Поведение нейронных схем во многом определяется электрофизиологическими свойствами нейронов, которые они содержат. Понимание взаимосвязи этих свойств требует умения сначала идентифицировать и каталогизировать каждое свойство. Однако информация о таких свойствах во многом замыкается в десятилетиях закрытых журнальных статей с разнородными условностями для сообщения результатов, что затрудняет использование исходных данных. Эта проблема решается с помощью проекта NeuroElectro: библиотека Python, RESTful API и веб-приложение для извлечения, визуализации и обобщения опубликованных данных об электрофизиологических свойствах нейронов. Информация организована как по типу нейронов (с использованием определений нейронов), так и по электрофизиологическим свойствам (с использованием вновь разработанной онтологии). Описываются методики и задачи, связанные с автоматизированным извлечением из журнальных статей табличных электрофизиологических данных и методологических метаданных.
Мозги достигают эффективной функции за счет реализации разделения труда, при котором разные типы нейронов выполняют различные функциональные и вычислительные роли.
Одним из поразительных способов, при котором различные типы нейронов отличаются друг от друга, является их электрофизиологические свойства. Несмотря на то, что электрофизиология многих типов нейронов была ранее охарактеризована и документирована в течение десятилетий исследований, эти данные существуют в тысячах журнальных статей, что затрудняет сопоставление нейронов с нейронами при перекрестном исследовании.
Нейрофизиологии не хватает централизованного ресурса, где консенсусные данные по основным физиологическим измерениям от многих типов нейронов и исследований доступны для справки и последующих мета-анализов. Например, хотя нейрофизиологи обычно измеряют и сообщают о нейронных измерениях, таких как потенциал мембраны покоя и входное сопротивление, не существует публичной базы данных, которая бы обобщала эту информацию.
В других областях нейронауки такие усилия достигли большего прогресса.
В области нейроанатомических связи, информация о связи между различными регионами мозга в настоящее время составляется экспертами в проекте Мозг Архитектура системы управления (BAMS) в тысячах публикаций (Бота и др., 2005). Параллельно с этими усилиями является White Text Проект, который направлен на дополнительную цель алгоритмически добыча мозга области связи заявления из журнальных тезисов с использованием биомедицинских методов обработки природных языков (bioNLP) (Французский и др., 2009, 2012).
Аналогичным образом, в области нейровизуализации, проект Neuro Synth исследования МРТ на основе карт активации мозга из опубликованных x,y,z координат таблицы данных из тысяч публикаций нейровизуализации (Yarkoni и др., 2011).
Эти литературные методы можно противопоставить таким проектам, как NeuroMorpho.org (Парех и Асколи, 2013) и ModelDB (Migliore и др., 2003; Хайнс и др., 2004), которые индексируют морфологические реконструкции нейронов и вычислительные модели для моделирования активности нейронов, получив эту информацию непосредственно от исследователей.
Успех этих проектов может быть определен по различным критериям.
К таким критериям относятся полнота и комплексность; например, какой процент соответствующих исследований связности индексируется в рамках BAMS? Сколько различных типов нейронов содержится в базе данных NeuroMorpho? Кроме того, успех может быть определен с точки зрения полезности этих баз данных в движении последующих исследований, как использование BAMS в качестве ресурса для выявления связей между связью области мозга и экспрессии генов (французский и Pavlidis, 2011) или использование NeuroMorpho, чтобы обнаружить общие масштабирование отношений между морфологией нейронов типов (Teeter и Стивенс, 2011).
Аналогичным образом, NeuroSynth широко используется когнитивными учеными в качестве отправной точки для разработки функциональных исследований визуализации. Таким образом, хотя эти проекты еще не являются всеобъемлющими и, скорее всего, содержат данные различного качества, эти ресурсы, тем не менее, могут быть использованы для проведения новых выводов.
