Abstract The somatosensory and motor systems are intricately linked, providing several routes for the sensorimotor interactions necessary for haptic processing. Here, we used electrical and optogenetic stimulation to study the circuits that enable primary motor cortex (M1) to exert top-down modulation of whisker-evoked responses, at the levels of brain stem, thalamus and somatosensory cortex (S1). We find that activation of M1 drives somatosensory responsive cells at all levels, and that this excitation is followed by a period of tactile suppression, which gradually increases in strength along the ascending somatosensory pathway. Using optogenetic stimulation in the layer-specific Cre driver lines, we find that activation of layer VI cortico-thalamic neurons is sufficient to drive spiking in higher order thalamus, and that this is reliably followed by excitation of S1, suggesting a cross-modal cortico-thalamo-cortical pathway. Cortico-thalamic excitation predicts the degree of subsequent tactile suppression, consistent with a strong role for thalamic circuits in the expression of inhibitory sensorimotor interactions. These results provide evidence of a role for M1 in dynamic modulation of S1, largely under cortico-thalamic control.

Abstract Perception, thoughts, and actions are encoded by the coordinated activity of large neuronal populations spread over large areas. Using thin film electrocorticography (ECoG) arrays, this cortical activity has been used to decode speech and individual finger movements, enabling neuroprosthetics, and to localize epileptic foci. However, the connectorization of these multi-thousand channel thin-film arrays to external circuitry is challenging; current state-of-the-art methods are complex, bulky, and unscalable. We address this shortcoming by developing an electrode connector based on an ultra-conformable thin film electrode array that self-assembles onto hard silicon chip sensors, such as microelectrode arrays (MEAs) or camera sensors enabling large channel counts at high density. The interconnects are formed using microfabricated electrode pads suspended by thin support arms, termed flex2chip. Capillary-assisted assembly drives the pads to deform towards the chip surface, and van der Waals forces maintain this deformation, establishing mechanical and Ohmic contact onto individual pixels. We demonstrate a 2200-channel array with a channel density of 272 channels / mm 2 connected to the MEA through the flex2chip interconnection method. Thin film electrode arrays connected through the flex2chip successfully measured extracellular action potentials ex vivo. Furthermore, in a transgenic mouse model for absence epilepsy, Scn8a +/- , we observed highly variable propagation trajectories at micrometer scales, even across the duration of a single spike- and-wave discharge (SWD).

Abstract In computational neuroscience, multicompartment models are among the most biophysically realistic representations of single neurons. Constructing such models usually involves the use of the patch-clamp technique to record somatic voltage signals under different experimental conditions. The experimental data are then used to fit the many parameters of the model. While patching of the soma is currently the gold-standard approach to build multicompartment models, several studies have also evidenced a richness of dynamics in dendritic and axonal sections. Recording from the soma alone makes it hard to observe and correctly parameterize the activity of non-somatic compartments. In order to provide a richer set of data as input to multicompartment models, we here investigate the combination of somatic patch-clamp recordings with recordings of high-density micro-electrode arrays (HD-MEAs). HD-MEAs enable the observation of extracellular potentials and neural activity of neuronal compartments at sub-cellular resolution. In this work, we introduce a novel framework to combine patch-clamp and HD-MEA data to construct multicompartment models. We first validate our method on a ground-truth model with known parameters and show that the use of features extracted from extracellular signals, in addition to intracellular ones, yields models enabling better fits than using intracellular features alone. We also demonstrate our procedure using experimental data by constructing cell models from in vitro cell cultures. The proposed multi-modal fitting procedure has the potential to augment the modeling efforts of the computational neuroscience community and to provide the field with neuronal models that are more realistic and can be better validated. Author Summary Multicompartment models are one of the most biophysically detailed representations of single neurons. The vast majority of these models are built using experimental data from somatic recordings. However, neurons are much more than just their soma and one needs recordings from distal neurites to build an accurate model. In this article, we combine the patch-clamp technique with extracellular high-density microelectrode arrays (HD-MEAs) to compensate this shortcoming. In fact, HD-MEAs readouts allow one to record the neuronal signal in the entire axonal arbor. We show that the proposed multi-modal strategy is superior to the use of patch clamp alone using an existing model as ground-truth . Finally, we show an application of this strategy on experimental data from cultured neurons.

Abstract With the use of high density multi electrode recording devices, electrophysiological signals resulting from action potentials of individual neurons can now be reliably detected on multiple adjacent recording electrodes both in vivo and in vitro . Spike sorting assigns these signals to putative neural sources. However, until now, spike sorting can only be performed after completion of the recording, preventing true real time usage of spike sorting algorithms. Utilizing the unique propagation patterns of action potentials along axons detected as high fidelity sequential activations on adjacent electrodes, together with a convolutional neural network based spike detection algorithm, we introduce RT-Sort (Real Time Sorting), a spike sorting algorithm that enables the sorted detection of action potentials within 7.5ms±1.5ms (mean±STD) after the waveform trough while the recording remains ongoing. RT-Sort’s true real-time spike sorting capabilities enable closed loop experiments with latencies comparable to synaptic delay times. We show RT-Sort’s performance on both Multi-Electrode Arrays as well as Neuropixels probes to exemplify RT-Sort’s functionality on different types of recording hardware and electrode configurations.

