Beyindeki tek tek nöronların elektriksel etkinliğini anlamanın en güçlü yollarından biri, hücrelerin dışına yerleştirilen elektrotlarla aksiyon potansiyellerini kaydetmektir. Bu ekstrasellüler kayıtlar, bugün aynı anda yüzlerce hatta binlerce nöronun ateşleme zamanlarını izlemeyi mümkün kılıyor. Ancak kaydın alınması yalnız başlangıçtır. Ham elektrik sinyalinden güvenilir spike'ların çıkarılması, nöronların birbirinden ayrılması, kayıt kalitesinin kontrol edilmesi, raster ve PSTH grafiklerinin oluşturulması, yanıt zamanlarının ölçülmesi ve çok sayıda nöronun ortak dinamiğinin analiz edilmesi gerekir.

Maik C. Stüttgen tarafından geliştirilen MLIB, bu analizlerin önemli bölümünü MATLAB ortamında mümkün olduğunca düşük programlama eşiğiyle gerçekleştirmek üzere tasarlanmış açık kaynaklı bir araç kutusudur. Fonksiyonlar vektör veya matris biçimindeki spike zaman damgaları, deneysel olay zamanları, dalga biçimleri veya LFP sinyalleri üzerinde doğrudan çalışır ve çoğu analiz tek bir MATLAB komutuyla çağrılabilir.

MLIB; spike sorting sonucunun kalite kontrolünden raster plot ve peri-stimulus time histogramına, spike-density function hesaplamasından yanıt gecikmesine, ROC ve mutual information analizlerinden zaman çözümlü çoklu regresyona, nöronal popülasyonların principal component analysis ile düşük boyutlu yörüngelere dönüştürülmesine kadar geniş bir iş akışı sunmaktadır. Araç kutusunda ayrıca local field potential verileri için evoked potential, spektral analiz ve current-source density işlevleri bulunmaktadır.

Makalenin amacı yeni bir spike-sorting algoritmasının diğer yöntemlerden daha doğru olduğunu göstermek değildir. MLIB spike sorting işlemini kendisi gerçekleştirmez. Bunun yerine mevcut spike-sorting yazılımlarından çıkan waveform ve spike timestamp verilerini incelemek, kalite kontrol etmek, görselleştirmek ve fizyolojik sorulara dönük analizlere taşımak için modüler bir MATLAB katmanı sağlar.

Ekstrasellüler spike kaydı neyi ölçüyor?

Bir nöron aksiyon potansiyeli ürettiğinde hücre zarındaki hızlı iyon akımları çevredeki elektrik alanı değiştirir. Nöronun dışına yerleştirilen bir mikroelektrot bu değişimi kısa süreli bir gerilim dalga biçimi olarak algılayabilir. Tek bir kayıtta zaman içinde binlerce bu tür olay bulunabilir.

Bir deneyci için temel veri genellikle iki düzeyde ortaya çıkar:

• Waveform örnekleri: Her tespit edilen spike'ın zamana karşı gerilim biçimi.
• Spike timestamp'leri: Spike'ın meydana geldiği zaman noktaları.

Bunlara deneydeki uyaranların, hareketlerin, ödüllerin veya davranışsal olayların zaman damgaları eklendiğinde, nöron aktivitesinin deneysel değişkenlerle nasıl ilişkili olduğu incelenebilir.

MLIB Nörofizyoloji Analizinde Hangi Sorunu Çözüyor?

MLIB, ham veya önceden spike-sort edilmiş elektrofizyoloji verilerinden standart analizleri üretmek için her laboratuvarın tekrar tekrar özel MATLAB kodu yazması gereksinimini azaltmayı ve özellikle programlama deneyimi sınırlı araştırmacılara tek-komutlu, modüler ve belgelenmiş analiz fonksiyonları sunmayı amaçlıyor.

Tek bir dev program yerine modüler işlevler

MLIB'in tasarım mantığı bir grafik kullanıcı arayüzünde bütün işlemleri saklamak yerine, her analizi ayrı bir fonksiyon halinde tutmaktır. Kullanıcı MATLAB Command Window içinden fonksiyonu çağırabilir; isteğe bağlı argümanlarla davranışı değiştirebilir ve sonuçları daha büyük analiz scriptlerine aktarabilir.

