A better way to explain neuronal activity A brain region called the lateral intraparietal (LIP) area is involved in primate decision-making. The dominant model to explain neuronal firing in LIP assumes that neurons slowly accumulate sensory evidence in favor of one choice or another. Latimer et al. hypothesized that neurons instead exhibit rapid steps or jumps in their firing rate, reflecting discrete changes in the animal's decision state. They recorded from LIP neurons in macaque monkeys performing a motion-discrimination task. LIP spike trains in most cells involved discrete stepping dynamics rather than slow evidence integration dynamics. Science , this issue p. 184

A popular approach to the study of information processing in the nervous system is to char-acterize neural responses in terms of a cascade of linear and nonlinear stages: a linear filter to describe the neuron’s stimulus integration properties, followed by a rectifying nonlinearity to convert filter output to spike rate. However, real neurons integrate stimuli via the modula-tion of nonlinear excitatory and inhibitory synaptic conductances. Here we introduce a bio-physically inspired point process model with conductance-based inputs. The model provides a novel interpretation of the popular Poisson generalized linear model (GLM) as a special kind of conductance-based model, where excitatory and inhibitory conductances are modulated in a “push-pull” manner so that total conductance remains constant. We relax this constraint to obtain a more general and flexible “conductance-based encoding model” (CBEM), which can exhibit stimulus-dependent fluctuations in gain and dynamics. We fit the model to spike trains of macaque retinal ganglion cells and show that, remarkably, we can accurately infer underlying inhibitory and excitatory conductances, using comparisons to intracellularly measured conductances. Using extracellular data, we corroborate the intracellular finding that synaptic excitation temporally precedes inhibition in retina. We show that the CBEM outperforms the classic GLM at predicting retinal ganglion cell responses to full-field stimuli, generalizes better across contrast levels, and captures inhibition-dependent response properties to spatially structured stimuli. The CBEM provides a powerful tool for gaining insights into the intracellular variables governing spiking, and forges an important link between extracellular characterization methods and biophysically detailed response models.

Abstract Neurons in parietal cortex exhibit task-related activity during decision-making tasks. However, it remains unclear how long-term training to perform different tasks over months or even years shapes neural computations and representations. We examine lateral intraparietal area (LIP) responses during a visual motion delayed-match-to-category (DMC) task. We consider two pairs of monkeys with different training histories: one trained only on the DMC task, and another first trained to perform fine motion-direction discrimination. We introduce generalized multilinear models to quantify low-dimensional, task-relevant components in population activity. During the DMC task, we found stronger cosine-like motion-direction tuning in the pretrained monkeys than in the DMC-only monkeys, and that the pretrained monkeys’ performance depended more heavily on sample-test stimulus similarity. These results suggest that sensory representations in LIP depend on the sequence of tasks that the animals have learned, underscoring the importance of training history in studies with complex behavioral tasks.

Abstract We recently presented a statistical comparison between two models of latent dynamics in macaque lateral intraparietal (LIP) area spike trains—a continuous ‘ramping’ (diffusion-to-bound) model, and a discrete ‘stepping’ model—and found that a substantial fraction of neurons (recorded in two different studies) were better supported by the stepping model (Latimer et al., 2015). Here, we respond to a recent challenge to the validity of these findings that focuses primarily on the possibility of a lower bound on LIP firing rates (Zylberberg & Shadlen, 2016). The paper in question proposed alternate formulations of the ramping model, and argued (via indirect analyses) that half the neurons in the population were better explained by the new model; if correct, this would lead to an even split in the number of neurons better explained by each model. These analyses, while interesting, do not alter the conclusions of our original paper. Here, we review the criticisms raised by Zylberberg & Shadlen and report several new analyses using models with lower bounds. First, we show that the stepping model continued to provide a better description of LIP spike trains when fit using only an early period of each trial. Second, we performed a direct model comparison between our stepping model and a ramping-with-baseline model proposed by Zylberberg & Shadlen; we found that (in a pleasing moment of agreement) roughly half the neurons were better explained by each model. Interestingly, inspection of the cells that switched classifications revealed that many did not strictly exhibit the classical ramping PSTHs that motivated these analyses in the first place. We also examined two other issues raised in recent discussions of LIP: (1) We show that a non-integrating model is consistent with some core aspects of behavioral data previously offered as evidence for continuous integration; and (2) We examine analyses based on the response covariance (“CorCE”), and show that it does not reliably distinguish ramping and stepping dynamics for our dataset. Taken together, these discussions highlight the value of data-driven characterizations of both neural and behavioral dynamics with appropriate statistical tools.

