Abstract

 The pyramidal neuron is the principal cell type in the mammalian forebrain, but its function remains poorly understood. Using a detailed compartmental model of a hippocampal CA1 pyramidal cell, we recorded responses to complex stimuli consisting of dozens of high-frequency activated synapses distributed throughout the apical dendrites. We found the cell's firing rate could be predicted by a simple formula that maps the physical components of the cell onto those of an abstract two-layer "neural network." In the first layer, synaptic inputs drive independent sigmoidal subunits corresponding to the cell's several dozen long, thin terminal dendrites. The subunit outputs are then summed within the main trunk and cell body prior to final thresholding. We conclude that insofar as the neural code is mediated by average firing rate, a two-layer neural network may provide a useful abstraction for the computing function of the individual pyramidal neuron.

Systems neuroscience seeks explanations for how the brain implements a wide variety of perceptual, cognitive and motor tasks. Conversely, artificial intelligence attempts to design computational systems based on the tasks they will have to solve. In artificial neural networks, the three components specified by design are the objective functions, the learning rules and the architectures. With the growing success of deep learning, which utilizes brain-inspired architectures, these three designed components have increasingly become central to how we model, engineer and optimize complex artificial learning systems. Here we argue that a greater focus on these components would also benefit systems neuroscience. We give examples of how this optimization-based framework can drive theoretical and experimental progress in neuroscience. We contend that this principled perspective on systems neuroscience will help to generate more rapid progress. A deep network is best understood in terms of components used to design it—objective functions, architecture and learning rules—rather than unit-by-unit computation. Richards et al. argue that this inspires fruitful approaches to systems neuroscience.

The mechanisms that determine how information is allocated to specific regions and cells in the brain are important for memory capacity, storage and retrieval, but are poorly understood. We manipulated CREB in a subset of lateral amygdala neurons in mice with a modified herpes simplex virus (HSV) and reversibly inactivated transfected neurons with the Drosophila allatostatin G protein-coupled receptor (AlstR)/ligand system. We found that inactivation of the neurons transfected with HSV-CREB during training disrupted memory for tone conditioning, whereas inactivation of a similar proportion of transfected control neurons did not. Whole-cell recordings of fluorescently tagged transfected neurons revealed that neurons with higher CREB levels are more excitable than neighboring neurons and showed larger synaptic efficacy changes following conditioning. Our findings demonstrate that CREB modulates the allocation of fear memory to specific cells in lateral amygdala and suggest that neuronal excitability is important in this process.

Human dendrites are special A special developmental program in the human brain drives the disproportionate thickening of cortical layer 2/3. This suggests that the expansion of layer 2/3, along with its numerous neurons and their large dendrites, may contribute to what makes us human. Gidon et al. thus investigated the dendritic physiology of layer 2/3 pyramidal neurons in slices taken from surgically resected brain tissue in epilepsy patients. Dual somatodendritic recordings revealed previously unknown classes of action potentials in the dendrites of these neurons, which make their activity far more complex than has been previously thought. These action potentials allow single neurons to solve two long-standing computational problems in neuroscience that were considered to require multilayer neural networks. Science , this issue p. 83

The rules of synaptic integration in pyramidal cells remain obscure, in part due to conflicting interpretations of existing experimental data. To clarify issues, we developed a CA1 pyramidal cell model calibrated with a broad spectrum of in vitro data. Using simultaneous dendritic and somatic recordings and combining results for two different response measures (peak versus mean EPSP), two different stimulus formats (single shock versus 50 Hz trains), and two different spatial integration conditions (within versus between-branch summation), we found that the cell's subthreshold responses to paired inputs are best described as a sum of nonlinear subunit responses, where the subunits correspond to different dendritic branches. In addition to suggesting a new type of experiment and providing testable predictions, our model shows how conclusions regarding synaptic arithmetic can be influenced by an array of seemingly innocuous experimental design choices.

The role of amyloid beta (Aβ) in brain function and in the pathogenesis of Alzheimer's disease (AD) remains elusive. Recent publications reported that an increase in Aβ concentration perturbs pre-synaptic release in hippocampal neurons. In particular, it was shown in vitro that Aβ is an endogenous regulator of synaptic transmission at the CA3-CA1 synapse, enhancing its release probability. How this synaptic modulator influences neuronal output during physiological stimulation patterns, such as those elicited in vivo, is still unknown. Using a realistic model of hippocampal CA1 pyramidal neurons, we first implemented this Aβ-induced enhancement of release probability and validated the model by reproducing the experimental findings. We then demonstrated that this synaptic modification can significantly alter synaptic integration properties in a wide range of physiologically relevant input frequencies (from 5 to 200 Hz). Finally, we used natural input patterns, obtained from CA3 pyramidal neurons in vivo during free exploration of rats in an open field, to investigate the effects of enhanced Aβ on synaptic release under physiological conditions. The model shows that the CA1 neuronal response to these natural patterns is altered in the increased-Aβ condition, especially for frequencies in the theta and gamma ranges. These results suggest that the perturbation of release probability induced by increased Aβ can significantly alter the spike probability of CA1 pyramidal neurons and thus contribute to abnormal hippocampal function during AD.

