Many studies have reported the roles played by regulated proteolysis in synaptic plasticity and memory, but the role of autophagy in neurons remains unclear. In mammalian cells, autophagy functions in the clearance of long-lived proteins and organelles and in adaptation to starvation. In neurons, although autophagy-related proteins (ATGs) are highly expressed, autophagic activity markers, autophagosome (AP) number, and light chain protein 3-II (LC3-II) are low compared with other cell types. In contrast, conditional knock-out of ATG5 or ATG7 in mouse brain causes neurodegeneration and behavioral deficits. Therefore, this study aimed to test whether autophagy is especially regulated in neurons to adapt to brain functions. In cultured rat hippocampal neurons, we found that KCl depolarization transiently increased LC3-II and AP number, which was partially inhibited with APV, an NMDA receptor (NMDAR) inhibitor. Brief low-dose NMDA, a model of chemical long-term depression (chem-LTD), increased LC3-II with a time course coincident with Akt and mammalian target of rapamycin (mTOR) dephosphorylation and degradation of GluR1, an AMPA receptor (AMPAR) subunit. Downstream of NMDAR, the protein phosphatase 1 inhibitor okadaic acid, PTEN inhibitor bpV(HOpic), autophagy inhibitor wortmannin, and short hairpin RNA-mediated knockdown of ATG7 blocked chem-LTD-induced autophagy and partially recovered GluR1 levels. After chem-LTD, GFP-LC3 puncta increased in spines and in dendrites when AP–lysosome fusion was blocked. These results indicate that neuronal stimulation induces NMDAR-dependent autophagy through PI3K–Akt–mTOR pathway inhibition, which may function in AMPAR degradation, thus suggesting autophagy as a contributor to NMDAR-dependent synaptic plasticity and brain functions.

ABSTRACT Idling brain activity has been proposed to facilitate inference, insight, and innovative problem-solving 1-4 . However, it remains unclear how and when the subconscious brain can create novel ideas. Here, we show coordinated roles of non-rapid eye movement (NREM) and rapid-eye movement (REM) sleep in weaving inferential information from learned information. In a transitive inference paradigm, mice gained the inference one day, but not shortly, after complete training. Inhibiting the neuronal computations in the anterior cingulate cortex (ACC) during post-learning either NREM or REM sleep, but not wakefulness, disrupted the inference without affecting the learned knowledge. In vivo Ca 2+ imaging showed gradual development of inference-related representation, peaking at post-training REM sleep. Neurons representing learned information co-reactivated significantly during post-training NREM sleep, while their co-reactivation with neurons representing inferential information was significantly higher during REM sleep. Furthermore, after insufficient learning, artificial activation of medial entorhinal cortex-ACC dialogue during only REM sleep created inferential knowledge. These findings suggest that NREM sleep organizes the scattered learned knowledge in a complete hierarchy, while REM sleep computes the inferential information from the organized hierarchy. Collectively, our study provides a mechanistic insight on NREM and REM coordination in weaving inferential knowledge, thus highlighting the power of idling brain in cognitive flexibility.

Abstract Passive priming of prior knowledge to assimilate ongoing experiences underlies advanced cognitive processing. However, the necessary neural dynamics of memory assimilation remains elusive. Uninstructed brain could also show boosted creativity, particularly after idling states, yet it remains unclear whether the idling brain can spontaneously spark relevant knowledge assimilations. We established a paradigm that links/separates context-dependent memories according to geometrical similarities. Mice exploring one of four contexts one day before undergoing contextual fear conditioning in a square context showed a gradual fear transfer to pre-exposed geometrically relevant contexts next day, but not after 15 min. Anterior cingulate cortex neurons representing relevant, rather than distinct, memories were significantly co-reactivated during post-conditioning sleep only, before their selective integration next day during testing. Disrupting sleep co-reactivations prevented assimilation while preserving recent memory consolidation. Thus, assimilating pertinent memories during sleep through co-reactivation of their respective engrams represents the neural underpinnings of sleep-triggered implicit cortical learning.

In entorhinal-hippocampal networks, the trisynaptic pathway, including the CA3 recurrent circuit, processes episodes of context and space 1-3 . Recurrent connectivity can generate reverberatory activity 4-6 , an intrinsic activity pattern of neurons that occurs after sensory inputs have ceased. However, the role of reverberatory activity in memory encoding remains incompletely understood. Here we demonstrate that in mice, synchrony between conditioned stimulus (CS) and unconditioned stimulus (US)-responsible cells occurs during the reverberatory phase, lasting for approximately 15 s, but not during CS and US inputs, in the CA1 and the reverberation is crucial for the linking of CS and US in the encoding of delay-type cued-fear memory. Retrieval-responsive cells developed primarily during the reverberatory phase. Mutant mice lacking N-methyl-D-aspartate receptors (NRs) in CA3 showed a cued-fear memory impairment and a decrease in synchronized reverberatory activities between CS- and US-responsive CA1 cells. Optogenetic CA3 silencing at the reverberatory phase during learning impaired cued-fear memory. Our findings suggest that reverberation recruits future retrieval-responsive cells via synchrony between CS- and US-responsive cells. The hippocampus uses reverberatory activity to link CS and US inputs, and avoid crosstalk during sensory inputs.

Abstract Idling brain activity has been proposed to facilitate inference, insight, and innovative problem-solving. However, it remains unclear how and when the idling brain can create novel ideas. Here, we show that cortical offline activity is both necessary and sufficient for building unlearned inferential knowledge from previously acquired information. In a transitive inference paradigm, male C57BL/6J mice gained the inference 1 day after, but not shortly after, complete training. Inhibiting the neuronal computations in the anterior cingulate cortex (ACC) during post-learning either non-rapid eye movement (NREM) or rapid eye movement (REM) sleep, but not wakefulness, disrupted the inference without affecting the learned knowledge. In vivo Ca 2+ imaging suggests that NREM sleep organizes the scattered learned knowledge in a complete hierarchy, while REM sleep computes the inferential information from the organized hierarchy. Furthermore, after insufficient learning, artificial activation of medial entorhinal cortex-ACC dialog during only REM sleep created inferential knowledge. Collectively, our study provides a mechanistic insight on NREM and REM coordination in weaving inferential knowledge, thus highlighting the power of idling brain in cognitive flexibility.

It has become possible to observe neural activity in freely moving animals via calcium imaging using a microscope, which could not be observed previously. However, it remains difficult to extract the dynamics of nerve cells from the recorded imaging data. In this study, we greatly improved the stability, and robustness of the cell activity estimation method via non-negative matrix decomposition with shrinkage estimation of the baseline. In addition, by improving the initial state of the iterative algorithm using a newly proposed method to extract the shape of the cell via image processing, a solution could be obtained with a small number of iterations. These methods were applied to artificial and real data, and their effectiveness was confirmed.

Currently, calcium imaging allows long-term recording of large-scale neuronal activity in diverse states. However, it remains difficult to extract neuronal dynamics from recorded imaging data. In this study, we propose an improved constrained nonnegative matrix factorization (CNMF)-based algorithm and an effective method to extract cell shapes with fewer false positives and false negatives through image processing. We also show that the evaluation metrics obtained during image and signal processing can be combined and used for false-positive cell determination. For the CNMF algorithm, we combined cell-by-cell regularization and baseline shrinkage estimation, which greatly improved its stability and robustness. We applied these methods to real data and confirmed their effectiveness. Our method is simpler and faster, detects more cells with lower firing rates and signal-to-noise ratios, and enhances the quality of the extracted cell signals. These advances can improve the standard of downstream analysis and contribute to progress in neuroscience.