Animals have a remarkable ability to adjust their behavioral response to the same stimulus based on the immediate behavioral context. The authors show that the nucleus basalis broadcasts a contextual signal to the auditory cortex that is then translated by inhibitory networks to regulate excitatory neuronal output and behavior. Physical features of sensory stimuli are fixed, but sensory perception is context dependent. The precise mechanisms that govern contextual modulation remain unknown. Here, we trained mice to switch between two contexts: passively listening to pure tones and performing a recognition task for the same stimuli. Two-photon imaging showed that many excitatory neurons in auditory cortex were suppressed during behavior, while some cells became more active. Whole-cell recordings showed that excitatory inputs were affected only modestly by context, but inhibition was more sensitive, with PV+, SOM+, and VIP+ interneurons balancing inhibition and disinhibition within the network. Cholinergic modulation was involved in context switching, with cholinergic axons increasing activity during behavior and directly depolarizing inhibitory cells. Network modeling captured these findings, but only when modulation coincidently drove all three interneuron subtypes, ruling out either inhibition or disinhibition alone as sole mechanism for active engagement. Parallel processing of cholinergic modulation by cortical interneurons therefore enables context-dependent behavior.

Abstract The desire to understand how the brain generates and patterns behavior has driven rapid methodological innovation in tools to quantify natural animal behavior. While advances in deep learning and computer vision have enabled markerless pose estimation in individual animals, extending these to multiple animals presents unique challenges for studies of social behaviors or animals in their natural environments. Here we present Social LEAP Estimates Animal Poses (SLEAP), a machine learning system for multi-animal pose tracking. This system enables versatile workflows for data labeling, model training and inference on previously unseen data. SLEAP features an accessible graphical user interface, a standardized data model, a reproducible configuration system, over 30 model architectures, two approaches to part grouping and two approaches to identity tracking. We applied SLEAP to seven datasets across flies, bees, mice and gerbils to systematically evaluate each approach and architecture, and we compare it with other existing approaches. SLEAP achieves greater accuracy and speeds of more than 800 frames per second, with latencies of less than 3.5 ms at full 1,024 × 1,024 image resolution. This makes SLEAP usable for real-time applications, which we demonstrate by controlling the behavior of one animal on the basis of the tracking and detection of social interactions with another animal.

Abstract Vagus nerve stimulation (VNS) is a neuromodulation therapy with the potential to treat a wide range of chronic conditions in which inflammation is implicated, including type 2 diabetes, obesity, atherosclerosis and heart failure. Many of these diseases have well-established mouse models but due to the significant surgical and engineering challenges that accompany a reliable interface for long-term VNS in mice, the therapeutic implications of this bioelectronic approach remain unexplored. Here, we describe a long-term VNS implant in mice, developed at 3 research laboratories and validated for between-lab reproducibility. Implant functionality was evaluated over 3-8 weeks in 81 anesthetized or conscious mice by determining the stimulus intensity required to elicit a change in heart rate (heart rate threshold, HRT). HRT was also used as a method to standardize stimulation dosing across animals. Overall, 60-90% of implants produced stimulus-evoked physiological responses for at least 4 weeks, with HRT values stabilizing after the second week of implantation. Furthermore, stimulation delivered through 6-week-old implants decreased TNF levels in a subset of mice with acute inflammation caused by endotoxemia. Histological examination of 4- to 6-week-old implants revealed fibrotic encapsulation and no gross fiber loss. This implantation and dosing approach provide a tool to systematically investigate the therapeutic potential of long-term VNS in chronic diseases modeled in the mouse, the most widely used vertebrate species in biomedical research.

Abstract Perception can be refined by experience up to certain limits. It is unclear if perceptual limitations are absolute or could be partially overcome via enhanced neuromodulation and/or plasticity. Recent studies suggest the utility of peripheral nerve stimulation - specifically vagus nerve stimulation (VNS) - for altering neural activity and augmenting experience-dependent plasticity, although little is known about central mechanisms recruited by VNS. Here we developed an auditory discrimination task for mice implanted with a VNS electrode. VNS occurring during behavior gradually improved discrimination abilities beyond the level achieved by training alone. Using two-photon imaging, we identified changes to auditory cortical responses and activation of cortically-projecting cholinergic axons with VNS. Anatomical and optogenetic experiments indicated that VNS could enhance task performance via activation of the central cholinergic system. These results highlight the importance of cholinergic modulation for the efficacy of VNS, perhaps enabling further refinement of VNS methodology for clinical conditions.

Abstract The desire to understand how the brain generates and patterns behavior has driven rapid methodological innovation to quantify and model natural animal behavior. This has led to important advances in deep learning-based markerless pose estimation that have been enabled in part by the success of deep learning for computer vision applications. Here we present SLEAP (Social LEAP Estimates Animal Poses), a framework for multi-animal pose tracking via deep learning. This system is capable of simultaneously tracking any number of animals during social interactions and across a variety of experimental conditions. SLEAP implements several complementary approaches for dealing with the problems inherent in moving from single-to multi-animal pose tracking, including configurable neural network architectures, inference techniques, and tracking algorithms, enabling easy specialization and tuning for particular experimental conditions or performance requirements. We report results on multiple datasets of socially interacting animals (flies, bees, and mice) and describe how dataset-specific properties can be leveraged to determine the best configuration of SLEAP models. Using a high accuracy model (<2.8 px error on 95% of points), we were able to track two animals from full size 1024 × 1024 pixel frames at up to 320 FPS. The SLEAP framework comes with a sophisticated graphical user interface, multi-platform support, Colab-based GPU-free training and inference, and complete tutorials available, in addition to the datasets, at sleap.ai .

Performance on cognitive tasks during learning is used to measure intelligence, yet it remains controversial since such testing is susceptible to contextual factors. To what extent does performance during learning depend on the testing context, rather than underlying knowledge? We trained mice, rats and ferrets on a range of tasks to examine how testing context impacts the acquisition of knowledge versus its expression. We interleaved reinforced trials with 'probe' trials in which we omitted reinforcement. Across tasks, each animal species performed remarkably better in probe trials during learning and inter-animal variability was strikingly reduced. Reinforcement feedback is thus critical for learning-related plasticity but, paradoxically, masks the expression of underlying knowledge. We capture these results with a network model in which learning occurs during reinforced trials while context modulates only the read-out parameters. Probing learning by omitting reinforcement thus uncovers latent knowledge and identifies context, not 'smartness', as the major source of individual variability.