We present a first-draft digital reconstruction of the microcircuitry of somatosensory cortex of juvenile rat. The reconstruction uses cellular and synaptic organizing principles to algorithmically reconstruct detailed anatomy and physiology from sparse experimental data. An objective anatomical method defines a neocortical volume of 0.29 ± 0.01 mm3 containing ∼31,000 neurons, and patch-clamp studies identify 55 layer-specific morphological and 207 morpho-electrical neuron subtypes. When digitally reconstructed neurons are positioned in the volume and synapse formation is restricted to biological bouton densities and numbers of synapses per connection, their overlapping arbors form ∼8 million connections with ∼37 million synapses. Simulations reproduce an array of in vitro and in vivo experiments without parameter tuning. Additionally, we find a spectrum of network states with a sharp transition from synchronous to asynchronous activity, modulated by physiological mechanisms. The spectrum of network states, dynamically reconfigured around this transition, supports diverse information processing strategies.PaperClip/cms/asset/5c91a1a4-b7e0-4955-9798-ad9ab0d5fbaa/mmc9.mp3Loading ...(mp3, 4.69 MB) Download audio Video AbstracteyJraWQiOiI4ZjUxYWNhY2IzYjhiNjNlNzFlYmIzYWFmYTU5NmZmYyIsImFsZyI6IlJTMjU2In0.eyJzdWIiOiJiYzRhNjA2YjExNzIyYzdkYTg3ZWE3NmE3ZTk2ZjFhOSIsImtpZCI6IjhmNTFhY2FjYjNiOGI2M2U3MWViYjNhYWZhNTk2ZmZjIiwiZXhwIjoxNjc4NTQxODAyfQ.EjLkN-IdxBeFQwOHLTNE-2eF9J6Lj0To4SrjSD3lMLMRJI3tlaCZjGO7CWvJIuPRild2x9HPTykK5VTweD2086IAqwaIX88_9L6vL1nSl-IjX9XmcnyPPjGqdTDbyhUKNI8rY0XP4lJjVIq9nK7oUQGMDTc-xpohB3YpbptwG2nf_1S1Qy-X9V9BiAjFKz9aRCoJXxNgMXzLHwMMZGBD5AXohicEJA97wt7mjd40e9zGmhGhWTtJLIjdX2oedpNmxDqbApsvVd5uG1F4Z4vHnJQ5Agc77dB0lXhZW_HE-RO-Gr6SWKd7D4ErXyWzchsflW6zaVdNBUhQ_DxLeFJ9lg(mp4, (24.73 MB) Download video

During much of sleep, virtually all cortical neurons undergo a slow oscillation (<1 Hz) in membrane potential, cycling from a hyperpolarized state of silence to a depolarized state of intense firing. This slow oscillation is the fundamental cellular phenomenon that organizes other sleep rhythms such as spindles and slow waves. Using high-density electroencephalogram recordings in humans, we show here that each cycle of the slow oscillation is a traveling wave. Each wave originates at a definite site and travels over the scalp at an estimated speed of 1.2-7.0 m/sec. Waves originate more frequently in prefrontal-orbitofrontal regions and propagate in an anteroposterior direction. Their rate of occurrence increases progressively reaching almost once per second as sleep deepens. The pattern of origin and propagation of sleep slow oscillations is reproducible across nights and subjects and provides a blueprint of cortical excitability and connectivity. The orderly propagation of correlated activity along connected pathways may play a role in spike timing-dependent synaptic plasticity during sleep.

When the brain goes from wakefulness to sleep, cortical neurons begin to undergo slow oscillations in their membrane potential that are synchronized by thalamocortical circuits and reflected in EEG slow waves. To provide a self-consistent account of the transition from wakefulness to sleep and of the generation of sleep slow waves, we have constructed a large-scale computer model that encompasses portions of two visual areas and associated thalamic and reticular thalamic nuclei. Thousands of model neurons, incorporating several intrinsic currents, are interconnected with millions of thalamocortical, corticothalamic, and both intra- and interareal corticocortical connections. In the waking mode, the model exhibits irregular spontaneous firing and selective responses to visual stimuli. In the sleep mode, neuromodulatory changes lead to slow oscillations that closely resemble those observed in vivo and in vitro. A systematic exploration of the effects of intrinsic currents and network parameters on the initiation, maintenance, and termination of slow oscillations shows the following. 1) An increase in potassium leak conductances is sufficient to trigger the transition from wakefulness to sleep. 2) The activation of persistent sodium currents is sufficient to initiate the up-state of the slow oscillation. 3) A combination of intrinsic and synaptic currents is sufficient to maintain the up-state. 4) Depolarization-activated potassium currents and synaptic depression terminate the up-state. 5) Corticocortical connections synchronize the slow oscillation. The model is the first to integrate intrinsic neuronal properties with detailed thalamocortical anatomy and reproduce neural activity patterns in both wakefulness and sleep, thereby providing a powerful tool to investigate the role of sleep in information transmission and plasticity.

