ABSTRACT Behavior arises from the coordinated activity of numerous anatomically and functionally distinct brain regions. Modern experimental tools allow unprecedented access to large neural populations spanning many interacting regions brain-wide. Yet, understanding such large-scale datasets necessitates both scalable computational models to extract meaningful features of inter-region communication and principled theories to interpret those features. Here, we introduce Current-Based Decomposition (CURBD), an approach for inferring brain-wide interactions using data-constrained recurrent neural network models that directly reproduce experimentally-obtained neural data. CURBD leverages the functional interactions inferred by such models to reveal directional currents between multiple brain regions. We first show that CURBD accurately isolates inter-region currents in simulated networks with known dynamics. We then apply CURBD to multi-region neural recordings obtained from mice during running, macaques during Pavlovian conditioning, and humans during memory retrieval to demonstrate the widespread applicability of CURBD to untangle brain-wide interactions underlying behavior from a variety of neural datasets.

Humans have the remarkable cognitive capacity to rapidly adapt to changing environments. Central to this capacity is the ability to form high-level, abstract representations that take advantage of regularities in the world to support generalization

The amygdala plays an important role in many aspects of social-cognition and reward-learning. Here we aimed to determine whether human amygdala neurons are involved in the computations necessary to implement learning through observation. We performed single-neuron recordings from the amygdalae of human neurosurgical patients (male and female) while they learned about the value of stimuli through observing the outcomes experienced by another agent interacting with those stimuli. We used a detailed computational modeling approach to describe patients' behavior in the task. Then, using both population-level decoding and single neuron analyses we found evidence to implicate amygdala neurons in two key computations relevant for observational-learning: tracking the expected future reward associated with a given stimulus, and in tracking outcome values received by oneself or other agents. Encoding and decoding analyses suggested observational value coding in amygdala neurons occurred in a different subset of neurons than experiential value coding. Collectively, these findings support a key role for the human amygdala in the computations underlying the capacity for learning through observation.

Decisions in complex environments rely on flexibly utilizing past experience as required by context and instructions. This process depends on medial frontal cortex (MFC) and the medial temporal lobe (MTL), but it remains unknown how these structures interact during memory retrieval. We recorded single neurons in MFC and MTL while human subjects switched between making memory and categorization-based decisions. Here we show that MFC rapidly implements changing task demands by utilizing different subspaces of neural activity during different types of decisions. Choices requiring memory retrieval selectively engaged phase-locking between theta-frequency band oscillations in MTL and MFC neurons. Choice neurons signaled decisions independent of output modality. In contrast, no effect of task demands was seen locally in the MTL. This work reveals a mechanism for selectively engaging memory retrieval and shows that unlike perceptual decision-making, memory-related information is only represented in frontal cortex when choices require it.

Decisions in complex environments rely on flexibly utilizing past experience as required by context and instructions[1][1]. This process depends on the medial frontal cortex (MFC) and the medial temporal lobe (MTL)[2][2]-[5][3], but it remains unknown how these structures jointly implement flexible memory retrieval[6][4],[7][5]. We recorded single neurons in MFC and MTL while human subjects switched[8][6] between making memory- and categorization-based decisions[9][7],[10][8]. Here we show that MFC rapidly implements changing task demands by utilizing different subspaces of neural activity during different types of decisions. In contrast, no effect of task demands was seen in the MTL. Choices requiring memory retrieval selectively engaged phase-locking of MFC neurons to field potentials in the theta-frequency band in the MTL. Choice-selective neurons in MFC signaled abstract yes-no decisions independent of behavioral response modality (button press or saccade). These findings reveal a novel mechanism for flexibly and selectively engaging memory retrieval[11][9]-[14][10] and show that unlike perceptual decision-making[15][11], memory-related information is only represented in frontal cortex when choices require it. [1]: #ref-1 [2]: #ref-2 [3]: #ref-5 [4]: #ref-6 [5]: #ref-7 [6]: #ref-8 [7]: #ref-9 [8]: #ref-10 [9]: #ref-11 [10]: #ref-14 [11]: #ref-15