于佳宁课题组在 Cell Patterns 发表题为“Density-based longitudinal neuron tracking in high-density electrophysiological recordings”研究论文，提出神经元跨天追踪方法 DANT，用来回答相隔数日甚至数周后，如何从成千上万个记录信号中，辨认出同一个神经元跨天留下的信号？

于佳宁课题组提出 DANT，为长期高密度电生理记录提供神经元跨天追踪的新方法

2026 年 6 月 17 日，北京大学生命科学学院，IDG麦戈文脑科学研究所于佳宁课题组在 Cell Press 旗下期刊《 Patterns》发表研究论文，提出神经元跨天追踪方法 DANT（Density-based Across-day Neuron Tracking）。这项工作提出了一套新的计算框架，用来回答一个看似简单、却长期困扰电生理研究的问题：相隔数日甚至数周后，如何从成千上万个记录信号中，辨认出同一个神经元跨天留下的信号？

DANT 的整体思路：在长期记录中，探针与脑组织的相对位置会发生变化；通过跨天聚类寻找候选记录组，再据此校正位移和波形，并在反复迭代中逐渐稳定追踪结果。

大脑中的神经元通过短暂的动作电位传递信息。将微电极置于脑内，就可以捕捉这些信号，这类直接测量神经电活动的方法，统称为电生理记录。电生理记录能够以毫秒级的时间精度，揭示感觉、动作和决策发生时神经元的活动变化。近年来，高密度电极探针 Neuropixels 进一步拓宽了这一观察范围：一根细小的探针上排列着数百个、彼此相隔大约20微米的记录位点，可以同时捕捉数百个神经元的电活动。

什么是一次“神经元记录”？

一个神经元产生的电脉冲会被附近多个记录位点接收，形成具有特定形状和空间分布的电信号。经过数据处理，一次实验中分离出的一组脉冲信号构成一个记录单元（unit），通常被视为来自一个神经元。慢性记录实验中，电极位置往往固定，到了另一天，同一个神经元可能会再次被记录到，并留下一个新的记录单元。跨天追踪要判断的，正是不同日期的记录单元中，哪些可能来自同一个神经元。

通常，一次急性电生理实验只能持续 1 到数小时；而无论是经典条件反射、运动技能学习、习惯形成，还是疾病发展与损伤后的功能恢复，往往都需要数天、数周甚至更久。如何研究学习或者经历对神经元编码的影响？一种广泛适用的方法是，在不同的学习期间收集电生理信号，从而在不同阶段的群体水平研究神经元变化的规律。但是，若只比较每天记录到的神经元群体，就无法区分：究竟是同一批神经元改变了活动，还是不同日期记录到了不同的细胞？相比之下，纵向研究（longitudinal studies）是指在较长时间尺度上，反复观察同一对象或同一系统的变化。要纵向研究单个神经元如何随时间变化，慢性记录(chronic recordings)提供了实验基础，而神经元跨天追踪要解决的，是如何确认不同记录日中的哪些记录单元来自同一个神经元。

单神经元的慢性记录始于上世纪70年代1，后来随着多电极阵列（如微丝电极阵列，四电极阵列，犹他电极阵列等）的普及和发展，变得更加普遍2。有多个研究组在使用慢性记录的过程中，发现同一个神经元可以被多日记录，有些与行为和视觉刺激相关的神经活动，也表现出跨天稳定的性质3。这些工作表明，植入物可以在脑中长期记录同一个神经元的活动，如何延长植入物的寿命，并有效地辨别同一个神经元，就成了实验上和算法上都需要解决的问题。

每个神经元产生的电脉冲，会在探针的多个记录位点上留下不同形状的信号。这些信号共同构成了类似“指纹”的波形特征，这是判断神经元身份的最重要线索。早期慢性电生理记录的通道数通常较少，每天记录到的神经元也多为几十个以内。在这种数据规模下，研究者可以把不同日期记录到的神经元波形和放电特征并列展示，再根据经验人工判断哪些神经元可能是“同一个”。也有一些方法会进一步设定匹配阈值，例如根据神经元之间的特征相似性，把所有配对看作由“同一神经元”和“不同神经元”两类组成，再用 EM 算法估计两类之间的分界。由于需要处理的神经元数量有限，这类方法虽然耗时，但仍然可行。

然而，波形并不是永远不变的。慢性记录期间，探针与脑组织之间会发生微小的相对移动。同一个神经元与各记录位点的距离随之改变，留下的波形也会随之变化。对于早期通道数较少、记录位点分布不够密集的电极来说，一旦电极与神经元之间发生相对位移，可用于判断神经元身份的空间信息就十分有限，因而很难完全确定跨天记录到的是否仍是同一个神经元。这也使得跨天身份判断长期存在不确定性。随着高密度硅电极被用于慢性记录，研究者可以从更密集的记录位点中观察单个神经元波形的空间分布，为跨天追踪提供更强的证据。在一些脑区中，研究者发现，即使外界刺激或行为条件保持相对稳定，神经元对信息的表征仍可能随时间发生变化4。

