The increased democratization of the creation, implementation, and attendance of academic conferences has been a serendipitous benefit of the movement toward virtual meetings. The Coronavirus Disease 2019 (COVID-19) pandemic has accelerated the transition to online conferences and, in parallel, their democratization, by necessity. This manifests not just in the mitigation of barriers to attending traditional physical conferences but also in the presentation of new, and more importantly attainable, opportunities for young scientists to carve out a niche in the landscape of academic meetings. Here, we describe an early “proof of principle” of this democratizing power via our experience organizing the Canadian Computational Neuroscience Spotlight (CCNS; crowdcast.io/e/CCNS), a free 2-day virtual meeting that was built entirely amid the pandemic using only virtual tools. While our experience was unique considering the obstacles faced in creating a conference during a pandemic, this was not the only factor differentiating both our experience and the resulting meeting from other contemporary online conferences. Specifically, CCNS was crafted entirely by early career researchers (ECRs) without any sponsors or partners, advertised primarily using social media and “word of mouth,” and designed specifically to highlight and engage trainees. From this experience, we have distilled “10 simple rules” as a blueprint for the design of new virtual academic meetings, especially in the absence of institutional support or partnerships, in this unprecedented environment. By highlighting the lessons learned in implementing our meeting under these arduous circumstances, we hope to encourage other young scientists to embrace this challenge, which would serve as a critical next step in further democratizing academic meetings.

Abstract The wide variety of cell types and their inherent biophysical complexities pose a challenge to our understanding of oscillatory activities produced by cellular-based computational models. This challenge stems from the high-dimensional and multi-parametric nature of these systems. To overcome this issue, we implement systematic comparisons of minimal and detailed models of CA1 microcircuits that generate intra-hippocampal theta rhythms (3-12 Hz). We leverage insights from minimal models to guide detailed model explorations and obtain a cellular perspective of theta generation. Our findings distinguish the pyramidal cells as the theta rhythm initiators and reveal that their activity is regularized by the inhibitory cell populations, supporting an ‘inhibition-based tuning’ mechanism. We find a strong correlation between the pyramidal cell input current and the resulting LFP theta frequency, establishing that the intrinsic pyramidal cell properties underpin network frequency characteristics. This work provides a cellular-based foundation from which in vivo theta activities can be explored.

Abstract Heterogeneity is the norm in biology. The brain is no different: neuronal cell-types are myriad, reflected through their cellular morphology, type, excitability, connectivity motifs and ion channel distributions. While this biophysical diversity enriches neural systems’ dynamical repertoire, it remains challenging to reconcile with the robustness and persistence of brain function over time. To better understand the relationship between heterogeneity and resilience, we analyzed both analytically and numerically a non-linear sparse neural network with balanced excitatory and inhibitory connections evolving over long time scales. We examined how neural diversity expressed as excitability heterogeneity in this network influences its dynamic volatility (i.e., its susceptibility to critical transitions). We exposed this network to slowly-varying modulatory fluctuations, continuously interrogating its stability and resilience. Our results show that excitability heterogeneity implements a homeostatic control mechanism tuning network stability in a context-dependent way. Such diversity was also found to enhance network resilience, quenching the volatility of its dynamics, effectively making the system independent of changes in many control parameters, such as population size, connection probability, strength and variability of synaptic weights as well as modulatory drive. Taken together, these results highlight the fundamental role played by cell-type heterogeneity in the robustness of brain function in the face of change. Significance Statement Contemporary research has identified widespread cell-to-cell intrinsic diversity in the brain, manifest through variations in biophysical features such as neuronal excitability. A natural question that arises from this phenomenon is what functional role, if any, this heterogeneity might serve. Combining computational and mathematical techniques, this interdisciplinary research shows that intrinsic cell-to-cell diversity, far from mere developmental noise, represents a homeostatic control mechanism, promoting the resilience of neuronal circuits. These results highlight the importance of diversity in the robustness and persistence of brain function over time and in the face of change.