Kaynağın Şekil 1'inde önerilen genel akış şu şekilde ilerler:

1. Waveform detection ve unit extraction.
2. Harici bir yöntemle spike sorting.
3. `mcheck` ve `mcc` ile sorting kalitesinin incelenmesi.
4. `mpsth`, `msdf` ve `mwave` ile yanıtların görselleştirilmesi ve waveform karakterizasyonu.
5. `mcvar` ve `mlat` ile temel ateşleme özelliklerinin ölçülmesi.
6. `mmi`, `mroc`, `mnspx`, `mvecstrength`, `mmultregress`, `mtune`, `mwa` ve `mwa2` gibi fonksiyonlarla kodlama özelliklerinin analizi.
7. Birden fazla nöron için `mcluster` ve `mdimreduct` ile popülasyon düzeyi analiz.

MLIB'deki fonksiyonlar hangi gruplara ayrılıyor?

Spike Sorting Kalitesi MLIB ile Nasıl Kontrol Ediliyor?

MLIB spike sorting işlemini gerçekleştirmiyor; bunun yerine sorting sonrası waveform kümelerinin gerçekten ayrı ve kararlı tek nöronları temsil edip etmediğini waveform dağılımı, refractory-period ihlalleri, kayıt kararlılığı, principal-component ayrışması ve çeşitli cluster-quality ölçütleriyle incelemeye yardımcı oluyor.

mcheck: tek bir birimin kalite kontrolü

Kaynağın Şekil 2A–I panelleri, güvercin nidopallium caudolaterale bölgesinden kaydedilmiş seyrek ateşleyen bir nörona ait 853 waveform üzerinden `mcheck` ve `mwave` çıktılarının örneğini gösterir.

Fonksiyon yalnız ortalama spike biçimine bakmaz. Aynı waveform'ların zaman–gerilim heat map'ini, tepe ve taban amplitüd dağılımlarını, inter-spike interval histogramını, kayıt boyunca spike sayısını ve amplitude kararlılığını birlikte inceleyebilir.

Örnek birimde algılama eşiği nedeniyle kaçırıldığı tahmin edilen spike oranı yaklaşık

\[ 2\% \]

olarak hesaplanmıştır.

Ayrıca aksiyon potansiyelinin fizyolojik refractory period'u dikkate alınır. Kaynak, yaklaşık 3–4 ms'den kısa ISI'lerin aynı sağlıklı tek nörondan art arda spike gelmesiyle uyumsuz olabileceğini belirtir. Gösterilen örnekte bu kriteri ihlal eden spike oranı

\[ <0.5\% \]

düzeyindedir.

`mcheck`, SNR, ateşleme oranının variation coefficient'i ve amplitude variation coefficient'i gibi sayısal göstergeler de üretir. Kaynak ayrıca özelleştirilebilir trafik-ışığı benzeri kalite önerileri sunulduğunu göstermektedir.

mwave: spike'ın geometrisini ölçmek

`mwave`, ortalama spike waveform'undan çeşitli geometrik özellikler çıkarır. Bunlar arasında:

• full width at half maximum,
• full width at half minimum,
• peak-to-trough duration,
• peak-to-trough amplitude,
• peak-to-trough ratio

bulunur.

Bu tür waveform ölçümleri, uygun biyolojik ve deneysel bağlamla birlikte kullanıldığında kaydedilen nöronların olası hücre tipleri konusunda yardımcı özellikler sağlayabilir. Ancak waveform biçimi tek başına kesin hücre-tip kimliği olarak yorumlanmamalıdır.

mcc: iki cluster gerçekten ayrılıyor mu?

`mcc`, birden fazla spike cluster'ının birbirinden ne kadar iyi ayrıldığını değerlendirir. Kaynağın Şekil 2J–M örneğinde iki waveform grubu principal component analysis'e tabi tutulmuştur.

İlk üç principal component, waveform varyansının

\[ 44.8\% \]

kadarını açıklamaktadır.

Fonksiyon waveform'ların kendi cluster merkezlerine ve diğer cluster merkezine uzaklıklarını karşılaştırır. Ayrıca ROC tabanlı \(A'\) ölçütü, J3, PseudoF, Davies–Bouldin tipi indeks, \(L_{\mathrm{ratio}}\) ve isolation distance gibi kalite metrikleri sunar.

Kaynakta

\[ A'>0.98 \]

mükemmel düzeye yakın ayrışmanın göstergesi olarak değerlendirilirken

\[ A'<0.8 \]

çok zayıf cluster ayrışmasına işaret eder. Gösterilen örnekte \(A'=0.99\)'dur.

PSTH, Raster Plot ve Spike-Density Function Birlikte Ne Gösteriyor?

