Abstract When mice run, activity in their primary visual cortex (V1) is strongly modulated. This observation has altered conception of a brain region assumed to be a passive image processor. Extensive work has followed to dissect the circuits and functions of running-correlated modulation. However, it remains unclear whether visual processing in primates might similarly change during locomotion. We measured V1 activity in marmosets while they viewed stimuli on a treadmill. In contrast to mouse V1, marmoset V1 was slightly but reliably suppressed during running. Population-level analyses revealed trial-to-trial fluctuations of shared gain across V1 in both species, but these gain modulations were smaller and more often negatively correlated with running in marmosets. Thus, population-scale gain fluctuations of V1 reflect a common feature of mammalian visual cortical function, but important quantitative differences yield distinct consequences for the relation between vision and action in primates versus rodents.

Abstract We introduce a straightforward, robust method for recording and analyzing spiking activity over timeframes longer than a single session, with primary application to the marmoset ( Callithrix jacchus ). Although in theory the marmoset’s smooth brain allows for broad deployment of powerful tools in primate cortex, in practice marmosets do not typically engage in long experimental sessions akin to rhesus monkeys. This potentially limits their value for detailed, quantitative neurophysiological study. Here we describe chronically-implanted arrays with a 3D arrangement of electrodes yielding stable single and multi-unit responses, and an analytic method for creating “supersessions” combining that array data across multiple experiments. We could match units across different recording sessions over several weeks, demonstrating the feasibility of pooling data over sessions. This could be a key tool for extending the viability of marmosets for dissecting neural computations in primate cortex.

A new method for automated spike sorting for recordings with high density, large scale multielectrode arrays is presented. It is based on an efficient, low-dimensional representation of detected events by their estimated spatial current source locations and dominant spike shape features. Millions of events can be sorted in just minutes, and the full analysis chain scales roughly linearly with recording time. We demonstrate this method using recordings from the mouse retina with a 4,096 channel array, and present validation based on anatomical imaging and model-based quality control. Our analysis shows that it is feasible to reliably isolate the activity of hundreds to thousands of retinal ganglion cells in single recordings.