A bstract Connectome-based neural mass modelling is the emerging computational neuroscience paradigm for simulating large-scale network dynamics observed in whole-brain activity measurements such as fMRI, M/EEG, and related techniques. Estimating physiological parameters by fitting these models to empirical data is challenging however, due to large network sizes, often physiologically detailed fast-timescale system equations, and the need for long (e.g. tens of minutes) simulation runs. Here we introduce a novel approach to connectome-based neural mass model parameter estimation by employing optimization tools developed for deep learning. We cast the system of differential equations representing both neural and haemodynamic activity dynamics as a deep neural network, implemented within a widely used machine learning programming environment (PyTorch). This allows us to use robust industry-standard optimization algorithms, automatic differentiation for computation of gradients, and other useful functionality. The approach is demonstrated using a connectome-based network with nodal dynamics specified by the two-state RWW mean-field neural mass model equations, which we use here as a model of fMRI-measured activity and correlation fluctuations. Additional optimization constraints are explored and prove fruitful, including restricting the model to domains of parameter space near a bifurcation point that yield metastable dynamics. Using these techniques, we first show robust recovery of physiological model parameters in synthetic data and then, as a proof-of-principle, apply the framework to modelling of empirical resting-state fMRI data from the Human Connectome Project database. For resting state activity, the system can be understood as a deep net that receives uncorrelated noise on its input layer, which is transformed into network-wide modelled functional connectivity on its output layer. This is consistent with the prevailing conception in theoretical neuroscience of resting-state functional connectivity patterns as an emergent phenomenon that is driven by (effectively) random activity fluctuations, which are then in turn spatiotemporally filtered by anatomical connectivity and local neural dynamics.

Most existing multi-compartment, mammalian neuron models are built from rodent data. However, our increasing knowledge of differences between human and rodent neurons suggests that, to understand the cellular basis of human brain function, we should build models from human data. Here, we present the first full spiking, multi-compartment model of a human layer 5 cortical pyramidal neuron. Model development balanced prioritizing current clamp data from the neuron providing the model's morphology, while also ensuring the model's generalizability via preservation of spiking properties observed in a secondary population of neurons, by ''cycling'' between these data sets. The model was successfully validated against electrophysiological data not used in model development, including experimentally observed subthreshold resonance characteristics. Our model highlights kinetic differences in the h-current across species, with the unique relationship between the model and experimental data allowing for a detailed investigation of the relationship between the h-current and subthreshold resonance.

ABSTRACT Computational models of neural circuits with varying levels of biophysical detail have been generated in pursuit of an underlying mechanism explaining the ubiquitous hippocampal theta rhythm. However, within the theta rhythm are at least two types with distinct frequencies associated with different behavioural states, an aspect that must be considered in pursuit of these mechanistic explanations. Here, using our previously developed excitatory-inhibitory network models that generate theta rhythms, we investigate the robustness of theta generation to intrinsic neuronal variability by building a database of heterogeneous excitatory cells and implementing them in our microcircuit model. We specifically investigate the impact of three key ‘building block’ features of the excitatory cell model that underlie our model design: these cells’ rheobase, their capacity for post-inhibitory rebound, and their spike-frequency adaptation. We show that theta rhythms at various frequencies can arise dependent upon the combination of these building block features, and we find that the speed of these oscillations are dependent upon the excitatory cells’ response to inhibitory drive, as encapsulated by their phase response curves. Taken together, these findings support a hypothesis for theta frequency control that includes two aspects: (i) an internal mechanism that stems from the building block features of excitatory cell dynamics; (ii) an external mechanism that we describe as ‘inhibition-based tuning’ of excitatory cell firing. We propose that these mechanisms control theta rhythm frequencies and underlie their robustness.

In the human neocortex, coherent theta oscillations between superficial and deep cortical layers are driven by deep layer neurons, suggesting distinct intrinsic electrophysiological properties of neurons across cortical layers. Here, we used in vitro whole-cell recordings to characterize pyramidal cells in layer 2/3 (L2/3) and layer 5 (L5) of the human neocortex. We found that human L5 pyramidal cells were more excitable and were endowed with a more prominent sag voltage and larger I h currents relative to L2/3 neurons, that were abolished through direct pharmacological blockade. Although no peak in subthreshold resonance was observed for either L2/3 or L5 cells, we found that L5 neurons demonstrated greater spiking gain at low frequencies. Integrating patient-level demographic features revealed larger sag amplitudes in pyramidal cells recorded from older patients. These data suggest that sag is prominently expressed in L5 pyramidal cells and is a dynamic feature of human cortical microcircuits.

