расстояние, как в нашем примере. Более того, его расчет будет отличаться для двухмерного пространства или ориентации головы, чтобы перечислить некоторые из обычно изучаемых переменных.Важно отметить, что для оценки точности декодирования рекомендуется не тестировать декодер на эпохах, которые использовались для обучения байесовского декодера. Некоторые эпохи, например периоды неподвижности в нашем случае, могут быть исключены как для обучения, так и для тестирования вообще. Мы предлагаем здесь обучить и протестировать наш декодер на неперекрывающихся наборах случайных эпох, повторить процесс несколько раз и вычислить среднее согласование декодирования и ошибку декодирования (рисунок 2G). Используя этот подход, мы обнаружили в наших условиях, что использование унифицированного предшествующего P (S) привело к более высокому согласованию декодирования (0.37 ± 0,002, n = 30 испытаний; данные, выраженные как среднее значение ± стандартная ошибка среднего) по сравнению с использованием наблюдаемых априорных вероятностей (0,07 ± 0,004, n = 30 независимых испытаний) или заменой предельного правдоподобия (смещения) P (A) на 1 (условие, которое мы называем « несмещенным » ‘здесь; 0,07 ± 0,001, n = 30 независимых испытаний; 1ANOVA, F _{(2, 87)} = 4521, P <0,0001; рисунок 2H). Точно так же ошибка декодирования была ниже при использовании равномерного априорного значения (8,12 ± 0.08 см, n = 30 независимых испытаний) по сравнению с использованием наблюдаемых ранее (13,18 ± 0,15 см, n = 30 независимых испытаний) или в непредвзятых условиях (49,34 ± 0,08 см, n = 30 испытаний; F _{(2, 87)} = 44710, P <0,0001; рисунок 2I).

Добавление временных ограничений

Хотя декодирование может выполняться для каждого отдельного момента времени, эта временная независимость может привести к ложным результатам (см. Декодированную траекторию на рисунке 2D, розовая линия на нижней панели).Рационально, если мышь находится на одном конце линейной дорожки, крайне маловероятно, что она будет обнаружена на противоположном конце в следующем кадре. Есть несколько способов решить эту проблему и улучшить оценку состояния. Первый метод может заключаться в построении матрицы переходов (например, той, которая будет использоваться в марковском процессе) и присвоении нулевых значений невозможным переходам (например, переход от одного конца линейной дорожки к другому), а также равномерные вероятности для соседних состояний. Затем можно было бы заменить наблюдаемый или однородный предыдущий P (S) соответствующими реалистичными значениями перехода на каждом отдельном временном шаге.Другой метод заключается в взятии продукта смежных во времени костей. В этом случае мы бы декодировали состояние мыши, переписав уравнение (7):

P⁢ (S | At) = ∏k = 1N∏l = 1LP⁢ (Ak, t = l | S) × P⁢ (S) P⁢ (Ak, t = l) (11)

, где P ( S | A _t ) — это апостериорное распределение состояний в момент времени t . Количество прошедших временных шагов l , используемых для оценки состояния мыши в момент времени t , определяется L .Влияние различных значений L будет подробно описано в следующем разделе. Преимущество этого метода в том, что он не требует экспериментального определения вероятностей переходов. В наших условиях временная фильтрация может значительно улучшить реконструкцию и удалить беспорядочные «скачки», которые иногда могут возникать во время декодирования (рис. 3A).

Рисунок 3. Оценка параметров декодирования. (A) Пример апостериорной вероятности P (состояние | активно) при использовании 0.Окно временной фильтрации 5 с (вверху) и соответствующее декодированное местоположение, оцененное из MAP (внизу). (B, C) Влияние размера окна временной фильтрации на ошибку декодирования и согласование, соответственно. (D, E) Влияние количества используемых ячеек на ошибку декодирования и согласование, соответственно. (F, G) Влияние части обучающего набора на ошибку декодирования и согласование, соответственно. (H) Влияние случайного шума на кривые пространственной настройки. (I, J) Соответствующее соглашение декодирования и ошибка соответственно. (K) Влияние сглаживания Гаусса на кривые пространственной настройки. (L, M) Соответствующее соглашение декодирования и ошибка соответственно. Цветовые коды в (A, H) : темно-синий = низкая вероятность, желтый = высокая вероятность.

Оптимизация параметров

Чтобы найти наилучшие условия для декодирования нейронной активности, можно оптимизировать параметры, включая (но не ограничиваясь ими): количество используемых ячеек, часть обучающего набора, окно временной фильтрации или пространственную фильтрацию кривых настройки.Например, мы выполнили декодирование 30 наборов случайных эпох, используя несколько размеров окна временной фильтрации в диапазоне от 0 (без фильтрации) до 2 с, и обнаружили, что лучших реконструкций можно достичь с помощью окна фильтрации 0,5 с, что приводит к меньшим ошибкам декодирования ( 4,73 ± 0,04 см, n = 30 независимых испытаний на окно фильтрации; 1ANOVA, F _{(8, 261)} = 1002, P <0,0001; Рисунок 3B). Интересно, что чем больше окно временной фильтрации, тем ниже согласованность декодирования (корреляция Пирсона, R ² = 0.96, P <0,0001, n = 30 независимых испытаний на окно фильтрации; Рисунок 3C). Как и ожидалось, учет большего количества ячеек во время реконструкции привел к уменьшению ошибки декодирования (корреляция Пирсона, R ² = 0,75, P <0,0012, n = 30 независимых испытаний на номер ячейки; Рисунок 3D) и увеличению декодирования. согласие (корреляция Пирсона, R ² = 0,87, P <0,0001, n = 30 независимых испытаний на количество клеток; Рисунок 3E). Мы также проверили влияние отношения продолжительности обучения / тестирования на точность реконструкции и обнаружили, что хорошей реконструкции можно добиться, используя периоды тестирования, которые составляют более 30% от общей длины эксперимента. Средняя ошибка декодирования уменьшалась по мере увеличения части обучающего набора (корреляция Пирсона, R ² = 0,64, P = 0,01, n = 30 независимых испытаний на тестируемую часть обучающего набора; рисунок 3F), в то время как среднее согласие декодирования увеличилось (корреляция Пирсона, R ² = 0.79, P = 0,0013, n = 30 независимых испытаний на каждую протестированную часть обучающего набора; Рисунок 3G). Затем мы оценили устойчивость кривых настройки к случайному шуму. С этой целью мы вычислили кривые настройки, как описано ранее, затем заменили часть (от 0 до 1, с шагом 0,1 шага) данных кривых настройки случайными значениями вероятности (рис. 3H). Добавление шума коррелировало с уменьшением согласованности декодирования (корреляция Пирсона, R ² = 0.80, P = 0,0014, n = 30 независимых испытаний на величину шума; Рисунок 3I) и увеличенная ошибка декодирования (корреляция Пирсона, R ² = 0,77, P = 0,0004, n = 30 независимых испытаний на величину шума; Рисунок 3J). Наконец, мы проверили влияние сглаживающих кривых настройки на точность декодирования (рисунок 3K). Сглаживание по Гауссу часто выполняется в контексте исследований ячеек мест, предположительно для улучшения визуализации предполагаемых полей мест (O’Keefe and Burgess, 1996; Hetherington and Shapiro, 1997).В наших условиях мы обнаружили, что сглаживание кривых настройки по Гауссу было систематически связано с ухудшением согласованности декодирования (корреляция Пирсона, R ² = 0,92, P = 0,0025; n = 30 независимых испытаний на значение сигмы Гаусса; Рисунок 3L) вместе с увеличивающейся ошибкой декодирования (корреляция Пирсона, R ² = 0,97, P = 0,0003, n = 30 независимых испытаний на значение сигмы Гаусса; Рисунок 3M).

