Wider dissemination and testing of computational models are crucial to the field of computational neuroscience. Databases are being developed to meet this need. ModelDB is a web-accessible database for convenient entry, retrieval, and running of published models on different platforms. This article provides a guide to entering a new model into ModelDB.

Members of the Kv7 family (Kv7.2–Kv7.5) generate a subthreshold K + current, the M− current. This regulates the excitability of many peripheral and central neurons. Recent evidence shows that Kv7.2 and Kv7.3 subunits are targeted to the axon initial segment of hippocampal neurons by association with ankyrin G. Further, spontaneous mutations in these subunits that impair axonal targeting cause human neonatal epilepsy. However, the precise functional significance of their axonal location is unknown. Using electrophysiological techniques together with a peptide that selectively disrupts axonal Kv7 targeting (ankyrin G-binding peptide, or ABP) and other pharmacological tools, we show that axonal Kv7 channels are critically and uniquely required for determining the inherent spontaneous firing of hippocampal CA1 pyramids, independently of alterations in synaptic activity. This action was primarily because of modulation of action potential threshold and resting membrane potential (RMP), amplified by control of intrinsic axosomatic membrane properties. Computer simulations verified these data when the axonal Kv7 density was three to five times that at the soma. The increased firing caused by axosomatic Kv7 channel block backpropagated into distal dendrites affecting their activity, despite these structures having fewer functional Kv7 channels. These results indicate that axonal Kv7 channels, by controlling axonal RMP and action potential threshold, are fundamental for regulating the inherent firing properties of CA1 hippocampal neurons.

The role of amyloid beta (Aβ) in brain function and in the pathogenesis of Alzheimer's disease (AD) remains elusive. Recent publications reported that an increase in Aβ concentration perturbs pre-synaptic release in hippocampal neurons. In particular, it was shown in vitro that Aβ is an endogenous regulator of synaptic transmission at the CA3-CA1 synapse, enhancing its release probability. How this synaptic modulator influences neuronal output during physiological stimulation patterns, such as those elicited in vivo, is still unknown. Using a realistic model of hippocampal CA1 pyramidal neurons, we first implemented this Aβ-induced enhancement of release probability and validated the model by reproducing the experimental findings. We then demonstrated that this synaptic modification can significantly alter synaptic integration properties in a wide range of physiologically relevant input frequencies (from 5 to 200 Hz). Finally, we used natural input patterns, obtained from CA3 pyramidal neurons in vivo during free exploration of rats in an open field, to investigate the effects of enhanced Aβ on synaptic release under physiological conditions. The model shows that the CA1 neuronal response to these natural patterns is altered in the increased-Aβ condition, especially for frequencies in the theta and gamma ranges. These results suggest that the perturbation of release probability induced by increased Aβ can significantly alter the spike probability of CA1 pyramidal neurons and thus contribute to abnormal hippocampal function during AD.

Abstract The development of biologically realistic models of brain microcircuits and regions is currently a very relevant topic in computational neuroscience. From basic research to clinical applications, there is an increasing demand for accurate models that incorporate local cellular and network specificities, able to capture a broad range of dynamics and functions associated with given brain regions. One of the main challenges of these models is the passage between different scales, going from the microscale (cellular) to the meso (microcircuit) and macroscale (region or whole-brain level), while keeping at the same time a constraint on the demand of computational resources. One novel approach to this problem is the use of mean-field models of neuronal activity to build large-scale simulations. This provides an effective solution to the passage between scales with relatively low computational demands, which is achieved by a drastic reduction in the dimensionality of the system. In this paper we introduce a multiscale modelling framework for the hippocampal CA1, a region of the brain that plays a key role in functions such as learning, memory consolidation and navigation. Our modelling framework goes from the single cell level to the macroscale and makes use of a novel mean-field model of CA1, introduced in this paper, to bridge the gap between the micro and macro scales. To develop the mean-field model we make use of a recently introduced formalism based on a bottom-up approach that is easily applicable to different neuronal models and cell types. We test and validate the model by analyzing the response of the system to the main brain rhythms observed in the hippocampus and comparing our results with the ones of the corresponding spiking network model of CA1. In addition, we show an example of the implementation of our model to study a stimulus propagation at the macro-scale, and we compare the results obtained from our model with the corresponding spiking network model of the whole CA1 area.

