ABSTRACT The dorsal raphe nucleus (DRN) is an important source of serotonin in the brain but fundamental aspects of its function remain elusive. Here, we present a combination of minimally invasive recording and disruption studies to show that DRN brings about changes in motivation states. We use recently developed methods for identifying temporal patterns in behaviour to show that monkeys change their motivation depending on the availability of rewards in the environment. Distinctive patterns of DRN activity occur when monkeys transition between a high motivation state occupied when rewards are abundant, to a low motivation state engendered by reward scarcity. Disrupting DRN diminishes sensitivity to the reward environment and perturbs transitions in motivational states.

Use of functional MRI in awake non-human primate (NHPs) has recently increased. Scanning animals while awake makes data collection possible in the absence of anaesthetic modulation and with an extended range of possible experimental designs. Robust awake NHP imaging however is challenging due to the strong artifacts caused by time-varying off-resonance changes introduced by the animal9s body motion. Recently, an image reconstruction technique has been proposed to estimate these off-resonance changes using the navigator data that is typically collected during fMRI scans to correct the data and compensate for the changes. In this study, we sought to thoroughly investigate the effect of this correction on the brain activation estimates using extended awake NHP data. Our results show significant improvements in image fidelity using our proposed correction strategy, as well as greatly enhanced and more reliable activation estimates in GLM analyses.

Many psychiatric symptoms have been linked to threat-related perception and learning processes. In addition, however, there may also be mechanisms for balancing effectively between threat- and reward-related behaviors and these may also vary between individuals. We investigated neural activity associated with spontaneous switching between foraging for rewards and vigilance for threats with 7T fMRI. In a virtual naturalistic environment, participants freely switched between the two modes of behavior. Switching was driven by estimates of likelihood of threat and reward. Both tracking of threat and switching to vigilance were associated with specific but distributed patterns of activity spanning habenula, dorsal raphe nucleus (DRN), anterior cingulate cortex, and anterior insula cortex. Distinct distributed patterns heralded returns to reward-oriented behavior. Individual variation in DRN activity reflected individual variation in vigilance. All activity patterns were replicated in an initially held-out portion of data.

Introduction Use of functional MRI in awake non-human primate (NHPs) has recently increased. Scanning animals while awake makes data collection possible in the absence of anesthetic modulation and with an extended range of possible experimental designs. Robust awake NHP imaging however is challenging due to the strong artifacts caused by time-varying off-resonance changes introduced by the animal's body motion. In this study, we sought to thoroughly investigate the effect of a newly proposed dynamic off-resonance correction method on brain activation estimates using extended awake NHP data. Methods We correct for dynamic B0 changes in reconstruction of highly accelerated simultaneous multi-slice EPI acquisitions by estimating and correcting for dynamic field perturbations. Functional MRI data were collected in four male rhesus monkeys performing a decision-making task in the scanner, and analyses of improvements in sensitivity and reliability were performed compared to conventional image reconstruction. Results Applying the correction resulted in reduced bias and improved temporal stability in the reconstructed time-series data. We found increased sensitivity to functional activation at the individual and group levels, as well as improved reliability of statistical parameter estimates. Conclusions Our results show significant improvements in image fidelity using our proposed correction strategy, as well as greatly enhanced and more reliable activation estimates in GLM analyses.