Fast excitatory neurotransmission is mediated by activation of synaptic ionotropic glutamate receptors. In hippocampal slices, we report that stimulation of Schaffer collaterals evokes in CA1 neurons delayed inward currents with slow kinetics, in addition to fast excitatory postsynaptic currents. Similar slow events also occur spontaneously, can still be observed when neuronal activity and synaptic glutamate release are blocked, and are found to be mediated by glutamate released from astrocytes acting preferentially on extrasynaptic NMDA receptors. The slow currents can be triggered by stimuli that evoke Ca2+ oscillations in astrocytes, including photolysis of caged Ca2+ in single astrocytes. As revealed by paired recording and Ca2+ imaging, a striking feature of this NMDA receptor response is that it occurs synchronously in multiple CA1 neurons. Our results reveal a distinct mechanism for neuronal excitation and synchrony and highlight a functional link between astrocytic glutamate and extrasynaptic NMDA receptors.

Astrocytes modulate neuronal activity by releasing chemical transmitters via a process termed gliotransmission. The role of this process in the control of behavior is unknown. Since one outcome of SNARE-dependent gliotransmission is the regulation of extracellular adenosine and because adenosine promotes sleep, we genetically inhibited the release of gliotransmitters and asked if astrocytes play an unsuspected role in sleep regulation. Inhibiting gliotransmission attenuated the accumulation of sleep pressure, assessed by measuring the slow wave activity of the EEG during NREM sleep, and prevented cognitive deficits associated with sleep loss. Since the sleep-suppressing effects of the A1 receptor antagonist CPT were prevented following inhibition of gliotransmission and because intracerebroventricular delivery of CPT to wild-type mice mimicked the transgenic phenotype, we conclude that astrocytes modulate the accumulation of sleep pressure and its cognitive consequences through a pathway involving A1 receptors.

Imaging neuronal activity with high and homogeneous spatial resolution across the field-of-view (FOV) and limited invasiveness in deep brain regions is fundamental for the progress of neuroscience, yet is a major technical challenge. We achieved this goal by correcting optical aberrations in gradient index lens-based ultrathin (≤500 µm) microendoscopes using aspheric microlenses generated through 3D-microprinting. Corrected microendoscopes had extended FOV ( eFOV ) with homogeneous spatial resolution for two-photon fluorescence imaging and required no modification of the optical set-up. Synthetic calcium imaging data showed that, compared to uncorrected endoscopes, eFOV -microendoscopes led to improved signal-to-noise ratio and more precise evaluation of correlated neuronal activity. We experimentally validated these predictions in awake head-fixed mice. Moreover, using eFOV- microendoscopes we demonstrated cell-specific encoding of behavioral state-dependent information in distributed functional subnetworks in a primary somatosensory thalamic nucleus. eFOV- microendoscopes are, therefore, small-cross-section ready-to-use tools for deep two-photon functional imaging with unprecedentedly high and homogeneous spatial resolution.

Abstract Calcium dynamics into astrocytes influence the activity of nearby neuronal structures. However, because previous reports show that astrocytic calcium signals largely mirror neighboring neuronal activity, current information coding models neglect astrocytes. Using simultaneous two-photon calcium imaging of astrocytes and neurons in the hippocampus of mice navigating a virtual environment, we demonstrate that astrocytic calcium signals actively encode spatial information. Calcium events carrying spatial information occurred in topographically organized astrocytic subregions. Importantly, astrocytes encoded spatial information that was complementary and synergistic to that carried by neurons, improving spatial position decoding when astrocytic signals were considered alongside neuronal ones. These results suggest that the complementary place-dependence of localized astrocytic calcium signals regulates clusters of nearby synapses, enabling dynamic, context-dependent, variations in population coding within brain circuits.

Abstract Changes in the intracellular calcium concentration are a fundamental fingerprint of astrocytes, the main type of glial cell. Astrocyte calcium signals can be measured with two-photon microscopy, occur in anatomically restricted subcellular regions, and are coordinated across astrocytic networks. However, current analytical tools to identify the astrocytic subcellular regions where calcium signals occur are time-consuming and extensively rely on user-defined parameters. These limitations limit reproducibility and prevent scalability to large datasets and fields-of-view. Here, we present Astrocytic calcium Spatio-Temporal Rapid Analysis (ASTRA), a novel software combining deep learning with image feature engineering for fast and fully automated semantic segmentation of two-photon calcium imaging recordings of astrocytes. We applied ASTRA to several two-photon microscopy datasets and found that ASTRA performed rapid detection and segmentation of astrocytic cell somata and processes with performance close to that of human experts, outperformed state-of-the-art algorithms for the analysis of astrocytic and neuronal calcium data, and generalized across indicators and acquisition parameters. We also applied ASTRA to the first report of two-photon mesoscopic imaging of hundreds of astrocytes in awake mice, documenting large-scale redundant and synergistic interactions in extended astrocytic networks. ASTRA is a powerful tool enabling closed-loop and large-scale reproducible investigation of astrocytic morphology and function.

