Psilocybin and related hallucinogenic compounds are increasingly used in human research. However, due to limited information about potential subjective side effects, the controlled medical use of these compounds has remained controversial. We therefore analysed acute, short- and long-term subjective effects of psilocybin in healthy humans by pooling raw data from eight double-blind placebo-controlled experimental studies conducted between 1999 and 2008. The analysis included 110 healthy subjects who had received 1–4 oral doses of psilocybin (45–315 µg/kg body weight). Although psilocybin dose-dependently induced profound changes in mood, perception, thought and self-experience, most subjects described the experience as pleasurable, enriching and non-threatening. Acute adverse drug reactions, characterized by strong dysphoria and/or anxiety/panic, occurred only in the two highest dose conditions in a relatively small proportion of subjects. All acute adverse drug reactions were successfully managed by providing interpersonal support and did not need psychopharmacological intervention. Follow-up questionnaires indicated no subsequent drug abuse, persisting perception disorders, prolonged psychosis or other long-term impairment of functioning in any of our subjects. The results suggest that the administration of moderate doses of psilocybin to healthy, high-functioning and well-prepared subjects in the context of a carefully monitored research environment is associated with an acceptable level of risk.

The recent renaissance of psychedelic science has reignited interest in the similarity of drug-induced experiences to those more commonly observed in psychiatric contexts such as the schizophrenia-spectrum. This report from a multidisciplinary working group of the International Consortium on Hallucinations Research (ICHR) addresses this issue, putting special emphasis on hallucinatory experiences. We review evidence collected at different scales of understanding, from pharmacology to brain-imaging, phenomenology and anthropology, highlighting similarities and differences between hallucinations under psychedelics and in the schizophrenia-spectrum disorders. Finally, we attempt to integrate these findings using computational approaches and conclude with recommendations for future research.

The auditory mismatch negativity (MMN) is significantly reduced in schizophrenia. Notably, a similar MMN reduction can be achieved with NMDA receptor (NMDAR) antagonists. Both phenomena have been interpreted as reflecting an impairment of predictive coding or, more generally, the “Bayesian brain” notion that the brain continuously updates a hierarchical model to infer the causes of its sensory inputs. Specifically, predictive coding views perceptual inference as an NMDAR-dependent process of minimizing hierarchical precision-weighted prediction errors (PEs). Disturbances of this putative process play a key role in hierarchical Bayesian theories of schizophrenia. Here, we provide empirical evidence for this clinical theory, demonstrating the existence of multiple, hierarchically related PEs in a “roving MMN” paradigm.We applied a computational model (Hierarchical Gaussian Filter, HGF), to single-trial EEG data from healthy volunteers that received the NMDAR antagonist S-ketamine in a placebo-controlled, double-blind, within-subject fashion. Using an unrestricted analysis of the entire time-sensor space, our computational trial-by-trial analysis indicated that low-level PEs (about stimulus transitions) are expressed early (102-207ms post-stimulus), while high-level PEs (about transition probability) are reflected by later components (152-199ms, 215-277ms) of single-trial responses. Furthermore, we find that ketamine significantly diminished the expression of high-level PE responses, implying that NMDAR antagonism disrupts inference on abstract statistical regularities.Our findings suggest that NMDAR dysfunction impairs hierarchical Bayesian inference about the world’s statistical structure. Beyond the relevance of this finding for schizophrenia, our results illustrate the potential of computational single-trial analyses for assessing potential disease mechanisms.