Abstract Avoiding potentially harmful, and consuming safe food is crucial for the survival of living organisms. However, sensory information can change its valence following conflicting experiences. Novelty and aversiveness are the two crucial parameters defining the currently perceived valence of taste. Importantly, the ability of a given taste to serve as CS in conditioned taste aversion (CTA) is dependent on its valence. Activity in anterior insula (aIC) layer IV-VI pyramidal neurons projecting to the basolateral amygdala (BLA) is correlative and necessary for CTA learning and retrieval, as well as the expression of neophobia towards novel tastants, but not learning taste familiarity. Yet, the cellular mechanisms underlying the updating of taste valence representation in this specific pathway are poorly understood. Here, using retrograde viral tracing and whole cell patch-clamp electrophysiology in trained mice, we demonstrate that the intrinsic properties of deep-lying layer IV-VI, but not superficial layer I-III aIC-BLA neurons, are differentially modulated by both novelty and valence, reflecting the subjective predictability of taste valence arising from prior experience. These correlative changes in the profile of intrinsic properties of LIV-VI aIC-BLA neurons were detectable following both simple taste experiences, as well as following memory retrieval, extinction learning and reinstatement.

Abstract Bipolar disorder (BD) is a mood disorder with a high morbidity and death rate. Lithium (Li), a prominent mood stabilizer, is fully effective in roughly 30% of BD patients. The remaining patients respond partially or do not respond at all. Another drug used to treat BD patients is valproate (VPA). Plenty of efforts has been made to understand how these drugs affect the patients’ neurons. We have performed electrophysiological recordings in patient-derived dentate gyrus (DG) granule neurons for three groups: control individuals, BD patients who respond to Li treatment (LR), and BD patients who do not respond to Li treatment (NR). The recordings were analyzed by the statistical tools of modern information theory, which enabled us to recognize new relationships between the electrophysiological features. These added features included the entropy of several electrophysiological measurements and the mutual information between different types of electrophysiological measurements. Information theory features provided further knowledge about the distribution of the electrophysiological entities, which improved basic classification schemes. These newly added features enabled a significant improvement in our ability to distinguish the BD patients from the control individuals (an improvement from 60% accuracy to 74% accuracy) and the Li responders from the non-responders in the BD population using Support Vector Machine (SVM) classification algorithms (an improvement from 81% accuracy to 99% accuracy). These new tools showed that LR neurons are less distinguishable from control neurons after Li treatment but not after VPA treatment, whereas NR neurons become more distinguishable from control neurons after Li treatment.

ABSTRACT Schizophrenia (SCZ) is a highly heritable, polygenic neuropsychiatric disease, which disables the patients as well as decreases their life expectancy and quality of life. Common and Rare variants studies on SCZ subjects have provided more than 100 genomic loci that hold importance in the context of SCZ pathophysiology. Transcriptomic studies from clinical samples have informed about the differentially expressed genes (DEGs) and non-coding RNAs in SCZ patients. Despite these advancements, no causative genes for SCZ were found and hence SCZ is difficult to recapitulate in animal models. In the last decade, induced Pluripotent Stem Cells (iPSCs)-based models have helped in understanding the neural phenotypes of SCZ by studying patient iPSC-derived 2D neuronal cultures and 3D brain organoids. Here, we have aimed to provide a simplistic overview of the current progress and advancements after synthesizing the enormous literature on SCZ genetics and SCZ iPSC-based models. Although further understanding of SCZ genetics and mechanisms using these technological advancements is required, the recent approaches have allowed to delineate important cellular mechanisms and biological pathways affected in SCZ.

Protein structure prediction field has been revolutionised by deep learning with protein folding models such as AlphaFold 2 and ESMFold. These models enable rapid in silico prediction and have been integrated into de novo protein design and protein-protein interaction (PPI) prediction. However, biologically relevant features dependent on conformational distributions cannot be estimated with these models. Diffusion models, a novel class of generative models, have been developed to learn conformational distributions and applied to de novo protein design. Limited work has been done on protein structure inpainting, where a masked section is recovered by simultaneously conditioning on its sequence and the rest of the structure. In this work, we propose FrameDiff inPainTing (FrameDiPT), a generalised model for protein inpainting. This is important for T-cells given the hyper-variability of the complementarity determining region (CDR) loops. We evaluated the model on CDR loop design for T-cell receptors and achieved comparable prediction accuracy to ProteinGenerator and RFdiffusion with limited training data and learnable parameters. Different from deterministic structure prediction models, FrameDiPT captures the conformational distribution at different regions and binding states, highlighting a key advantage of generative models. The model and inference code have been released.

Abstract This research investigates the genetic signatures associated with a high risk of suicide in Bipolar disorder (BD) patients through RNA sequencing analysis of lymphoblastoid cell lines (LCLs). By identifying differentially expressed genes (DEGs) and their enrichment in pathways and disease associations, we uncover insights into the molecular mechanisms underlying suicidal behavior. LCL gene expression analysis reveals significant enrichment in pathways related to primary immunodeficiency, ion channel, and cardiovascular defects. Notably, genes such as LCK , KCNN2 , and GRIA1 emerged as pivotal in these pathways, suggesting their potential roles as biomarkers. Machine learning models trained on a subset of the patients and then tested on other patients demonstrate high accuracy in distinguishing low and high-risk of suicide in BD patients. Moreover, the study explores the genetic overlap between suicide-related genes and several psychiatric disorders. This comprehensive approach enhances our understanding of the complex interplay between genetics and suicidal behavior, laying the groundwork for future prevention strategies.