Top-down prefrontal cortex inputs to the hippocampus have been hypothesized to be important in memory consolidation, retrieval, and the pathophysiology of major psychiatric diseases; however, no such direct projections have been identified and functionally described. Here we report the discovery of a monosynaptic prefrontal cortex (predominantly anterior cingulate) to hippocampus (CA3 to CA1 region) projection in mice, and find that optogenetic manipulation of this projection (here termed AC–CA) is capable of eliciting contextual memory retrieval. To explore the network mechanisms of this process, we developed and applied tools to observe cellular-resolution neural activity in the hippocampus while stimulating AC–CA projections during memory retrieval in mice behaving in virtual-reality environments. Using this approach, we found that learning drives the emergence of a sparse class of neurons in CA2/CA3 that are highly correlated with the local network and that lead synchronous population activity events; these neurons are then preferentially recruited by the AC–CA projection during memory retrieval. These findings reveal a sparsely implemented memory retrieval mechanism in the hippocampus that operates via direct top-down prefrontal input, with implications for the patterning and storage of salient memory representations. Here, a sparse neuronal projection from a part of the prefrontal cortex, the anterior cingulate, to the hippocampus is identified that, when activated, can elicit memory retrieval in mice. Recent work has begun to explore how neural ensembles in the hippocampus encode and reactivate a memory, but relatively little is known about how hypothesized 'top-down' inputs arising in the cortex could potentially influence memory processes. Here Karl Deisseroth and colleagues develop new tools and strategies to identify a sparse neuronal projection from the anterior cingulate (part of the prefrontal cortex) to the hippocampus. When activated, these projections can elicit memory retrieval in mice.

Abstract Hydrogen Peroxide (H 2 O 2 ) is a central oxidant in redox biology due to its pleiotropic role in physiology and pathology. However, real-time monitoring of H 2 O 2 in living cells and tissues remains a challenge. We address this gap with the development of an optogenetic hydRogen perOxide Sensor (oROS), leveraging the bacterial peroxide binding domain OxyR. Previously engineered OxyR-based fluorescent peroxide sensors lack the necessary sensitivity or response speed for effective real-time monitoring. By structurally redesigning the fusion of Escherichia coli (E. coli) ecOxyR with a circularly permutated green fluorescent protein (cpGFP), we created a novel, green-fluorescent peroxide sensor oROS-G. oROS-G exhibits high sensitivity and fast on-and-off kinetics, ideal for monitoring intracellular H 2 O 2 dynamics. We successfully tracked real-time transient and steady-state H 2 O 2 levels in diverse biological systems, including human stem cell-derived neurons and cardiomyocytes, primary neurons and astrocytes, and mouse neurons and astrocytes in ex vivo brain slices. These applications demonstrate oROS’s capabilities to monitor H 2 O 2 as a secondary response to pharmacologically induced oxidative stress, G-protein coupled receptor (GPCR)-induced cell signaling, and when adapting to varying metabolic stress. We showcased the increased oxidative stress in astrocytes via Aβ-putriscine-MAOB axis, highlighting the sensor’s relevance in validating neurodegenerative disease models. oROS is a versatile tool, offering a window into the dynamic landscape of H 2 O 2 signaling. This advancement paves the way for a deeper understanding of redox physiology, with significant implications for diseases associated with oxidative stress, such as cancer, neurodegenerative disorders, and cardiovascular diseases.

