Abstract Vocalizations are a widespread means of communication in the animal kingdom. Mice use a large repertoire of ultrasonic vocalizations (USVs) in different social contexts, for instance courtship, territorial dispute, dominance and mother-pup interaction. Previous studies have pointed to differences in the USVs in different context, sexes, strains and individuals, however, in many cases the outcomes of the analyses remained inconclusive. We here provide a more general approach to automatically classify USVs using deep neural networks (DNN). We classified the sex of the emitting mouse (C57Bl/6) based on the vocalization’s spectrogram, reaching unprecedented performance (~84% correct) in comparison with other techniques (Support Vector Machines: 64%, Ridge regression: 52%). Vocalization characteristics of individual mice only contribute mildly, and sex-only classification reaches ~78%. The performance can only partially be explained by a set of classical shape features, with duration, volume and bandwidth being the most useful predictors. Splitting estimation into two DNNs, from spectrograms to features (57-82%) and features to sex (67%) does not reach the single-step performance. In summary, the emitter’s sex can be successfully predicted from their spectrograms using DNNs, excelling over other classification techniques. In contrast to previous research, this suggests that male and female vocalizations differ in their spectrotemporal structure, recognizable even in single vocalizations.

Abstract Transformation of postsynaptic potentials (PSPs) into action potentials (APs) is the rate-limiting step of communication in neural networks. The efficiency of this intracellular information transfer also powerfully shapes stimulus representations in sensory cortices. Using whole-cell recordings and information-theoretic measures, we show herein that somatic PSPs accurately represent stimulus location on a trial-by-trial basis in single neurons even 4 synapses away from the sensory periphery in the whisker system. This information is largely lost during AP generation but can be rapidly (<20 ms) recovered using complementary information in local populations in a cell-type-specific manner. These results show that as sensory information is transferred from one neural locus to another, the circuits reconstruct the stimulus with high fidelity so that sensory representations of single neurons faithfully represent the stimulus in the periphery, but only in their PSPs, resulting in lossless information processing for the sense of touch in the primary somatosensory cortex.

Abstract Information transmission in neural networks is influenced by both short-term synaptic plasticity (STP) as well as non-synaptic factors, such as after-hyperpolarization currents and changes in excitability. Although these effects have been widely characterized in vitro using intracellular recordings, how they interact in vivo is unclear. Here we develop a statistical model of the short-term dynamics of spike transmission that aims to disentangle the contributions of synaptic and non-synaptic effects based only on observed pre- and postsynaptic spiking. The model includes a dynamic functional connection with short-term plasticity as well as effects due to the recent history of postsynaptic spiking and slow changes in postsynaptic excitability. Using paired spike recordings, we find that the model accurately describes the short-term dynamics of in vivo spike transmission at a diverse set of identified and putative excitatory synapses, including a thalamothalamic connection in mouse, a thalamocortical connection in a female rabbit, and an auditory brainstem synapse in a female gerbil. We illustrate the utility of this modeling approach by showing how the spike transmission patterns captured by the model may be sufficient to account for stimulus-dependent differences in spike transmission in the auditory brainstem (endbulb of Held). Finally, we apply this model to large-scale multi-electrode recordings to illustrate how such an approach has the potential to reveal cell-type specific differences in spike transmission in vivo . Although short-term synaptic plasticity parameters estimated from ongoing pre- and postsynaptic spiking are highly uncertain, our results are partially consistent with previous intracellular observations in these synapses. Significance Statement Although synaptic dynamics have been extensively studied and modeled using intracellular recordings of post-synaptic currents and potentials, inferring synaptic effects from extracellular spiking is challenging. Whether or not a synaptic current contributes to postsynaptic spiking depends not only on the amplitude of the current, but also on many other factors, including the activity of other, typically unobserved, synapses, the overall excitability of the postsynaptic neuron, and how recently the postsynaptic neuron has spiked. Here we developed a model that, using only observations of pre- and postsynaptic spiking, aims to describe the dynamics of in vivo spike transmission by modeling both short-term synaptic plasticity and non-synaptic effects. This approach may provide a novel description of fast, structured changes in spike transmission.

