Abstract Anatomical connectivity and recent neurophysiological results imply that grid cells in the medial entorhinal cortex are the principal cortical inputs to place cells in the hippocampus. The authors propose a model in which place fields of hippocampal pyramidal cells are formed by linear summation of appropriately weighted inputs from entorhinal grid cells. Single confined place fields could be formed by summing input from a modest number (10–50) of grid cells with relatively similar grid phases, diverse grid orientations, and a biologically plausible range of grid spacings. When the spatial phase variation in the grid‐cell input was higher, multiple, and irregularly spaced firing fields were formed. These observations point to a number of possible constraints in the organization of functional connections between grid cells and place cells. © 2006 Wiley‐Liss, Inc.

Leaky integrate-and-fire (LIF) network models are commonly used to study how the spiking dynamics of neural networks changes with stimuli, tasks or dynamic network states. However, neurophysiological studies in vivo often rather measure the mass activity of neuronal microcircuits with the local field potential (LFP). Given that LFPs are generated by spatially separated currents across the neuronal membrane, they cannot be computed directly from quantities defined in models of point-like LIF neurons. Here, we explore the best approximation for predicting the LFP based on standard output from point-neuron LIF networks. To search for this best “LFP proxy”, we compared LFP predictions from candidate proxies based on LIF network output (e.g, firing rates, membrane potentials, synaptic currents) with “ground-truth” LFP obtained when the LIF network synaptic input currents were injected into an analogous three-dimensional (3D) network model of multi-compartmental neurons with realistic morphology, spatial distributions of somata and synapses. We found that a specific fixed linear combination of the LIF synaptic currents provided an accurate LFP proxy, accounting for most of the variance of the LFP time course observed in the 3D network for all recording locations. This proxy performed well over a broad set of conditions, including substantial variations of the neuronal morphologies. Our results provide a simple formula for estimating the time course of the LFP from LIF network simulations in cases where a single pyramidal population dominates the LFP generation, and thereby facilitate quantitative comparison between computational models and experimental LFP recordings in vivo.

The local field potential (LFP) reflects activity of many neurons in the vicinity of the recording electrode and is therefore useful for studying local network dynamics. Much of the nature of the LFP is, however, still unknown. There are, for instance, contradicting reports on the spatial extent of the region generating the LFP. Here, we use a detailed biophysical modeling approach to investigate the size of the contributing region by simulating the LFP from a large number of neurons around the electrode. We find that the size of the generating region depends on the neuron morphology, the synapse distribution, and the correlation in synaptic activity. For uncorrelated activity, the LFP represents cells in a small region (within a radius of a few hundred micrometers). If the LFP contributions from different cells are correlated, the size of the generating region is determined by the spatial extent of the correlated activity.

A new method for estimation of current-source density (CSD) from local field potentials is presented. This inverse CSD (iCSD) method is based on explicit inversion of the electrostatic forward solution and can be applied to data from multielectrode arrays with various geometries. Here, the method is applied to linear-array (laminar) electrode data. Three iCSD methods are considered: the CSD is assumed to have cylindrical symmetry and be (i) localized in infinitely thin discs, (ii) step-wise constant or (iii) continuous and smoothly varying (using cubic splines) in the vertical direction. For spatially confined CSD distributions the standard CSD method, involving a discrete double derivative, is seen in model calculations to give significant estimation errors when the lateral source dimension is comparable to the size of a cortical column (less than approximately 1 mm). Further, discontinuities in the extracellular conductivity are seen to potentially give sizable errors for even wider source distributions. The iCSD methods are seen to give excellent estimates when the correct lateral source dimension and spatial distribution of conductivity are incorporated. To illustrate the application to real data, iCSD estimates of stimulus-evoked responses measured with laminar electrodes in the rat somatosensory (barrel) cortex are compared to estimates from the standard CSD method.

Identification of the cellular players and molecular messengers that communicate neuronal activity to the vasculature driving cerebral hemodynamics is important for (1) the basic understanding of cerebrovascular regulation and (2) interpretation of functional Magnetic Resonance Imaging (fMRI) signals. Using a combination of optogenetic stimulation and 2-photon imaging in mice, we demonstrate that selective activation of cortical excitation and inhibition elicits distinct vascular responses and identify the vasoconstrictive mechanism as Neuropeptide Y (NPY) acting on Y1 receptors. The latter implies that task-related negative Blood Oxygenation Level Dependent (BOLD) fMRI signals in the cerebral cortex under normal physiological conditions may be mainly driven by the NPY-positive inhibitory neurons. Further, the NPY-Y1 pathway may offer a potential therapeutic target in cerebrovascular disease.

Calcium-dependent release of vasoactive gliotransmitters is widely assumed to trigger vasodilation associated with rapid increases in neuronal activity. Inconsistent with this hypothesis, intact stimulus-induced vasodilation was observed in inositol 1,4,5-triphosphate (IP3) type-2 receptor (R2) knock-out (KO) mice, in which the primary mechanism of astrocytic calcium increase-the release of calcium from intracellular stores following activation of an IP3-dependent pathway-is lacking. Further, our results in wild-type (WT) mice indicate that in vivo onset of astrocytic calcium increase in response to sensory stimulus could be considerably delayed relative to the simultaneously measured onset of arteriolar dilation. Delayed calcium increases in WT mice were observed in both astrocytic cell bodies and perivascular endfeet. Thus, astrocytes may not play a role in the initiation of blood flow response, at least not via calcium-dependent mechanisms. Moreover, an increase in astrocytic intracellular calcium was not required for normal vasodilation in the IP3R2-KO animals.

