Dopamine regulates the activity of neural networks in the prefrontal cortex that process working memory information, but its precise biophysical actions are poorly understood. The present study characterized the effects of dopamine on GABAergic inputs to prefrontal pyramidal neurons using whole-cell patch-clamp recordings in vitro . In most pyramidal cells, dopamine had a temporally biphasic effect on evoked IPSCs, producing an initial abrupt decrease in amplitude followed by a delayed increase in IPSC amplitude. Using receptor subtype-specific agonists and antagonists, we found that the initial abrupt reduction was D2 receptor-mediated, whereas the late, slower developing enhancement was D1 receptor-mediated. Linearly combining the effects of the two agonists could reproduce the biphasic dopamine effect. Because D1 agonists enhanced spontaneous (sIPSCs) but did not affect miniature (mIPSCs) IPSCs, it appears that D1 agonists caused larger evoked IPSCs by increasing the intrinsic excitability of interneurons and their axons. In contrast, D2 agonists had no effects on sIPSCs but did produce a significant reduction in mIPSCs, suggestive of a decrease in GABA release probability. In addition, D2 agonists reduced the postsynaptic response to a GABA A agonist. D1 and D2 receptors therefore regulated GABAergic activity in opposite manners and through different mechanisms in prefrontal cortex (PFC) pyramidal cells. This bidirectional modulation could have important implications for the computational properties of active PFC networks.

Dopamine acts mainly through the D1/D5 receptor in the prefrontal cortex (PFC) to modulate neural activity and behaviors associated with working memory. To understand the mechanism of this effect, we examined the modulation of excitatory synaptic inputs onto layer V PFC pyramidal neurons by D1/D5 receptor stimulation. D1/D5 agonists increased the size of N- methyl- d -aspartate (NMDA) component of excitatory postsynaptic currents (EPSCs) through a postsynaptic mechanism. In contrast, D1/D5 agonists caused a slight reduction in the size of the non-NMDA component of EPSCs through a small decrease in release probability. With 20 Hz synaptic trains, we found that the D1/D5 agonists increased depolarization of summating the NMDA component of excitatory postsynaptic potential (EPSP). By increasing the NMDA component of EPSCs, yet slightly reducing release, D1/D5 receptor activation selectively enhanced sustained synaptic inputs and equalized the sizes of EPSPs in a 20-Hz train.

One of the most intriguing aspects of adaptive behavior involves the inference of regularities and rules in ever-changing environments. Rules are often deduced through evidence-based learning which relies on the prefrontal cortex (PFC). This is a highly dynamic process, evolving trial by trial and therefore may not be adequately captured by averaging single-unit responses over numerous repetitions. Here, we employed advanced statistical techniques to visualize the trajectories of ensembles of simultaneously recorded medial PFC neurons on a trial-by-trial basis as rats deduced a novel rule in a set-shifting task. Neural populations formed clearly distinct and lasting representations of familiar and novel rules by entering unique network states. During rule acquisition, the recorded ensembles often exhibited abrupt transitions, rather than evolving continuously, in tight temporal relation to behavioral performance shifts. These results support the idea that rule learning is an evidence-based decision process, perhaps accompanied by moments of sudden insight.

Abstract Mechanistic and computational models in neuroscience usually take the form of systems of differential or time-recursive equations. The spatio-temporal behavior of such systems is the subject of dynamical systems theory (DST). DST provides a powerful mathematical toolbox for describing and analyzing neurobiological processes at any level, from molecules to behavior, and has been a mainstay of computational neuroscience for decades. Recently, recurrent neural networks (RNNs) became a popular machine learning tool for studying the nonlinear dynamics underlying neural or behavioral observations. By training RNNs on the same behavioral tasks as employed for animal subjects and dissecting their inner workings, insights and hypotheses about the neuro-computational underpinnings of behavior could be generated. Alternatively, RNNs may be trained directly on the physiological and behavioral time series at hand. Ideally, the once trained RNN would then be able to generate data with the same temporal and geometrical properties as those observed. This is called dynamical systems reconstruction , a burgeoning field in machine learning and nonlinear dynamics. Through this more powerful approach the trained RNN becomes a surrogate for the experimentally probed system, as far as its dynamical and computational properties are concerned. The trained system can then be systematically analyzed, probed and simulated. Here we will review this highly exciting and rapidly expanding field, including recent trends in machine learning that may as yet be less well known in neuroscience. We will also discuss important validation tests, caveats, and requirements of RNN-based dynamical systems reconstruction. Concepts and applications will be illustrated with various examples from neuroscience.