Abstract EEG microstates refer to quasi-stable spatial patterns of scalp potentials, and their dynamics have been linked to cognitive and behavioral states. Neural activity at single and multiunit levels also exhibit spatiotemporal coordination, but this spatial scale is difficult to relate to EEG. Here, we translated EEG microstate analysis to triple-area local field potential (LFP) recordings from up to 192 electrodes in rats to investigate the mesoscopic dynamics of neural microstates within and across brain regions. We performed simultaneous recordings from the prefrontal cortex (PFC), striatum (STR), and ventral tegmental area (VTA) during awake behavior (object novelty and exploration). We found that the LFP data can be accounted for by multiple, recurring, quasi-stable spatial activity patterns with an average period of stability of ~60-100 ms. The top four maps accounted for 60-80% of the total variance, compared to ~25% for shuffled data. Cross-correlation of the microstate time-series across brain regions revealed rhythmic patterns of microstate activations, which we interpret as a novel indicator of inter-regional, mesoscale synchronization. Furthermore, microstate features, and patterns of temporal correlations across microstates, were modulated by behavioural states such as movement and novel object exploration. These results support the existence of a functional mesoscopic organization across multiple brain areas, and open up the opportunity to investigate their relation to EEG microstates, of particular interest to the human research community. Significance Statement The coordination of neural activity across the entire brain has remained elusive. Here we combine large-scale neural recordings at fine spatial resolution with the analysis of microstates, i.e. short-lived, recurring spatial patterns of neural activity. We demonstrate that the local activity in different brain areas can be accounted for by only a few microstates per region. These microstates exhibited temporal dynamics that were correlated across regions in rhythmic patterns. We demonstrate that these microstates are linked to behavior and exhibit different properties in the frequency domain during different behavioural states. In summary, LFP microstates provide an insightful approach to studying both mesoscopic and large-scale brain activation within and across regions.

Abstract Patterns of endogenous activity in the brain reflect a stochastic exploration of the neuronal state space that is constrained by the underlying assembly organization of neurons. Yet it remains to be shown that this interplay between neurons and their assembly dynamics indeed suffices to generate whole-brain data statistics. Here we recorded the activity from ~ 40,000 neurons simultaneously in zebrafish larvae, and show that a data-driven generative model of neuron-assembly interactions can accurately reproduce the mean activity and pairwise correlation statistics of their spontaneous activity. This model, the compositional Restricted Boltzmann Machine (cRBM), unveils ~ 200 neural assemblies, which compose neurophysiological circuits and whose various com-binations form successive brain states. We then performed in silico perturbation experiments to determine the interregional functional connectivity, which is conserved across individual animals and correlates well with structural connectivity. Our results showcase how cRBMs can capture the coarse-grained organization of the zebrafish brain. Notably, this generative model can readily be deployed to parse neural data obtained by other large-scale recording techniques.

Abstract Mice display a wide repertoire of vocalizations that varies with sex, strain, and context. Especially during social interaction, mice emit sequences of ultrasonic vocalizations (USVs) of high complexity. As animals of both sexes vocalize, a reliable attribution of USVs to their emitter is essential. The state-of-the-art in sound localization for USVs in 2D allows spatial localization at a resolution of multiple centimeters. However, animals interact at closer ranges, e.g. snout-to-snout. Hence, improved algorithms are required to reliably assign USVs. We present a novel algorithm, SLIM (Sound Localization via Intersecting Manifolds), that achieves a 3-fold improvement in accuracy (12-14.3mm) using only 4 microphones and extends to many microphones and localization in 3D. This accuracy allows reliable assignment of 84.3% of all USVs in our dataset. We apply SLIM to courtship interactions between adult C57Bl/6J wildtype mice and those carrying a heterozygous Foxp2 variant (R552H). The improved spatial accuracy reveals detailed vocalization preferences for specific spatial relations between the mice. Specifically, vocalization probability, duration, Wiener entropy, and frequency level differed in particular spatial relations between WT females, Foxp2-R552H and WT males. In conclusion, the improved attribution of vocalizations to their emitters provides a foundation for better understanding social vocal behaviors.

