功能小鼠神经节细胞层反应的大规模数据集

《Scientific Data》：A large-scale dataset of functional mouse ganglion cell layer responses

　　

研究人员展示了ALL-GCL数据集，这是一个大规模的功能性双光子Ca²⁺成像记录资源，包含来自离体小鼠视网膜神经节细胞层（GCL）中超过80,000个细胞的丰富元数据信息。该数据集跨越九年，收集自超过155次实验会话，提供了对各种刺激（从一组共享核心刺激到自然电影）的光诱发反应记录。为了实现细胞类型特异性分析，细胞被概率性地分配到46个先前表征的功能组，包括视网膜神经节细胞（RGC）和移位无长突细胞（dAC）。此外，研究人员评估了实验和生物学因素对功能反应的影响。基于分类器的分析识别了与采集条件和记录会话相关的可测量特征，提供了数据集结构和潜在批次效应来源的定量表征。ALL-GCL数据集为大规模研究视网膜计算提供了全面且标准化的参考。它支持群体水平分析、计算建模以及用于生物时间序列数据的机器学习方法的发展。未来版本将扩展该数据集，增加更多小鼠品系和光刺激，为视觉科学界创建一个不断增长的资源。

**论文解读：ALL-GCL数据集——小鼠视网膜神经节细胞层功能反应的大规模资源**

**1. 研究背景与问题**

视觉系统是生物体感知环境的关键通道，视网膜作为视觉信息的初始处理中心，其核心功能是将连续的光流转化为并行特征表征，如强度、对比度、颜色和运动。这一过程依赖于高度组织的回路结构，其中视网膜神经节细胞（RGCs）作为输出神经元，将编码的视觉特征传递至下游脑区。在小鼠视网膜中，已有研究鉴定了多达45种功能RGC类型，每种类型在边缘检测、方向选择性、亮度与色度对比等视觉编码中发挥特定作用。

然而，尽管已有大量研究提供了关于单个RGC类型及其局部回路的详细见解，但具备广泛采样、一致实验条件和明确定义刺激的大规模标准化数据集仍然稀缺，且不易公开获取。这种资源的缺乏限制了跨研究比较、群体水平分析、计算模型验证以及机器学习方法的发展。特别是，随着数据驱动建模在神经科学中的重要性日益增加，对开放、高质量、结构化数据集的需求愈发迫切。

**2. 研究目的与意义**

为了解决上述问题，研究人员构建了ALL-GCL数据集，这是一个大规模、标准化的功能记录资源，旨在为视觉科学界提供丰富的参考数据。该数据集整合了来自多个实验研究、跨越九年、超过155次实验会话的记录，涵盖超过80,000个GCL细胞，并采用统一的“指纹”刺激（全视野“chirp”和移动光栅）以实现跨实验对比。此外，数据集还包括自然电影等多种刺激的子集。该资源支持群体水平分析、计算模型基准测试以及机器学习应用，并将持续扩展新的小鼠品系和刺激协议，成为研究小鼠GCL功能组织的参考数据集。该论文发表在《Scientific Data》。

**3. 主要关键技术方法**

研究人员主要采用了以下关键技术方法：
- **双光子Ca²⁺成像**：使用MOM型双光子显微镜（配备Ti:Sapphire激光器，波长927 nm）对离体小鼠视网膜GCL进行功能性成像，记录时间分辨率为7.8125 Hz的64×64像素图像。
- **光刺激系统**：通过数字光处理（DLP）投影仪将视觉刺激聚焦于光感受器层，使用两个窄带（~575 nm和~385 nm）分别激发两种小鼠视锥细胞类型（PR1和PR4），并校准强度。
- **细胞分类与功能分组**：基于先前发表的随机森林分类器（GCL-group classifier），从全视野“chirp”和移动光栅反应中提取特征，并结合细胞体大小和方向选择性参数，将细胞概率性地分配到46个功能组（包括32个RGC组和14个dAC组）。
- **感受野估计**：使用RF工具箱RFEst，通过钙信号梯度触发平均刺激计算时空感受野，并采用空间-时间可分离性指数（QI_RF）和信噪比（SNR）评估质量。
- **批次效应评估**：训练随机森林分类器预测元数据属性（如性别、实验者、记录日期等），以量化技术变量对功能反应的影响。
样本队列来源：所有数据来自C57BL/6J小鼠（n=155只，年龄P27-P212，雌雄均有），共227只视网膜，实验于图宾根大学进行。

**4. 研究结果**

**4.1 数据概览**
ALL-GCL数据集包含超过80,000个GCL细胞体记录，其中约85%具有精确视网膜位置信息。记录覆盖几乎整个视网膜表面，略微偏向腹侧区域。约65%的细胞反应质量指数（QI）超过阈值（QIchirp ≥ 0.35或QIMB ≥ 0.6）。数据集在左右眼和性别上平衡（约各半），由8名实验者记录，动物年龄范围从P27到P212，涵盖幼年和成年个体。这些数据为类型特异性分析提供了大规模、高质量的基础。

**4.2 功能GCL组分类**
基于先前分类框架，研究人员将ALL-GCL数据集中所有细胞映射到46个功能组（包括‘Off’、‘On-Off’、‘Fast On’、‘Slow On’、‘Uncertain RGCs’、‘dACs’六个超组）。分类器在保留测试集上达到76.4%的准确率（随机水平1.3%）。每个细胞被注释三个层次标签（功能组、超组、GCL类）及置信度。各组反应特征（如方向选择性指数DSi、取向选择性指数OSi、On-Off指数OOi、感受野大小等）的分布与先前描述一致，验证了分类器的可靠性。

**4.3 技术验证：通过地形分布验证RGC组**
研究人员计算了46个功能组的空间密度图，并与已知分子和形态学地形图比较。结果显示，‘Off’组（G1-G9）在背侧富集，‘Fast On’和‘Slow On’组（G15-G28）在腹侧富集，‘On-Off’组（G10-G14）和dAC组（G33-G46）呈现较弱或异质性梯度。特定组如On alpha持续组（G24）表现出颞-腹侧富集，与先前研究一致。这些对应关系表明ALL-GCL数据集中功能组的空间组织与已发表的分子、解剖和功能地形图高度一致，为组分配提供了技术验证。

**4.4 量化数据集中的批次效应**
为了评估非生物因素导致的变异性，研究人员训练分类器预测元数据属性。结果显示，记录设置ID可被预测（准确率59.6%±4.6%），因此后续分析限制在主要设置。性别、扫描场ID和视网膜位置的预测准确率接近随机水平，表明这些因素引入的系统性结构很小。年龄在合并数据时可略高于随机水平（59.0%±3.7%），但在留一实验者验证中减弱，表明年龄信号主要由实验者相关结构驱动。记录会话日期预测准确率约55-70%，表明存在会话相关结构。实验者身份成对区分准确率最高达~66%，某些实验者间不可区分。总体而言，这些分析表明ALL-GCL数据集在记录间具有广泛一致性，同时提供了元数据相关变异性的定量估计，应在下游分析中加以考虑。

**5. 讨论与结论**

讨论部分总结了批次效应分析，指出性别、视网膜位置等因素对功能反应影响微小，而记录设置、实验者和会话引入了一定变异性，但可通过限制设置或统计方法控制。研究结论部分强调：ALL-GCL数据集为大规模研究视网膜功能提供了标准化、可互操作的资源，支持群体分析、计算建模和机器学习应用，并已通过地形分布验证了分类可靠性。未来将扩展更多小鼠品系和刺激，成为视觉科学界持续增长的参考数据集。