Abstract Efficient and accurate large-scale networks are a fundamental tool in modelling brain areas, to advance our understanding of neuronal dynamics. However, their implementation faces two key issues: computational efficiency and heterogeneity. Computational efficiency is achieved using simplified neurons, whereas there are no practical solutions available to solve the problem of reproducing in a large-scale network the experimentally observed heterogeneity of the intrinsic properties of neurons. This is important, because the use of identical nodes in a network can generate artifacts which can hinder an adequate representation of the properties of a real network. To this aim, we introduce a mathematical procedure to generate an arbitrary large number of copies of simplified hippocampal CA1 pyramidal neurons and interneurons models, which exhibit the full range of firing dynamics observed in these cells - including adapting, non-adapting and bursting. For this purpose, we rely on a recently published adaptive generalized leaky integrate-and-fire (A-GLIF) modeling approach, leveraging on its ability to reproduce the rich set of electrophysiological behaviours of these types of neurons under a variety of different stimulation currents. The generation procedure is based on a perturbation of model’s parameters related to the initial data, firing block, and internal dynamics, and suitably validated against experimental data to ensure that the firing dynamics of any given cell copy remains within the experimental range. This allows to obtain heterogeneous copies with mathematically controlled firing properties. A full set of heterogeneous neurons composing the CA1 region of a rat hippocampus (approximately 500K neurons), are provided in a database freely available in the live paper section of the EBRAINS platform. By adapting the underlying A-GLIF framework, it will be possible to extend the numerical approach presented here to create, in a mathematically controlled manner, an arbitrarily large number of non-identical copies of cell populations with firing properties related to other brain areas.

Epilepsy affects a huge number of patients by severe disruption of brain functions and is characterised by recurrent seizures, sometimes hard to be treated by medications. Seizure induced cellular consequences in ionic gradient and homeostasis are expected to result in electrophysiological differences between epileptic and non-epileptic neurons. In the following work, we demonstrate these differences in layer III cortical pyramidal neurons sourced from epileptic and non-epileptic human patient tissue. Although visually indistinguishable and featuring similar membrane potentials and latency to first spikes upon whole cell patch stimulation, epileptic pyramidal neurons display a larger rheobase and a smaller membrane resistance, responding less efficiently to electrical stimulation than their peri-tumorous equivalents. This decreased excitability contradicts results in comparable animal models of epilepsy and was further corroborated by detailed analysis of spiking characteristics and phase plot analysis of these events. Both point to an overexpression of K+ channels trying to compensate for the hyperexcited, epileptic network state. A computational model of a pyramidal neuron was utilized to give an estimate of the needful relative changes in K+ and Na+ conductances.

The development of biologically realistic models of brain microcircuits and regions constitutes currently a very relevant topic in computational neuroscience. One of the main challenges of such models is the passage between different scales, going from the microscale (cellular) to the meso (microcircuit) and macroscale (region or whole-brain level), while keeping at the same time a constraint on the demand of computational resources. In this paper we introduce a multiscale modeling framework for the hippocampal CA1, a region of the brain that plays a key role in functions such as learning, memory consolidation and navigation. Our modeling framework goes from the single cell level to the macroscale and makes use of a novel mean-field model of CA1, introduced in this paper, to bridge the gap between the micro and macro scales. We test and validate the model by analyzing the response of the system to the main brain rhythms observed in the hippocampus and comparing our results with the ones of the corresponding spiking network model of CA1. Then, we analyze the implementation of synaptic plasticity within our framework, a key aspect to study the role of hippocampus in learning and memory consolidation, and we demonstrate the capability of our framework to incorporate the variations at synaptic level. Finally, we present an example of the implementation of our model to study a stimulus propagation at the macro-scale level, and we show that the results of our framework can capture the dynamics obtained in the corresponding spiking network model of the whole CA1 area.

Abstract The CA1 region of the hippocampus is one of the most studied regions of the rodent brain, thought to play an important role in cognitive functions such as memory and spatial navigation. Despite a wealth of experimental data on its structure and function, it can be challenging to reconcile information obtained from diverse experimental approaches. To address this challenge, we present a community-driven, full-scale in silico model of the rat CA1 that integrates a broad range of experimental data, from synapse to network, including the reconstruction of its principal afferents, the Schaffer collaterals, and a model of the effects that acetylcholine has on the system. We have tested and validated each model component and the final network model, and made input data, assumptions, and strategies explicit and transparent. The flexibility of the model allows scientists to address a range of scientific questions. In this article, we describe the methods used to set up simulations that reproduce and extend in vitro and in vivo experiments. Among several applications in the article, we focus on theta rhythm, a prominent hippocampal oscillation associated with various behavioral correlates and use our computer model to reproduce and reconcile experimental findings. Finally, we make data, code and model available through the hippocampushub.eu portal, which also provides an extensive set of analyses of the model and a user-friendly interface to facilitate adoption and usage. This neuroscience community-driven model represents a valuable tool for integrating diverse experimental data and provides a foundation for further research into the complex workings of the hippocampal CA1 region.

In contrast with our everyday experience using brain circuits, it can take a prohibitively long time to train a computational system to produce the correct sequence of outputs in the presence of a series of inputs. This suggests that something important is missing in the way in which models are trying to reproduce basic cognitive functions. In this work, we introduce a new neuronal network architecture that is able to learn, in a single trial, an arbitrary long sequence of any known objects. The key point of the model was the explicit use of mechanisms and circuitry observed in the hippocampus, which allow the model to reach a level of efficiency and accuracy that, to the best of our knowledge, is not possible with abstract network implementations. By directly following the natural system's layout and circuitry, this approach has the additional advantage that the results can be more easily compared to experimental data, allowing a deeper and more direct understanding of the mechanisms underlying cognitive functions and dysfunctions, and opening the way to a new generation of learning architectures.