Memories benefit from sleep1, and the reactivation and replay of waking experiences during hippocampal sharp-wave ripples (SWRs) are considered to be crucial for this process2. However, little is known about how these patterns are impacted by sleep loss. Here we recorded CA1 neuronal activity over 12 h in rats across maze exploration, sleep and sleep deprivation, followed by recovery sleep. We found that SWRs showed sustained or higher rates during sleep deprivation but with lower power and higher frequency ripples. Pyramidal cells exhibited sustained firing during sleep deprivation and reduced firing during sleep, yet their firing rates were comparable during SWRs regardless of sleep state. Despite the robust firing and abundance of SWRs during sleep deprivation, we found that the reactivation and replay of neuronal firing patterns was diminished during these periods and, in some cases, completely abolished compared to ad libitum sleep. Reactivation partially rebounded after recovery sleep but failed to reach the levels found in natural sleep. These results delineate the adverse consequences of sleep loss on hippocampal function at the network level and reveal a dissociation between the many SWRs elicited during sleep deprivation and the few reactivations and replays that occur during these events. A study of neuronal activity in rats finds that sleep loss adversely affects hippocampal function and memory by dissociating hippocampal sharp-wave ripples from memory replay and reactivation events.

Understanding how individuals utilize social information while making perceptual decisions and how it affects their decision confidence is crucial in a society. Till date, very little is known about perceptual decision making in humans under the influence of social cues and the associated neural mediators. The present study provides empirical evidence of how individuals get manipulated by social cues while performing a face/car identification task. Subjects were significantly influenced by what they perceived as decisions of other subjects while the cues in reality were manipulated independently from the stimulus. Subjects in general tend to increase their decision confidence when their individual decision and social cues coincide, while their confidence decreases when cues conflict with their individual judgments often leading to reversal of decision. Using a novel statistical model, it was possible to rank subjects based on their propensity to be influenced by social cues. This was subsequently corroborated by analysis of their neural data. Neural time series analysis revealed no significant difference in decision making using social cues in the early stages unlike neural expectation studies with predictive cues. Multivariate pattern analysis of neural data alludes to a potential role of frontal cortex in the later stages of visual processing which appeared to code the effect of social cues on perceptual decision making. Specifically medial frontal cortex seems to play a role in facilitating perceptual decision preceded by conflicting cues.

Abstract Dimension reduction on neural activity paves a way for unsupervised neural decoding by dissociating the measurement of internal neural pattern reactivation from the measurement of external variable tuning. With assumptions only on the smoothness of latent dynamics and of internal tuning curves, the Poisson gaussian-process latent variable model (P-GPLVM; Wu et al., 2017) is a powerful tool to discover the low-dimensional latent structure for high-dimensional spike trains. However, when given novel neural data, the original model lacks a method to infer their latent trajectories in the learned latent space, limiting its ability for estimating the neural reactivation. Here, we extend the P-GPLVM to enable the latent variable inference of new data constrained by previously learned smoothness and mapping information. We also describe a principled approach for the constrained latent variable inference for temporally compressed patterns of activity, such as those found in population burst events during hippocampal sharp-wave ripples, as well as metrics for assessing the validity of neural pattern reactivation and inferring the encoded experience. Applying these approaches to hippocampal ensemble recordings during active maze exploration, we replicate the result that P-GPLVM learns a latent space encoding the animal’s position. We further demonstrate that this latent space can differentiate one maze context from another. By inferring the latent variables of new neural data during running, certain neural patterns are observed to reactivate, in accordance with the similarity of experiences encoded by its nearby neural trajectories in the training data manifold. Finally, reactivation of neural patterns can be estimated for neural activity during population burst events as well, allowing the identification for replay events of versatile behaviors and more general experiences. Thus, our extension of the P-GPLVM framework for unsupervised analysis of neural activity can be used to answer critical questions related to scientific discovery.

Abstract Dimension reduction on neural activity paves a way for unsupervised neural decoding by dissociating the measurement of internal neural state repetition from the measurement of external variable tuning. With assumptions only on the smoothness of latent dynamics and of internal tuning curves, the Poisson Gaussian-process latent variable model (P-GPLVM) (Wu et al., 2017) is a powerful tool to discover the low-dimensional latent structure for high-dimensional spike trains. However, when given novel neural data, the original model lacks a method to infer their latent trajectories in the learned latent space, limiting its ability for estimating the internal state repetition. Here, we extend the P-GPLVM to enable the latent variable inference of new data constrained by previously learned smoothness and mapping information. We also describe a principled approach for the constrained latent variable inference for temporally-compressed patterns of activity, such as those found in population burst events (PBEs) during hippocampal sharp-wave ripples, as well as metrics for assessing whether the inferred new latent variables are congruent with a previously learned manifold in the latent space. Applying these approaches to hippocampal ensemble recordings during active maze exploration, we replicate the result that P-GPLVM learns a latent space encoding the animal’s position. We further demonstrate that this latent space can differentiate one maze context from another. By inferring the latent variables of new neural data during running, certain internal neural states are observed to repeat, which is in accordance with the similarity of experiences encoded by its nearby neural trajectories in the training data manifold. Finally, repetition of internal neural states can be estimated for neural activity during PBEs as well, allowing the identification for replay events of versatile behaviors and more general experiences. Thus, our extension of the P-GPLVM framework for unsupervised analysis of neural activity can be used to answer critical questions related to scientific discovery.