Abstract Antiphospholipid antibodies (aPL), assumed to cause antiphospholipid syndrome (APS), are notorious for their heterogeneity and detect phospholipids and phospholipid-binding proteins. The persistent presence of Lupus anticoagulant and/or aPL against cardiolipin and/or β2 glycoprotein I have been shown to be independent risk factors for vascular thrombosis and pregnancy morbidity in APS. aPL production is thought to be triggered by – among other factors – viral infections, though infection-associated aPL have mostly been considered non-pathogenic. Recently, the potential pathogenicity of infection-associated aPL has gained momentum since an increasing number of patients infected with Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2) has been described with coagulation abnormalities and hyperinflammation, together with the presence of aPL. Here, we present data from a multicentric, mixed-severity study including three cohorts of individuals who contracted SARS-CoV-2 as well as non-infected blood donors. We simultaneously measured 10 different criteria and non-criteria aPL (IgM and IgG) by using a line immunoassay. Further, IgG antibody response against three SARS-CoV-2 proteins was investigated using tripartite automated blood immunoassay technology. Our analyses revealed that selected non-criteria aPL were enriched concomitant to or after an infection with SARS-CoV-2. Linear mixed-effects models suggest an association of aPL to prothrombin (PT) with the strength of the antibody response against SARS-CoV-2 and that it is further influenced by SARS-CoV-2 disease severity and sex of the individuals. In conclusion, our study is the first to report an association between disease severity, anti-SARS-CoV-2 immunoreactivity and aPL against PT in patients with SARS-CoV-2.

Abstract Recent advances in the field of cellular reprogramming have opened a route to study the fundamental mechanisms underlying common neurological disorders. High-density microelectrode-arrays (HD-MEAs) provide unprecedented means to study neuronal physiology at different scales, ranging from network through single-neuron to subcellular features. In this work, we used HD-MEAs in vitro to characterize and compare human induced-pluripotent-stem-cell (iPSC)-derived dopaminergic and motor neurons, including isogenic neuronal lines modeling Parkinson’s disease and amyotrophic lateral sclerosis. We established reproducible electrophysiological network, single-cell and subcellular metrics, which were used for phenotype characterization and drug testing. Metrics such as burst shapes and axonal velocity enabled the distinction of healthy and diseased neurons. The HD-MEA metrics could also be used to detect the effects of dosing the drug retigabine to human motor neurons. Finally, we showed that the ability to detect drug effects and the observed culture-to-culture variability critically depend on the number of available recording electrodes.

Abstract Techniques to identify monosynaptic connections between neurons have been vital for neuroscience research, facilitating important advancements concerning network topology, synaptic plasticity, and synaptic integration, among others. Here, we introduce a novel approach to identify and monitor monosynaptic connections using high-resolution dendritic spine Ca 2+ imaging combined with simultaneous large-scale recording of extracellular electrical activity by means of high-density microelectrode arrays (HD-MEAs). We introduce an easily adoptable analysis pipeline that associates the imaged spine with its presynaptic unit and test it on in vitro recordings. The method is further validated and optimized by simulating synaptically-evoked spine Ca 2+ transients based on measured spike trains in order to obtain simulated ground-truth connections. The proposed approach offers unique advantages as i ) it can be used to identify monosynaptic connections with an accurate localization of the synapse within the dendritic tree, ii ) it provides precise information of presynaptic spiking, and iii ) postsynaptic spine Ca 2+ signals and, finally, iv) the non-invasive nature of the proposed method allows for long-term measurements. The analysis toolkit together with the rich data sets that were acquired are made publicly available for further exploration by the research community.

Abstract Self-sustained recurrent activity in cortical networks is thought to be important for multiple crucial processes, including circuit development and homeostasis. Yet, the precise relationship between the synaptic input patterns and the spiking output of individual neurons remains largely unresolved. Here, we developed, validated and applied a novel in vitro experimental platform and analytical procedures that provide – for individual neurons – simultaneous excitatory and inhibitory synaptic activity estimates during recurrent network activity. Our approach combines whole-network high-density microelectrode array (HD-MEA) recordings from rat neuronal cultures with patch clamping and enables a comprehensive mapping and characterization of active incoming connections to single postsynaptic neurons. We found that, during network states with excitation(E)-inhibition(I) balance, postsynaptic spiking coincided precisely with the maxima of fast fluctuations in the input E/I ratio. These spike-associated E/I ratio escalations were largely due to a rapid bidirectional change in synaptic inhibition that was modulated by the network-activity level. Our approach also uncovered the underlying circuit architecture and we show that individual neurons received a few key inhibitory connections – often from special hub neurons – that were instrumental in controlling postsynaptic spiking. Balanced network theory predicts dynamical regimes governed by small and rapid input fluctuation and featuring a fast neuronal responsiveness. Our findings – obtained in self-organized neuronal cultures – suggest that the emergence of these favorable regimes and associated network architectures is an inherent property of cortical networks in general.

We present a novel method for inferring connectivity from large-scale neuronal networks with synchronous activity. Our approach leverages Dynamic Differential Covariance to address the associated computational challenges. First, we analyze spike trains generated from Leaky Integrate-and-Fire network simulations and evaluate the performance of several off-the-shelf multivariate connectivity inference methods. Next, we introduce a new approach, Fractional Dynamic Differential Covariance (FDDC), and demonstrate that it consistently outperforms the other methods. Finally, we apply FDDC to experimental data to assess the topological organization of inferred graphs of in vitro neural network recordings obtained using high-density microelectrode arrays (HD-MEAs). Our results indicate that FDDC-derived graphs exhibit a significant negative correlation between small-worldness and measures of network synchrony. In contrast, graphs inferred through the well-established pairwise correlation method do not show such a correlation. This finding implies that the graphs obtained through FDDC provide stronger evidence in support of the theoretical notion that networks with clustered connections tend to exhibit higher levels of synchronizability. We hypothesize that our findings have implications for the development of scalable connectivity inference methods for large-scale neural network data.