Оптимальный метод бинаризации активности нейронов

В наших условиях мы использовали простой алгоритм бинаризации, который преобразовывал периоды нарастания переходных процессов кальция в периоды активности. Мы сравнили этот метод с простым порогом z-значения, где вся активность выше 2 стандартных отклонений считается активной, и с деконволютивным сигналом с использованием модели авторегрессии первого порядка (см. Методы), где все значения выше нуля рассматриваются как периоды активности. . Чтобы количественно оценить точность этих методов, мы выполнили электрофизиологических записей in vitro, в конфигурации прикрепленных клеток, в сочетании с однофотонной визуализацией кальция (дополнительный рисунок 2а).Мы извлекли кальциевые переходные процессы из записанной ячейки (дополнительный рисунок 2b), чтобы сопоставить эти сигналы с наземной достоверной пиковой активностью (дополнительный рисунок 2c). Интересно, что переходные процессы кальция проявлялись намного дольше в этих условиях, и наш метод бинаризации соответствовал только более поздней части периодов нарастания переходных процессов (дополнительный рисунок 2d). В следующих анализах мы разделили часть потенциалов действия, успешно помеченных как активные периоды в соответствующем кадре записи изображения кальция, а также часть всех записанных кадров, которые были либо правильно помечены как активные, если они были связаны хотя бы с одним действием. потенциальные или неактивные, если они этого не сделали.Использование деконволюции для оценки нейрональной активности привело к большему количеству потенциалов действия, успешно обнаруженных как соответствующие активные периоды визуализации кальция (0,94 ± 0,032) по сравнению с нашим алгоритмом бинаризации (0,49 ± 0,067) или простым порогом z-значения (0,65 ± 0,075). ; 1ANOVA, F _{(2, 108)} = 13,71, P <0,0001, n = 37 окон обнаружения; дополнительный рисунок 2e). Кроме того, как часть истинных негативов (кадры изображений кальция, бинаризованные как неактивные, которые действительно не содержат потенциала действия, деленные на общее количество записанных кадров), так и часть истинных позитивов (кадры изображений кальция, преобразованные в двоичную форму как активные, которые действительно содержат по крайней мере одно действие потенциал, деленный на общее количество записанных кадров) были сопоставимы между методами (дополнительные рисунки 2f, g, соответственно).

Интересно, что эти результаты in vitro не сравнивались с нашими условиями in vivo . При вычислении настроечных кривых для нейрона, представленного на рисунке 1, использование простого порога привело к большему полю места, в то время как бинаризация данных из деконволюционной трассы привела к двум пикам (дополнительный рисунок 3a). Хотя нет достоверных данных, позволяющих сделать вывод о том, какой метод лучше всего подходит для расчета кривых настройки, анализ декодирования может пролить свет на этот вопрос, поскольку поведение животных можно использовать в качестве достоверных данных (чем выше точность декодирования, тем ближе к достоверным данным). ).Таким образом, мы обучили наш декодер (уравнение 9), используя настроечные кривые, вычисленные на основе бинаризованной активности, полученной с использованием простого порогового значения z , деконволюционной трассы или нашего метода бинаризации. Мы обнаружили, что использование как нашего метода бинаризации (4,74 ± 0,0039 см), так и развернутого следа (4,81 ± 0,048 см) привело к меньшим ошибкам декодирования по сравнению с использованием простого порога (5,18 ± 0,051 см, F _{(2, 87)} = 26,22, P <0,0001, n = 30 независимых испытаний для каждого метода преобразования в двоичную форму; дополнительный рисунок 3b).

Декодирование двумерных поведенческих переменных

Представленный выше метод декодирования масштабируется для большого разнообразия поведений. Однако иногда бывает полезно представить поведение более чем в одном измерении. Это, например, случай с пространственным расположением в более крупных средах. Теперь мы покажем, что принципы, представленные выше, могут быть легко переведены на другие измерения. С этой целью мы записали активность нейронов с помощью визуализации кальция у мыши, впервые исследующей открытое поле.Затем переходные процессы кальция извлекаются и преобразуются в двоичную форму вместе с положением мыши по осям x и y (рис. 4A). Можно изобразить периоды активности одной ячейки в 2D-пространстве и закодировать эту активность цветом, чтобы визуализировать стабильность такой активности во времени / пространстве (рис. 4B). Относительную занятость (рис. 4C) и вероятности P (активное | состояние) можно вычислить для каждого состояния (пространственный интервал 3 × 3 см) таким же образом, как показано выше (рис. 4D). Затем можно получить апостериорное распределение вероятностей (рис. 4F).Чтобы оценить достоверность распределения вероятностей правдоподобия, можно циклически перемешивать данные и вычислять карты вероятности P (активное | состояние) (рисунок 4E). Из этих перетасованных карт вероятностей мы можем получить уровень значимости, используя значение p , которое соответствует количеству перемешанных точек данных над фактическими данными, деленному на количество перемешанных суррогатов (рисунок 4G). Затем мы можем получить поле места с пороговым значением, которое сохраняет только важные значения P (активное | состояние) (рисунок 4H).Важно отметить, что стандартное отклонение перемешанного распределения (рисунок 4I) отрицательно коррелирует с относительной занятостью (корреляция Пирсона, R ² = 0,47, P <0,0001; рисунок 4J). Это говорит о том, что для состояний с высокой вероятностью P (активное | состояние) значимость может быть выше, если состояние отображает высокую занятость, и ниже, если состояние отображает низкую занятость. Мы также оценили влияние временной фильтрации на качество реконструкций и обнаружили, что в наших условиях значение 1.Окно фильтрации 6 с дало наилучшие результаты (1ANOVA, F _{(39, 1160)} = 72,31, P <0,0001, n = 30 независимых испытаний на размер окна временного фильтра; рисунок 4K). Что касается одномерных данных, гауссова фильтрация настроечных карт (двухмерные настроечные кривые) последовательно увеличивала ошибку декодирования (корреляция Пирсона, R ² = 0,99, P <0,0001, n = 30 независимых испытаний на гауссиан значение сигмы; рисунок 4L).

Рисунок 4. Декодирование двумерного поведения. (A) x, y координаты местоположения мыши в открытом поле (внизу) и соответствующие необработанные следы кальция одной примерной клетки и бинаризованная активность (вверху). (B) Вид сверху траектории мыши (бежевый след) с наложенным местоположением, соответствующим нейронной активности (зеленый, ранняя активность; пурпурный, поздняя активность). (C) Относительная занятость в чистом поле. (D) Карта настройки (вероятность быть активным для данного местоположения) одного нейрона.Вверху, соответствующий индекс MI. (E) Пример карты настройки, вычисленной на основе перетасованных следов кальция. (F) Апостериорная вероятность P (состояние | активно) для той же ячейки. (G) P — значение, вычисленное из фактической карты настройки и соответствующих перемешанных суррогатов. (H) Поле с пороговым значением, использующее только значащие значения P (активное | состояние). (I) Стандартное отклонение перемешанного распределения. (J) Диаграмма рассеяния, сравнивающая стандартное отклонение перемешанного распределения и занятость открытого поля мыши. (K) Влияние временной фильтрации на ошибку декодирования в открытом поле. Красная стрелка указывает размер окна временной фильтрации, обеспечивающий меньшую ошибку декодирования. (L) Влияние сглаживания по Гауссу карты настройки на ошибку декодирования в открытом поле.

