数据是在德国波恩医学中心的癫痫学系收集的。我们研究中的所有患者均具有耐药性癫痫和侵袭性癫痫监测，目的是随后对癫痫发作的神经外科切除。总体而言，在17例癫痫患者中记录了27个课程（12名女性，5名男性； 22至60岁，平均值±S.D.，41.3±11.7岁）。将微线束植入双侧，以记录MTL中的单神经活性，并且在一部分患者中也在PC中（9例患者中有17个课程）。所有研究都符合德国波恩大学医学机构审查委员会（289/20）的批准。每个患者都提供知情的书面同意。
将患者植入Behnke Friede Depth电极（ADTECH）（扩展数据图1A，B）。这些空心的棒状电极的直径为1.25 mm，具有8个圆柱临床宏观电极（Platinum – Iridium）。最内向的两个宏观接触间隔为3毫米，而其余的触点则等距。通过每个电极，插入了一束直径为40 µm的铂 - 里中微动。每个束包含八个绝缘的高阻抗（通常为200-500kΩ）61个记录线和一条没有绝缘层的低阻抗参考线。使用具有正交导管的刚性立体定位框（Leksell，Elekta）植入电极。电极目标位置是通过临床标准确定的，在患者的目标区域内差异很小。这加上精确定位微线位置的技术局限性，使我们无法靶向特定子区域，例如，杏仁核的单个亚核或特定的海马子场。电极放置通过术中CT扫描控制，将头部固定框架共同注册以进行术前MRI计划扫描。在电极入口点处切开皮肤后，钻了一个用于锚螺栓的孔，并使用导管将锚螺栓拧入头骨。将微线束预加载到大型电极中，并通过手术室后桌子上的手术刀或外科手术剪刀进行修剪，从而使它们从临床电极的尖端突出3至5 mm。扩展数据图1C显示未切割的SEM图像和切割的微管以进行比较。制备后，将微丝束用引导杆代替用于植入。将大电极插入其目标位置后， 将导杆缩回，并仔细插入微管束，以避免扭结或弯曲62。在32,768 Hz下采样含有单神经元活性的局部田间电势，在0.1至9,000 Hz之间过滤频段，并使用PEGASUS（v.2.1.1.1，neuralynx）通过256通道Atlas放大器（NeuralyNX）放大。使用Combinato63进行尖峰提取和分选。提取并分析负电压挠度的尖峰。为了说明，用倒极性描绘了尖峰。基于DER算法64的自动伪影去除均应用于所有会话。每个通道的聚类通过经验丰富的评估者手动验证，并去除工件。由于Combinato（与本研究中的默认参数一起使用）倾向于以自动模式超集群记录的单元数据，因此我们根据其波形，跨相关图和其他触发特性手动合并簇。基于尖峰间间隔（ISI）违规，尖峰振幅和尖峰峰值信号到噪声（SNR）以及群集隔离距离（扩展数据图8），对单单元记录质量和尖峰排序进行了验证。使用LEGUI软件包（v.1.2）65基于共注册的CT和MRIS进行电极定位，并使用FieldTrip（V.213BC8BCB）和“ Plot_ecog”函数可视化电极位置。（https://github.com/s-michelmann/moment-by-moment-tracking/blob/master/master/plot_ecog.m）。总共记录了2,416个单元（1,292个单位（SU））：杏仁核中的622个单位（348个SU），EC中的464个单位（256 su），634个单位（341个SU），Hippocampus，Hippocampus，419单位（199 su）（199 su）（199 su）（199 su）（199 su）（199 su）（199 su）（199 su）（199 su）（199 su）（199 su）（199 su）（199 su）（199 su）和277个单位（148个单位）（148个单位）（148个单位）（148个单位）。
作为气味刺激，我们使用了标识16测试（Burghart Messtechnik）中的标准笔状嗅探棒。参与者坐在床上，带笔记本电脑在前面的托盘上坐在床上，同时出现了15种不同的气味刺激，以伪随机顺序进行了八次。包含皮革的笔被用作控制的空白无味笔（27个录音中的26只）取代。气味笔在鼻子下方约2厘米处呈现，以两个鼻孔之间为中心。每次试验中都会向患者进行口头指示（“请现在吸气！”）。为了确保在试验中进行一致的气味采样，要求参与者只为每种气味呈现一次吸气一次，而不是为了方便起见。第一次吸入后立即除去气味笔。该实验方案的设计是为了最大程度地减少ODOR特异性呼吸道变异性。实验者（M.S.K.）的直接监督确保了整个实验中的指示。只有在气味暴露之前就直接打开笔。与吸入命令同时，记录了演示时间并管理着气味。在27个记录会议中，有13次使用胸腔和腹部散布带带测量呼吸（扩展数据图5A； Sleepsense，科学实验室产品）。