Raster plot her deney tekrarındaki spike zamanlarını tek tek korurken PSTH bunları zaman kutularında toplayarak ortalama ateşleme hızını gösterir; spike-density function ise PSTH'yi seçilen bir kernel ile yumuşatarak nöronal yanıtın zamansal profilinin ve latency'sinin daha okunabilir biçimde tahmin edilmesini sağlar.

mpsth ve msdf

Kaynağın Şekil 3A'sında sıçan işitsel korteksinden tek bir nöronun uyaran çevresindeki aktivitesi gösterilmektedir. Üst bölüm raster plot, alt bölüm PSTH'dir.

`msdf` fonksiyonu PSTH'yi bir convolution kernel'iyle filtreleyerek spike-density function üretir. Gösterilen örnekte exponentially modified Gaussian kernel kullanılmıştır ve parametreler

\[ SD=1\text{ ms},\qquad \tau=5\text{ ms} \]

olarak verilmiştir.

Fonksiyon ayrıca boxcar, Gaussian ve simple exponential kernel seçenekleri de sunmaktadır.

mlat ile yanıt gecikmesi

Nöronun bir uyaran başladıktan sonra ne kadar sürede güvenilir biçimde tepki verdiği özellikle duyusal nörofizyolojide önemli bir ölçüdür. `mlat` bu amaçla beş farklı latency ölçüsü sunmaktadır. Makaledeki örnekte bunlardan üçü SDF'nin üzerine işaretlenmiştir.

Zaman penceresi yanlış seçilirse bilgi kaybolabilir

`mwa`, spike sayılarının bir referans zaman aralığına göre ne kadar değiştiğini sliding-window AUROC analiziyle ölçer. Şekil 3B'de analiz penceresinin uzunluğu 5–100 ms arasında değiştirilmiş ve pencereler 10 ms'lik adımlarla uyaran başlangıcının çevresinde kaydırılmıştır.

Örnekte en güçlü ateşleme değişimi uyaran başlangıcından yaklaşık

\[ 20-30\text{ ms} \]

sonra ortaya çıkmaktadır.

AUROC'u en fazla yapan pencere yaklaşık 50 ms uzunluğunda ve +20 ms çevresinde merkezlenmiştir:

\[ AUROC=0.77. \]

Bu örnek önemli bir analiz ilkesini gösterir: spike sayısını hangi zaman penceresinde ölçtüğümüz, nöronal bilginin görünür olup olmamasını doğrudan etkileyebilir.

Mutual information alternatifi

ROC tabanlı ayırt ediciliğin yanında `mmi`, iki koşuldaki spike sayılarının taşıdığı mutual information miktarını hesaplamak için kullanılabilir.

MLIB ayrıca `mmi_psych` adlı yardımcı fonksiyonla hit rate ve false-alarm rate gibi davranışsal başarı ölçülerini bit cinsine dönüştürerek nöronal ve davranışsal bilgi ölçülerinin karşılaştırılmasına yardımcı olur.

Zaman çözümlü çoklu regresyon

Nöron aktivitesini tek bir deney değişkeni etkilemeyebilir. Aynı spike train; uyaranın türü, hayvanın yaptığı seçim, alınan ödül ve başka davranışsal değişkenlerle eşzamanlı olarak ilişkili olabilir.

`mmultregress`, spike sayılarını zaman boyunca kayan pencerelerde bir generalized linear model'e sokarak bu katkıları ayırmayı amaçlar.

Makalede sıçan dorsomedial frontal cortex kaydından bir örnek kullanılır. Hayvanlar iki farklı 100-ms işitsel uyaranı ayırt ederek sağ veya sol seçim yapmaktadır ve yaklaşık

\[ 80\% \]

doğru performans göstermektedir.

Regresyon değişkenleri:

• stimulus identity,
• choice response,
• reward

olarak seçilmiştir.

25, 100 ve 250 ms genişliğindeki zaman pencereleri karşılaştırıldığında örnek nöronun özellikle hayvanın seçim yanıtıyla ilişkili olduğu ve bu ilişkinin yaklaşık uyaran başlangıcından 250 ms sonra belirginleştiği görülmektedir.

Daha uzun analiz pencereleri daha az gürültülü ve daha yüksek regresyon katsayıları üretirken bunun bedeli temporal resolution kaybıdır.

Çalışmanın Yöntemi ve Bulguları

Yazılım nasıl geliştirildi ve test edildi?