Уточнение прогнозов кодирования

Конечная цель декодирования нейронной активности — улучшить наше понимание отношений, которые могут существовать между нейронами и поведением. Другими словами, помимо предсказания поведения по нейронной активности, нужно уметь предсказывать нейронную активность по поведению.Эти прогнозы кодирования могут быть легко получены из уравнения (3), поскольку P ( S | A ) представляет вероятность того, что данный нейрон будет активным, пока животное находится в данном состоянии. Это распределение вероятностей можно интерпретировать как прямое измерение на основе наших данных, так и как прогноз уровня активности в зависимости от местоположения животного. Следовательно, если бы P ( S | A ) принял бы значение 1 для данных состояний и , мы были бы абсолютно уверены, что рассматриваемый нейрон будет активен в этих данных состояниях.В нашем примере линейного трека мы можем уточнить наш прогноз кодирования, поскольку ранее было показано, что активность клеток места гиппокампа на линейном треке имеет тенденцию быть однонаправленным: некоторая клетка срабатывает в одном заданном месте, но только при прохождении в одном направлении ( McNaughton et al., 1983; Markus et al., 1995). Если пиковая вероятность быть активным P ( S | A ) для нейрона, который отображает поле видного места, составляет всего 0,5, это может быть связано с тем, что эта клетка срабатывает только 50% времени, когда животное бежит в одном направлении, но не в другом.Теперь мы продемонстрируем, что можно предсказать нейронную активность на основе расчетных кривых настройки, и что уточнение наших поведенческих состояний путем включения информации о направлении может повысить наше предсказание кодирования, то есть нашу уверенность в том, что нейрон сработает, учитывая, что животное находится в данное состояние. С этой целью мы извлекли кривые настройки из нейронов, активных на линейной дорожке, используя либо только местоположение (рис. 5A), либо учитывая как расположение, так и направление (рис. 5B). Обратите внимание, что при использовании более позднего метода вероятность пика P ( S | A ) значительно увеличивается.При сравнении значений вероятности, полученных из тех же ячеек, но с использованием любого метода, кажется, что P большинства ячеек ( S | A ) увеличиваются с учетом направления движения (корреляция Пирсона, r = 0,8781, R ). ² = 0,77, P <0,0001; рисунок 5C). Интересно, что это не относится к меньшинству ячеек, что указывает на то, что некоторые ячейки все еще проявляют предпочтительную активность для абсолютного местоположения, независимо от направления.Затем мы реконструировали нейронную активность, используя P ( S | A ) каждого нейрона для каждого известного состояния i (местоположение в нашем примере) мыши. В целях отображения мы показываем только значения вероятности, превышающие 0,5 (рис. 5D). Чтобы оценить достоверность прогнозов нейронной активности, мы можем использовать тот же метод начальной загрузки, представленный ранее, чтобы построить 95% доверительные интервалы для кривых настройки P ( S | A ), вычисленных с учетом левого, правого или обоих направлений движения. (Рисунок 5E; n = 1000 образцов начальной загрузки).Преимущество этого метода заключается в том, что он дает четкий диапазон точности прогноза, который легко интерпретировать. В нашем примере нейрона №4 очевидно, что более точные прогнозы кодирования могут быть достигнуты, если учитывать только перемещения вправо (рис. 5E). Кроме того, мы можем использовать взаимную информацию как меру того, насколько можно уменьшить неопределенность в отношении нейрональной активности, зная состояние животного. В нашем примере мы обнаружили, что значения MI были самыми высокими, если рассматривать только перемещения вправо (0.22 ± 0,0005 бит), с учетом обоих направлений (0,09 ± 0,0002 бит) и перемещается только влево (0,02 ± 0,0001 бит; 1ANOVA, F _{(2, 2997)} = 44,84, P <0,0001 ; n = 1000 образцов начальной загрузки; Рисунок 5F).

Рисунок 5. Восстановление активности нейронов и уточнение кривых настройки. (A) Кривые настройки каждого нейрона, отсортированные по пиковой активности на линейной дорожке. (B) То же, но после разделения левой и правой траекторий. (C) Взаимосвязь между вероятностью пика P (активный | состояние), вычисленной с использованием любого метода (только местоположение в зависимости от местоположения и направления). (D) Фактическое местоположение мыши на линейной дорожке (вверху) и соответствующая фактическая и восстановленная нейронная активность с использованием только местоположения (фиолетовый прямоугольник), а также фактическая и реконструированная нейронная активность с использованием как местоположения, так и направления (зеленая рамка) . (E) P (активное | состояние) вычислено с использованием правой (красный), левой (синий) или обеих (фиолетовый) траекторий.Толщина кривых указывает 95% доверительный интервал, вычисленный из n = 1000 образцов начальной загрузки. (F) Соответствующий индекс MI для каждого образца начальной загрузки.

Обсуждение

Мы показываем здесь, что представления активности нейронов, извлеченных из данных визуализации кальция, в двоичном состоянии (активное или неактивное) достаточно для приближения состояния нейрональной сборки. Хотя такая бинаризация ранее предлагалась в качестве промежуточного шага для выполнения декодирования (Ziv et al., 2013), здесь мы обобщаем этот принцип и предлагаем несколько дополнительных показателей для описания силы нейронной настройки на поведенческие переменные. В частности, для бинаризации активности кальция можно использовать несколько методов, но поскольку время нарастания переходных процессов кальция содержит подавляющее большинство потенциалов действия, методы бинаризации должны быть нацелены на то, чтобы обозначить именно эти эпохи как периоды активности. Важно отметить, что методы оптимизации и параметры с использованием условий in vitro и не обязательно могут быть переведены в данные, полученные in vivo , потому что переходные уровни кальция существенно различаются в зависимости от условий, даже если большинство переменных одинаковы (линия / возраст животного, вирусная конструкция и разведение).

Информация о кодировании нейронов может быть извлечена с использованием простых методов и минимальной обработки данных. Важно отметить, что для описания нейронов можно использовать три показателя: вероятность быть активным в данном поведенческом состоянии P (активное | состояние), апостериорная вероятность того, что животное находится в состоянии данной нейронной активности P (состояние | активное), и взаимная информация — мера уменьшения неопределенности состояния мыши, которая возникает в результате знания нейронной активности, и наоборот. Кроме того, мы предлагаем определять значимость либо путем вычисления значения p , полученного из перетасованных суррогатов, либо путем оценки доверительных интервалов с использованием повторной выборки начальной загрузки.В частности, более поздний метод обеспечивает уверенность в предсказаниях кодирования, которые легко интерпретировать.

В то время как потенциалы действия, записанные с помощью электрофизиологических методов, представляют собой дискретные временные события, сигналы визуализации кальция принимают форму непрерывного вектора, который предотвращает прямое вычисление ранее используемых информационных показателей: бит / с и бит / пик. С другой стороны, значения MI могут быть легко получены из вероятностей, вычисленных выше, и дают полезные сведения о степени неопределенности, которая снижается в отношении состояния животного с учетом активности нейронов.Примечательно, что ИМ чувствителен к количеству используемых бинов, поэтому для достоверного сравнения между электрофизиологическими данными и данными визуализации кальция потребуется вычислить значения ИМ на электрофизиологических данных и данных визуализации кальция, где нейронная активность была преобразована в двоичную форму таким же образом, как и поведение, дискретизированное с использованием те же параметры биннинга. Кроме того, в то время как импульсная активность связана с большими переходными процессами кальция, которые приводят к хорошей точности декодирования, одиночные всплески могут привести к изменениям флуоресценции GCamp6, которые слишком малы для обнаружения, и могут быть связаны с более крупными ошибками декодирования в некоторых условиях.

Неудивительно, что мы обнаружили, что значения MI в значительной степени коррелируют с вероятностями пика P (активное | состояние), в то время как параллельно поведенческие состояния с низкой занятостью демонстрируют большую вариабельность суррогатных данных, что указывает на то, что более высокая значимость может быть достигнута при выборке поведенческие состояния выше. Важно отметить, что выбор нулевой гипотезы следует тщательно продумать. С одной стороны, если предполагается, что нейроны становятся активными в ответ на внешний стимул, то при нулевой гипотезе следует переставлять нейронную активность в зависимости от динамики внешних стимулов.С другой стороны, если предполагается, что временная организация нейронов (например, последовательности) лежит в основе определенных когнитивных процессов (например, воспроизведения), тогда следует выполнять перестановки, чтобы удалить временные паттерны нейронной активности (т.е. перетасовать каждый вектор активности нейронов независимо друг от друга. ) при нулевой гипотезе.

Использование такого вероятностного подхода позволяет делать прогнозы на основе теоремы Байеса. В наших условиях мы обнаружили, что минимальное значение a priori (равномерное распределение вероятностей состояний) дает лучшие результаты.Добавление временных ограничений может уменьшить ошибку декодирования, но не согласование декодирования. Следовательно, эти фильтры необходимо оптимизировать в каждом конкретном случае в зависимости от цели исследования. Интересно, что сглаживание распределений вероятностей имело отрицательный эффект в наших условиях, скорее всего, из-за асимметричной природы полей мест без фильтрации. Таким образом, такие методы постобработки следует использовать с осторожностью, и, хотя они могут улучшить визуализацию определенных явлений, таких как поля мест, они могут привести к ложным интерпретациям.Хотя описанный здесь метод может не применяться ни к какому типу поведения, мы представляем примеры одномерных и двумерных наборов данных, и количество изучаемых измерений не должно быть ограничивающим фактором. Одно из наиболее значительных ограничений этого метода возникает непосредственно из поведенческой выборки, и только модели поведения, которые непосредственно выбираются, могут быть реконструированы или использованы для прогнозирования нейронной активности. Для альтернативных подходов, которые не делают предположений о поведении, кодируемом в нейронной активности, было предложено использование методов уменьшения размерности (Rubin et al., 2019), и если предполагается, что в основе поведения лежат последовательные паттерны, вместо этого можно использовать методы матричной факторизации (Mackevicius et al., 2018). Более того, когда несколько переменных способствуют изменчивости нейронной активности, обобщенные линейные модели могут превзойти методы, представленные здесь (Park et al., 2014), за счет необходимости значительно большего количества точек данных, которые могут быть совместимы или не совместимы с методами визуализации кальция. , в зависимости от активности исследуемых нейронов.