Abstract Real-time monitoring of biological activity can be achieved through the use of genetically encoded fluorescent indicators (GEFIs). GEFIs are protein-based sensing tools whose biophysical characteristics can be engineered to meet experimental needs. However, GEFIs are inherently complex proteins with multiple dynamic states, rendering optimization one of the most challenging problems in protein engineering. Most GEFIs are engineered through trial-and-error mutagenesis, which is time and resource-intensive and often relies on empirical knowledge for each GEFI. We applied an alternative approach using machine learning to efficiently predict the outcomes of sensor mutagenesis by analyzing established libraries that link sensor sequences to functions. Using the GCaMP calcium indicator as a scaffold, we developed an ensemble of three regression models trained on experimentally derived GCaMP mutation libraries. We used the trained ensemble to perform an in silico functional screen on a library of 1423 novel, untested GCaMP variants. The mutations were predicted to significantly alter the fluorescent response, and off-rate kinetics were advanced for verification in vitro. We found that the ensemble’s predictions of novel variants’ biophysical characteristics closely replicated what we observed of the variants in vitro. As a result, we identified the novel ensemble-derived GCaMP (eGCaMP) variants, eGCaMP and eGCaMP+, that achieve both faster kinetics and larger fluorescent responses upon stimulation than previously published fast variants. Furthermore, we identified a combinatorial mutation with extraordinary dynamic range, eGCaMP2+, that outperforms the tested 6th, 7th, and 8th generation GCaMPs. These findings demonstrate the value of machine learning as a tool to facilitate the efficient prescreening of mutants for functional characteristics. By leveraging the learning capabilities of our ensemble, we were able to accelerate the identification of promising mutations and reduce the experimental burden associated with screening an entire library. Machine learning tools such as this have the potential to complement emerging high-throughput screening methodologies that generate massive datasets, which can be tedious to analyze manually. Overall, these findings have significant implications for developing new GEFIs and other protein-based tools, demonstrating the power of machine learning as an asset in protein engineering.

H

Abstract The development of optogenetic tools has significantly advanced our understanding of neural circuits and behavior. The medial amygdala, posterior dorsal subdivision (MeApd) is part of a distributed network controlling social behaviors such as mating and aggression. Previous work showed that activation of GABAergic neurons in mouse MeApd using channelrodopsin-2 (ChR2 H134R ) promoted aggression. In a recent study, Baleisyte et al. (2022) confirmed these findings using the same reagents (i.e. ChR2 H134R ), but also reported that a different ChR2 variant with faster kinetics—ChETA—inhibited rather than promoted aggression when high laser power, long duration photostimulation conditions were used. As ChETA is known to have a substantially lower photocurrent than ChR2 and other opsins, an improved version of ChETA (i.e. ChR2 E123T/T159C ; ChETA TC ) was subsequently developed. ChETA TC has larger photocurrents than the original ChETA while maintaining fast kinetics and low plateau depolarization. Here we show that activating MeApd GABAergic neurons using the improved ChETA TC promotes aggression, similar to ChR2 H134R , suggesting that the results obtained using the original ChETA are not due to a difference in channel kinetics. Furthermore, we found that ChETA TC is capable of driving a rapid onset of aggression within 200-300 milliseconds of stimulation, suggesting that this effect reflects direct activation of MeApd GABAergic neurons. We conclude that the different behavioral phenotypes observed using the original ChETA vs. ChETA TC and ChR2 likely reflects the weaker photocurrents in ChETA vs. other opsins, and/or the long duration/high power photostimulation conditions used with ChETA. Consistent with this conclusion, the results obtained using ChR2 or ChETA TC are complementary to findings from loss-of-functions experiments using optogenetic inhibition, chemogenetic inhibition, and neuronal ablation. These data support a positive-acting role of MeApd Vgat + neurons in aggression. Our findings, in conjunction with studies of Berndt et al. (2011), suggest that the improved ChETA TC should be used when faster kinetics than ChR2 offers are required.

Abstract Fluorescent sensor proteins are instrumental for detecting biological signals in vivo with high temporal accuracy and cell-type specificity. However, engineering sensors with physiological ligand sensitivity and selectivity is difficult because they need to be optimized through individual mutagenesis in vitro to assess their performance. The vast mutational landscape proteins constitute an obstacle that slows down sensor development. This is particularly true for sensors that require mammalian host systems to be screened. Here, we developed a novel high-throughput engineering platform that functionally tests thousands of variants simultaneously in mammalian cells and thus allows the screening of large variant numbers. We showcase the capabilities of our platform, called Optogenetic Microwell Array Screening System (Opto-MASS), by engineering novel monoamine and neuropeptide in vivo capable sensors with distinct physiological roles at high-throughput.