Abstract Dendrites of pyramidal neurons integrate different sensory inputs, and non-linear dendritic computations drive feature selective tuning and plasticity. Yet little is known about how dendrites themselves represent the environment, the degree to which they are coupled to their soma, and how that coupling is sculpted with experience. In order to answer these questions, we developed a novel preparation in which we image soma and connected dendrites in a single plane across days using in vivo two-photon microscopy. Using this preparation, we monitored spatially tuned activity in area CA3 of the hippocampus in head-fixed mice running on a linear track. We identified “place dendrites”, which can stably and precisely represent both familiar and novel spatial environments. Dendrites could display place tuning independent of their connected soma and even their sister dendritic branches, the first evidence for branch-specific tuning in the hippocampus. In a familiar environment, spatially tuned somata were more decoupled from their dendrites as compared to non-tuned somata. This relationship was absent in a novel environment, suggesting an experience dependent selective gating of dendritic spatial inputs. We then built a data-driven multicompartment computational model that could capture the experimentally observed correlations. Our model predicts that place cells exhibiting branch-specific tuning have more flexible place fields, while neurons with homogenous or co-tuned dendritic branches have higher place field stability. These findings demonstrate that spatial representation is organized in a branch-specific manner within dendrites of hippocampal pyramidal cells. Further, spatial inputs from dendrites to soma are selectively and dynamically gated in an experience-dependent manner, endowing both flexibility and stability to the cognitive map of space. One sentence summary Hippocampal pyramidal cells show branch-specific tuning for different place fields, and their coupling to their soma changes with experience of an environment.

Abstract Events occurring close in time are often linked in memory, providing an episodic timeline and a framework for those memories. Recent studies suggest that memories acquired close in time are encoded by overlapping neuronal ensembles, but whether dendritic plasticity plays a role in linking memories is unknown. Using activity-dependent labeling and manipulation, as well as longitudinal one- and two-photon imaging of RSC somatic and dendritic compartments, we show that memory linking is not only dependent on ensemble overlap in the retrosplenial cortex, but also on branch-specific dendritic allocation mechanisms. These results demonstrate a causal role for dendritic mechanisms in memory integration and reveal a novel set of rules that govern how linked, and independent memories are allocated to dendritic compartments. One-Sentence Summary Dendritic allocation mechanisms link distinct memories across time

Summary Individual memories are often linked so that the recall of one triggers the recall of another. For example, contextual memories acquired close in time can be linked, and this is known to depend on temporary increase in excitability that drive the overlap between dorsal CA1 (dCA1) hippocampal ensembles encoding the linked memories. Here, we show that the Locus Coeruleus (LC) cells projecting to dCA1 have a key permissive role in contextual memory linking, without affecting contextual memory formation, and that this effect is mediated by dopamine and not by noradrenaline. Additionally, we found that LC to dCA1 projecting neurons modulate the excitability of dCA1 neurons, and the extent of overlap between dCA1 memory ensembles, as well as the stability of coactivity patterns within these ensembles. This discovery of a neuromodulatory system that specifically affects memory linking without affecting memory formation, reveals a fundamental separation between the brain mechanisms that modulate these two distinct processes.

Abstract Computational modeling has been indispensable for understanding how subcellular neuronal features influence circuit processing. However, the role of dendritic computations in network-level operations remains largely unexplored. This is partly because existing tools do not allow the development of realistic and efficient network models that account for dendrites. Current spiking neural networks, although efficient, are usually quite simplistic, overlooking essential dendritic properties. Conversely, circuit models with morphologically detailed neuron models are computationally costly, thus impractical for large-network simulations. To bridge the gap between these two extremes and facilitate the adoption of dendritic features in spiking neural networks, we introduce Dendrify, an open-source Python package based on Brian 2. Dendrify, through simple commands, automatically generates reduced compartmental neuron models with simplified yet biologically relevant dendritic and synaptic integrative properties. Such models strike a good balance between flexibility, performance, and biological accuracy, allowing us to explore dendritic contributions to network-level functions while paving the way for developing more powerful neuromorphic systems.