Наконец, мы предлагаем простой метод для характеристики кодирования нейронов и прогнозирования активности нейронов. Этот метод полезен для уточнения поведенческих компонентов, которые могут определять активность нейронов. Таким образом, качество моделей, которые могут быть построены на основе наблюдений, во многом зависит от самого характера и точности этих наблюдений. В частности, увеличение количества информации, касающейся определенного поведения, может привести к уточнению базовой модели нейрональной активности.Однако совершенное предсказание нейронной активности на простой основе поведения — трудная задача, поскольку такая активность определяется не только внешними переменными (поведением), но и внутренними переменными, включая состояние животных и пресинаптическую активность, которая часто недоступна для человека. наблюдатель. В этом контексте в предыдущей работе были выявлены организованные паттерны нейронной активности, которые обычно связаны с пространственным расположением, в то время как животные не воспринимали никаких внешних стимулов, кроме самодвижения (Villette et al., 2015). Более того, учет взаимозависимости нейрональной активности также может улучшить качество прогнозов. В частности, включение парных (Pillow et al., 2008; Meshulam et al., 2017) или временных (Naud and Gerstner, 2012) корреляций нейрональной активности может уменьшить ошибку декодирования. Обратите внимание, что эти временные корреляции также будут приняты во внимание при использовании искусственных нейронных сетей с долговременной краткосрочной памятью (LSTM) (Tampuu et al., 2019), что повысит точность реконструкции за счет интерпретируемости.Вместо того, чтобы предлагать сложный конвейер анализа, методы, представленные здесь, имеют преимущество в том, что они остаются простыми, требуют всего нескольких точек данных и легко интерпретируются с использованием показателей, которые могут облегчить передачу результатов, а также значимость и доверительные интервалы, что делает их подходящим инструментом. для исследования данных визуализации кальция в сочетании с поведением.

Материалы и методы

Хирургические процедуры

Все процедуры были одобрены Комитетом по уходу за животными Университета Макгилла и Канадским советом по уходу за животными.Для данных линейного трека и открытого поля одну взрослую мышь (~ 2 месяца) анестезировали изофлураном (5% индукция, 0,5–2% поддерживающая терапия) и помещали в стереотаксическую рамку (Stoelting). Череп полностью очистили от всей соединительной ткани и просверлили отверстие размером ~ 500 мкм. Затем мы вводили вирус AAV5.CamKII.GCaMP6f.WPRE.SV40 (Addgene # 100834; 200 нл при 1 нл.с ^–1 ) в CA1 гиппокампа, используя следующие координаты: переднезадний (AP) -1,86 мм от брегмы, медиолатеральный (ML) 1.5 мм, дорсовентрально (DV) 1,5 мм. Через 2 недели после инъекции мышь анестезировали изофлураном и очистили череп. Над местом инъекции в черепе перфорировали отверстие диаметром ∼2 мм. На заднюю пластину над мозжечком устанавливали анкерный винт. Твердую мозговую оболочку удалили, и часть коры над местом инъекции аспирировали с помощью вакуумного насоса до тех пор, пока не стало видно мозолистое тело. Затем эти пучки волокон были аккуратно аспирированы, не оказывая давления на нижележащий гиппокамп, и 1.Линза с градиентным индексом диаметра 8 мм (GRIN; Edmund Optics) была ниже в следующих координатах: AP -1,86 мм от брегмы, ML 1,5 мм, DV 1,2 мм. Линза GRIN была постоянно прикреплена к черепу с помощью C & B-Metabond (Patterson dental), а силиконовый клей Kwik-Sil (World Precision Instruments) был нанесен на GRIN для защиты. Через 4 недели, силиконовый колпачок удал ют и СА1 был визуализируют с помощью miniscope установлен с базовой пластиной алюминия в то время как мышь была под легкой анестезией (~0.5% изофлурана) для визуализации активности клеток. Когда было найдено удовлетворительное поле зрения (большая нейронная сборка, видимые ориентиры), опорная пластина была закреплена над линзой GRIN, минископ был удален, и пластиковая крышка была помещена на опорную пластину для защиты линзы GRIN.

Записи поведения и мини-зонд

После нанесения основы мышь бережно обрабатывали в течение ~ 5 минут в день в течение 7 дней. Затем мышке вводили водный режим (доступ 2 часа в день) и помещали на линейную дорожку длиной 1 м на 15 минут.Награды 10% сахарозы в воде были размещены на каждом конце линейной дорожки, и мышь должна была съесть одно вознаграждение, прежде чем доставить следующее. Записи с минископа производились с частотой 30 Гц в течение 15 минут каждый день, а декодирование производилось в последний день обучения (день 7). На следующей неделе мыши позволяли свободно исследовать в течение 15 минут темно-серое открытое поле размером 45 × 45 см, которое содержало визуальные подсказки, и записи в мини-микроскоп выполнялись с частотой 30 Гц в течение всей продолжительности исследования (15 минут).

Минископ и захват поведенческого видео

Минископы

были изготовлены с использованием планов с открытым исходным кодом, доступных на www.miniscope.org, как описано ранее (Ghosh et al., 2011; Cai et al., 2016; Aharoni and Hoogland, 2019). Данные изображения были получены с помощью датчика изображения CMOS (Aptina, MT9V032) и мультиплексированы через легкий коаксиальный кабель. Данные были получены с использованием блока сбора данных (DAQ), подключенного через хост-контроллер USB (Cypress, CYUSB3013). Данные были записаны с использованием специально написанного программного обеспечения для сбора данных, основанного на библиотеках Open Computer Vision (OpenCV).Видеопотоки записывались со скоростью ~ 30 кадров в секунду (30 Гц) и сохранялись в виде несжатых файлов .avi. Поведение животных регистрировалось с помощью веб-камеры, и программное обеспечение DAQ одновременно записывало временные метки как для минископа, так и для поведенческой камеры, чтобы выполнить последующее выравнивание.

Визуальный анализ кальция

Видео изображений кальция были проанализированы с помощью конвейера MiniscopeAnalysis. В частности, мы впервые применили коррекцию жесткого движения с помощью NoRMCorre (Пневматикакис и Джованнуччи, 2017).Затем 1000 кадров видео были объединены в большой видеофайл после двукратной пространственной понижающей дискретизации. Затем пространственные компоненты, а также следы кальция были извлечены с помощью CNMFe (Zhou et al., 2018) со следующими параметрами: gSig = 3 пикселя (ширина гауссова ядра), gSiz = 15 пикселей (приблизительный диаметр нейрона), background_model = ‘ring ‘, пространственный_алгоритм =’ hals ‘, min_corr = 0,8 (минимальный порог корреляции пикселей), min_PNR = 8 (минимальный порог отношения пика к шуму). Когда это было возможно, следы кальция деконволюционировали с помощью OASIS (Friedrich et al., 2017), используя модель авторегрессии с порядком p = 1 и используя метод «с ограничениями».