SUMMARY Many motor skills are learned by comparing ongoing behavior to internal performance benchmarks. Dopamine neurons encode performance error in behavioral paradigms where error is externally induced, but it remains unknown if dopamine also signals the quality of natural performance fluctuations. Here we recorded dopamine neurons in singing birds and examined how spontaneous dopamine spiking activity correlated with natural fluctuations in ongoing song. Antidromically identified basal ganglia-projecting dopamine neurons correlated with recent, and not future, song variations, consistent with a role in evaluation, not production. Furthermore, dopamine spiking was suppressed following the production of outlying vocal variations, consistent with a role for active song maintenance. These data show for the first time that spontaneous dopamine spiking can evaluate natural behavioral fluctuations unperturbed by experimental events such as cues or rewards.

Single neurons can dynamically change the gain of their spiking responses to account for shifts in stimulus variance. Moreover, gain adaptation can occur across multiple timescales. Here, we examine the ability of a simple statistical model of spike trains, the generalized linear model (GLM), to account for these adaptive effects. The GLM describes spiking as a Poisson process whose rate depends on a linear combination of the stimulus and recent spike history. The GLM successfully replicates gain scaling observed in Hodgkin-Huxley simulations of cortical neurons that occurs when the ratio of spike-generating potassium and sodium conductances approaches one. Gain scaling in the GLM depends on the length and shape of the spike history filter. Additionally, the GLM captures adaptation that occurs over multiple timescales as a fractional derivative of the stimulus variance, which has been observed in neurons that include long timescale afterhyperpolarization conductances. Fractional differentiation in GLMs requires long spike history that span several seconds. Together, these results demonstrate that the GLM provides a tractable statistical approach for examining single-neuron adaptive computations in response to changes in stimulus variance.

Neurons in macaque area LIP exhibit gradual ramping in their trial-averaged spike responses during sensory decision-making. However, recent work has sparked debate over whether single-trial LIP spike trains are better described by discrete "stepping" or continuous drift-diffusion ("ramping'') dynamics. Here we address this controversy using powerful model-based analyses of LIP spike responses. We extended latent dynamical models of LIP spike trains to incorporate non-Poisson spiking, baseline firing rates, and various nonlinear relationships between the latent variable and firing rate. Moreover, we used advanced model-comparison methods, including cross-validation and a fully Bayesian information criterion, to evaluate and compare models. These analyses revealed that when non-Poisson spiking was incorporated into existing stepping and ramping models, a majority of neurons remained better described by stepping dynamics, even when conditioning on evidence level or choice. However, an extended ramping model with a non-zero baseline and a compressive output nonlinearity accounted for roughly as many neurons as the stepping model. The latent dynamics inferred under this model exhibited high diffusion variance for many neurons, making them qualitatively different than slowly-evolving continuous dynamics. These findings generalized to alternative tasks, suggesting that a robust fraction of LIP neurons are better described by each model class.

Abstract Experience can change how individuals learn. Learning to solve a new problem can be accelerated by generalizing known rules in the new context, but the impact of experience on solving problems where generalization cannot be applied remains unclear. To study the impact of experience on solving new problems that are distinct from previously learned tasks, we examined how rats learned a new spatial navigation task after having previously learned different sets of spatial navigation tasks. The new task differed from the previous tasks in spatial layout and navigation rule, and could not be solved by applying previously learned rules. We found that different experience histories did not impact task performance in the new task. However, by examining navigation choices made by rats, we found exploration patterns during the early stage of learning in the new task was dependent on experience history. We identified these behavioral differences by analyzing each rat’s navigation choices and by modeling their choice sequences with a modified distance dependent Chinese restaurant process. We further pinpointed the behavioral difference to sequential turn/no turn decisions made at choice points. Our results indicate that experience can influence problem-solving strategies when learning to solve new problems. Individuals with distinct experience histories can approach new problems from different starting points but converge on the same solution.

Sensory systems encounter remarkably diverse stimuli in the external environment. Natural stimuli exhibit timescales and amplitudes of variation that span a wide range. Mechanisms of adaptation, ubiquitous feature of sensory systems, allow for the accommodation of this range of scales. Are there common rules of adaptation across different sensory modalities? We measured the membrane potential responses of individual neurons in the visual, somatosensory and auditory cortices to discrete, punctate stimuli delivered at a wide range of fixed and nonfixed frequencies. We find that the adaptive profile of the response is largely preserved across these three areas, exhibiting attenuation and responses to the cessation of stimulation which are signatures of response to changes in stimulus statistics. We demonstrate that these adaptive responses can emerge from a simple model based on the integration of fixed filters operating over multiple time scales.