Summary

 Sequential activation of neurons is a common feature of network activity during a variety of behaviors, including working memory and decision making. Previous network models for sequences and memory emphasized specialized architectures in which a principled mechanism is pre-wired into their connectivity. Here we demonstrate that, starting from random connectivity and modifying a small fraction of connections, a largely disordered recurrent network can produce sequences and implement working memory efficiently. We use this process, called Partial In-Network Training (PINning), to model and match cellular resolution imaging data from the posterior parietal cortex during a virtual memory-guided two-alternative forced-choice task. Analysis of the connectivity reveals that sequences propagate by the cooperation between recurrent synaptic interactions and external inputs, rather than through feedforward or asymmetric connections. Together our results suggest that neural sequences may emerge through learning from largely unstructured network architectures.

Neuronal activity arises from an interaction between ongoing firing generated spontaneously by neural circuits and responses driven by external stimuli. Using mean-field analysis, we ask how a neural network that intrinsically generates chaotic patterns of activity can remain sensitive to extrinsic input. We find that inputs not only drive network responses, but they also actively suppress ongoing activity, ultimately leading to a phase transition in which chaos is completely eliminated. The critical input intensity at the phase transition is a nonmonotonic function of stimulus frequency, revealing a ``resonant'' frequency at which the input is most effective at suppressing chaos even though the power spectrum of the spontaneous activity peaks at zero and falls exponentially. A prediction of our analysis is that the variance of neural responses should be most strongly suppressed at frequencies matching the range over which many sensory systems operate.

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.

Abstract Miniature microscopes have gained considerable traction for in vivo calcium imaging in freely behaving animals. However, extracting calcium signals from raw videos is a computationally complex problem and remains a bottleneck for many researchers utilizing single-photon in vivo calcium imaging. Despite the existence of many powerful analysis packages designed to detect and extract calcium dynamics, most have either key parameters that are hard-coded or insufficient step-by-step guidance and validations to help the users choose the best parameters. This makes it difficult to know whether the output is reliable and meets the assumptions necessary for proper analysis. Moreover, large memory demand is often a constraint for setting up these pipelines since it limits the choice of hardware to specialized computers. Given these difficulties, there is a need for a low memory demand, user-friendly tool offering interactive visualizations of how altering parameters at each step of the analysis affects data output. Our open-source analysis pipeline, Minian (Miniscope Analysis), facilitates the transparency and accessibility of single-photon calcium imaging analysis, permitting users with little computational experience to extract the location of cells and their corresponding calcium traces and deconvolved neural activities. Minian contains interactive visualization tools for every step of the analysis, as well as detailed documentation and tips on parameter exploration. Furthermore, Minian has relatively small memory demands and can be run on a laptop, making it available to labs that do not have access to specialized computational hardware. Minian has been validated to reliably and robustly extract calcium events across different brain regions and from different cell types. In practice, Minian provides an open-source calcium imaging analysis pipeline with user-friendly interactive visualizations to explore parameters and validate results.

Abstract Cumulative stress is a major risk factor for developing major depressive disorder (MDD), yet not everyone experiencing chronic stress develops MDD. In those who do not, it is unclear at what point, or by what mechanism, a trajectory of stable resiliency emerges. Utilizing a 10-day repeated social defeat stress model (RSDS) for MDD, we observed that a critical period between 7 and 10 daily defeats marks the phenotypical divergence of resilient from susceptible mice. In response to ongoing stress, corticotropin-releasing factor (CRF) neurons of the oval nucleus of the bed nucleus of the stria terminalis (BNSTov) display a sustained increased firing rate in resilient, but not susceptible mice. This neurophysiological adaptation was self-sustaining, but only after 7 critical stress exposures, indicating that the process of developing resilience is dependent on stress history. Our study reveals a novel process by which individuals might persist in the face of adversity by way of stress-provoked activation, not inhibition of a key CRF limbic region that establishes a pathway to resilience.

Summary Cerebral cortex supports representations of the world in patterns of neural activity, used by the brain to make decisions and guide behavior. Past work has found diverse, or limited, changes in the primary sensory cortex in response to learning, suggesting the key computations might occur in downstream regions. Alternatively, sensory cortical changes may be central to learning. We studied cortical learning by using controlled inputs we insert: we trained mice to recognize entirely novel, non-sensory patterns of cortical activity in the primary visual cortex (V1) created by optogenetic stimulation. As animals learned to use these novel patterns, we found their detection abilities improved by an order of magnitude or more. The behavioral change was accompanied by large increases in V1 neural responses to fixed optogenetic input. Neural response amplification to novel optogenetic inputs had little effect on existing visual sensory responses. A recurrent cortical model shows that this amplification can be achieved by a small mean shift in recurrent network synaptic strength. Amplification would seem to be desirable to improve decision-making in a detection task, and therefore these results suggest that adult recurrent cortical plasticity plays a significant role in improving behavioral performance during learning.