In vitro Электрофизиология патч-зажима

Одной взрослой мыши (~ 2 месяца) стереотаксически инъецировали конструкцию GCaMP6f (вирус AAV5.CamKII.GCaMP6f.WPRE.SV40, Addgene # 100834; 0,4 мкл при 0,06 мкл / мин) в CA1 гиппокампа. 2 недели спустя его глубоко анестезировали смесью кетамин / ксилазин / ацепромазин (100, 16, 3 мг / кг, соответственно, внутрибрюшинно) и внутрисердечно перфузировали холодным восстанавливающим раствором N-метил- D -глутамин (NMDG). (4 ° C), насыщенный кислородом карбогеном (5% CO2 / 95% O2).Раствор NMDG содержал следующее (в мМ): 93 NMDG, 93 HCl, 2,5 KCl, 1,2 Nah3PO4, 30 NaHCO3, 20 HEPES, 25 глюкозы, 5 аскорбат натрия, 2 тиомочевина, 3 пируват натрия, pH доведен до 7,4 с помощью HCl перед добавление 10 MgSO ₄ и 0,5 CaCl ₂ . После перфузии NMDG мозг быстро извлекали и дополнительно на 1 мин погружали в холодный раствор для восстановления NMDG. Коронковые срезы (300 мкм) вырезали с использованием вибратома (Leica-VT1000S), затем собирали в восстанавливающем растворе NMDG при 32 ° C в течение 12 мин.Срезы переносили в насыщенную кислородом искусственную спинномозговую жидкость (aCSF), содержащую следующее (в мМ): 124 NaCl, 24 NaHCO3, 2,5 KCl, 1,2 Nah3PO4, 2 MgSO4, 5 HEPES, 2 CaCl ₂ и 12,5 глюкозы (pH 7.4). Пипетки (3–5 МОм) заполняли внутренним раствором, содержащим следующее (в мМ): 140 K глюконат, 2 MgCl2, 10 HEPES, 0,2 EGTA, 2 NaCl, 2 мМ Na2-ATP и 0,3 мМ Na2-GTP, pH доводили до 7,3 с помощью КОН, 290 мОсм. Срезы переносили в погружную записывающую камеру, заполненную ACSF (скорость потока 2–3 мл / мин, 30 ° C), непрерывно насыщенную кислородом карбогеном.Все реагенты были приобретены у Sigma-Aldrich, если не указано иное. Записи прикрепленных к внеклеточным клеткам патч-кламп использовали для мониторинга активности спонтанной активации клеток пирамидных нейронов гиппокампа, экспрессирующих GcAMP6f (идентифицированных как EGFP-флуоресценция). Пипетка для записи находилась под напряжением -70 мВ. Визуализацию пирамидных клеток, экспрессирующих GcAMP6f, проводили с помощью водно-иммерсионного объектива Olympus 60x (LUMPLFLN60X / W, NA 1.0) и получали при 10 Гц с использованием программного обеспечения Olympus cellSens.Электрофизиологические сигналы усиливали с помощью усилителя с зажимом патч-кламп Multiclamp 700B (Axon Instruments), дискретизировали с частотой 20 кГц и фильтровали с частотой 10 кГц.

Статистика

Статистический анализ выполняли с использованием GraphPad Prism версии 6.00 (GraphPad Software, Ла-Хойя, Калифорния, США). Все данные представлены как среднее значение ± стандартная ошибка среднего (SEM), а детали статистических тестов описаны в соответствующих результатах. Все тесты t двусторонние. Распределение нормальности в каждой группе оценивалось с помощью критерия нормальности Шапиро-Уилка, а параметрические тесты использовались только тогда, когда распределения были признаны нормальными (непараметрические тесты описаны там, где это применимо).1ANOVA: односторонний дисперсионный анализ; 2ANOVA: двусторонний дисперсионный анализ ANOVA; RMANOVA: ANOVA с повторными измерениями. p <0,05 считалось статистически значимым. ^∗ p <0,05; ^∗∗ p <0,01; ^∗∗∗ p <0,001, ^**** p <0,0001.

Заявление о доступности данных

Весь код и данные, представленные здесь, можно скачать по следующему адресу: https://github.com/etterguillaume/CaImDecoding.

Заявление об этике

Исследование на животных было рассмотрено и одобрено Комитетом по уходу за животными Университета Макгилла Канадским советом по уходу за животными.

Авторские взносы

GE и SW разработали исследование. GE проводила операции, поведенческие эксперименты и анализы. FM выполнил электрофизиологию пластыря in vitro . GE и SW написали рукопись.

Финансирование

Эта работа поддерживается Brain Canada, Fonds de la recherche en Santé du Québec (FRSQ), Канадскими институтами медицинских исследований (CIHR), Советом естественных и инженерных исследований Канады (NSERC) и Healthy Brains, Healthy Lives (HBHL).

Конфликт интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

Благодарности

Мы благодарим Ке Цуй за поддержку в поддержании колонии и перфузии мышей, Даниэля Ахарони за поддержку использования миниатюрных флуоресцентных микроскопов (www.miniscope.org), Бруно Риварда за изготовление минископов и Сюзанну ван дер Вельдт за полезные комментарии к рукописи.

Дополнительные материалы

Дополнительные материалы к этой статье можно найти в Интернете по адресу: https://www.frontiersin.org/articles/10.3389/fncir.2020.00019/full#supplementary-material

Сноски

Список литературы

Ахарони Д. и Хугланд Т. М. (2019). Исследования схем с помощью миниатюрных микроскопов с открытым исходным кодом: прошлое, настоящее и будущее. Фронт. Клетка. Neurosci. 13: 141. DOI: 10.3389 / fncel.2019.00141

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Белль, А. М., Энрайт, Х. А., Сейлз, А. П., Кулп, К., Осберн, Дж., Кун, Е. А. и др. (2018). Оценка нейронных платформ in vitro в качестве заменителей систем головного мозга in vivo. Sci. Отчет 8: 10820. DOI: 10.1038 / s41598-018-28950-5

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Браун, Э. Н., Франк, Л. М., Танг, Д., Куирк, М. К., и Уилсон, М. (1998). Статистическая парадигма декодирования последовательности нейронных спайков, применяемая для прогнозирования положения на основе паттернов ансамбля активации пространственных клеток гиппокампа крысы. J. Neurosci. 18, 7411–7425. DOI: 10.1523 / jneurosci.18-18-07411.1998

CrossRef Полный текст | Google Scholar

Cai, D. J., Aharoni, D., Shuman, T., Shobe, J., Biane, J., Song, W., et al. (2016). Общий нейронный ансамбль связывает различные контекстные воспоминания, закодированные во времени. Природа 534, 115–118. DOI: 10.1038 / природа17955

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Chen, T., Wardill, T. J., Sun, Y., Pulver, S.Р., Реннингер, С. Л., Баохан, А. и др. (2013). Сверхчувствительные флуоресцентные белки для визуализации активности нейронов. Природа 499, 295–300.

Google Scholar

Коэн, М. X. (2014). Анализ данных нейронных временных рядов: теория и практика. Кембридж, Массачусетс: MIT Press.

Google Scholar

Deneux, T., Kaszas, A., Szalay, G., Katona, G., Lakner, T., Grinvald, A., et al. (2016). Точная оценка спайков по шумным сигналам кальция для сверхбыстрой трехмерной визуализации больших популяций нейронов in vivo. Nat. Commun. 7: 12190. DOI: 10.1038 / ncomms12190

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Гош, К. К., Бернс, Л. Д., Кокер, Э. Д., Ниммерьян, А., Зив, Ю., Гамаль, А. Е. и др. (2011). Миниатюрная интеграция флуоресцентного микроскопа. Nat. Методы 8, 871–878. DOI: 10.1038 / nmeth.1694

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Джованнуччи, А., Фридрих, Дж., Ганн, П., Кальфон, Дж., Koay, S.A., Taxidis, J., et al. (2018). CaImAn: инструмент с открытым исходным кодом для масштабируемого анализа данных визуализации кальция. bioRxiv [Препринт], DOI: 10.1101 / 339564

CrossRef Полный текст | Google Scholar

Джованнуччи А., Фридрих Дж., Кауфман М., Черчленд А., Чкловский Д., Панински Л. и др. (2017). Onacid: онлайн-анализ данных визуализации кальция в реальном времени. Adv. Neural Inf. Процесс. Syst. 30, 2381–2391.

Google Scholar

Гонсалес, В.Г., Чжан Х., Арутюнян А. и Лоис К. (2019). Сохранение нейрональных репрезентаций во времени и повреждение гиппокампа. Наука 365, 821–825. DOI: 10.1126 / science.aav9199

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Греве, Б.Ф., Грюндеманн, Дж., Китч, Л. Дж., Лекок, Дж. А., Паркер, Дж. Г., Маршалл, Дж. Д. и др. (2017). Динамика нейронного ансамбля, лежащая в основе долговременной ассоциативной памяти. Природа 543, 670–675. DOI: 10.1038 / природа21682

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Гринкевич Г., Поэни М. и Цзянь Р. Ю. (1985). Новое поколение индикаторов Ca2 + со значительно улучшенными флуоресцентными свойствами. J. Biol. Chem. 260, 3440–3450.