使用Hearthmetrics Toolbox67（v.2.0，具有滑动基线校正的人类呼吸带设置）对两条皮带的数据进行平均和分析。在其余的14次会议中，由于患者不适或对Microwire记录的嘈杂干扰，呼吸带无法通过应用。总体而言，参与者准确地遵守了实验方案，在气味暴露期间一次吸入一次，并且与气味递送的时间很好（图1D和扩展数据图5C）。鼻气流的双边测量将使以后的研究能够精确研究以高时间分辨率以同侧和对侧半球跨同侧和对侧半球的局部振荡动力学的相互作用。标准化的笔状气味刺激缺乏毫秒的精度，并且可以通过高端嗅觉计来实现气味浓度的精确控制。然而，这种ODOUR交付方法被证明是在临床环境中呈现广泛的气味刺激既高效率又有效的。
在前四个演示周期中，要求患者对自己喜欢或不喜欢气味的评分（强制选择；图1E）。在64.8±2.0％的试验中，参与者据报道喜欢气味。尽管在某些情况下，喜欢和价值在某些情况下有所区别于68，但我们将术语Valence用作包括喜欢69的多方面概念。在随后的四个演示周期中，应通过在四个选项中选择正确的气味名称来识别气味（图1E）。从15个气味刺激的列表中选择了书面气味名称（标签），以及中性，无味的控制。每个气味标签被用作正确的4次，而12次用作不正确的选择选项。依次以1 s的间隔添加名称选项，从而可以针对单个书面的ODOR相关单词对神经元活性进行特定于刺激的评估（图5G，H）。为了避免通过先前呈现语义匹配气味的先前呈现引起的混淆提示效应，我们将气味词是正确选择选项的分析中排除了试验（图5G，H）。参与者在74.1±1.5％的病例中确定了正确的气味。气味的平均呈现时间为2.31±0.13 s，平均偏置间隔为19.4±0.4 s，平均每5.18±0.05分钟重复一次相同的气味。在27个录音中的20个录音中，在嗅觉任务之后，我们立即介绍了16张图片，每张图片与其中一种气味相对应，包括浅灰色屏幕以符合无味控制。每张图片以伪顺序呈现1 s，8次。该协议使我们能够识别对与本研究中呈现的气味一致的图像响应的神经元。实验任务是使用MATLAB R2019A（MATHWORKS）和PSYSTOOLBOX370,71,72实施的。
所有统计分析均在MATLAB 2021a中进行。除非另有说明，否则将非参数和两侧统计检验应用于低于α级的0.05的P值被认为是显着的。算术平均值用于计算平均值，误差线代表S.E.M.或S.D.如指定。Spearman的等级相关性用于使用MATLAB的“ CORR”功能估算的所有相关分析。进行方差分析以使用Tukey诚实的显着差异程序来确定多组之间的显着差异，以校正多个成对比较。图1F中的框图是基于内置MATLAB函数“ BoxPlot”生成的；中心线表示中间线，盒子限制显示了第25个百分位和第75个百分位，并且晶须从最小值到最大值延伸到不被视为异常值的最大值，这些值通过超过1.5倍的四分位间范围来定义。图中的星号表示统计显着性。Custom MATLAB codes were used to calculate binomial tests and to generate Venn diagrams (MATLAB Central File Exchange, M. Nelson 2023, v.2.0, https://www.mathworks.com/matlabcentral/fileexchange/24813-mybinomtest-s-n-p-sided; Darik 2023, v.1.7,https://www.mathworks.com/matlabcentral/fileexchange/22282-venn）。
为了识别ODOR调节的神经元，我们首先在气味发作后的响应间隔（[0，2 s]中与[-5，0 s]在气味发作前的[0，2 s]中计算了Z值），并在气味发作前[-5，0 s]）进行了单向ANOVA的气味标识。在所有128个试验中，气味同一性具有显着影响的神经元称为ODOR调节的神经元。通过将每个神经元（50 ms垃圾箱）的峰值（50 ms垃圾箱）的峰值计算出归一化的PSTH（图1J），并使用[−5，0 s]基线窗口中的bins在气味开始前使用垃圾箱。
类似于我们对Odour调节神经元的定义，我们根据图像身份的Z序列触发速率的单向触发率（[0，1 s]）与[-0.5，0 s]相比，图像识别率的单向方差分析（[0，1 s]）与图像发作之前的图像身份（[0，1 s]）。在所有128个试验中，图像同一性具有显着作用的神经元称为图像调节神经元。
