Taking a snapshot of active brain circuitry Neuroscientists now have a method to mark active populations of neurons in vivo to study circuit activity in the behaving animal. Fosque et al. designed and thoroughly validated a fluorescent protein–based reagent that allows permanent marking of active cells over short time scales. This indicator, termed CaMPARI, switches from its native green to a red fluorescent state by simultaneous illumination with violet light and exposure to increased levels of intracellular calcium. CaMPARI successfully marked active nerve cells in Drosophila , zebrafish, and mouse brains. Science , this issue p. 755

The molecular mechanisms by which different mutations in the same gene can result in distinct disease phenotypes remain largely unknown. Truncating mutations of SOX10 cause either a complex neurocristopathy designated PCWH or a more restricted phenotype known as Waardenburg-Shah syndrome (WS4; OMIM 277580). Here we report that although all nonsense and frameshift mutations that cause premature termination of translation generate truncated SOX10 proteins with potent dominant-negative activity, the more severe disease phenotype, PCWH, is realized only when the mutant mRNAs escape the nonsense-mediated decay (NMD) pathway. We observe similar results for truncating mutations of MPZ that convey distinct myelinopathies. Our experiments show that triggering NMD and escaping NMD may cause distinct neurological phenotypes.

A single nervous system can generate many distinct motor patterns. Identifying which neurons and circuits control which behaviors has been a laborious piecemeal process, usually for one observer-defined behavior at a time. We present a fundamentally different approach to neuron-behavior mapping. We optogenetically activated 1054 identified neuron lines in Drosophila larvae and tracked the behavioral responses from 37,780 animals. Application of multiscale unsupervised structure learning methods to the behavioral data enabled us to identify 29 discrete, statistically distinguishable, observer-unbiased behavioral phenotypes. Mapping the neural lines to the behavior(s) they evoke provides a behavioral reference atlas for neuron subsets covering a large fraction of larval neurons. This atlas is a starting point for connectivity- and activity-mapping studies to further investigate the mechanisms by which neurons mediate diverse behaviors.

Abstract All animal behaviour must ultimately be governed by physical laws. As a basis for understanding the physics of behaviour in a simple system, we here develop an effective theory for the motion of the larval form of the fruitfly Drosophila melanogaster, and compare it against a quantitative analysis of the real animal’s behaviour. We first define a set of fields which quantify stretching, bending, and twisting along the larva’s antero- posterior axis, and then perform a search in the space of possible theories that could govern the long-wavelength physics of these fields, using a simplified approach inspired by the renormalisation group. Guided by symmetry considerations and stability requirements, we arrive at a unique, analytically tractable free-field theory with a minimum of free parameters. Unexpectedly, we are able to explain a wide-spectrum of features of Drosophila larval behaviour by applying equilibrium statistical mechanics: our theory closely predicts the animals’ postural modes (eigenmaggots), as well as distributions and trajectories in the postural mode space across several behaviours, including peristaltic crawling, rolling, self-righting and unbiased substrate exploration. We explain the low-dimensionality of postural dynamics via Boltzmann suppression of high frequency modes, and also propose and experimentally test, novel predictions on the relationships between different forms of body deformation and animal behaviour. We show that crawling and rolling are dominated by similar symmetry properties, leading to identical dynamics/statistics in mode space, while rolling and unbiased exploration have a common dominant timescale. Furthermore, we are able to demonstrate that self-righting behaviour occurs continuously throughout substrate exploration, owing to the decoupling of stretching, bending, and twisting at low energies. Together, our results demonstrate that relatively simple effective physics can be used to explain and predict a wide range of animal behaviours.

Abstract How animals respond to repeatedly applied stimuli, and how animals respond to mechanical stimuli in particular, are important questions in behavioral neuroscience. We study adaptation to repeated mechanical agitation using the Drosophila larva. Vertical vibration stimuli elicit a discrete set of responses in crawling larvae: continuation, pause, turn, and reversal. Through high-throughput larva tracking, we characterize how the likelihood of each response depends on vibration intensity and on the timing of repeated vibration pulses. By examining transitions between behavioral states at the population and individual levels, we investigate how the animals habituate to the stimulus patterns. We identify time constants associated with desensitization to prolonged vibration, with re-sensitization during removal of a stimulus, and additional layers of habituation that operate in the overall response. Known memory-deficient mutants exhibit distinct behavior profiles and habituation time constants. An analogous simple electrical circuit suggests possible neural and molecular processes behind adaptive behavior.