MLIB fonksiyonları yaklaşık on yıllık bir dönem boyunca geliştirilmiştir. Makalede yazılımın MATLAB R2023b kullanılarak Windows 11 çalıştıran standart bir masaüstü bilgisayarda test edildiği belirtilmektedir.

Temel MATLAB kurulumunun yanında bazı fonksiyonlar Statistics and Machine Learning Toolbox gerektirir. `mtune` için Curve Fitting Toolbox ve Signal Processing Toolbox da gereklidir.

Kurulum için geleneksel paket yöneticisi veya installer gerekmez. Kullanıcı fonksiyonları ve örnek veri dosyalarını bir klasöre kopyalar ve klasörü MATLAB path'ine ekler.

Her fonksiyonun giriş parametreleri kendi documentation header'ında açıklanmaktadır. Ayrıca `MLIB_Function_Reference.m` adlı örnek script, fonksiyonların çeşitli kullanım biçimlerini göstermektedir. Yazar, makaledeki sonuç şekillerinin bu referans script kullanılarak yeniden üretilebildiğini belirtmektedir.

300 Nöronluk Aktivite Birkaç Boyuta Nasıl İndirgeniyor?

`mdimreduct`, aynı koşullarda kaydedilen çok sayıdaki nöronun zamanla değişen ateşleme oranlarını principal component analysis kullanarak birkaç ortak boyuta indirger; böylece yüzlerce nöronluk popülasyon aktivitesi iki veya üç boyutlu bir yörünge olarak görselleştirilebilir.

300 boyuttan birkaç principal component'e

Makalede kullanılan örnekte sıçan medial frontal cortex bölgesinden

\[ N=300 \]

nöronun aktivitesi analiz edilmiştir.

Her nöron için ateşleme oranları 100-ms analiz pencerelerinde hesaplanmış, z-score'a dönüştürülmüş ve uyaran başlangıcına göre

\[ -400\text{ ms}\rightarrow +400\text{ ms} \]

aralığında hizalanmıştır.

300 boyutlu aktivite matrisine PCA uygulandığında ilk beş principal component'in toplam varyansın yaklaşık

\[ 78\% \]

kadarını açıkladığı raporlanmıştır.

Bu örnekte yüzlerce ayrı nöronal zaman serisinin önemli bölümü birkaç ortak dinamik eksen üzerinden temsil edilebilmektedir.

Popülasyon yörüngesi ne anlatıyor?

İlk üç principal component kullanılarak zamanın ilerleyişi üç boyutlu uzayda bir yörünge olarak çizilebilir.

İki farklı işitsel uyaran birlikte analiz edildiğinde, uyaran başlamadan önce iki koşulun popülasyon yörüngeleri neredeyse aynıdır. Uyaran başladıktan kısa süre sonra ise yörüngeler birbirinden ayrılmaya başlar.

Kaynak bu ayrışmanın hayvan seçim portuna hareket etmeden ve hatta uyaran tamamlanmadan önce başladığını; dolayısıyla bu örnek dMFC popülasyonunun karar süreci ve/veya yanıt planlamasına erken katılımıyla uyumlu olduğunu belirtmektedir.

Bu sonuç MLIB'in keşfettiği yeni bir genel nörofizyoloji yasası değildir. Makale, daha önce elde edilmiş gerçek bir veri kümesini `mdimreduct` fonksiyonunun ne yapabildiğini göstermek amacıyla kullanmaktadır.

LFP analizi de araç kutusuna dahil

MLIB'in büyük bölümü spike train analizine ayrılmış olsa da üç fonksiyon local field potential verileri için tasarlanmıştır:

• `mcsd`: current-source density analizi,
• `mep`: evoked potential ve belirsizlik ölçümleri,
• `mspectan`: LFP spektral analizi.

Current-source density örneği

Makalenin Şekil 5'inde anestezi altındaki bir farenin barrel cortex bölgesine yerleştirilmiş doğrusal elektrot dizisinin kayıtları kullanılmaktadır.

Dizi

\[ 20 \]

elektrot kontaktından oluşmaktadır ve kontaktlar arası mesafe

\[ 50\,\mu\mathrm{m} \]

olarak belirtilmiştir.

Ana metinde LFP'lerin 20 deneme üzerinde ortalandığı yazarken Şekil 5 açıklaması 10 stimulus repetition belirtmektedir. Kaynak içindeki bu fark nedeniyle kesin tekrar sayısı burada tek bir değere indirgenmemektedir.

Whisker uyarısından sonra en güçlü LFP cevabının üstten beşinci elektrotta görüldüğü belirtilir. LFP'nin ikinci uzaysal türevi hesaplanarak raw current-source density elde edilir; ardından CSD 10 kat uzaysal interpolation ve smoothing işleminden geçirilir.