Google Scholar

Хетерингтон, П. А., и Шапиро, М. Л. (1997). Поля места в гиппокампе изменяются удалением отдельных визуальных сигналов в зависимости от расстояния. Behav. Neurosci. 111, 20–34. DOI: 10.1037 / 0735-7044.111.1.20

CrossRef Полный текст | Google Scholar

Хьюбел, Д. Х., и Визель, Т. Н. (1962). Рецептивные поля, бинокулярное взаимодействие и функциональная архитектура зрительной коры головного мозга кошки. J. Physiol. 160, 106–154. DOI: 10.1113 / jphysiol.1962.sp006837

CrossRef Полный текст | Google Scholar

Хубер Д., Гутниски Д. А., Перон С., О’Коннор Д. Х., Вигерт Дж. С., Тиан Л. и др. (2012). Множественные динамические представления в моторной коре во время сенсомоторного обучения. Природа 484, 473–478. DOI: 10.1038 / nature11039

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Касс, Р. Э., Иден, У., и Браун, Э. Н. (2014). Анализ нейронных данных. Нью-Йорк, Нью-Йорк: Спрингер, DOI: 10.1007 / 978-1-4614-9602-1

CrossRef Полный текст | Google Scholar

Кацуки Ю., Учияма Х., Ватанабэ Т. и Маруяма Н. (1956). Электрические ответы слуховых нейронов кошки на звуковую стимуляцию. II. Proc.Jpn. Акад. 32, 504–506. DOI: 10.2183 / pjab1945.32.504

CrossRef Полный текст | Google Scholar

Кондо Т., Сайто Р., Отака М., Йошино-Сайто К., Яманака А., Ямамори Т. и др. (2018). Переходная динамика кальциевых нейронных ансамблей в первичной моторной коре естественного поведения обезьян. Cell Rep. 24, 2191.e – 2195.e. DOI: 10.1016 / j.celrep.2018.07.057

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Koyama, S., Eden, U.Т., Браун Э. Н., Касс Р. Э. (2010). Байесовское декодирование поездов нейронных спайков. Ann. Inst. Стат. Математика. 62, 37–59. DOI: 10.1007 / s10463-009-0249-x

CrossRef Полный текст | Google Scholar

Мацкявичюс, Э. Л., Бахле, А. Х., Уильямс, А. Х., Дениссенко, Н. И., Гольдман, М. С., и Фи, М. С. (2018). Неконтролируемое обнаружение временных последовательностей в наборах данных большой размерности с приложениями к нейробиологии. eLife 8: 38471.

Google Scholar

Маркус, Э.Дж., Цинь, Ю. Л., Леонард, Б., Скэггс, В. Э., Макнотон, Б. Л., и Барнс, К. А. (1995). Взаимодействие между местоположением и задачей влияет на пространственное и направленное возбуждение нейронов гиппокампа. J. Neurosci. 15, 7079–7094. DOI: 10.1523 / JNEUROSCI.15-11-07079.1995

CrossRef Полный текст | Google Scholar

Мау В., Салливан Д. В., Кински Н. Р., Хассельмо М. Э., Ховард М. В. и Эйхенбаум Х. (2018). Одна и та же популяция CA1 гиппокампа одновременно кодирует временную информацию в нескольких временных масштабах. Curr. Биол. 28, 1499–1508.e4. DOI: 10.1016 / j.cub.2018.03.051

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Макнотон Б. Л., Барнс К. А. и О’Киф Дж. (1983). Вклады положения, направления и скорости в единичную активность гиппокампа свободно движущихся крыс. Exp. Brain Res. 52, 41–49. DOI: 10.1007 / BF00237147

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Мешулам, Л., Готье, Дж.Л., Броуди, К. Д., Танк, Д. В., и Бялек, В. (2017). Коллективное поведение нейронов места и не места в сети гиппокампа. Нейрон 96, 1178–1191.e4. DOI: 10.1016 / j.neuron.2017.10.027

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Науд, Р., и Герстнер, В. (2012). Кодирование и декодирование с адаптирующимися нейронами: популяционный подход к временной гистограмме перистимулов. PLoS Comput. Биол. 8: e1002711. DOI: 10.1371 / journal.pcbi.1002711

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Окура, М., Sasaki, T., Sadakari, J., Gengyo-Ando, ​​K., Kagawa-Nagamura, Y., Kobayashi, C., et al. (2012). Генетически закодированные зеленые флуоресцентные индикаторы Ca2 + с улучшенной детектируемостью нейрональных сигналов Ca2 +. PLoS One 7: e51286. DOI: 10.1371 / journal.pone.0051286

PubMed Аннотация | CrossRef Полный текст | Google Scholar

О’Киф Дж. И Достровский Дж. (1971). Гиппокамп как пространственная карта. Предварительные свидетельства активности единиц у свободно передвигающейся крысы. Brain Res. 34, 171–175. DOI: 10.1016 / 0006-8993 (71)

-1

CrossRef Полный текст | Google Scholar

Пачитариу М., Стрингер К. и Харрис К. Д. (2018). Устойчивость спайковой деконволюции для визуализации нейронов кальция. J. Neurosci. 38, 7976–7985. DOI: 10.1523 / jneurosci.3339-17.2018

CrossRef Полный текст | Google Scholar

Парк И. М., Мейстер М. Л. Р., Хук А. К. и Пиллоу Дж. У. (2014). Кодирование и декодирование в теменной коре при принятии сенсомоторных решений. Nat. Neurosci. 17, 1395–1403. DOI: 10.1038 / nn.3800

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Персечини А., Линч Дж. А. и Ромозер В. А. (1997). Новые флуоресцентные индикаторные белки для мониторинга свободного внутриклеточного Ca2 +. Cell Calcium 22, 209–216. DOI: 10.1016 / S0143-4160 (97)

-2

CrossRef Полный текст | Google Scholar

Pillow, J. W., Shlens, J., Paninski, L., Sher, A., Litke, A. M., Chichilnisky, E.J., et al. (2008). Пространственно-временные корреляции и визуальная сигнализация в полной популяции нейронов. Природа 454, 995–999. DOI: 10.1038 / nature07140

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Пневматикакис, Э.А., и Джованнуччи, А. (2017). NoRMCorre: онлайн-алгоритм для кусочно-жесткой коррекции движения данных визуализации кальция. J. Neurosci. Методы 291, 83–94. DOI: 10.1016 / j.jneumeth.2017.07.031

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Pnevmatikakis, E.A., Soudry, D., Gao, Y., Machado, T. A., Merel, J., Pfau, D., et al. (2016). Одновременное шумоподавление, деконволюция и разделение данных визуализации кальция. Нейрон 89: 299. DOI: 10.1016 / j.neuron.2015.11.037

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Quian Quiroga, R., and Panzeri, S. (2009). Извлечение информации из популяций нейронов: теория информации и подходы к декодированию. Nat. Rev. Neurosci. 10, 173–185. DOI: 10.1038 / nrn2578

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Рахмати, В., Кирмс, К., Холтофф, К., Кибель, С. Дж. (2018). Сверхбыстрая точная реконструкция пиковой активности по данным визуализации кальция. J. Neurophysiol. 119, 1863–1878. DOI: 10.1152 / jn.00934.2017

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Ричмонд, Б. Дж., И Оптикан, Л. М. (1990). Временное кодирование двумерных паттернов отдельными единицами первичной зрительной коры приматов. II. Передача информации. J. Neurophysiol. 64, 370–380.DOI: 10.1152 / jn.1990.64.2.370

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Ричмонд Б. Дж., Оптикан Л. М. и Спитцер Х. (1990). Временное кодирование двумерных паттернов отдельными единицами первичной зрительной коры приматов. I. Стимул-ответные отношения. J. Neurophysiol. 64, 351–369. DOI: 10.1152 / jn.1990.64.2.351

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Рубин А., Шейнтух Л., Бранде-Эйлат Н., Пинхасоф О., Речави Ю., Гева Н. и др. (2019). Выявление нейронных коррелятов поведения без поведенческих измерений. Nat. Commun. 10, 1–14. DOI: 10.1038 / s41467-019-12724-2

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Шейнтух Л., Рубин А., Бранде-Эйлат Н., Гева Н., Садех Н., Пинхасоф О. и др. (2017). Отслеживание одних и тех же нейронов в течение нескольких дней в данных визуализации ca2 +. Cell Rep. 21, 1102–1115. DOI: 10.1016 / j.celrep.2017.10.013

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Skaggs, W.Э., Макнотон Б. Л. и Готард К. М. (1993). «Теоретико-информационный подход к расшифровке кода гиппокампа», в Advances in Neural Information Processing Systems , 1030–1037.