Abstract Recordings of extracellular electrical, and later also magnetic, brain signals have been the dominant technique for measuring brain activity for decades. The interpretation of such signals is however nontrivial, as the measured signals result from both local and distant neuronal activity. In volume-conductor theory the extracellular potentials can be calculated from a distance-weighted sum of contributions from transmembrane currents of neurons. Given the same transmembrane currents, the contributions to the magnetic field recorded both inside and outside the brain can also be computed. This allows for the development of computational tools implementing forward models grounded in the biophysics underlying electrical and magnetic measurement modalities. LFPy ( LFPy.readthedocs.io ) incorporated a well-established scheme for predicting extracellular potentials of individual neurons with arbitrary levels of biological detail. It relies on NEURON ( neuron.yale.edu ) to compute transmembrane currents of multicompartment neurons which is then used in combination with an electrostatic forward model. Its functionality is now extended to allow for modeling of networks of multicompartment neurons with concurrent calculations of extracellular potentials and current dipole moments. The current dipole moments are then, in combination with suitable volume-conductor head models, used to compute non-invasive measures of neuronal activity, like scalp potentials (electroencephalographic recordings; EEG) and magnetic fields outside the head (magnetoencephalographic recordings; MEG). One such built-in head model is the four-sphere head model incorporating the different electric conductivities of brain, cerebrospinal fluid, skull and scalp. We demonstrate the new functionality of the software by constructing a network of biophysically detailed multicompartment neuron models from the Neocortical Microcircuit Collaboration (NMC) Portal ( bbp.epfl.ch/nmc-portal ) with corresponding statistics of connections and synapses, and compute in vivo -like extracellular potentials (local field potentials, LFP; electrocorticographical signals, ECoG) and corresponding current dipole moments. From the current dipole moments we estimate corresponding EEG and MEG signals using the four-sphere head model. We also show strong scaling performance of LFPy with different numbers of message-passing interface (MPI) processes, and for different network sizes with different density of connections. The open-source software LFPy is equally suitable for execution on laptops and in parallel on high-performance computing (HPC) facilities and is publicly available on GitHub.com .

ABSTRACT En route from retina to cortex, visual information passes through the dorsolateral geniculate nucleus of the thalamus (dLGN), where extensive corticothalamic (CT) feedback has been suggested to modulate spatial processing. How this modulation arises from direct excitatory and indirect inhibitory CT feedback pathways remains enigmatic. Here we show that in awake mice, retinotopically organized cortical feedback sharpens receptive fields (RFs) and increases surround suppression in the dLGN. Guided by a network model indicating that widespread inhibitory CT feedback is necessary to reproduce these effects, we targeted the visual sector of the thalamic reticular nucleus (visTRN) for recordings. We found that visTRN neurons have large receptive fields, show little surround suppression, and exhibit strong feedback-dependent responses to large stimuli. These features make them an ideal candidate for mediating feedback-enhanced surround suppression in the dLGN. We conclude that cortical feedback sculpts spatial integration in dLGN, likely via recruitment of neurons in visTRN.

Abstract Experimental studies in neuroscience are producing data at a rapidly increasing rate, providing exciting opportunities and formidable challenges to existing theoretical and modeling approaches. To turn massive datasets into predictive quantitative frameworks, the field needs software solutions for systematic integration of data into realistic, multiscale models. Here we describe the Brain Modeling ToolKit (BMTK), a software suite for building models and performing simulations at multiple levels of resolution, from biophysically detailed multi-compartmental, to point-neuron, to population-statistical approaches. Leveraging the SONATA file format and existing software such as NEURON, NEST, and others, BMTK offers consistent user experience across multiple levels of resolution. It permits highly sophisticated simulations to be set up with little coding required, thus lowering entry barriers to new users. We illustrate successful applications of BMTK to large-scale simulations of a cortical area. BMTK is an open-source package provided as a resource supporting modeling-based discovery in the community.

Abstract Most modeling in systems neuroscience has been descriptive where neural representations, that is, ‘receptive fields’, have been found by statistically correlating neural activity to sensory input. In the traditional physics approach to modelling, hypotheses are represented by mechanistic models based on the underlying building blocks of the system, and candidate models are validated by comparing with experiments. Until now validation of mechanistic cortical network models has been based on comparison with neuronal spikes, found from the high-frequency part of extracellular electrical potentials. In this computational study we investigated to what extent the low-frequency part of the signal, the local field potential (LFP), can be used to infer properties of the neuronal network. In particular, we asked the question whether the LFP can be used to accurately estimate synaptic connection weights in the underlying network. We considered the thoroughly analysed Brunel network comprising an excitatory and an inhibitory population of recurrently connected integrate-and-fire (LIF) neurons. This model exhibits a high diversity of spiking network dynamics depending on the values of only three synaptic weight parameters. The LFP generated by the network was computed using a hybrid scheme where spikes computed from the point-neuron network were replayed on biophysically detailed multicompartmental neurons. We assessed how accurately the three model parameters could be estimated from power spectra of stationary ‘background’ LFP signals by application of convolutional neural nets (CNNs). All network parameters could be very accurately estimated, suggesting that LFPs indeed can be used for network model validation. Significance statement Most of what we have learned about brain networks in vivo have come from the measurement of spikes (action potentials) recorded by extracellular electrodes. The low-frequency part of these signals, the local field potential (LFP), contains unique information about how dendrites in neuronal populations integrate synaptic inputs, but has so far played a lesser role. To investigate whether the LFP can be used to validate network models, we computed LFP signals for a recurrent network model (the Brunel network) for which the ground-truth parameters are known. By application of convolutional neural nets (CNNs) we found that the synaptic weights indeed could be accurately estimated from ‘background’ LFP signals, suggesting a future key role for LFP in development of network models.