The authors use cell type–specific transgenic mouse lines, optogenetics and patch-clamp recordings to provide new insights into hippocampal anatomy and function. They find that dentate granule cells of the hippocampus, which were believed to not project to CA2, do indeed send functional monosynaptic inputs to CA2 pyramidal cells. CA2 innervates CA1, but, unlike CA3, projects preferentially to the deep rather than superficial sublayer of CA1. Moreover, the authors find that layer 3 of the entorhinal cortex does not project to CA2. The formation and recall of episodic memory requires precise information processing by the entorhinal-hippocampal network. For several decades, the trisynaptic circuit entorhinal cortex layer II (ECII)→dentate gyrus→CA3→CA1 and the monosynaptic circuit ECIII→CA1 have been considered the primary substrates of the network responsible for learning and memory. Circuits linked to another hippocampal region, CA2, have only recently come to light. Using highly cell type–specific transgenic mouse lines, optogenetics and patch-clamp recordings, we found that dentate gyrus cells, long believed to not project to CA2, send functional monosynaptic inputs to CA2 pyramidal cells through abundant longitudinal projections. CA2 innervated CA1 to complete an alternate trisynaptic circuit, but, unlike CA3, projected preferentially to the deep, rather than to the superficial, sublayer of CA1. Furthermore, contrary to existing knowledge, ECIII did not project to CA2. Our results allow a deeper understanding of the biology of learning and memory.

ABSTRACT Hippocampal ripples are transient population bursts that structure cortico-hippocampal communication and play a central role in memory processing. However, the mechanisms controlling ripple initiation in behaving animals remain poorly understood. Here we combine multisite extracellular and whole cell recordings in awake mice to contrast the brain state and ripple modulation of subthreshold dynamics across hippocampal subfields. We find that entorhinal input to DG exhibits UP and DOWN dynamics with ripples occurring exclusively in UP states. While elevated cortical input in UP states generates depolarization in DG and CA1, it produces persistent hyperpolarization in CA3 neurons. Furthermore, growing inhibition is evident in CA3 throughout the course of the ripple buildup, while DG and CA1 neurons exhibit depolarization transients 100 ms before and during ripples. These observations highlight the importance of CA3 inhibition for ripple generation, while pre-ripple responses indicate a long and orchestrated ripple initiation process in the awake state.

Cognitive maps confer animals with flexible intelligence by representing spatial, temporal, and abstract relationships that can be used to shape thought, planning, and behavior. Cognitive maps have been observed in the hippocampus, but their algorithmic form and the processes by which they are learned remain obscure. Here, we employed large-scale, longitudinal two-photon calcium imaging to record activity from thousands of neurons in the CA1 region of the hippocampus while mice learned to efficiently collect rewards from two subtly different versions of linear tracks in virtual reality. The results provide a detailed view of the formation of a cognitive map in the hippocampus. Throughout learning, both the animal behavior and hippocampal neural activity progressed through multiple intermediate stages, gradually revealing improved task representation that mirrored improved behavioral efficiency. The learning process led to progressive decorrelations in initially similar hippocampal neural activity within and across tracks, ultimately resulting in orthogonalized representations resembling a state machine capturing the inherent structure of the task. We show that a Hidden Markov Model (HMM) and a biologically plausible recurrent neural network trained using Hebbian learning can both capture core aspects of the learning dynamics and the orthogonalized representational structure in neural activity. In contrast, we show that gradient-based learning of sequence models such as Long Short-Term Memory networks (LSTMs) and Transformers do not naturally produce such orthogonalized representations. We further demonstrate that mice exhibited adaptive behavior in novel task settings, with neural activity reflecting flexible deployment of the state machine. These findings shed light on the mathematical form of cognitive maps, the learning rules that sculpt them, and the algorithms that promote adaptive behavior in animals. The work thus charts a course toward a deeper understanding of biological intelligence and offers insights toward developing more robust learning algorithms in artificial intelligence.