The fruit fly Drosophila melanogaster is emerging as a promising model system for the genetic dissection of sleep. As in mammals, sleep in the fruit fly is a reversible state of reduced responsiveness to the external world and has been defined using an array of behavioral, pharmacologic, molecular, and electrophysiologic criteria. A central feature of mammalian sleep is its homeostatic regulation by the amount of previous wakefulness. Dissecting the mechanisms of homeostatic regulation is likely to provide key insights into the functions of sleep. Thus, it is important to establish to what extent sleep homeostasis is similar between mammals and flies. This study was designed to determine whether in flies, as in mammals, (1) sleep rebound is dependent on prior time awake; (2) sleep deprivation affects the intensity, in addition to the duration, of sleep rebound; (3) sleep loss impairs vigilance and performance; (4) the sleep homeostatic response is conserved among different wild-type lines, and between female and male flies of the same line. Motor activity of individual flies was recorded at 1-minute intervals using the infrared Drosophila Activity Monitoring System during 2 baseline days; during 6,12, and 24 hours of sleep deprivation; and during 2 days of recovery. Sleep was defined as any period of uninterrupted behavioral immobility lasting > 5 minutes. Sleep continuity was measured by calculating the number of brief awakenings, the number and duration of sleep episodes, and a sleep continuity score. Vigilance before and after sleep deprivation was assessed by measuring the escape response triggered by 2 different aversive stimuli. Fly sleep research laboratory at UW-Madison. Adult flies of the Canton-S (CS) strain and 116 other wild-type lines (≥ 16 female and ≥ 16 male flies per line). In wild-type CS flies, as in mammals, the amount of sleep recovered after sleep deprivation was dependent on prior time awake. Relative to baseline sleep, recovery sleep in CS flies was less fragmented, with longer sleep episodes, and was associated with a higher arousal threshold. Sleep deprivation in CS flies also reduced performance. Sleep duration and continuity increased after 24 hour of sleep deprivation in all the other wild-type lines tested. The sleep homeostatic response in fruit flies is a stable phenotype and shares most of, if not all, the major features of mammalian sleep homeostasis, thus supporting the use of Drosophila as a model system for the genetic dissection of sleep mechanisms and functions.

The thick-tufted layer 5b pyramidal cell extends its dendritic tree to all six layers of the mammalian neocortex and serves as a major building block for the cortical column. L5b pyramidal cells have been the subject of extensive experimental and modeling studies, yet conductance-based models of these cells that faithfully reproduce both their perisomatic Na+-spiking behavior as well as key dendritic active properties, including Ca2+ spikes and back-propagating action potentials, are still lacking. Based on a large body of experimental recordings from both the soma and dendrites of L5b pyramidal cells in adult rats, we characterized key features of the somatic and dendritic firing and quantified their statistics. We used these features to constrain the density of a set of ion channels over the soma and dendritic surface via multi-objective optimization with an evolutionary algorithm, thus generating a set of detailed conductance-based models that faithfully replicate the back-propagating action potential activated Ca2+ spike firing and the perisomatic firing response to current steps, as well as the experimental variability of the properties. Furthermore, we show a useful way to analyze model parameters with our sets of models, which enabled us to identify some of the mechanisms responsible for the dynamic properties of L5b pyramidal cells as well as mechanisms that are sensitive to morphological changes. This automated framework can be used to develop a database of faithful models for other neuron types. The models we present provide several experimentally-testable predictions and can serve as a powerful tool for theoretical investigations of the contribution of single-cell dynamics to network activity and its computational capabilities.

Sleep slow-wave activity (SWA, electroencephalogram [EEG] power between 0.5 and 4.0 Hz) is homeostatically regulated, increasing with wakefulness and declining with sleep. Sleep SWA is thought to reflect sleep need, but the mechanisms of its homeostatic regulation remain unknown. Based on a recent hypothesis, we sought to determine whether a decrease in cortical synaptic strength can account for changes in sleep SWA.A large-scale computer model of the sleeping thalamocortical system was used to reproduce in detail the cortical slow oscillations underlying EEG slow waves.N/A.N/A.Simulated reductions in the strength of corticocortical synapses.Decreased synaptic strength led to (1) decreased single cell membrane potential oscillations and reduced network synchronization, (2) decreased rate of neural recruitment and decruitment, and (3) emergence of local clusters of synchronized activity. These changes were reflected in the local EEG as (1) decreased incidence of high-amplitude slow waves, (2) decreased wave slope, and (3) increased number of multipeak waves. Spectral analysis confirmed that these changes were associated with a decrease in SWA.A decrease in cortical synaptic strength is sufficient to account for changes in sleep SWA and is accompanied by characteristic changes in slow-wave parameters. Experimental results from rat cortical depth recordings and human high-density EEG show similar changes in slow-wave parameters with decreasing SWA, suggesting that the underlying mechanism may indeed be a net decrease in synaptic strength.

Abstract The challenge of defining and cataloging the building blocks of the brain requires a standardized approach to naming neurons and organizing knowledge about their properties. The US Brain Initiative Cell Census Network, Human Cell Atlas, Blue Brain Project, and others are generating vast amounts of data and characterizing large numbers of neurons throughout the nervous system. The neuroscientific literature contains many neuron names (e.g. parvalbumin-positive interneuron or layer 5 pyramidal cell) that are commonly used and generally accepted. However, it is often unclear how such common usage types relate to the many proposed evidence-based types that are based on the results of new techniques. Further, comparing different models across labs remains a significant challenge. Here, we propose an interoperable knowledge representation, the Neuron Phenotype Ontology (NPO) that provides a standardized and machine computable approach for naming and normalizing phenotypes in cell types by using community ontology identifiers as a common language. The NPO provides a framework for systematically organizing knowledge about cellular properties and enables interoperability with existing neuron naming schemes. We evaluate the NPO by populating a knowledge base with three independent cortical neuron classifications derived from published data sets that describe neurons according to molecular, morphological, electrophysiological and synaptic properties. Competency queries to this knowledge base demonstrate that this knowledge model enables interoperability between the three test cases and common usage neuron names from the literature.