Google Scholar

Тампуу А., Матиизен Т., Олафсдоттир Х. Ф., Барри К. и Висенте Р. (2019). Эффективное нейронное декодирование своего местоположения с помощью глубокой рекуррентной сети. PLoS Comput. Биол. 15: e1006822. DOI: 10.1371 / journal.pcbi.1006822

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Тегтмайер, Дж., Брош, М., Яницкий, К., Хайнце, Х.-Дж., Оль, Ф. В., и Липперт, М. Т. (2018). CAVE: инструмент с открытым исходным кодом для комбинированного анализа изображений кальция и поведения в MATLAB. Фронт. Neurosci. 12: 958. DOI: 10.3389 / fnins.2018.00958

CrossRef Полный текст | Google Scholar

Тиан Л., Хайрес С. А., Мао Т., Хубер Д., Чиаппе М. Э., Чаласани С. Х. и др. (2009). Визуализация нейронной активности у червей, мух и мышей с улучшенными кальциевыми показателями GCaMP. Nat. Методы 6, 875–881. DOI: 10.1038 / nmeth.1398

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Виллет В., Мальваш А., Трессар Т., Дюпюи Н. и Коссарт Р. (2015). Внутренне повторяющиеся последовательности гиппокампа как популяционный шаблон пространственно-временной информации. Нейрон 88, 357–366. DOI: 10.1016 / j.neuron.2015.09.052

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Чжан К., Гинзбург И., Макнотон Б.Л., Сейновски Т. Дж. (1998). Интерпретация активности популяции нейронов путем реконструкции: единая структура с приложением к клеткам места гиппокампа. J. Neurophysiol. 79, 1017–1044. DOI: 10.1152 / jn.1998.79.2.1017

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Zhou, P., Resendez, S. L., Rodriguez-Romaguera, J., Jimenez, J. C., Neufeld, S. Q., Giovannucci, A., et al. (2018). Эффективное и точное извлечение сигналов кальция in vivo из микроэндоскопических видеоданных. eLife 7: e28728. DOI: 10.7554 / eLife.28728

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Зив Ю., Бернс Л. Д., Кокер Е. Д., Хамель Е. О., Гош К. К., Китч Л. Дж. И др. (2013). Долговременная динамика кодов мест гиппокампа CA1. Nat. Neurosci. 16, 264–266. DOI: 10.1038 / nn.3329

PubMed Аннотация | CrossRef Полный текст | Google Scholar

AMIS-492×0 Оценочная плата Fieldbus MAU Руководство пользователя

% PDF-1.4 % 1 0 obj > эндобдж 5 0 obj / Title (EVBUM2180DB — Руководство пользователя оценочной платы MAU Fieldbus AMIS-492×0) >> эндобдж 2 0 obj > эндобдж 3 0 obj > эндобдж 4 0 obj > поток Acrobat Distiller 19.0 (Windows) BroadVision, Inc.2019-11-08T14: 08: 50 + 08: 002019-11-08T14: 08: 15 + 08: 002019-11-08T14: 08: 50 + 08: 00application / pdf

EVBUM2180DB — AMIS-492×0 Fieldbus MAU Evaluation Board User’s Manual

ON Semiconductor

ON Semiconductor предлагает полевую шину AMIS-492×0 Media Access Unit (MAU) как часть общей промышленной сетевое коммуникационное решение.Пожалуйста, обратитесь к AMIS-492×0 для получения дополнительной информации об этом. Интегральная схема. В этом руководстве пользователя основное внимание уделяется на эталонном дизайне и плате, которые ON Semiconductor также предлагает своим клиентам, что удовлетворяет Фонд Сеть физического уровня Fieldbus h2 или Profibus PA требование. Это руководство пользователя помогает пользователю разрабатывать AMIS-492×0 MAU, имея в виду пригодную конструкцию платы известно, что проходит физический уровень Foundation Fieldbus Соответствие (Спецификация FF830, ред. 1.5). Эталонный дизайн, обсуждаемый в этом документе, также включает дополнительные гибкие подсхемы, не обсуждаемые в Технические данные AMIS-492×0, которые помогают пользователю оптимально подобрать AMIS-492×0 к своему приложению.

uuid: fe98784a-ac8a-44e0-8828-4954803e61b4uuid: 657383f2-a587-4535-bfe1-1051f77fedda конечный поток эндобдж 6 0 obj > эндобдж 7 0 объект > эндобдж 8 0 объект > эндобдж 9 0 объект > эндобдж 10 0 obj > эндобдж 11 0 объект > эндобдж 12 0 объект > эндобдж 13 0 объект > эндобдж 14 0 объект > поток Hln8S] E͐E @ & E: ie «Ӊ: sw (Ρm3 | 5 wI7` !.CM | I ೿ K H (d = 2)

a͕bia5j} t ܲ ӭ} v1EtęO / V 0AxCTaXPm-O4Y `8aL 7YWE * 43XT $ pRzs5> & * L = nzwE = t «ؕ K6ʓ އ Β ~ ʓ \ XOIVZSfGyn25LvYjx [I ,:

Расшифровка пути к глобальному успеху SHAREit

Основная функция

SHAREit — одноранговая передача файлов. SHAREit позволяет пользователям обмениваться изображениями, музыкой и многим другим с другими устройствами без использования активного подключения к Интернету или Bluetooth. Благодаря скорости передачи файлов до 20 МБ / с эффективность SHAREit в пространстве не имеет себе равных.Кроме того, SHAREit также обеспечивает безопасную передачу приложений с помощью функции Peer-to-Peer Offline App Sharing в Google Play. Эта функция позволяет пользователям обмениваться приложениями через SHAREit, в то время как Google Play будет определять подлинность общего приложения, даже когда устройство находится в автономном режиме. Затем он добавит общие приложения в библиотеку воспроизведения пользователя, а также будет управлять обновлениями приложений, когда устройство вернется в сеть.

Комментируя путь SHAREit, Карам Малхотра, партнер и глобальный вице-президент SHAREit сказал : «Мы в SHAREit считаем технологии и локализацию наиболее важными факторами нашего успеха.В последние несколько лет мы работали над укреплением нашей команды во всем мире, добиваясь успехов в различных отраслях, одновременно укрепляя нашу основную функцию передачи одноранговых приложений за счет связи с Google Play. Мы находимся на пути к обеспечению того, чтобы цифровые развлечения всех типов были одинаково доступны для всех, став универсальной сервисной платформой, позволяющей пользователям с легкостью просматривать, загружать и передавать контент, а также играть в игры ».

Помимо обмена файлами, SHAREit также добилась успехов в качестве платформы для обнаружения, потребления и обмена играми и контентом.В приложении SHAREit есть отдельный игровой центр, который предлагает игры HTML5, игровые видео и возможность загрузки горячих игр. Это один из крупнейших каталогов мобильных игр от разработчиков со всего мира. Последовательно совершенствуя контент, SHAREit успешно использует популярность местного регионального контента, чтобы зарекомендовать себя в качестве центра для короткометражных видео, и, следовательно, его база пользователей растет во всем мире. SHAREit теперь может похвастаться пользовательской базой из более чем 1,8 миллиарда пользователей по всему миру, говорящих на 45 языках примерно в 200 странах и регионах.В настоящее время приложение имеет более 500 миллионов активных пользователей в месяц по всему миру.

О SHAREit:

SHAREit — это онлайн- и офлайн-платформа, которая предоставляет множество возможностей для развлечений, включая потоковое видео в Интернете, передачу файлов и игры. По данным AppAnnie, приложение SHAREit было 6-м по величине загружаемым приложением в 2019 году в Apple iOS App Store и Google Play Store. По всему миру насчитывается более 1,8 миллиарда пользователей, ежемесячное количество активных пользователей SHAREit (MAU) превысило 500 миллионов и работает на 45 различных языках.

