The anatomy of the mammalian visual system, from the retina to the neocortex, is organized hierarchically1. However, direct observation of cellular-level functional interactions across this hierarchy is lacking due to the challenge of simultaneously recording activity across numerous regions. Here we describe a large, open dataset—part of the Allen Brain Observatory2—that surveys spiking from tens of thousands of units in six cortical and two thalamic regions in the brains of mice responding to a battery of visual stimuli. Using cross-correlation analysis, we reveal that the organization of inter-area functional connectivity during visual stimulation mirrors the anatomical hierarchy from the Allen Mouse Brain Connectivity Atlas3. We find that four classical hierarchical measures—response latency, receptive-field size, phase-locking to drifting gratings and response decay timescale—are all correlated with the hierarchy. Moreover, recordings obtained during a visual task reveal that the correlation between neural activity and behavioural choice also increases along the hierarchy. Our study provides a foundation for understanding coding and signal propagation across hierarchically organized cortical and thalamic visual areas. A large, open dataset containing parallel recordings from six visual cortical and two thalamic areas of the mouse brain is presented, from which the relative timing of activity in response to visual stimuli and behaviour is used to construct a hierarchy scheme that corresponds to anatomical connectivity data.

Abstract In the mammalian neocortex, there is a high diversity of neuronal types. To facilitate construction of system models with multiple cell types, we generate a database of point models associated with the Allen Cell Types Database. We construct a series of generalized integrate-and-fire (GLIF) models of increasing complexity aiming to reproduce the spiking behaviors of the recorded neurons. We test the performance of these GLIF models on data from 771 neurons from 14 transgenic lines, with increasing model performance for more complex models. To answer how complex a model needs to be to reproduce the number of electrophysiological cell types, we perform unsupervised clustering on the parameters extracted from these models. The number of clusters is smaller for individual model types, but when combining all GLIF parameters 18 clusters are obtained, while 11 clusters are obtained using 16 electrophysiological features. Therefore, these low dimensional models have the capacity to characterize the diversity of cell types without the need for a priori defined features.

Abstract The response of a set of neurons in an area is the result of the sensory input, the interaction of the neurons within the area as well as the long range interactions between areas. We aimed to study the relation between interactions among multiple areas, and if they are fixed or dynamic. The structural connectivity provides a substrate for these interactions, but anatomical connectivity is not known in sufficient detail and it only gives us a static picture. Using the Allen Brain Observatory Visual Coding Neuropixels dataset, which includes simultaneous recordings of spiking activity from up to 6 hierarchically organized mouse cortical visual areas, we estimate the functional connectivity between neurons using a linear model of responses to flashed static grating stimuli. We characterize functional connectivity between populations via interaction subspaces. We find that distinct subspaces of a source area mediate interactions with distinct target areas, supporting the notion that cortical areas use distinct channels to communicate. Most importantly, using a piecewise linear model for activity within each trial, we find that these interactions evolve dynamically over tens of milliseconds following a stimulus presentation. Inter-areal subspaces become more aligned with the intra-areal subspaces during epochs in which a feedforward wave of activity propagates through visual cortical areas. When the short-term dynamics are averaged over, we find that the interaction subspaces are stable over multiple stimulus blocks. These findings have important implications for understanding how information flows through biological neural networks composed of interconnected modules, each of which may have a distinct functional specialization.

Direction selectivity, the preference of motion in one direction over the opposite, is a fundamental property of visual neurons across species. We find that a substantial proportion of direction selective neurons in the mouse visual system reverse their preferred direction of motion in response to drifting gratings at different spatiotemporal parameters. A spatiotemporally asymmetric filter model recapitulates our experimental observations.

Despite advances in experimental techniques and accumulation of large datasets concerning the composition and properties of the cortex, quantitative modeling of cortical circuits under in-vivo-like conditions remains challenging. Here we report and publicly release a biophysically detailed circuit model of layer 4 in the mouse primary visual cortex, receiving thalamo-cortical visual inputs. The 45,000-neuron model was subjected to a battery of visual stimuli, and results were compared to published work and new in vivo experiments. Simulations reproduced a variety of observations, including effects of optogenetic perturbations. Critical to the agreement between responses in silico and in vivo were the rules of functional synaptic connectivity between neurons. Interestingly, after extreme simplification the model still performed satisfactorily on many measurements, although quantitative agreement with experiments suffered. These results emphasize the importance of functional rules of cortical wiring and enable a next generation of data-driven models of in vivo neural activity and computations.

