科 / 研 / 图 / 像 / 处 / 理
钙信号（Calcium Signal）在细胞传输、肌肉收缩和基因表达等细胞过程中发挥着重要作用。
通过在神经元中表达钙指示剂（Calcium Indicator），可以通过成像的方法，监测神经元中的钙信号，从而观察神经元的活动。
https://www.janelia.org/news/janelia-scientists-develop-fastest-calcium-indicators-yet
钙信号去卷积（Calcium Deconvolution, or Spike Deconvolution）是一种用于分析和提取钙成像数据中有意义信息的计算方法。
在钙成像（Calcium Imaging）中，我们所记录的信号是细胞内的钙浓度的变化和各种噪声的叠加，由于成像系统的复杂性以及钙指示剂本身的特性，往往不能准确反映真实的神经元活动。
钙信号去卷积旨在从钙信号中提取出神经元的Spike，从而更真实的反应神经元的活动。
这篇文章会介绍一种常用的快速钙信号去卷积的方法——OASIS
https://github.com/zhoupc/OASIS_matlab
这种算法非常快，理论上可以做到实时（on-the-fly）的钙信号处理，且需要调整的参数较少：
https://github.com/j-friedrich/OASIS?tab=readme-ov-file
一、问题分析
我们首先需要从 Calcium imaging 的数据中提取钙信号的 Raw trace。
怎样提取信号，可以参考之前的文章：
提取到的所有细胞的 Calcium trace 可以保存成一个 N*T 的矩阵，N 是细胞数量，T 是记到的所有时间点。
我们需要把这些数据保存成一个mat文件作为输入。
另外，不同数据的成像质量或条件都有所不同，可以先用几个trace来尝试最优的参数。
二、Calcium Deconvolution
1、OASIS的下载
首先需要先从 GitHub 上下载OASIS：
通过 Git clone 或者手动下载压缩包。
然后在 MATLAB 中，将当前文件夹设置为 OASIS 文件夹，可以看到文件夹中会有一个 oasis_setup.m 文件。
在命令行窗口输入：
oasis_setup
即可完成安装。
2、实例代码，MATLAB版本R2021b：
clear; close all;oasis_setup;load("calcium_data.mat");decon_data = zeros(size(raw_data)); % deconvolution tracespike_data = zeros(size(raw_data)); % spike tracefor ii = 1:size(raw_data,1)y = raw_data(ii,:);[] = deconvolveCa(y, 'foopsi', 'ar1', 'smin', -1, ...'optimize_pars', true, 'optimize_b', true);decon_data(ii,:) = c;spike_data(ii,:) = s;endsave('deconv_data.mat','raw_data','decon_data','spike_data');
对单个 trace 进行 plot，查看效果：
for ii = 1:size(raw_data,1)y = raw_data(ii,:);[] = deconvolveCa(y, 'foopsi', 'ar1', 'smin', -1, ...'optimize_pars', true, 'optimize_b', true);figure(23);plot(y); hold on;plot(c); hold on;plot(s);legend('y','c','s');pause; clf;end
3、关键代码解析
[] = deconvolveCa(y, 'foopsi', 'ar1', 'smin', -1, ...'optimize_pars', true, 'optimize_b', true);
这里主要注意两个参数：
1、Method: {'foopsi', 'constrained_foopsi' (default), 'thresholded'}
2、'smin': constrain the spike size to be n* noise levels.
在代码示例里，我设置例如 smin为-1，如果调整到 -3。对 spike size 的要求就更高，可以减少 false positive，但也可能会丢失一些 spike：
所以 Method 和 smin，需要根据自己的数据，多尝试几个参数，找到最优的参数做最终的 Deconvolution。
往期回顾