Abstract The electroencephalogram (EEG) is one of the main tools for non-invasively studying brain function and dysfunction. To better interpret EEGs in terms of neural mechanisms, it is important to compare experimentally recorded EEGs with the output of neural network models. Most current neural network models use networks of simple point neurons. They capture important properties of cortical dynamics, and are numerically or analytically tractable. However, point neuron networks cannot directly generate an EEG, since EEGs are generated by spatially separated transmembrane currents. Here, we explored how to compute an accurate approximation of the EEG with a combination of quantities defined in point-neuron network models. We constructed several different candidate approximations (or proxies) of the EEG that can be computed from networks of leaky integrate-and-fire (LIF) point neurons, such as firing rates, membrane potentials, and specific combinations of synaptic currents. We then evaluated how well each proxy reconstructed a realistic ground-truth EEG obtained when the synaptic input currents of the LIF network were fed into a three-dimensional (3D) network model of multi-compartmental neurons with realistic cell morphologies. We found that a new class of proxies, based on an optimized linear combination of time-shifted AMPA and GABA currents, provided the most accurate estimate of the EEG over a wide range of network states of the LIF point-neuron network. The new linear proxies explained most of the variance (85-95%) of the ground-truth EEG for a wide range of cell morphologies, distributions of presynaptic inputs, and position of the recording electrode. Non-linear proxies, obtained using a convolutional neural network (CNN) to predict the EEG from synaptic currents, increased proxy performance by a further 2-8%. Our proxies can be used to easily calculate a biologically realistic EEG signal directly from point-neuron simulations and thereby allow a quantitative comparison between computational models and experimental EEG recordings. Author summary Networks of point neurons are widely used to model neural dynamics. Their output, however, cannot be directly compared to the electroencephalogram (EEG), which is one of the most used tools to non-invasively measure brain activity. To allow a direct integration between neural network theory and empirical EEG data, here we derived a new mathematical expression, termed EEG proxy, which estimates with high accuracy the EEG based simply on the variables available from simulations of point-neuron network models. To compare and validate these EEG proxies, we computed a realistic ground-truth EEG produced by a network of simulated neurons with realistic 3D morphologies that receive the same spikes of the simpler network of point neurons. The new obtained EEG proxies outperformed previous approaches and worked well under a wide range of simulated configurations of cell morphologies, distribution of presynaptic inputs, and position of the recording electrode. The new proxies approximated well both EEG spectra and EEG evoked potentials. Our work provides important mathematical tools that allow a better interpretation of experimentally measured EEGs in terms of neural models of brain function.

We present a novel approach to correct optical aberrations in ultrathin gradient-index rod lens-based endoscopes using microfabricated aspherical lenses. Corrected microendoscopes have up to 9 folds larger field-of-view compared to uncorrected probes. Using extended field-of-view (eFOV) microendoscopes, we report two-photon imaging of GCaMP6 signals in the mouse hippocampus in vivo with unprecedented combination of high spatiotemporal resolution and minimal invasiveness.

Abstract Imaging neuronal activity with high and homogeneous spatial resolution across the field-of-view (FOV) and limited invasiveness in deep brain regions is fundamental for the progress of neuroscience, yet is a major technical challenge. We achieved this goal by correcting optical aberrations in gradient index lens-based ultrathin (≤ 500 µm) microendoscopes using aspheric microlenses generated through 3D-microprinting. Corrected microendoscopes had extended FOV ( eFOV ) with homogeneous spatial resolution for two-photon fluorescence imaging and required no modification of the optical set-up. Synthetic calcium imaging data showed that, compared to uncorrected endoscopes, eFOV -microendoscopes led to improved signal-to-noise ratio and more precise evaluation of correlated neuronal activity. We experimentally validated these predictions in awake head-fixed mice. Moreover, using eFOV- microendoscopes we demonstrated cell-specific encoding of behavioral state-dependent information in distributed functional subnetworks in a primary somatosensory thalamic nucleus. eFOV- microendoscopes are, therefore, small-cross-section ready-to-use tools for deep two-photon functional imaging with unprecedentedly high and homogeneous spatial resolution.

Abstract Information theory provides a popular and principled framework for the analysis of neural data. It allows to uncover in an assumption-free way how neurons encode and transmit information, capturing both linear and non-linear coding mechanisms and including the information carried by interactions of any order. To facilitate its application, here we present Neuroscience Information Toolbox (NIT), a new toolbox for the accurate information theoretical analysis of neural data. NIT contains widely used tools such as limited sampling bias corrections and discretization of neural probabilities for the calculation of stimulus coding in low-dimensional representation of neural activity (e.g. Local Field Potentials or the activity of small neural population).Importantly, it adds a range of recent tools for quantifying information encoding by large populations of neurons or brain areas, for the directed transmission of information between neurons or areas, and for the calculation of Partial Information Decompositions to quantify the behavioral relevance of neural information and the synergy and redundancy among neurons and brain areas. Further, because information theoretic algorithms have been previously validated mainly with electrophysiological recordings, here we used realistic simulations and analysis of real data to study how to optimally apply information theory to the analysis of two-photon calcium imaging data, which are particularly challenging due to their lower signal-to-noise and temporal resolution. We also included algorithms (based on parametric and non-parametric copulas) to compute robustly information specifically with analog signals such as calcium traces. We provide indications on how to best process calcium imaging traces and to apply NIT depending on the type of calcium indicator, imaging frame rate and firing rate levels. In sum, NIT provides a toolbox for the comprehensive and effective information theoretic analysis of all kinds of neural data, including calcium imaging.