所有解码分析均使用神经解码工具Box33（v.1.0.4）进行。在每个区域中，首先在异味开始后的[0，2 s]时间窗口中汇总峰值数据，图像开始后[0，1 s]的时间窗口。我们使用8个交叉验证数据拆分和10个重新样本运行训练了最大相关的分类器，以预测气味或图像身份。为了比较各个区域的解码性能，在每个解码分析中均采样了相等数量的神经元（n = 200）。在随机子样本上重复解码1000次。根据对标签渗透数据的解码分析得出的替代分布（NPERM = 1,000）得出的替代分布估算了显着性水平。替代分布中实际数据平均值的百分比用于估计P值。为了评估解码时间窗口的影响（图2D），我们重复了解码分析，系统地将解码时间间隔从50 ms到4,000毫秒不等，并以50 ms的增量和100个亚采样运行。此外，我们系统地改变了解码分析中包含的神经元的数量，从10个神经元开始，并增加了10个步骤（图2C）。对于跨模式解码，我们在图像试验中训练了分类器，并在气味试验中对其进行了测试（图5E），反之亦然（图5F）（图5F）（图5F）（图5F）。为了确保与以后的试验相比，我们的解码结果不受第一个系统的系统差异的驱动，我们在没有第一次试验的情况下重复了解码，并获得了总体一致的发现（扩展数据图9）。在人群解码中，在记录会话中随机抽样相等数量的神经元，可以平衡区域之间的性能比较，而与神经元产量的个体变化无关。比较记录会话内和跨记录中随机采样神经元的解码性能产生一致的结果（扩展数据图9G）， 表明解码的人口很好地推断出较大的神经元种群。使用所有气味呈现，8个交叉验证数据拆分和1,000个重新样本运行，根据每个区域的所有记录神经元的所有记录神经元估算了每个会话的ODOUR编码性能。对于每个会话和区域，通过使用10个重置样本运行在Odour-Label-permuted数据上重复解码分析1,000次来估算替代分布。该替代分布中实际解码性能的百分位数用于估计P值。通过在解剖目标区域内的重复会话中平均分解性能来评估每个参与者的解码性能。为了测试神经活动是否预测化学气味身份比感知的气味身份更好（即有时是错误选择的气味标签），我们在ODOR-识别任务（每次气味4个试验）期间使用了解码分析。从至少两次选择每种气味的记录中随机采样了相等数量的神经元。在每个解剖靶点区域中，将100个神经元随机取样1,000次，并使用两个交叉验证数据分割和十个重新样本运行对解码器进行训练。使用相同的神经元群体对解码器进行了基于化学气味身份和感知的气味标识（选定的气味标签）的训练。两种解码精度之间的差异用于评估神经元放电更准确地预测哪些标签。
广泛使用的人口稀少度的量度是活动比率AK，定义为AS75,76
其中Xi是ITH神经元对刺激K的平均反应活性，而N是神经元的数量。通过跨刺激平均，估计人口对一组不同刺激的总体稀疏性。我们使用稀疏索引sik =（1 - ak）/（1-1/n）获得占0到1的稀疏度的度量，较高的值对应于稀疏的代码34。
每种气味都八次出现。对于每个ODOR调节的神经元，我们计算了每个气味呈现的平均Z量发射速率，导致每个神经元八个点火率值。然后，我们对每个神经元（发射速率与气味呈现）进行了线性回归，并将结果斜率用作射击速率变化的量度，此前均在先前的研究之后46。计算每个区域的斜率，并使用Wilcoxon签名级测试与恒定响应强度（即斜率为0）进行比较。
广义线性混合效应模型（GLMM）用于控制参与者内部和跨参与者的多个会话的记录。使用MATLAB的“ FITGLME”功能，用于每种固定效应的GLMM来预测ODOR调节神经元的试验尖峰计数。大脑区域和相互作用被纳入固定效应。每个参与者的参与者身份和记录会议被包括为随机效果，以说明其嵌套的层次结构77。将每个固定效应回归器作为参与者身份和参与者会议筑巢的随机斜率合并，并且在单个相交中包括神经元身份以说明参与者 - 苏里元嵌套78。所有随机效应均包含单个相交。似然比测试（MATLAB的“比较”功能）证实，我们与随机斜率和截距一起使用的完整模型优于仅包含随机截距的模型。根据具有对数链路函数的受限最大伪可能性，拟孔模型拟合。
为了进行SEM分析，使用了两个新捆绑包的微波处理。使用手术刀修剪一微密封，而另一个则未切割。为了进行成像，将电线缩短至大约8毫米的长度，并使用导电碳胶带安装在铝制固件上。然后，使用法定人数150 R ES涂料单元（Quorum Technologies）将样品用15 nm的黄金覆盖，并使用Everhart-Thornley二级电子检测器在Zeiss Sigma 300（Zeiss）田间发射枪中使用Everhart-Thornley二级电子检测器进行成像。总共获得了两个手术刀修剪的微管的五个图像，并获得了两个未修剪的微管的四个图像。
有关研究设计的更多信息可在与本文有关的自然投资组合报告摘要中获得。