The mammalian visual system, from retina to neocortex, has been extensively studied at both anatomical and functional levels. Anatomy indicates the corticothalamic system is hierarchical, but characterization of cellular-level functional interactions across multiple levels of this hierarchy is lacking, partially due to the challenge of simultaneously recording activity across numerous regions. Here, we describe a large, open dataset (part of the Allen Brain Observatory ) that surveys spiking from units in six cortical and two thalamic regions responding to a battery of visual stimuli. Using spike cross-correlation analysis, we find that inter-area functional connectivity mirrors the anatomical hierarchy from the Allen Mouse Brain Connectivity Atlas . Classical functional measures of hierarchy, including visual response latency, receptive field size, phase-locking to a drifting grating stimulus, and autocorrelation timescale are all correlated with the anatomical hierarchy. Moreover, recordings during a visual task support the behavioral relevance of hierarchical processing. Overall, this dataset and the hierarchy we describe provide a foundation for understanding coding and dynamics in the mouse corticothalamic visual system.

How neural populations represent sensory information, and how that representation is transformed from one brain area to another, are fundamental questions of neuroscience. The dorsolateral geniculate nucleus (dLGN) and primary visual cortex (V1) represent two distinct stages of early visual processing. Classic sparse coding theories propose that V1 neurons represent local features of images. More recent theories have argued that the visual pathway transforms visual representations to become increasingly linearly separable. To test these ideas, we simultaneously recorded the spiking activity of mouse dLGN and V1 in vivo. We find strong evidence for both sparse coding and linear separability theories. Surprisingly, the correlations between neurons in V1 (but not dLGN) were shaped as to be irrelevant for stimulus decoding, a feature which we show enables linear separability. Therefore, our results suggest that the dLGN-V1 transformation reshapes correlated variability in a manner that facilitates linear decoding while producing a sparse code.

One remarkable feature of neuronal activity in the mammalian cortex is the high level of variability in response to repeated stimuli. First, we used an open dataset, the Allen Brain Observatory, to quantify the distribution of responses to repeated presentations of natural movies. We find that even for their preferred moment in the movie clip, neurons have high variability which cannot be well captured by Gaussian or Poisson distributions. A large fraction of responses are better fit by log-normal or Gaussian mixture models with two components. These distributions are similar to activity distributions during training of deep neural networks using dropout. This poses the interesting hypothesis: is the role of cortical noise to help in generalization during learning? Second, to ensure the robustness of our results we analyzed electrophysiological recordings in the same areas of mouse visual cortex, again using repeated natural movie presentations and found similar response distributions. To make sure that the trial-by-trial variations we observe are not due exclusively to the result of changes in state, we constructed a population coupling model, where each neuron's activity is coupled to a low-dimension version of the activity of all other simultaneously recorded neurons. The population coupling model can capture global, brain-wide activity fluctuations that are state-dependent. The residuals from this model also show non-Gaussian noise distributions. Third, we ask a more specific question: is the noise in the cortex more likely to move the representation of the stimulus in-class versus out-of-class? To address this question, we analyzed the responses of neurons across trials from multiple sections of different movie clips. We observe that the noise in the cortex better aligns to in-class variations. We argue that a useful noise for learning generalizations is to move from representations of different exemplars in-class, similar to cortical noise.

Structural rules underlying functional properties of cortical circuits are poorly understood. To explore these rules systematically, we integrated information from extensive literature curation and large-scale experimental surveys into a data-driven, biologically realistic model of the mouse primary visual cortex. The model was constructed at two levels of granularity, using either biophysically-detailed or point-neurons, with identical network connectivity. Both variants were compared to each other and to experimental recordings of neural activity during presentation of visual stimuli to awake mice. While constructing and tuning these networks to recapitulate experimental data, we identified a set of rules governing cell-class specific connectivity and synaptic strengths. These structural constraints constitute hypotheses that can be tested experimentally. Despite their distinct single cell abstraction, spatially extended or point-models, both perform similarly at the level of firing rate distributions. All data and models are freely available as a resource for the community.

Contextual associations are critical for survival but must be extinguished when new conditions render them nonproductive. By most accounts, extinction forms a new memory that competes with the original association for control over behavior, but the mechanisms underlying this competition remain largely enigmatic. Here we find the retrieval of contextual fear conditioning and extinction yield contrasting patterns of activity in prefrontal cortex and ventral hippocampus. Within ventral CA1, activation of somatostatin-expressing interneurons (SST-INs) occurs preferentially during extinction retrieval and correlates with differences in input synaptic transmission. Optogenetic manipulation of these cells but not parvalbumin interneurons (PV-INs) elicits bidirectional changes in fear expression following extinction, and the ability of SST-INs to gate fear is specific to the context in which extinction was acquired. A similar pattern of results was obtained following reward-based extinction. These data show that ventral hippocampal SST-INs are critical for extinguishing prior associations and thereby gate relapse of both aversive and appetitive responses.