高密度慢性硅电极记录，例如 Neuropixels 记录，还带来了另一个实际问题：如果动物每天都参与实验，相邻记录日之间往往会有一部分神经元被重复记录到。若无法可靠地区分哪些记录单元跨天来自同一个神经元，哪些只是某一天新出现的单元，就很难将多天数据合并起来进行分析。正因为如此，一些长期记录研究在分析时会选择每只动物的某一天数据，以避免跨天重复采样或身份不确定性带来的影响5。

探针与脑组织发生相对移动后，同一个神经元的信号会分布到不同记录位点上。估计并校正探针位移，相当于统一不同记录日的观察坐标，使波形重新具有可比性。

研究团队在慢性 Neuropixels 记录数据中，尝试手工比较不同日期记录单元的波形和放电特征，逐一寻找可能的跨天配对。但很快发现，不同神经元之间并不存在一条普遍适用的判断界线：同一套标准用于整批数据时，一部分真实匹配会被漏掉，而另一些记录单元又可能同时对应多个候选。随着这些不确定判断从相邻两天延伸到数十个记录日，漏配和多配不断累积，很难形成可靠的长期追踪结果。更困难的是，由于电极在脑内的微小移动，同一个神经元在不同日期的信号可能变得不再相像，而两个不同的神经元却可能看起来十分相似。

为了跳出逐一配对的困境，研究团队计算了多天记录中所有记录单元两两之间的特征相似度，并由此构建出一个大型相似度矩阵。突破口来自对这个矩阵的一次审视：当用层次聚类按照相似程度重新排列所有记录单元后，原本看似杂乱无章的矩阵中逐渐显现出一块块清晰结构。那些可能来自同一个神经元的记录单元，会彼此靠近，并自然聚成一个组。

将不同日期记录单元之间的相似关系转化为距离，并重新排序后，原本分散的两两关系逐渐呈现出沿对角线分布的成块结构；白色虚线框内，可以看到一组组彼此接近的记录单元。

也就是说，跨天追踪不必再被拆成无数次彼此独立的两两配对；更合适的做法，是直接寻找同一个神经元在多个记录日留下的完整记录组。将问题重新表述为一个聚类问题后，原本棘手的多日匹配有了新的解法。聚类的直觉很简单：如果一些记录单元在多个特征上彼此接近，它们就会在特征空间中形成一个相对密集的区域；而孤立的、不稳定的记录单元则不会清楚地归入任何一组。研究团队选择了密度聚类方法 HDBSCAN。它不需要像k-means那样事先规定数据应当分成多少组，还能识别形状不规则、密度不均一的聚类，并允许一部分记录单元暂时不被归类6。

HDBSCAN 可以找到不同形状和聚集密度的聚类。图片来源：McInnes et al, (2017), Journal of Open Source Software, 2(11), 205, doi:10.21105/joss.00205

DANT 在判断相似程度时，会综合比较波形和放电时序等特征。神经元活动与事件、动作、刺激信号、或奖励等行为事件的关联，则完全不参与追踪过程，而被留作检验匹配结果的独立线索。

数据中还藏着另一条线索。比较不同日期的记录时，研究团队注意到，许多神经元的记录位置并非各自随意变化，而是常常一起向相近的方向偏移。这更像是探针与脑组织的相对位置发生了改变，而不是神经元各自移动。这也符合硅电极移动时候，神经元波形在不同记录位点上的空间分布会发生系统性变化这一规律7。

事实上，尖峰排序（spike sorting）软件 Kilosort8在处理单日记录时，往往也会估计并校正探针的移动，再通过模式匹配的方法找到属于同一个神经元的波形。借用这一思路，团队先根据初步聚类结果推测探针跨天移动了多少，再将不同日期的波形重新对齐。校正之后，同一个神经元跨天留下的信号变得更加相似，原本模糊的聚类结构也随之清晰起来。更准确的位移估计改善了波形之间的可比性，校正后的波形又反过来帮助下一轮聚类。聚类、位移估计与波形重映射彼此促进，在一次次迭代中逐渐稳定追踪结果，共同构成了 DANT 的核心框架。

每种颜色代表聚类得到的一组候选记录。初步聚类后，可以比较已匹配与未匹配记录之间的差异，据此调整不同特征在下一轮比较中的权重。

衡量跨天追踪方法的一个棘手难题是，目前缺乏真实标注数据（ground truth data）。既然缺少标准答案，又怎样知道这种方法没有把不同的神经元错归到一起？

一部分证据来自研究团队不同课题所产生的自由活动大鼠的长期记录。这些数据主要采集于运动系统相关脑区——如运动皮层和背外侧纹状体。在这类脑区中，当运动输出保持稳定时，神经元活动与运动行为或者奖励之间的关系（如 PETH）也通常相对稳定9。由于 DANT 在追踪过程中并未使用 PETH 信息，因此不同日期之间 PETH 的一致性恰好可以作为一项独立验证指标。