Abstract Glutamate is the predominant excitatory neurotransmitter in the mammalian central nervous system (CNS). Excitatory Amino Acid Transporters (EAATs) regulate extracellular glutamate by transporting it into cells, mostly glia, to terminate neurotransmission and to avoid neurotoxicity. EAATs are also chloride (Cl − ) channels, but the physiological role of Cl − conductance through EAATs is poorly understood. Mutations of human EAAT1 (hEAAT1) have been identified in patients with episodic ataxia type 6 (EA6). One mutation showed increased Cl − channel activity and decreased glutamate transport, but the relative contributions of each function of hEAAT1 to mechanisms underlying the pathology of EA6 remain unclear. Here we investigated the effects of five additional EA6-related mutations on hEAAT1 function in Xenopus laevis oocytes, and on CNS function in a Drosophila melanogaster model of locomotor behavior. Our results indicate that mutations with decreased hEAAT1 Cl − channel activity and functional glutamate transport can also contribute to the pathology of EA6, highlighting the importance of Cl − homeostasis in glial cells for proper CNS function. We also identified a novel mechanism involving an ectopic sodium (Na + ) leak conductance in glial cells. Together, these results strongly support the idea that EA6 is primarily an ion channelopathy of CNS glia.

Escape behaviors help animals avoid harm from predators and other threats in the environment. Successful escape relies on integrating information from multiple stimulus modalities (of external or internal origin) to compute trajectories toward safe locations, choose between actions that satisfy competing motivations, and execute other strategies that ensure survival. To this end, escape behaviors must be adaptive. When a Drosophila melanogaster larva encounters a noxious stimulus, such as the focal pressure a parasitic wasp applies to the larval cuticle via its ovipositor, it initiates a characteristic escape response. The escape sequence consists of an initial abrupt bending, a corkscrew-like rolling, and finally rapid crawling. Previous work has shown that the detection of noxious stimuli primarily relies on class IV multi dendritic arborization neurons (Class IV neurons) located beneath the body wall, and more recent studies have identified several important components in the nociceptive neural circuitry involved in rolling. However, the neural mechanisms that underlie the rolling-escape sequence remain unclear. Here we present both functional and anatomical evidence suggesting that bilateral descending neurons within the subesophageal zone of D. melanogaster larva play a crucial role in regulating the termination of rolling and subsequent transition to escape crawling. We demonstrate that these descending neurons (designated SeIN128) are inhibitory and receive inputs from a second-order interneuron upstream (Basin-2) and an ascending neuron downstream of Basin-2 (A00c). Together with optogenetic experiments showing that joint stimulation of SeIN128 neurons and Basin-2 influence the temporal dynamics of rolling, our findings collectively suggest that the ensemble of SeIN128, Basin-2, and A00c neurons forms a GABAergic feedback loop onto Basin-2, which inhibits rolling and thereby facilitates the shift to escape crawling.

Modulatory ( e.g. dopaminergic) neurons provide 'teaching signals' that drive associative learning across the animal kingdom, but the circuit mechanisms by which these signals are computed are still unclear. To provide a basis for understanding the circuit implementation of learning algorithms, we generated a synaptic-resolution connectivity map of the circuits upstream of all modulatory neurons in an associative learning center, the mushroom body (MB) of the Drosophila larva. We discovered afferent pathways from sensory neurons and a large number of one-step and two-step feedback pathways originating from MB output neurons. We also found a surprising density of cross-compartment feedback pathways that link distinct memory systems ( e.g. aversive and appetitive). This architecture suggests that the MB functions as an interconnected ensemble during learning and that any previously formed memories of a stimulus can potentially regulate future learning about that stimulus. We functionally confirmed some of the structural pathways and found that some modulatory neurons compare inhibitory input from their own compartment and excitatory input from compartments of opposite valence, potentially enabling them to more accurately compute predicted values of stimuli. We developed a model of the circuit constrained by the connectome and functional data and used it to explore the computational advantages offered by the newly discovered feedback motifs. The model shows that the observed feedback pathways increase the network′s performance on complex learning tasks. It also shows that cross-compartment connections support the computation of predicted values and improve performance on higher-order learning tasks. Our study provides the most detailed view to date of a brain circuit that computes teaching signals and provides insights into the architectural motifs that support reinforcement learning in a biological system.