Abstract Diverse subpopulations of mechanosensory neurons detect different mechanical forces and influence behavior. How these subpopulations connect with central circuits to influence behavior remains an important area of study. We previously discovered a neural circuit that elicits grooming of the Drosophila melanogaster antennae that is activated by an antennal mechanosensory chordotonal organ, the Johnston’s organ (JO) (Hampel et al., 2015). Here, we describe anatomically and physiologically distinct JO mechanosensory neuron subpopulations and define how they interface with the circuit that elicits antennal grooming. We show that the subpopulations project to distinct zones in the brain and differ in their responses to mechanical stimulation of the antennae. Each subpopulation elicits grooming through direct synaptic connections with a single interneuron in the circuit, the dendrites of which span the different mechanosensory afferent projection zones. Thus, distinct JO subpopulations converge onto the same neural circuit to elicit a common behavioral response.

Abstract Dopaminergic neurons with distinct projection patterns and physiological properties compose memory subsystems in a brain. However, it is poorly understood whether or how they interact during complex learning. Here, we identify a feedforward circuit formed between dopamine subsystems and show that it is essential for second-order conditioning, an ethologically important form of higher-order associative learning. The Drosophila mushroom body comprises a series of dopaminergic compartments, each of which exhibits distinct memory dynamics. We find that a slow and stable memory compartment can serve as an effective “teacher” by instructing other faster and transient memory compartments via a single key interneuron, which we identify by connectome analysis and neurotransmitter prediction. This excitatory interneuron acquires enhanced response to reward-predicting odor after first-order conditioning and, upon activation, evokes dopamine release in the “student” compartments. These hierarchical connections between dopamine subsystems explain distinct properties of first- and second-order memory long known by behavioral psychologists.

Summary How memories are used by the brain to guide future action is poorly understood. In olfactory associative learning in Drosophila, multiple compartments of the mushroom body act in parallel to assign valence to a stimulus. Here, we show that appetitive memories stored in different compartments induce different levels of upwind locomotion. Using a photoactivation screen of a new collection of split-GAL4 drivers and EM connectomics, we identified a cluster of neurons postsynaptic to the mushroom body output neurons (MBONs) that can trigger robust upwind steering. These UpWind Neurons (UpWiNs) integrate inhibitory and excitatory synaptic inputs from MBONs of appetitive and aversive memory compartments, respectively. After training, disinhibition from the appetitive-memory MBONs enhances the response of UpWiNs to reward-predicting odors. Blocking UpWiNs impaired appetitive memory and reduced upwind locomotion during retrieval. Photoactivation of UpWiNs also increased the chance of returning to a location where activation was initiated, suggesting an additional role in olfactory navigation. Thus, our results provide insight into how learned abstract valences are gradually transformed into concrete memory-driven actions through divergent and convergent networks, a neuronal architecture that is commonly found in the vertebrate and invertebrate brains.

Abstract Microbial rhodopsins are photoreceptive membrane proteins utilized as molecular tools in optogenetics. In this paper, a machine learning (ML)-based model was constructed to approximate the relationship between amino acid sequences and absorption wavelengths using ~800 rhodopsins with known absorption wavelengths. This ML-based model was specifically designed for screening rhodopsins that are red-shifted from representative rhodopsins in the same subfamily. Among 5,558 candidate rhodopsins suggested by a protein BLAST search of several protein databases, 40 were selected by the ML-based model. The wavelengths of these 40 selected candidates were experimentally investigated, and 32 (80%) showed red-shift gains. In addition, four showed red-shift gains > 20 nm, and two were found to have desirable ion-transporting properties, indicating that they were potentially useful in optogenetics. These findings suggest that an ML-based model can reduce the cost for exploring new functional proteins.

Abstract Data-driven spiking neural network (SNN) models are vital for understanding the brain’s information processing at the cellular and synaptic level. While extensive research has focused on developing data-driven SNN models for mammalian brains, their complexity poses challenges in achieving precision. Network topology often relies on statistical inference, and the functions of specific brain regions and supporting neuronal activities remain unclear. Additionally, these models demand significant computational resources. Here, we propose a lightweight data-driven SNN model that strikes a balance between simplicity and reproducibility. We target the Drosophila olfactory nervous system, extracting its network topology from connectome data. The model implemented on an entry-level field-programmable gate array successfully reproduced the functions and characteristic spiking activities of different neuron types. Our approach thus provides a foundation for constructing lightweight in silico models that are critical for investigating the brain’s information processing mechanisms at the cellular and synaptic level through an analysis-by-construction approach and applicable to edge artificial intelligence (AI) systems.

Activation of the cyclic adenosine monophosphate (cAMP) pathway generally facilitates synaptic transmission, serving as one of the common mechanisms underlying long-term potentiation (LTP). In the Drosophila mushroom body, simultaneous activation of odor-coding Kenyon cells (KCs) and reinforcement-coding dopaminergic neurons synergistically activates adenylyl cyclase in KC presynaptic terminals, which is believed to trigger synaptic plasticity underlying olfactory associative learning. However, learning induces long-term depression (LTD) at these synapses, contradicting the universal role of cAMP as a facilitator of transmission. Here, we develop a system to electrophysiologically monitor both short-term and long-term synaptic plasticity of KC output synapses and demonstrate that Drosophila mushroom body is indeed a rare, if not the only, exception where increase in cAMP level induces LTD. In contrary to the prevailing model, we find that cAMP increase alone is insufficient for plasticity induction; it additionally requires KC activation to replicate presynaptic LTD induced by pairing of dopamine and KC activation. On the other hand, activation of the cyclic guanosine monophosphate pathway paired with KC activation induces slowly developing LTP, proving antagonistic actions of the two second-messenger pathways predicted by behavioral study. Furthermore, subtype-specific interrogation of KC output synapses reveals that different KC subtypes exhibit distinct plasticity duration even among synapses on the same postsynaptic neuron. Thus, our work not only revises the role of cAMP in synaptic plasticity by uncovering unexpected convergence point of the cAMP pathway and neuronal activity, but also establishes the methods to address physiological mechanisms of synaptic plasticity in this historically important model system.