Neurons recorded in behaving animals often do not discernibly respond to sensory input and are not overtly task-modulated. These nominally non-responsive neurons are difficult to interpret and are typically neglected from analysis, confounding attempts to connect neural activity to perception and behavior. Here we describe a trial-by-trial, spike-timing-based algorithm to reveal the hidden coding capacities of these neurons in auditory and frontal cortex of behaving rats. Responsive and nominally non-responsive cells contained significant information about sensory stimuli and behavioral decisions, and network modeling indicated that nominally non-responsive cells are important for task performance. Sensory input was more accurately represented in frontal cortex than auditory cortex, via ensembles of nominally non-responsive cells coordinating the behavioral meaning of spike timings on correct but not error trials. This unbiased approach allows the contribution of all recorded neurons - particularly those without obvious task-modulation - to be assessed for behavioral relevance on single trials.

Abstract Distinguishing between complex nonlinear neural time-series patterns is a challenging problem in neuroscience. Accurately classifying different patterns could be useful for a wide variety of applications, e.g. detecting seizures in epilepsy and optimizing control spaces for brain-machine interfaces. It remains challenging to correctly distinguish nonlinear time-series patterns because of the high intrinsic dimensionality of such data, making accurate inference of state changes (for intervention or control) difficult. On the one hand, simple distance metrics, which can be computed quickly, often do not yield accurate classifications; on the other hand, ensembles or deep supervised approaches offer high accuracy but are training data intensive. We introduce a reservoir-based tool, state tracker (TRAKR), which provides the high accuracy of ensembles or deep supervised methods while preserving the benefits of simple distance metrics in being applicable to single examples of training data (one-shot classification). We show that TRAKR instantaneously detects deviations in dynamics as they occur through time, and can distinguish between up to 40 patterns from different chaotic data recurrent neural networks (RNNs) with above-chance accuracy. We apply TRAKR to a benchmark time-series dataset – permuted sequential MNIST – and show that it achieves high accuracy, performing on par with deep supervised networks and outperforming other distance-metric based approaches. We also apply TRAKR to electrocorticography (ECoG) data from the macaque orbitofrontal cortex (OFC) and, similarly, find that TRAKR performs on par with deep supervised networks, and more accurately than commonly used approaches such as Dynamic Time Warping (DTW). Altogether, TRAKR allows for high accuracy classification of time-series patterns from a range of different biological and non-biological datasets based on single training examples. These results demonstrate that TRAKR could be a viable alternative in the analysis of time-series data, offering the potential to generate new insights into the information encoded in neural circuits from single-trial data.

ABSTRACT Functional neuroimaging studies indicate that interconnected parts of the subcallosal anterior cingulate cortex (ACC), striatum, and amygdala play a fundamental role in affect in health and disease. Yet, while the patterns of neural activity engaged in striatum and amygdala during affective processing are well established, especially during reward anticipation, little is known about subcallosal ACC. Here we recorded neural activity in non-human primate subcallosal ACC and compared this to interconnected parts of basolateral amygdala and rostromedial striatum while macaque monkeys performed reward-based tasks. Applying multiple analysis approaches, we found that neurons in subcallosal ACC and rostromedial striatum preferentially signal anticipated reward using short bursts of activity that form temporally specific patterns. By contrast, basolateral amygdala uses a mixture of both temporally specific and more sustained patterns of activity to signal anticipated reward. Thus, dynamic patterns of neural activity across populations of neurons are engaged in affect, especially in subcallosal ACC. HIGHLIGHTS Sustained changes in neural activity signal anticipated reward in basolateral amygdala Temporally specific patterns signal anticipated reward in all areas recorded Neurons exhibit more punctate encoding when tasks become more complex Temporally specific patterns of neural activity signal different anticipated rewards in BLA

Abstract Neuronal responses during behavior are diverse, ranging from highly reliable ‘classical’ responses to irregular ‘non-classically responsive’ firing. While a continuum of response properties is observed across neural systems, little is known about the synaptic origins and contributions of diverse responses to network function, perception, and behavior. To capture the heterogeneous responses measured from auditory cortex of rodents performing a frequency recognition task, we use a novel task-performing spiking recurrent neural network incorporating spike-timing-dependent plasticity. Reliable and irregular units contribute differentially to task performance via output and recurrent connections, respectively. Excitatory plasticity shifts the response distribution while inhibition constrains its diversity. Together both improve task performance with full network engagement. The same local patterns of synaptic inputs predict spiking response properties of network units and auditory cortical neurons from in vivo whole-cell recordings during behavior. Thus, diverse neural responses contribute to network function and emerge from synaptic plasticity rules.