Abstract Discerning the contribution of specific ionic currents to complex neuronal dynamics is a difficult, but important, task. This challenge is exacerbated in the human setting, although the widely-characterized uniqueness of the human brain as compared to preclinical models necessitates the direct study of human neurons. Neuronal spiking frequency preference is of particular interest given its role in rhythm generation and signal transmission in cortical circuits. Here, we combine the frequency-dependent gain (FDG), a measure of spiking frequency preference, and novel in silico analyses to dissect the contributions of individual ionic currents to key FDG features of human L5 neurons. We confirm that a contemporary model of such a neuron, primarily constrained to capture subthreshold activity driven by the hyperpolarization-activated cyclic nucleotide gated (h-) current, replicates key features of the in vitro FDG both with and without h-current activity. With the model confirmed as a viable approximation of the biophysical features of interest, we applied new analysis techniques to quantify the activity of each modeled ionic current in the moments prior to spiking, revealing unique dynamics of the h-current. These findings motivated patch-clamp recordings in analogous rodent neurons to characterize their FDG, which confirmed that a biophysically-detailed model of these neurons captures key inter-species differences in the FDG. These differences are correlated with distinct contributions of the h-current to neuronal activity. Together, this interdisciplinary and multi-species study provides new insights directly relating the dynamics of the h-current to neuronal spiking frequency preference in human L5 neurons. Significance Statement Understanding the contributions of individual ionic currents to neuronal activity is vital, considering the established role of ion channel modifications in neuropsychiatric conditions. We combine in vitro characterization of the spiking frequency preference of human L5 cortical pyramidal neurons via the frequency-dependent gain (FDG) with new analyses of a biophysically-detailed computational model of such a neuron to delineate the connection between the dynamics of the hyperpolarization-activated cyclic nucleotide gated (h-) current prior to spiking and key properties of the FDG. By further determining that both these FDG properties and h-current dynamics are distinct in analogous rodent neurons, we provide convincing evidence for the key role of the h-current in the frequency preference of human L5 cortical neurons.

A plethora of recent experimental literature implicates the abrupt, synchronous activation of GABAergic interneurons in driving the sudden change in brain activity that heralds seizure initiation. However, the mechanisms predisposing an inhibitory network toward sudden coherence specifically during ictogenesis remain unknown. We address this question by comparing simulated inhibitory networks containing control interneurons and networks containing hyper-excitable interneurons modeled to mimic treatment with 4-Aminopyridine (4-AP), an agent commonly used to model seizures \textit{in vivo} and \textit{in vitro}. Our \textit{in silico} study demonstrates that model inhibitory networks with 4-AP interneurons are more prone than their control counterparts to exist in a bistable state in which asynchronously firing networks can abruptly transition into synchrony due to a brief perturbation. We further show that perturbations driving this transition could reasonably arise \textit{in vivo} based on models of background excitatory synaptic activity in the cortex. Thus, these results propose a mechanism by which an inhibitory network can transition from incoherent to coherent dynamics in a fashion that may precipitate seizure as a downstream effect. Moreover, this mechanism specifically explains why inhibitory networks containing hyper-excitable interneurons are more vulnerable to this state change, and how such networks can undergo this transition without a permanent change in the drive to the system. This, in turn, potentially explains such networks' increased vulnerability to seizure initiated by GABAergic activity.

Abstract A myriad of pathological changes associated with epilepsy can be recast as decreases in cell and circuit heterogeneity. We thus propose recontextualizing epileptogenesis as a process where reduction in cellular heterogeneity in part, renders neural circuits less resilient to seizure. By comparing patch clamp recordings from human layer 5 (L5) cortical pyramidal neurons from epileptogenic and non-epileptogenic tissue, we demonstrate significantly decreased biophysical heterogeneity in seizure generating areas. Implemented computationally, this renders model neural circuits prone to sudden transitions into synchronous states with increased firing activity, paralleling ictogenesis. This computational work also explains the surprising finding of significantly decreased excitability in the population activation functions of neurons from epileptogenic tissue. Finally, mathematical analyses reveal a unique bifurcation structure arising only with low heterogeneity and associated with seizure-like dynamics. Taken together, this work provides experimental, computational, and mathematical support for the theory that ictogenic dynamics accompany a reduction in biophysical heterogeneity.