Abstract Techniques to identify monosynaptic connections between neurons have been vital for neuroscience research, facilitating important advancements concerning network topology, synaptic plasticity, and synaptic integration, among others. Here, we introduce a novel approach to identify and monitor monosynaptic connections using high-resolution dendritic spine Ca 2+ imaging combined with simultaneous large-scale recording of extracellular electrical activity by means of high-density microelectrode arrays (HD-MEAs). We introduce an easily adoptable analysis pipeline that associates the imaged spine with its presynaptic unit and test it on in vitro recordings. The method is further validated and optimized by simulating synaptically-evoked spine Ca 2+ transients based on measured spike trains in order to obtain simulated ground-truth connections. The proposed approach offers unique advantages as i ) it can be used to identify monosynaptic connections with an accurate localization of the synapse within the dendritic tree, ii ) it provides precise information of presynaptic spiking, and iii ) postsynaptic spine Ca 2+ signals and, finally, iv) the non-invasive nature of the proposed method allows for long-term measurements. The analysis toolkit together with the rich data sets that were acquired are made publicly available for further exploration by the research community.

Abstract Self-sustained recurrent activity in cortical networks is thought to be important for multiple crucial processes, including circuit development and homeostasis. Yet, the precise relationship between the synaptic input patterns and the spiking output of individual neurons remains largely unresolved. Here, we developed, validated and applied a novel in vitro experimental platform and analytical procedures that provide – for individual neurons – simultaneous excitatory and inhibitory synaptic activity estimates during recurrent network activity. Our approach combines whole-network high-density microelectrode array (HD-MEA) recordings from rat neuronal cultures with patch clamping and enables a comprehensive mapping and characterization of active incoming connections to single postsynaptic neurons. We found that, during network states with excitation(E)-inhibition(I) balance, postsynaptic spiking coincided precisely with the maxima of fast fluctuations in the input E/I ratio. These spike-associated E/I ratio escalations were largely due to a rapid bidirectional change in synaptic inhibition that was modulated by the network-activity level. Our approach also uncovered the underlying circuit architecture and we show that individual neurons received a few key inhibitory connections – often from special hub neurons – that were instrumental in controlling postsynaptic spiking. Balanced network theory predicts dynamical regimes governed by small and rapid input fluctuation and featuring a fast neuronal responsiveness. Our findings – obtained in self-organized neuronal cultures – suggest that the emergence of these favorable regimes and associated network architectures is an inherent property of cortical networks in general.

Neuronal firing sequences are thought to be the basic building blocks of neural coding and information broadcasting within the brain. However, when sequences emerge during neurodevelopment remains unknown. We demonstrate that structured firing sequences are present in spontaneous activity of human brain organoids and ex vivo neonatal brain slices from the murine somatosensory cortex. We observed a balance between temporally rigid and flexible firing patterns that are emergent phenomena in human brain organoids and early postnatal murine somatosensory cortex, but not in primary dissociated cortical cultures. Our findings suggest that temporal sequences do not arise in an experience-dependent manner, but are rather constrained by an innate preconfigured architecture established during neurogenesis. These findings highlight the potential for brain organoids to further explore how exogenous inputs can be used to refine neuronal circuits and enable new studies into the genetic mechanisms that govern assembly of functional circuitry during early human brain development.

Probing the architecture of neuronal circuits and the principles that underlie their functional organization remains an important challenge of modern neurosciences. This holds true, in particular, for the inference of neuronal connectivity from large-scale extracellular recordings. Despite the popularity of this approach and a number of elaborate methods to reconstruct networks, the degree to which synaptic connections can be reconstructed from spike-train recordings alone remains controversial. Here, we provide a framework to probe and compare connectivity inference algorithms, using a combination of synthetic and empirical ground-truth data sets, obtained from simulations and parallel single-cell patch-clamp and high-density microelectrode array (HD-MEA) recordings in vitro. We find that reconstruction performance critically depends on the regularity of the recorded spontaneous activity, i.e., their dynamical regime, the type of connectivity, and the amount of available spike train data. We find gross differences between different algorithms, and many algorithms have difficulties in detecting inhibitory connections. We therefore introduce an ensemble artificial neural network (eANN) to improve connectivity inference. We train the eANN on the validated outputs of six established inference algorithms, and show how it improves network reconstruction accuracy and robustness. Overall, the eANN was robust across different dynamical regimes, with shorter recording time, and ameliorated the identification of synaptic connections, in particular inhibitory ones. Results indicated that the eANN also improved the topological characterization of neuronal networks. The presented methodology contributes to advancing the performance of inference algorithms and facilitates our understanding of how neuronal activity relates to synaptic connectivity.