Фото — https://mma.prnewswire.com/media/1388143/QQ20201217_153258_2x.jpg

ИСТОЧНИК ПОДЕЛИТЬСЯ

Мозг в движении: как подвижность ансамбля способствует обновлению памяти и гибкости

Существует консенсус, что, вообще говоря, воспоминания хранятся в моделях активности и синаптических весах нейронных ансамблей всего мозга, и что эти ансамбли реактивируются при вызове воспоминаний (Frankland et al., 2019; Gelbard-Sagiv et al., 2008; Guzowski et al., 1999; Лю и др., 2012; Reijmers et al., 2007; Уилсон и Макнотон, 1993). Эти ансамбли могут сохраняться в течение длительного периода времени, измеряемого от нескольких дней до недель, что делает их привлекательными субстратами для долговременного хранения памяти (Josselyn et al., 2015; Tonegawa et al., 2015). Основание для этих идей принадлежит Дональду Хеббу, чьи теории синаптической пластичности и стабилизации клеточных ансамблей заложили основу для современных идей о репрезентациях памяти в нейронных сетях (Hebb, 1949).Например, демонстрация стабильности ансамбля была обнаружена в клетках места гиппокампа (пирамидных нейронах, которые активируются в соответствии с положением животного в пространстве) (O’Keefe and Nadel, 1978), которые, как было обнаружено, оставались стабильными в течение многих недель (Thompson and Best, 1990). ). Стабильность нейронных ансамблей также подтверждается исследованиями с использованием локализации экспрессии немедленных ранних генов в гиппокампе — исследование двух идентичных сред, разделенных на 20 минут, индуцировало зависимую от активности экспрессию Arc в сильно перекрывающихся популяциях нейронов CA1 (Guzowski et al., 1999). В миндалевидном теле реактивация нейронального ансамбля, активного во время обучения, коррелировала с воспоминанием несколько дней спустя, указывая на стабильный нейронный коррелят для памяти о страхе (Reijmers et al., 2007). На основе этих и связанных с ними исследований современные теории предполагают, что выделенные популяции нейронов («клетки энграммы») кодируют и хранят воспоминания в виде ансамбля клеток Хебба (Hebb, 1949; Josselyn et al., 2015; Tonegawa et al., 2015).

Открытие стабильных ансамблей в качестве подложек для воспоминаний является новаторским, но это неполное описание того, как системы памяти работают на протяжении всей жизни животного.Прежде всего, эти принципы не объясняют, как мозг может интегрировать новый опыт со старыми воспоминаниями. На практике некоторая степень гибкости должна дополнять настойчивость в успешной реализации памяти (Richards and Frankland, 2017). «Дилемма стабильности-пластичности» описывает необходимый компромисс между этими двумя противостоящими силами, позволяющий происходить новому обучению при сохранении существующих знаний (Grossberg, 1982). Действительно, исследования моделирования показали, что чрезмерно жесткая нейронная сеть фактически затрудняет получение новой информации.В негибкой сети существующие знания могут мешать кодированию новой информации (проактивное вмешательство), а также могут стираться во время нового обучения (катастрофическое забывание) (Hasselmo and Wyble, 1997; McClelland et al., 1995; McCloskey and Cohen, 1989). Следовательно, помимо понимания того, как воспоминания могут сохраняться в нейронных популяциях, не менее важно понимать, как системы памяти могут преодолевать столкновения между старыми и новыми воспоминаниями. С этой целью ансамбли динамической памяти инкапсулируют, как воспоминания могут быть как постоянными, так и плавными.Эта идея соответствует исследованиям обратного обучения (Izquierdo et al., 2017), реконсолидации (McKenzie and Eichenbaum, 2011), обучения схемам (Bartlett, 1932; Gilboa and Marlatte, 2017; Tse et al., 2007), и консолидация систем (Kumaran et al., 2016; McClelland et al., 1995; Nadel et al., 2012), которые описывают, как ранее усвоенное поведение можно изменить, чтобы приспособиться к новому обучению. В частности, известные теории консолидации систем подчеркивают важность как настойчивости, так и гибкости — гиппокамп часто рассматривается как гибкий обучаемый, который тренирует неокортикальные сети для долговременного хранения воспоминаний (McClelland et al., 1995). Однако неокортикальные сети все еще подвергаются постоянным изменениям, поскольку животное учится на протяжении всей жизни (Kumaran et al., 2016).

Хотя многое известно о гибкости поведения, мы гораздо меньше знаем о том, как воспоминания, обеспечивающие такое поведение, обновляются на нейрофизиологическом уровне. Хотя гибкость памяти была хорошо оценена в синаптической нейробиологии (Holtmaat and Svoboda, 2009; Rumpel and Triesch, 2016; Ziv and Brenner, 2018) и когнитивной психологии (Nadel et al., 2012), нейрофизиологи в значительной степени пренебрегли им, за некоторыми недавними заметными исключениями (Chambers and Rumpel, 2017; Clopath et al., 2017; Richards and Frankland, 2017; Rule et al., 2019). Мы начнем с выделения недавних продольных наблюдений за медленными колебаниями нейронной активности и синаптической структуры, которые дополняют гипотезу «стабильной инграммы» (Josselyn et al., 2015; Tonegawa et al., 2015). Внутренние флуктуации, которые изменяют синаптическую связность и клеточную возбудимость, обеспечивают постоянный резервуар гибкости в моделях популяционной активности для сохранения памяти.Мы предполагаем, что эти медленные колебания действуют как конвейерная лента, которая непрерывно поставляет новые потенциальные места хранения будущих воспоминаний, как предполагали предыдущие исследования по «распределению памяти» и «связыванию памяти» (Cai et al., 2016; Josselyn and Frankland, 2018; Рашид и др., 2016; Йокосе и др., 2017). Нейроны, кодирующие этот будущий опыт, могут перекрываться с существующими инграммами, обновляя прошлые воспоминания. В следующем разделе мы расскажем, как «нестабильные» ансамбли на самом деле не парадоксальны, а необходимы для гибкой памяти и поведения.Затем мы обрисовываем этапы процесса обновления памяти, который влечет за собой (1) частичную реактивацию ранее сформированной инграммы, (2) рекрутирование популяций нейронов в существующие инграммы на основе их возбудимости и функциональной связи, (3) развертывание пластичности. процессы, которые изменяют эти сети, интегрируя новую популяцию, и (4) временную координацию нейронной активности внутри и между регионами для обновления памяти всего мозга.

Расшифровка «новой нормы» потребительского маркетинга в мире после COVID

Стенограмма вебинара

Вот отрывок из содержательной панельной дискуссии.

Где вы все застряли с точки зрения бизнеса, когда эта пандемия поразила вашу отрасль?

Muneer Mayr: Что касается Bykea, бизнес вращается вокруг транспорта — будь то служба такси или служба доставки. Больше всего мы пострадали, когда была введена изоляция. В тот месяц, когда мы планировали максимальную выручку, все замерло. В апреле мы были близки к завершающему периоду сбора средств серии B, но это произвело на нас внезапный шок.

Мошин Куреши: Cheetay также просит о необходимости бесплатного транспорта и доставки. Поскольку в марте месяце была введена общенациональная изоляция, все были в замешательстве. Наши курьеры и рестораны были пойманы полицией, и мы пытались осознать серьезность ситуации. В конце концов он был полностью закрыт.

Наурин Хаят: Tez также продолжила следующий раунд сбора средств. Мы планировали поднять планку кредитования с объявлением о новых партнерских отношениях.Нам пришлось в значительной степени приостановить выделение средств, поскольку мы не могли брать на себя больший кредитный риск. Однако выздоровление по-прежнему остается сюрпризом. Мы ускорили развитие других вертикалей продукта. Страхование будет запущено в июне.

Ахмед Рауф Эсса: Telemart собирался объявить «Telemart Express», по которому мы начнем доставку в течение 24 часов в Карачи и в течение 48 часов в остальной части Пакистана. На наших складах размещались продукты, которые помогли нам переопределить Telemart Express как «доставку во время блокировки».В то время, когда все остальные магазины были закрыты, для нас это был настоящий бум. Мы могли сосредоточиться на категориях, спрос на которые вырос.

Апурв Суд: Мы полностью отрицаем начальную фазу пандемии. Многие наши клиенты закрывались, и мы начали изо всех сил пытаться получать деньги от наших существующих клиентов. Для нас стало большой проблемой понять ситуацию, управлять воронкой продаж, взыскивать платежи с наших клиентов и реальность работы из дома на неопределенное время.

Какую стратегию вы выбрали для борьбы с меняющимися бизнес-сценариями?

Muneeb Mayr: Мы потратили это время на разработку множества других функций в нашем продукте, учитывая тот факт, что мы не зацикливаемся на спешке. У нас есть на это время. Надеюсь, они станут более востребованными, когда закончится блокировка, и спрос пользователей резко возрастет, когда люди выйдут из своих клеток.

Мошин Куреши: Правительство должно выбирать между смертью и людьми и смертью экономики.И хотя смерть экономики кажется менее ужасной, она в конечном итоге приведет к гражданской войне в таких странах, как мы.