Abstract Substance use disorders (SUDs) are seen as a continuum ranging from goal‐directed and hedonic drug use to loss of control over drug intake with aversive consequences for mental and physical health and social functioning. The main goals of our interdisciplinary German collaborative research centre on Losing and Regaining Control over Drug Intake (ReCoDe) are (i) to study triggers (drug cues, stressors, drug priming) and modifying factors (age, gender, physical activity, cognitive functions, childhood adversity, social factors, such as loneliness and social contact/interaction) that longitudinally modulate the trajectories of losing and regaining control over drug consumption under real‐life conditions. (ii) To study underlying behavioural, cognitive and neurobiological mechanisms of disease trajectories and drug‐related behaviours and (iii) to provide non‐invasive mechanism‐based interventions. These goals are achieved by: (A) using innovative mHealth (mobile health) tools to longitudinally monitor the effects of triggers and modifying factors on drug consumption patterns in real life in a cohort of 900 patients with alcohol use disorder. This approach will be complemented by animal models of addiction with 24/7 automated behavioural monitoring across an entire disease trajectory; i.e. from a naïve state to a drug‐taking state to an addiction or resilience‐like state. (B) The identification and, if applicable, computational modelling of key molecular, neurobiological and psychological mechanisms (e.g., reduced cognitive flexibility) mediating the effects of such triggers and modifying factors on disease trajectories. (C) Developing and testing non‐invasive interventions (e.g., Just‐In‐Time‐Adaptive‐Interventions (JITAIs), various non‐invasive brain stimulations (NIBS), individualized physical activity) that specifically target the underlying mechanisms for regaining control over drug intake. Here, we will report on the most important results of the first funding period and outline our future research strategy.

Abstract Subjects learn to assign value to stimuli that predict outcomes. Novelty, rewards or punishment evoke reinforcing phasic dopamine release from midbrain neurons to ventral striatum that mediates expected value and salience of stimuli in humans and animals. It is however not clear whether phasic dopamine release is sufficient to form distinct engrams that encode salient stimuli within these circuits. We addressed this question in awake mice. Evoked phasic dopamine induced plasticity selectively to the population encoding of coincidently presented stimuli and increased their distinctness from other stimuli. Phasic dopamine thereby enhanced the decoding of previously paired stimuli and increased their perceived salience. This dopamine-induced plasticity mimicked population coding dynamics of conditioned stimuli during reinforcement learning. These findings provide a network coding mechanism of how dopaminergic learning signals promote value assignment to stimulus representations.

Abstract Working memory enables incorporation of recent experience into subsequent decision-making. This processing recruits both prefrontal cortex and hippocampus, where neurons encode task cues, rules and outcomes. However, precisely which information is carried when, and by which neurons, remains unclear. Using population decoding of activity in rat medial prefrontal cortex (mPFC) and dorsal hippocampal CA1, we confirm that mPFC populations lead in maintaining sample information across delays of an operant nonmatch to sample task, despite individual neurons firing only transiently. During sample encoding, distinct mPFC subpopulations joined distributed CA1-mPFC cell assemblies hallmarked by 4-5Hz rhythmic modulation; CA1-mPFC assemblies re-emerged during choice episodes, but were not 4-5Hz modulated. Delay-dependent errors arose when attenuated rhythmic assembly activity heralded collapse of sustained mPFC encoding; pharmacological disruption of CA1-mPFC assembly rhythmicity impaired task performance. Our results map component processes of memory-guided decisions onto heterogeneous CA1-mPFC subpopulations and the dynamics of physiologically distinct, distributed cell assemblies.

Our knowledge about neuronal activity in the sensorimotor cortex relies primarily on stereotyped movements that are strictly controlled in experimental settings. It remains unclear how results can be carried over to less constrained behavior like that of freely moving subjects. Toward this goal, we developed a self-paced behavioral paradigm that encouraged rats to engage in different movement types. We employed bilateral electrophysiological recordings across the entire sensorimotor cortex and simultaneous paw tracking. These techniques revealed behavioral coupling of neurons with lateralization and an anterior--posterior gradient from the premotor to the primary sensory cortex. The structure of population activity patterns was conserved across animals despite the severe under-sampling of the total number of neurons and variations in electrode positions across individuals. We demonstrated cross-subject and cross-session generalization in a decoding task through alignments of low-dimensional neural manifolds, providing evidence of a conserved neuronal code.

Dynamical brain state transitions are critical for flexible working memory but the network mechanisms are incompletely understood. Here, we show that working memory entails brain-wide switching between activity states. The stability of states relates to dopamine D1 receptor gene expression while state transitions are influenced by D2 receptor expression and pharmacological modulation. Schizophrenia patients show altered network control properties, including a more diverse energy landscape and decreased stability of working memory representations.

Spatial information is encoded by location-dependent hippocampal place cell firing rates and sub-second, rhythmic modulation of spike times. These rate and temporal codes have primarily been characterized in low-dimensional environments under limited cognitive demands; but how is coding configured in complex environments when individual place cells signal several locations, individual locations contribute to multiple routes and functional demands vary? Quantifying rat CA1 population dynamics during a decision-making task, we show that the phase of individual place cells9 spikes relative to the local theta rhythm shifts to differentiate activity in different place fields. Theta phase coding also disambiguates repeated visits to the same location during different routes, particularly preceding spatial decisions. Using unsupervised detection of cell assemblies alongside theoretical simulation, we show that integrating rate and phase coding mechanisms dynamically recruits units to different assemblies, generating spiking sequences that disambiguate episodes of experience and multiplexing spatial information with cognitive context.