En erken current sink'in konumu, kortikal layer IV'ün yaklaşık yerini belirlemede kullanılabilir ve böylece lineer prob üzerindeki diğer elektrotların kortikal katmanlarla eşleştirilmesine yardımcı olur.

MLIB'in güçlü yönleri

• Spike analizi için başlangıçtan popülasyon analizine uzanan bütünleşik bir iş akışı sunar.
• Fonksiyonlar basit vektör ve matris girişleriyle çağrılabilir.
• Yeni kullanıcıların programlama yükünü azaltmayı hedefler.
• Birçok fonksiyon isteğe bağlı olarak hazır biçimlendirilmiş grafik üretebilir.
• Gerçek sıçan, fare ve güvercin verileriyle kapsamlı kullanım örnekleri verilir.
• Kalite kontrolünden ROC, mutual information, GLM ve PCA gibi daha ileri yöntemlere geçiş aynı araç kutusunda yapılabilir.
• Makale şekillerinin referans script ile yeniden üretilebilmesi reproducibility açısından güçlü bir özelliktir.

MLIB'in sınırlılıkları

• MATLAB tescilli bir yazılımdır ve lisans gerektirir.
• Bazı MLIB fonksiyonları ücretli MATLAB toolbox'larına bağımlıdır.
• MLIB spike sorting yapmaz; sorting için ayrı bir yazılım gerekir.
• `mcheck` ve `mcc` gibi fonksiyonlar büyük ölçüde tek kanal veya manuel birim incelemesine odaklandığı için çok büyük Neuropixels veri kümelerinde her birimin tek tek kontrolü zahmetli olabilir.
• Kaynak, MLIB'i alternatif toolboxes karşısında sistematik hız veya doğruluk benchmark'ına tabi tutmamıştır.
• Laboratuvarda 700 birime kadar veriyle sorunsuz kullanıldığı ifadesi sistematik ölçeklenebilirlik testi olarak değerlendirilmemelidir.
• Toolbox bütün olası modern popülasyon analizlerini kapsama iddiasında değildir; yazar daha uzmanlaşmış büyük ölçekli analizler için ek araçlara yönlendirmektedir.

Diğer araçlardan farkı nasıl konumlandırılıyor?

Yazar MLIB'i mevcut yazılımların yerine geçen tek bir evrensel sistem olarak sunmamaktadır. Kaynakta SpikeInterface'in özellikle spike sorting'e, Chronux'un gelişmiş spectral ve coherence analizlerine, FieldTrip'in MEG/EEG/iEEG ekosistemine ve CellExplorer'ın grafik kullanıcı arayüzü üzerinden nöron karakterizasyonuna odaklandığı belirtilmektedir.

MLIB'in hedeflediği farklılık, spike-sorting sonrası sık kullanılan nörofizyolojik analizlerin önemli bölümünü basit MATLAB fonksiyonları halinde aynı modüler çalışma düzeninde bir araya getirmektir.

Çalışmanın desteklediği sonuçlar

• MLIB ekstrasellüler spike ve LFP verilerinin çok sayıda standart analizini MATLAB içinde gerçekleştirebilir.
• Spike sorting sonrası kalite kontrolü için waveform, ISI, kararlılık ve cluster-separation ölçümleri sağlar.
• Raster, PSTH, SDF ve latency analizi üretir.
• ROC, mutual information ve zaman çözümlü regresyon gibi kodlama analizlerini destekler.
• Çok-nöronlu veri kümelerinde PCA tabanlı population trajectory oluşturabilir.
• LFP için CSD, evoked potential ve spectral-analysis araçları içerir.
• Yeni MATLAB kullanıcılarının temel analizleri daha az kod yazarak gerçekleştirebilmesine yönelik tasarlanmıştır.
• Örnek script ve veri kümeleriyle makaledeki analizlerin yeniden üretilebilirliği desteklenmektedir.

Çalışmanın kanıtlamadığı sonuçlar

• MLIB'in bütün alternatif nörofizyoloji yazılımlarından daha doğru veya daha hızlı olduğu gösterilmemiştir.
• MLIB otomatik spike sorting sistemi değildir.
• Waveform özellikleri tek başına bir nöronun kesin biyolojik hücre tipini belirlemez.
• PCA ile az sayıda boyuta indirgenebilmiş bir örnek veri kümesi, bütün nöronal popülasyonların daima düşük boyutlu olduğu anlamına gelmez.
• 700 birimlik kullanım deneyimi, Neuropixels ölçeğindeki bütün veri kümelerinde garanti edilen performans değildir.
• Makaledeki sıçan, fare ve güvercin örneklerinin sonuçları yeni ve bağımsız biyolojik replikasyonlar olarak değerlendirilmemelidir; bunlar toolbox kullanımını göstermek için kullanılan daha önce elde edilmiş veri setleridir.

