Abstract GABAergic interneurons play an important role in shaping the activity of excitatory pyramidal cells (PCs). How the various inhibitory cell types contribute to neuronal information processing, however, is not resolved. Here, we propose a functional role for a widespread network motif consisting of parvalbumin-(PV), somatostatin-(SOM) and vasoactive intestinal peptide (VIP)-expressing interneurons. Following the idea that PV and SOM interneurons control the distribution of somatic and dendritic inhibition onto PCs, we suggest that mutual inhibition between VIP and SOM cells translates weak inputs to VIP interneurons into large changes of somato-dendritic inhibition of PCs. Using a computational model, we show that the neuronal and synaptic properties of the circuit support this hypothesis. Moreover, we show that the SOM-VIP motif allows transient inputs to persistently switch the circuit between two processing modes, in which top-down inputs onto apical dendrites of PCs are either integrated or canceled.

Abstract Predictable sensory stimuli do not evoke significant responses in a subset of cortical excitatory neurons. Some of those neurons, however, change their activity upon mismatches between actual and predicted stimuli. Different variants of these prediction-error neurons exist and they differ in their responses to unexpected sensory stimuli. However, it is unclear how these variants can develop and co-exist in the same recurrent network, and how they are simultaneously shaped by the astonishing diversity of inhibitory interneurons. Here, we study these questions in a computational network model with three types of inhibitory interneurons. We find that balancing excitation and inhibition in multiple pathways gives rise to heterogeneous prediction-error circuits. Dependent on the network’s initial connectivity and distribution of actual and predicted sensory inputs, these circuits can form different variants of prediction-error neurons that are robust to network perturbations and generalize to stimuli not seen during learning. These variants can be learned simultaneously via homeostatic inhibitory plasticity with low baseline firing rates. Finally, we demonstrate that prediction-error neurons can support biased perception, we illustrate a number of functional implications, and we discuss testable predictions.

At any moment, our brains receive a stream of sensory stimuli arising from the world we interact with. Simultaneously, neural circuits are shaped by feedback signals carrying predictions about the same inputs we experience. Those feedforward and feedback inputs often do not perfectly match. Thus, our brains have the challenging task of integrating these conflicting streams of information according to their reliabilities. However, how neural circuits keep track of both the stimulus and prediction uncertainty is not well understood. Here, we propose a network model whose core is a hierarchical prediction-error circuit. We show that our network can estimate the variance of the sensory stimuli and the uncertainty of the prediction using the activity of negative and positive prediction-error neurons. In line with previous hypotheses, we demonstrate that neural circuits rely strongly on feedback predictions if the perceived stimuli are noisy and the underlying generative process, that is, the environment is stable. Moreover, we show that predictions modulate neural activity at the onset of a new stimulus, even if this sensory information is reliable. In our network, the uncertainty estimation, and, hence, how much we rely on predictions, can be influenced by perturbing the intricate interplay of different inhibitory interneurons. We, therefore, investigate the contribution of those inhibitory interneurons to the weighting of feedforward and feedback inputs. Finally, we show that our network can be linked to biased perception and unravel how stimulus and prediction uncertainty contribute to the contraction bias.

Sensory systems constantly compare external sensory information with internally generated predictions. While neural hallmarks of prediction errors have been found throughout the brain, the circuit-level mechanisms that underlie their computation are still largely unknown. Here, we show that a well-orchestrated interplay of three interneuron types shapes the development and refinement of negative prediction-error neurons in a computational model of mouse primary visual cortex. By balancing excitation and inhibition in multiple pathways, experience-dependent inhibitory plasticity can generate different variants of prediction-error circuits, which can be distinguished by simulated optogenetic experiments. The experience-dependence of the model circuit is consistent with that of negative prediction-error circuits in layer 2/3 of mouse primary visual cortex. Our model makes a range of testable predictions that may shed light on the circuitry underlying the neural computation of prediction errors.

Inhibitory interneurons comprise many subtypes that differ in their molecular, anatomical and functional properties. In mouse visual cortex, they also differ in their modulation with an animal9s behavioural state, and this state modulation can be predicted from the first principal component (PC) of the gene expression matrix. Here, we ask whether this link between transcriptome and state-dependent processing generalises across species. To this end, we analysed seven single-cell and single-nucleus RNA sequencing datasets from mouse, human, songbird, and turtle forebrains. Despite homology at the level of cell types, we found clear differences between transcriptomic PCs, with greater dissimilarities between evolutionarily distant species. These dissimilarities arise from two factors: divergence in gene expression within homologous cell types and divergence in cell type abundance. We also compare the expression of cholinergic receptors, which are thought to causally link transcriptome and state modulation. Several cholinergic receptors predictive of state modulation in mouse interneurons are differentially expressed between species. Circuit modelling and mathematical analyses delineate the conditions under which these expression differences could translate into functional differences.

The neocortex constructs an internal representation of the world, but the underlying circuitry and computational principles remain unclear. Inspired by self-supervised learning algorithms, we introduce a computational model wherein layer 2/3 (L2/3) learns to predict incoming sensory stimuli by comparing previous sensory inputs, relayed via layer 4, with current thalamic inputs arriving at layer 5 (L5). We demonstrate that our model accurately predicts sensory information in a contextual temporal task, and that its predictions are robust to noisy or partial sensory input. Additionally, our model generates layer-specific sparsity and latent representations, consistent with experimental observations. Next, using a sensorimotor task, we show that the model's L2/3 and L5 prediction errors mirror mismatch responses observed in awake, behaving mice. Finally, through manipulations, we offer testable predictions to unveil the computational roles of various cortical features. In summary, our findings suggest that the multi-layered neocortex empowers the brain with self-supervised learning capabilities.

Neuronal processing of external sensory input is shaped by internally-generated top-down information. In the neocortex, top-down projections predominantly target layer 1, which contains NDNF-expressing interneurons, nestled between the dendrites of pyramidal cells (PCs). Here, we propose that NDNF interneurons shape cortical computations by presynap- tically inhibiting the outputs of somatostatin-expressing (SOM) interneurons via GABAergic volume transmission in layer 1. Whole-cell patch clamp recordings from genetically identified NDNF INs in layer 1 of the auditory cortex show that SOM-to-NDNF synapses are indeed modulated by ambient GABA. In a cortical microcircuit model, we then demonstrate that this mechanism can control inhibition in a layer-specific way and introduces a competition for dendritic inhibition between NDNF and SOM interneurons. This competition is mediated by a unique mutual inhibition motif between NDNF interneurons and the synaptic outputs of SOM interneurons, which can dynamically prioritise different inhibitory signals to the PC dendrite. NDNF interneurons can thereby control information flow in pyramidal cells by redistributing dendritic inhibition from fast to slow timescales and by gating different sources of dendritic inhibition, as exemplified in a predictive coding application. This work corroborates that NDNF interneurons are ideally suited to control information flow within cortical layer 1.