Many naturalistic behaviors are built from modular components that are expressed sequentially. Although striatal circuits have been implicated in action selection and implementation, the neural mechanisms that compose behavior in unrestrained animals are not well understood. Here, we record bulk and cellular neural activity in the direct and indirect pathways of dorsolateral striatum (DLS) as mice spontaneously express action sequences. These experiments reveal that DLS neurons systematically encode information about the identity and ordering of sub-second 3D behavioral motifs; this encoding is facilitated by fast-timescale decorrelations between the direct and indirect pathways. Furthermore, lesioning the DLS prevents appropriate sequence assembly during exploratory or odor-evoked behaviors. By characterizing naturalistic behavior at neural timescales, these experiments identify a code for elemental 3D pose dynamics built from complementary pathway dynamics, support a role for DLS in constructing meaningful behavioral sequences, and suggest models for how actions are sculpted over time.

Abstract Keypoint tracking algorithms can flexibly quantify animal movement from videos obtained in a wide variety of settings. However, it remains unclear how to parse continuous keypoint data into discrete actions. This challenge is particularly acute because keypoint data are susceptible to high-frequency jitter that clustering algorithms can mistake for transitions between actions. Here we present keypoint-MoSeq, a machine learning-based platform for identifying behavioral modules (‘syllables’) from keypoint data without human supervision. Keypoint-MoSeq uses a generative model to distinguish keypoint noise from behavior, enabling it to identify syllables whose boundaries correspond to natural sub-second discontinuities in pose dynamics. Keypoint-MoSeq outperforms commonly used alternative clustering methods at identifying these transitions, at capturing correlations between neural activity and behavior and at classifying either solitary or social behaviors in accordance with human annotations. Keypoint-MoSeq also works in multiple species and generalizes beyond the syllable timescale, identifying fast sniff-aligned movements in mice and a spectrum of oscillatory behaviors in fruit flies. Keypoint-MoSeq, therefore, renders accessible the modular structure of behavior through standard video recordings.

Abstract A core goal in systems neuroscience and neuroethology is to understand how neural circuits generate naturalistic behavior. One foundational idea is that complex naturalistic behavior may be composed of sequences of stereotyped behavioral syllables, which combine to generate rich sequences of actions. To investigate this, a common approach is to use autoregressive hidden Markov models (ARHMMs) to segment video into discrete behavioral syllables. While these approaches have been successful in extracting syllables that are interpretable, they fail to account for other forms of behavioral variability, such as differences in speed, which may be better described as continuous in nature. To overcome these limitations, we introduce a class of warped ARHMMs (WARHMM). As is the case in the ARHMM, behavior is modeled as a mixture of autoregressive dynamics. However, the dynamics under each discrete latent state (i.e. each behavioral syllable) are additionally modulated by a continuous latent “warping variable.” We present two versions of warped ARHMM in which the warping variable affects the dynamics of each syllable either linearly or nonlinearly. Using depth-camera recordings of freely moving mice, we demonstrate that the failure of ARHMMs to account for continuous behavioral variability results in duplicate cluster assignments. WARHMM achieves similar performance to the standard ARHMM while using fewer behavioral syllables. Further analysis of behavioral measurements in mice demonstrates that WARHMM identifies structure relating to response vigor.

Most preparations for making neural recordings degrade over time and eventually fail due to insertion trauma and reactive tissue response. The magnitudes of these responses are thought to be related to the electrode size (specifically, the cross-sectional area) and the relative stiffness of the electrode material. Carbon fiber ultra-microelectrodes have a much smaller cross-section than traditional electrodes and thus may enable improved longevity of neural recordings in the central and peripheral nervous systems. Only two carbon fiber array designs have been described previously, each with limited channel densities due to limitations of the fabrication processes or interconnect strategies. Here, we describe a method for assembling carbon fiber electrodes on a flexible polyimide substrate that will facilitate the construction of high-density recording and stimulating arrays for acute use in peripheral nerves. Fibers were aligned using an alignment tool that was 3D-printed with sub-micron resolution using direct laser writing. Indium deposition on the carbon fibers provided a robust and reliable method of electrical connection to the polyimide traces. Spontaneous action potentials and stimulation-evoked compound responses with SNR > 10 and > 120, respectively, were recorded from a small (125 μm) peripheral nerve. We also improved the typically poor charge injection capacity of small diameter carbon fibers can be improved by electrodepositing 100 nm thick iridium oxide films, making the carbon fiber arrays suitable for electrical stimulation as well as recording.

GABAA receptors containing the δGABAA subunit (δGABAARs) are involved in many physiological and pathophysiological processes, such as sleep, pain, stress, anxiety-related behaviors, and postpartum depression. These extrasynaptically located, high affinity and slowly desensitizing receptors mediate tonic inhibition throughout the brain, including in granule cells (GCs) of the cerebellar input layer. However, the extent to which δGABAARs control the excitability of the cerebellar input layer and ultimately regulate behavior is unknown. We therefore deleted δGABAA subunits specifically from GCs and determined the behavioral consequences in mice. Deletion reduced tonic inhibition and increased input layer excitability, but remarkably, did not affect either locomotion or motor learning. Unexpectedly, δGABAA deletion heightened anxiety-like behaviors, and caused female-specific alterations in social and maternal behavior. Our findings establish that the cerebellar input layer is critical for regulating diverse behaviors that are relevant to psychiatric and neurodevelopmental disorders but were previously not associated with the cerebellum.

Abstract Keypoint tracking algorithms have revolutionized the analysis of animal behavior, enabling investigators to flexibly quantify behavioral dynamics from conventional video recordings obtained in a wide variety of settings. However, it remains unclear how to parse continuous keypoint data into the modules out of which behavior is organized. This challenge is particularly acute because keypoint data is susceptible to high frequency jitter that clustering algorithms can mistake for transitions between behavioral modules. Here we present keypoint-MoSeq, a machine learning-based platform for identifying behavioral modules (“syllables”) from keypoint data without human supervision. Keypoint-MoSeq uses a generative model to distinguish keypoint noise from behavior, enabling it to effectively identify syllables whose boundaries correspond to natural sub-second discontinuities inherent to mouse behavior. Keypoint-MoSeq outperforms commonly used alternative clustering methods at identifying these transitions, at capturing correlations between neural activity and behavior, and at classifying either solitary or social behaviors in accordance with human annotations. Keypoint-MoSeq therefore renders behavioral syllables and grammar accessible to the many researchers who use standard video to capture animal behavior.