Abstract Cells of different types perform diverse computations and coordinate their activity during sensation, perception, and action. While electrophysiological approaches can measure the activity of many neurons simultaneously, assigning cell type labels to these neurons is an open problem. Here, we develop PhysMAP, a framework that weighs multiple electrophysiological modalities simultaneously in an unsupervised manner and obtain an interpretable representation that separates neurons by cell type. PhysMAP is superior to any single electrophysiological modality in identifying neuronal cell types such as excitatory pyramidal, PV + interneurons, and SOM + interneurons with high confidence in both juxtacellular and extracellular recordings and from multiple areas of the mouse brain. PhysMAP built on ground truth data can be used for classifying cell types in new and existing electrophysiological datasets, and thus facilitate simultaneous assessment of the coordinated dynamics of multiple neuronal cell types during behavior.

Behavioral neuroscience faces two conflicting demands: long-duration recordings from large neural populations and unimpeded animal behavior. To meet this challenge, we developed ONIX, an open-source data acquisition system with high data throughput (2GB/sec) and low closed-loop latencies (<1ms) that uses a novel 0.3 mm thin tether to minimize behavioral impact. Head position and rotation are tracked in 3D and used to drive active commutation without torque measurements. ONIX can acquire from combinations of passive electrodes, Neuropixels probes, head-mounted microscopes, cameras, 3D-trackers, and other data sources. We used ONIX to perform uninterrupted, long (∼7 hours) neural recordings in mice as they traversed complex 3-dimensional terrain. ONIX allowed exploration with similar mobility as non-implanted animals, in contrast to conventional tethered systems which restricted movement. By combining long recordings with full mobility, our technology will enable new progress on questions that require high-quality neural recordings during ethologically grounded behaviors.

Abstract Given its inputs from auditory structures and neuromodulatory systems, the posterior tail of the striatum is ideally positioned to influence behavioral responses to acoustic stimuli according to context and previous rewards. Results from previous studies indicate that neurons in this striatal region display selective responses to sounds. However, it is not clear whether different striatal cell classes code for distinct features of sounds, nor how different striatal output pathways may use acoustic information to guide behavior. Here we compared the sound-evoked responses of posterior striatal neurons that form the striatal direct pathway (and express the dopamine receptor D1) to the responses of neighboring neurons in naive mice. We achieved this via optogenetic photo-identification of D1-expressing neurons during extracellular electrophysiological recordings in awake head-fixed mice of both sexes. We found that the frequency tuning of sound-responsive direct-pathway striatal neurons is comparable to that of their sound-responsive neighbors. Moreover, we found that both populations encode amplitude modulated sounds in a similar fashion. These results suggest that different classes of neurons in the posterior striatum of naive animals have similar access to acoustic features conveyed by the auditory system even outside the context of an auditory task.

To understand the neural basis of behavior, it is essential to measure spiking dynamics across many interacting brain regions. While new technology, such as Neuropixels probes, facilitates multi-regional recordings, significant surgical and procedural hurdles remain for these experiments to achieve their full potential. Here, we describe a novel 3D-printed cranial implant for electrophysiological recordings from distributed areas of the mouse brain. The skull-shaped implant is designed with customizable insertion holes, allowing targeting of dozens of cortical and subcortical structures in single mice. We demonstrate the procedure9s high success rate, implant biocompatibility, lack of adverse effects on behavior training, compatibility with optical imaging and optogenetics, and repeated high-quality Neuropixels recordings over multiple days. To showcase the scientific utility of this new methodology, we use multi-probe recordings to reveal how alpha rhythms organize spiking activity across visual and sensorimotor networks. Overall, this methodology enables powerful large-scale electrophysiological measurements for the study of distributed computation in the mouse brain.

Abstract The ability to separate background noise from relevant acoustic signals is essential for appropriate sound-driven behavior in natural environments. Examples of this separation are apparent in the auditory system, where neural responses to behaviorally relevant stimuli become increasingly noise-invariant along the ascending auditory pathway. However, the mechanisms that underlie this reduction in responses to background noise are not well understood. To address this gap in knowledge, we first evaluated the effects of auditory cortical inactivation on mice of both sexes trained to perform a simple auditory signal-in-noise detection task, and found that outputs from the auditory cortex are important for the detection of auditory stimuli in noisy environments. Next, we evaluated the contributions of the two most common cortical inhibitory cell types, parvalbumin-expressing (PV + ) and somatostatin-expressing (SOM + ) interneurons, to the perception of masked auditory stimuli. We found that inactivation of either PV + or SOM + cells resulted in a reduction in the ability of mice to determine the presence of auditory stimuli masked by noise. These results indicate that a disruption of auditory cortical network dynamics by either of these two types of inhibitory cells is sufficient to impair the ability to separate acoustic signals from noise. Significance Statement Appropriate behavior in a natural environment relies on the ability to separate background noise from relevant signals. We found that auditory cortical inhibitory neurons play a causal role in separating environmental noise from behaviorally relevant auditory signals. These results advance our understanding of the computations performed by the auditory system to decompose and analyze acoustic stimuli in the presence of noise.