神经电生理分析本体（NEAO）促进数据共享与知识传递的创新框架

为解决神经电生理数据分析中方法描述模糊、软件实现差异导致的重复性与可比性问题，德国于利希研究中心等团队开发了神经电生理分析本体（NEAO）。该研究通过标准化分析步骤、数据与参数的语义描述，构建了可查询的知识图谱框架，显著提升了分析结果的FAIR性（可发现、可访问、可互操作、可重用），为神经科学研究提供了可扩展的元数据解决方案。

　　

神经电生理学研究正面临数据爆炸式增长与分析方法多样化的双重挑战。从单神经元记录到大规模脑网络监测，研究人员运用多种技术（如EEG、LFP、MEA）产生海量数据，但分析过程却存在"黑箱"困境：同一算法（如Welch法计算功率谱密度PSD）在不同软件工具（Elephant、MNE、SciPy）中的实现差异，可能导致结果不可比；而概念相似的方法（如多锥度法与Welch法）又缺乏统一的语义描述框架。这种混乱严重阻碍了研究结果的复现、比较与整合。

针对这一瓶颈，德国于利希研究中心、亚琛工业大学等机构的研究人员Cristiano A. Kohler等开发了神经电生理分析本体（Neuroelectrophysiology Analysis Ontology, NEAO）。这项发表在《Scientific Data》的研究，通过构建领域专用本体，实现了分析流程的机器可读描述，使研究者能够跨越方法学和软件工具的差异，精准追溯数据分析的完整谱系。

研究团队采用模块化OWL语言构建本体框架，结合Python脚本实现实际案例验证。关键技术包括：1）基于PROV-O标准捕获分析溯源信息；2）使用SPARQL查询语言检索知识图谱；3）通过Alpaca工具自动记录分析步骤的输入/输出关系；4）建立三类核心模型（AnalysisStep、Data、AnalysisParameter）及其子类体系；5）应用Rector规范化技术实现跨维度语义分组。

研究结果部分通过三个典型案例展示了NEAO的实际应用价值：

"背景与概述"指出，神经电生理数据分析存在三重挑战：多种方法可计算相同特征（如PSD估计）、同一算法有不同软件实现、分析方法随技术进步日益复杂。NEAO通过定义原子化分析步骤、标准化参数描述、关联文献引用，解决了这些语义模糊问题。

"NEAO模型概述"展示了核心架构：AnalysisStep类描述原子操作（如滤波、PSD计算），通过hasInput/hasOutput关联Data类（如LFP时间序列），用usesParameter绑定控制参数（如250Hz低通截止频率）。软件实现细节通过Function/Program/SoftwarePackage类记录，方法学差异通过BibliographicReference关联原始文献。

"解决描述歧义"部分证明，NEAO能有效区分PSD的Welch算法与多锥度算法，即使它们在不同工具箱（Elephant与SciPy）中实现。通过skos:prefLabel/skos:altLabel消除术语歧义（如PSD与power spectrum），并自动关联biro:BibliographicReference到方法原始文献。

"按语义分组方法"创新性地采用Rector规范化技术，实现多维分类。例如CoherenceAnalysis既属于频域SpectralAnalysis，又因hasPurpose属性值被归入FunctionalConnectivityAnalysis，使研究者能按分析目的而非算法类型检索方法。

"复合分析描述"通过hasSubstep属性处理多步骤方法（如ASSET模式检测），保留整体语义（NeuronalActivityPatternDetection）同时记录子步骤细节（如DBSCAN聚类）。

在"实际应用"部分，三个分析场景验证了NEAO的实用性：1）LFP功率谱分析中，能自动识别Elephant与SciPy实现的Welch法参数等价性（2Hz分辨率←→250样本窗口）；2）替代尖峰序列分析中，明确区分破坏ISI分布的均匀抖动法（ditheringTime=25ms）与保留分布的试次平移法（30ms）；3）人工尖峰序列生成中，揭示形状因子=1的伽马过程与泊松过程的数学等价性。

这项研究的突破性在于首次建立了神经电生理分析的全域语义框架。与现有生物医学本体（如OBI、EDAM）相比，NEAO专精于方法学描述深度，填补了从原始数据到科学发现的"分析黑箱"描述空白。其创新性体现在：1）实现方法-软件-参数的精确映射；2）支持跨工具箱的结果比对；3）通过知识图谱实现分析溯源。

研究者特别指出，NEAO的模块化设计允许持续扩展，未来可整合QUDT（物理量描述）、SWO（软件本体）等标准。当前版本虽聚焦细胞外记录数据分析，但架构已预留EEG/细胞内记录等扩展接口。工具开发者可直接用NEAO类注释函数（如图8示例），推动分析描述的自动化。

这项研究对神经科学数据共享具有深远意义：一方面，通过标准化分析描述提升已发表结果的复用价值；另一方面，为AI驱动的分析方法推荐系统奠定语义基础。随着脑科学进入多模态数据融合时代，NEAO有望成为连接异构分析流程的关键中间件，加速从数据到知识的转化效率。