Abstract Neural activity is coordinated across multiple spatial and temporal scales, and these patterns of coordination are implicated in both healthy and impaired cognitive operations. However, empirical cross-scale investigations are relatively infrequent, due to limited data availability and to the difficulty of analyzing rich multivariate datasets. Here we applied frequency-resolved multivariate source-separation analyses to characterize a large-scale dataset comprising spiking and local field potential activity recorded simultaneously in three brain regions (prefrontal cortex, parietal cortex, hippocampus) in freely-moving mice. We identified a constellation of multidimensional, inter-regional networks across a range of frequencies (2-200 Hz). These networks were reproducible within animals across different recording sessions, but varied across different animals, suggesting individual variability in network architecture. The theta band (~4-10 Hz) networks had several prominent features, including roughly equal contribution from all regions and strong inter-network synchronization. Overall, these findings demonstrate a multidimensional landscape of large-scale functional activations of cortical networks operating across multiple spatial, spectral, and temporal scales during open-field exploration. Significance statement Neural activity is synchronized over space, time, and frequency. To characterize the dynamics of large-scale networks spanning multiple brain regions, we recorded data from the prefrontal cortex, parietal cortex, and hippocampus in awake behaving mice, and pooled data from spiking activity and local field potentials into one data matrix. Frequency-specific multivariate decomposition methods revealed a cornucopia of neural networks defined by coherent spatiotemporal patterns over time. These findings reveal a rich, dynamic, and multivariate landscape of large-scale neural activity patterns during foraging behavior.

Perception can be highly dependent on stimulus context, but whether and how sensory areas encode the context remains uncertain. We used an ambiguous auditory stimulus – a tritone pair – to investigate the neural activity associated with a preceding contextual stimulus that strongly influenced the tritone pair’s perception: either as an ascending or a descending step in pitch. We recorded single-unit responses from a population of auditory cortical cells in awake ferrets listening to the tritone pairs preceded by the contextual stimulus. We find that the responses adapt locally to the contextual stimulus, consistent with human MEG recordings from the auditory cortex under the same conditions. Decoding the population responses demonstrates that cells responding to pitch-changes are able to predict well the context-sensitive percept of the tritone pairs. Conversely, decoding the individual pitch representations and taking their distance in the circular Shepard tone space predicts the opposite of the percept. The various percepts can be readily captured and explained by a neural model of cortical activity based on populations of adapting, pitch and pitch-direction cells, aligned with the neurophysiological responses. Together, these decoding and model results suggest that contextual influences on perception may well be already encoded at the level of the primary sensory cortices, reflecting basic neural response properties commonly found in these areas.

Abstract Perception can be highly dependent on stimulus context, but whether and how sensory areas encode the context remains uncertain. We used an ambiguous auditory stimulus - a tritone pair - to investigate the neural activity associated with a preceding contextual stimulus that strongly influenced the tritone pair’s perception: either as an ascending or a descending step in pitch. We recorded single-unit responses from a population of auditory cortical cells in awake ferrets listening to the tritone pairs preceded by the contextual stimulus. We find that the responses adapt locally to the contextual stimulus, consistent with human MEG recordings from the auditory cortex under the same conditions. Decoding the population responses demonstrates that pitch-change selective cells are able to predict well the context-sensitive percept of the tritone pairs. Conversely, decoding the distances between the pitch representations predicts the opposite of the percept. The various percepts can be readily captured and explained by a neural model of cortical activity based on populations of adapting, pitch and pitch-direction selective cells, aligned with the neurophysiological responses. Together, these decoding and model results suggest that contextual influences on perception may well be already encoded at the level of the primary sensory cortices, reflecting basic neural response properties commonly found in these areas.

Rapid task-related plasticity is a neural correlate of selective attention in primary auditory cortex (A1). Top-down feedback from higher-order cortex may drive task-related plasticity in A1, characterized by enhanced neural representation of behaviorally meaningful sounds during auditory task performance. Since intracortical connectivity is greater within A1 layers 2/3 (L2/3) than in layers 4-6 (L4-6), we hypothesized that enhanced representation of behaviorally meaningful sounds might be greater in A1 L2/3 than L4-6. To test this hypothesis and study the laminar profile of task-related plasticity, we trained 2 ferrets to detect pure tones while we recorded laminar activity across a 1.8 mm depth in A1. In each experiment, we analyzed currentsource densities (CSDs), high-gamma local field potentials (LFPs), and multi-unit spiking in response to identical acoustic stimuli during both passive listening and active task performance. We found that neural responses to auditory targets were enhanced during task performance, and target enhancement was greater in L2/3 than in L4-6. Spectrotemporal receptive fields(STRFs) computed from CSDs, high-gamma LFPs, and multi-unit spiking showed similar increases in auditory target selectivity, also greatest in L2/3. Our results suggest that activity within intracortical networks plays a key role in shaping the underlying neural mechanisms of selective attention.