左图显示了百余个在超过两周时间内被持续追踪到的神经元；它们的放电模式在不同记录日之间保持稳定（注：放电单元的排列顺序一致）。右图展示其中一个神经元（左图中以红色标记）的放电活动，显示其与抬手行为相关的放电模式在跨天记录中保持稳定。

研究团队将 DANT 与现有跨天追踪方法 UnitMatch 和 EMD 进行了比较10。检验结果显示，与已有方法相比，DANT 找到了更多跨天匹配，也让单个神经元能够被追踪到更多记录日，从而延长了可观察其活动变化的时间轴。对于不同日期中未被匹配为同一神经元的记录单元对，它们之间的 PETH 相似度理论上应接近随机水平，并近似服从以 0 为中心的正态分布。如果一些相距较近的记录单元具有很高的 PETH 相似度，却没有被算法归为同一神经元，它们很可能是被遗漏的真实匹配，即潜在的假阴性。与另外两种方法相比，DANT 将这类潜在假阴性的比例降低了约一半。因此，DANT 有效地减少了遗漏真实匹配的情况。另外，通过构建不可能来自同一神经元的“人工数据集”，研究团队还检验了不同匹配方法可能产生的假阳性。发现 DANT 在提高匹配数量的同时，并未增加错误匹配率。

此外，公开的小鼠视觉皮层长期记录数据也被纳入检验。因此，DANT 在来自不同物种、脑区和实验任务的数据中均能完成追踪，显示出适用于不同数据集的潜力。

研究团队从多个角度比较了 DANT 与已有方法。结果显示，DANT 能够追踪更多记录日，在增加匹配数量的同时保持较高的精确率，也识别出了更多其他方法未能发现的跨天匹配。

需要强调的是，这套方法并不会消除长期电生理记录中的所有不确定性。而且，追踪能否奏效，在一定程度上取决于探针位移能否被准确估计，这与数据本身的质量密切相关。如果被植入的脑区发生病变和严重的炎症反应，探针发生剧烈或复杂的移动、神经元特征变化过大、或者可用于估计整体位移的神经元数量不足，结果的可靠性都可能下降，追踪也变得不可能。论文在讨论的部分，对实验因素可能产生的影响进行了讨论。

为神经元确认跨天身份，等于打开了一条属于单个神经元的时间轴。从数天到数周乃至更久，研究者得以沿着这条时间轴追问：当外界条件保持不变时，神经活动的表征是否仍在漂移？在学习过程中，神经活动如何被重新塑造？疾病如何打破原有的神经表征，而康复又如何逐步建立新的状态？DANT 与 Neuropixels 慢性记录的结合，有望让这些问题在单神经元和神经元群体两个层面同时展开，并帮助研究者在机制层面理解大脑如何随经验和损伤而重塑。

我们想知道的不只是大脑在某一天做了什么，而是同一个神经元、同一个神经元群体，在学习过程中经历了怎样的变化。

— 于佳宁，北京大学生命科学学院/IDG麦戈文脑科学研究所研究员

论文信息

题目：Density-based longitudinal neuron tracking in high-density electrophysiological recordings

期刊：Patterns（Cell Press）

在线发表：2026 年 6 月 17 日

作者：黄越、王含泊、曹嘉明、陈雨、王宣宁、赵玉洁、任恒坤、郑强、于佳宁

文章链接： https://doi.org/10.1016/j.patter.2026.101590

代码： https://github.com/jiumao/DANT； https://github.com/jiumao/pyDANT

致谢：DANT 框架设计和代码开发主要由北京大学生命科学学院博士生黄越完成。王含泊、曹嘉明、陈雨、王宣宁、赵玉洁、任恒坤、郑强参与数据收集、处理与整理，并参与相关讨论与反馈。于佳宁为论文通讯作者。本研究受到国家自然科学基金面上项目、膜生物学全国重点实验室、北大-清华生命科学联合中心等资助。

脚注：

Schmidt, E. M., Bak, M. J., & McIntosh, J. S. (1976). Long-term chronic recording from cortical neurons. Experimental Neurology, 52(3), 496–506. https://doi.org/10.1016/0014-4886(76)90220-X

Nicolelis, M. A. L. (Ed.). (2008). Methods for neural ensemble recordings (2nd ed). CRC Press.

