We determined how learning modifies neural representations in primary visual cortex (V1) during acquisition of a visually guided behavioral task. We imaged the activity of the same layer 2/3 neuronal populations as mice learned to discriminate two visual patterns while running through a virtual corridor, where one pattern was rewarded. Improvements in behavioral performance were closely associated with increasingly distinguishable population-level representations of task-relevant stimuli, as a result of stabilization of existing and recruitment of new neurons selective for these stimuli. These effects correlated with the appearance of multiple task-dependent signals during learning: those that increased neuronal selectivity across the population when expert animals engaged in the task, and those reflecting anticipation or behavioral choices specifically in neuronal subsets preferring the rewarded stimulus. Therefore, learning engages diverse mechanisms that modify sensory and non-sensory representations in V1 to adjust its processing to task requirements and the behavioral relevance of visual stimuli.

Abstract Task-switching is a fundamental cognitive ability that allows animals to update their knowledge of current rules or contexts. Detecting discrepancies between predicted and observed events is essential for this process. However, little is known about how the brain computes cognitive prediction-errors and whether neural prediction-error signals are causally related to task-switching behaviours. Here we trained mice to use a prediction-error to switch, in a single trial, between responding to the same stimuli using two distinct rules. Optogenetic silencing and un-silencing, together with widefield and two-photon calcium imaging revealed that the anterior cingulate cortex (ACC) was specifically required for this rapid task-switching, but only when it exhibited neural prediction-error signals. These prediction-error signals were projection-target dependent and were larger preceding successful behavioural transitions. An all-optical approach revealed a disinhibitory interneuron circuit required for successful prediction-error computation. These results reveal a circuit mechanism for computing prediction-errors and transitioning between distinct cognitive states.

Summary Adaptive sensory behavior is thought to depend on processing in recurrent cortical circuits, but how dynamics in these circuits shapes the integration and transmission of sensory information is not well understood. Here, we study neural coding in recurrently connected networks of neurons driven by sensory input. We show analytically how information available in the network output varies with the alignment between feedforward input and the integrating modes of the circuit dynamics. In light of this theory, we analyzed neural population activity in the visual cortex of mice that learned to discriminate visual features. We found that over learning, slow patterns of network dynamics realigned to better integrate input relevant to the discrimination task. This realignment of network dynamics could be explained by changes in excitatory-inhibitory connectivity amongst neurons tuned to relevant features. These results suggest that learning tunes the temporal dynamics of cortical circuits to optimally integrate relevant sensory input. Highlights A new theoretical principle links recurrent circuit dynamics to optimal sensory coding Predicts that high-SNR input dimensions activate slowly decaying modes of dynamics Population dynamics in primary visual cortex realign during learning as predicted Stimulus-specific changes in E-I connectivity in recurrent circuits explain realignment

Abstract Attentional modulation of sensory processing is a key feature of cognition, yet its neural circuit basis is poorly understood. A candidate mechanism is the disinhibition of pyramidal cells through vasoactive intestinal peptide (VIP) and somatostatin (SOM) positive interneurons. However, the interaction of attentional modulation and VIP-SOM disinhibition has never been directly tested. We used all-optical methods to bi-directionally manipulate VIP interneuron activity as mice performed an attention switching task. We measured the activity of VIP, SOM and parvalbumin (PV) positive interneurons and pyramidal neurons identified in the same tissue and found that although activity in all cell classes was modulated by both attention and VIP manipulation, their effects were orthogonal. Attention and VIP-SOM disinhibition relied on distinct patterns of changes in activity and reorganisation of interactions between inhibitory and excitatory cells. Circuit modelling revealed a precise network architecture consistent with multiplexing strong yet non-interacting modulations in the same neural population.

Abstract Task-switching is a fundamental cognitive ability that allows animals to update their knowledge of current rules or contexts. Detecting discrepancies between predicted and observed events is essential for this process. However, little is known about how the brain computes cognitive prediction-errors and whether neural prediction-error signals are causally related to task-switching behaviours. Here we trained mice to use a prediction-error to switch, in a single trial, between responding to the same stimuli using two distinct rules. Optogenetic silencing and un-silencing, together with widefield and two-photon calcium imaging revealed that the anterior cingulate cortex (ACC) was specifically required for this rapid task-switching, but only when it exhibited neural prediction-error signals. These prediction-error signals were projection-target dependent and were larger preceding successful behavioural transitions. An all-optical approach revealed a disinhibitory interneuron circuit required for successful prediction-error computation. These results reveal a circuit mechanism for computing prediction-errors and transitioning between distinct cognitive states.

Summary Selectivity of cortical neurons for sensory stimuli can increase across days as animals learn their behavioral relevance, and across seconds when animals switch attention. While both phenomena are expressed in the same cortical circuit, it is unknown whether they rely on similar mechanisms. We imaged activity of the same neuronal populations in primary visual cortex as mice learned a visual discrimination task and subsequently performed an attention switching task. Selectivity changes due to learning and attention were uncorrelated in individual neurons. Selectivity increases after learning mainly arose from selective suppression of responses to one of the task relevant stimuli but from selective enhancement and suppression during attention. Learning and attention differentially affected interactions between excitatory and PV, SOM and VIP inhibitory cell classes. Circuit modelling revealed that cell class-specific top-down inputs best explained attentional modulation, while the reorganization of local functional connectivity accounted for learning related changes. Thus, distinct mechanisms underlie increased discriminability of relevant sensory stimuli across longer and shorter time scales.

The rules governing neural circuit formation in mammalian central nervous systems are poorly understood. NMDA receptors are involved in synaptic plasticity mechanisms in mature neurons, but their contribution to circuit formation and dendritic maturation remains controversial. Using pharmacological and genetic interventions to disrupt NMDA receptor signaling in hippocampal CA1 pyramidal neurons in vitro and in vivo, we identify an early critical window for a synapse-specific function in wiring Schaffer collateral connections and dendritic arborization. Through in vivo imaging, we show that NMDA receptors are frequently activated during early development and elicit minute-long calcium transients, which immediately precede the emergence of filopodia. These results demonstrate that NMDA receptors drive synapto- and dendritogenesis during development, challenging the view that these processes are primarily mediated by molecular cues.