Kaynak ve Yöntem Notu

Tam özgün başlık:MLIB: an easy-to-use Matlab toolbox for the analysis of extracellular spike data.

Yazar: Maik C. Stüttgen.

Kurum: University Medical Center Mainz, Mainz, Germany.

Dergi:Peer Community Journal, Neuroscience.

Yayın: Volume 6 (2026), article e39.

Yayın tarihi: 23 Nisan 2026.

DOI: 10.24072/pcjournal.713.

Hakemlik: Makale hakemlidir ve PCI Neuroscience tarafından değerlendirilerek önerilmiştir. PCI öneri DOI'si 10.24072/pci.neuro.100467'dir.

Lisans: Makale Creative Commons Attribution 4.0, yani CC BY 4.0 lisansı altında yayımlanmıştır.

Çalışma türü: Açık kaynaklı MATLAB nörofizyoloji analiz araç kutusunun yöntem, kullanım ve örnek veri makalesi.

Test ortamı: MATLAB R2023b, Windows 11 çalıştıran standart masaüstü bilgisayar.

Veriler: Kullanım örnekleri daha önceki çalışmalardan alınmış sıçan, fare ve güvercin elektrofizyoloji kayıtlarının yanı sıra simüle edilmiş verileri içermektedir.

Hayvan etiği: Kaynak, kullanılan hayvan deneylerinin Alman hayvan-deneyi kuralları ve Avrupa Birliği Directive 2010/63/EU ile uyumlu yürütüldüğünü; işlemlerin North Rhine-Westphalia LANUV ve Rhineland-Palatinate LUA tarafından onaylandığını bildirir. Kaynakta Az. 8.87-50.10.37.09.277, G 19-1-094 ve G 19-1-085 izin numaraları verilmektedir.

Fonksiyon kapsamı: Ana metin 17 spike fonksiyonu ve üç LFP fonksiyonundan söz eder. Tablo 1 bunlara ek olarak davranışsal performansı bilgi cinsinden hesaplayan mmi_psych girdisini de listeler.

Ek MATLAB bağımlılıkları: Bazı fonksiyonlar Statistics and Machine Learning Toolbox gerektirir. mtune ayrıca Curve Fitting Toolbox ve Signal Processing Toolbox kullanır.

Kod, veri ve dokümantasyon: Kaynak kodu ve örnekler GitHub üzerindeki maikstue/mlib-spike-data deposunda, MATLAB Central File Exchange üzerinde ve Zenodo'da sunulmaktadır. Zenodo DOI'si 10.5281/zenodo.19455823'tür.

Finansman: Toolbox ve makalenin hazırlanması Deutsche Forschungsgemeinschaft tarafından desteklenen 179167628, 197059818, 223368015, 280347763, 424828846 ve 543128862 proje numaralı hibelerle desteklenmiştir.

Çıkar çatışması: Yazar, PCI'nin içerikle ilişkili finansal çıkar çatışması bulunmaması kuralına uyduğunu ve finansal çıkar çatışması bulunmadığını beyan etmektedir.

Kaynak tutarlılığı notu: Mouse barrel-cortex LFP/CSD örneğinin ana metni LFP'lerin 20 trial üzerinden ortalandığını, Şekil 5 açıklaması ise 10 stimulus repetition kullandığını belirtmektedir. Ham veri veya yazar açıklaması olmaksızın bu iki sayıdan biri doğru kabul edilmemiştir.

Verianla Live: Çalışma Live Figure için yüksek düzeyde uygundur. En bilimsel akış; bir spike waveform kümesinin kalite kontrolünden başlaması, refractory-period ve cluster ayrışmasının gösterilmesi, ardından aynı spike train'in raster/PSTH/SDF görünümüne dönüşmesi, kayan zaman penceresinde AUROC veya regresyon hesabı ve son aşamada çok-nöronlu aktivitenin PCA popülasyon yörüngesine indirgenmesidir. Nicel Live Figure hazırlanacaksa makaleyle birlikte sağlanan örnek veri ve reference script kullanılmalıdır.