关于慢性电生理记录中跨天记录同一神经元及其功能稳定性的早期研究，可参见以下工作：

Fraser, G. W., & Schwartz, A. B. (2012). Recording from the same neurons chronically in motor cortex. Journal of Neurophysiology, 107(7), 1970–1978. https://doi.org/10.1152/jn.01012.2010

Dickey, A. S., Suminski, A., Amit, Y., & Hatsopoulos, N. G. (2009). Single-unit stability using chronically implanted multielectrode arrays. Journal of Neurophysiology, 102(2), 1331–1339. https://doi.org/10.1152/jn.90920.2008

Jackson, A., & Fetz, E. E. (2007). Compact movable microwire array for long-term chronic unit recording in cerebral cortex of primates. Journal of Neurophysiology, 98(5), 3109–3118. https://doi.org/10.1152/jn.00569.2007

Tolias, A. S., Ecker, A. S., Siapas, A. G., Hoenselaar, A., Keliris, G. A., & Logothetis, N. K. (2007). Recording chronically from the same neurons in awake, behaving primates. Journal of Neurophysiology, 98(6), 3780–3790. https://doi.org/10.1152/jn.00260.2007

Greenberg, P. A., & Wilson, F. A. W. (2004). Functional stability of dorsolateral prefrontal neurons. Journal of Neurophysiology, 92(2), 1042–1055. https://doi.org/10.1152/jn.00062.2004

McMahon, D. B. T., Bondar, I. V., Afuwape, O. A. T., Ide, D. C., & Leopold, D. A. (2014). One month in the life of a neuron: Longitudinal single-unit electrophysiology in the monkey visual system. Journal of Neurophysiology, 112(7), 1748–1762. https://doi.org/10.1152/jn.00052.2014

Schoonover, C. E., Ohashi, S. N., Axel, R., & Fink, A. J. P. (2021). Representational drift in primary olfactory cortex. Nature, 594(7864), 541–546. https://doi.org/10.1038/s41586-021-03628-7

Böhm, C., & Lee, A. K. (2020). Canonical goal-selective representations are absent from prefrontal cortex in a spatial working memory task requiring behavioral flexibility. eLife, 9, e63035. https://doi.org/10.7554/eLife.63035

HDBSCAN 是一种层级密度聚类算法，可视为 DBSCAN 密度聚类思想的扩展。它在不同密度阈值下构建聚类层级，并根据聚类稳定性选择最终结果，因此适合处理形状不规则、密度不均一且含有噪声点的数据。该算法由 Campello、Moulavi 和 Sander 等人提出，后来由 McInnes、Healy 和 Astels 实现为常用的开源 Python 软件包 hdbscan。

McInnes, L., Healy, J., & Astels, S. (2017). hdbscan: Hierarchical density based clustering. Journal of Open Source Software, 2(11), 205. https://doi.org/10.21105/joss.00205

Campello, R. J. G. B., Moulavi, D., & Sander, J. (2013). Density-Based Clustering Based on Hierarchical Density Estimates. In Advances in Knowledge Discovery and Data Mining (Vol. 7819, pp. 160–172). Springer. https://doi.org/10.1007/978-3-642-37456-2_14

Blanche, T. J., Spacek, M. A., Hetke, J. F., & Swindale, N. V. (2005). Polytrodes: High-Density Silicon Electrode Arrays for Large-Scale Multiunit Recording. Journal of Neurophysiology, 93(5), 2987–3000. https://doi.org/10.1152/jn.01023.2004

电极记录到的原始信号往往混合了许多神经元的活动。Kilosort 是一种常用的数据处理工具，可以从这些混合信号中通过模式匹配的方法区分不同神经元产生的电脉冲，并校正记录期间探针相对脑组织的移动。参见论文： Pachitariu, M., Sridhar, S., Pennington, J., & Stringer, C. (2024). Spike sorting with Kilosort4. Nature Methods, 21(5), 914–921. https://doi.org/10.1038/s41592-024-02232-7

Jensen, K. T., Kadmon Harpaz, N., Dhawale, A. K., Wolff, S. B. E., & Ölveczky, B. P. (2022). Long-term stability of single neuron activity in the motor system. Nature Neuroscience, 25(12), 1664–1674. https://doi.org/10.1038/s41593-022-01194-3

本文比较的已有跨天追踪方法包括 UnitMatch 和基于 Earth Mover’s Distance（EMD）的方法，分别参见：

van Beest, E. H., Bimbard, C., Fabre, J. M. J., Dodgson, S. W., Takács, F., Coen, P., Lebedeva, A., Harris, K. D., & Carandini, M. (2024). Tracking neurons across days with high-density probes. Nature Methods, 21, 1733–1741. https://doi.org/10.1038/s41592-024-02440-1

Yuan, A. X., Colonell, J., Lebedeva, A., Okun, M., Charles, A. S., & Harris, T. D. (2024). Multi-day neuron tracking in high-density electrophysiology recordings using earth mover’s distance. eLife, 12, RP92495. https://doi.org/10.7554/eLife.92495