Abstract Biophysically detailed multi-compartment models are powerful tools to explore computational principles of the brain and also serve as a theoretical framework to generate algorithms for artificial intelligence (AI) systems. However, the expensive computational cost severely limits the applications in both the neuroscience and AI fields. The major bottleneck during simulating detailed compartment models is the ability of a simulator to solve large systems of linear equations. Here, we present a novel D endritic H ierarchical S cheduling (DHS) method to markedly accelerate such process. We theoretically prove that the DHS implementation is computationally optimal and accurate. This GPU-based method performs at 2-3 orders of magnitude higher speed than that of the classic serial Hines method in the conventional CPU platform. We build a DeepDendrite framework, which integrates the DHS method and the GPU computing engine of the NEURON simulator and demonstrate applications of DeepDendrite in neuroscience and AI tasks. We investigated how spatial patterns of spine inputs affect neuronal excitability in a detailed human pyramidal neuron model with 25,000 spines; and examined how dendrites protect morphologically detailed neural networks against adversarial attacks in typical image classification tasks.

Striatum, the input stage of the basal ganglia, is important for sensory-motor integration, initiation and selection of behaviour, as well as reward learning. Striatum receives glutamatergic inputs from mainly cortex and thalamus. In rodents, the striatal projection neurons (SPNs), giving rise to the direct and the indirect pathway (dSPNs and iSPNs, respectively), account for 95% of the neurons and the remaining 5% are GABAergic and cholinergic interneurons. Interneuron axon terminals as well as local dSPN and iSPN axon collaterals form an intricate striatal network. Following chronic dopamine depletion as in Parkinson9s disease (PD), both morphological and electrophysiological striatal neuronal features are altered. Our goal with this in-silico study is twofold: a) to predict and quantify how the intrastriatal network connectivity structure becomes altered as a consequence of the morphological changes reported at the single neuron level, and b) to investigate how the effective glutamate drive to the SPNs would need to be altered to account for the activity level seen in SPNs during PD. In summary we find that the richness of the connectivity motifs is significantly decreased during PD, while at the same time a substantial enhancement of the effective glutamatergic drive to striatum is present.

In the formation of retinotopic maps both experimental and theoretical work implicate guidance molecules and patterned neuronal activity. A common view is that molecular cues define and activity cues refine mappings. Important insights have come from studies of the retinocollicular projection in transgenic mice, in which cues have been modified either in isolation or in combination. Mostly these have generated descriptions of endpoint mappings. The dynamics of map formation remain under-explored experimentally and computationally. We have quantified changes in the ordering of the mouse retinocollicular projection with age after making local collicular injections of fluorescent microspheres. Contour analysis shows that, at birth (P0), cells from over 80% of the retina converge on a given collicular locus; this percentage falls gradually to P4 then rapidly approaches adult values by P12. Paired injections reveal how the segregation of labelled cells depends both on injection site separation and relative orientation and also age. At P0, large anterior-posterior separations failed to produce segregated label: segregation improved with a similar timecourse to convergence to reach near adult-values by P12. An implementation of a combined activity-molecular model captures these segregation dynamics. The developmental dynamics were then studied in the nAChR-β2-/- mouse, which has altered patterns of retinal activity in the first postnatal week that results in a more diffuse adult retinal projection. Surprisingly, both measures of map refinement (convergence and segregation) remain largely constant and imprecise in the first postnatal week - only subsequently does the projection begin to refine. Substituting nAChR-β2-/- activity patterns for wild-type patterns into the model failed to capture the biology: refinement was initially faster . By reducing the relative importance of the gradients' contribution to the model energy (to 15% of normal) we were able to mimic the delayed refinement observed in vivo. Our model therefore predicts the altered activity patterns may affect readout of guidance cues.

Abstract Striatum, the input stage of the basal ganglia, is important for sensory-motor integration, initiation and selection of behaviour, as well as reward learning. Striatum receives glutamatergic inputs from mainly cortex and thalamus. In rodents, the striatal projection neurons (SPNs), giving rise to the direct and the indirect pathway (dSPNs and iSPNs, respectively), account for 95% of the neurons and the remaining 5% are GABAergic and cholinergic interneurons. Interneuron axon terminals as well as local dSPN and iSPN axon collaterals form an intricate striatal network. Following chronic dopamine depletion as in Parkinson’s disease (PD), both morphological and electrophysiological striatal neuronal features are altered. Our goal with this in-silico study is twofold: a) to predict and quantify how the intrastriatal network connectivity structure becomes altered as a consequence of the morphological changes reported at the single neuron level, and b) to investigate how the effective glutamatergic drive to the SPNs would need to be altered to account for the activity level seen in SPNs during PD. In summary we find that the richness of the connectivity motifs is significantly decreased during PD, while at the same time a substantial enhancement of the effective glutamatergic drive to striatum is present.

The medial entorhinal cortex (MEC) contains a variety of specialized spatially-tuned neurons whose properties emerge during the third postnatal week onwards in rodents. How neuronal networks underlying the spatial firing patterns are formed is largely unknown but they are hypothesized to develop from topographic modules of synchronized neurons in superficial MEC. Here, we show that developing MEC neuronal networks in the second postnatal week are synchronously active in spatially-grouped modules. Network synchrony is intrinsic to MEC and desynchronized just prior to the emergence of spatially-tuned firing properties. The MEC network is modulated but not driven by the immature hippocampus and is tightly-coupled to neighboring neocortical networks. Unlike hippocampal networks, developing modules are dominated by glutamatergic excitation rather than GABAergic inhibition. Our results demonstrate that intrinsically synchronous modules exist in immature MEC: these may play a key role in establishing and organizing circuitry necessary for spatially-tuned firing properties of MEC neurons.

Abstract Simulation of large-scale networks of neurons is an important approach to understanding and interpreting experimental data from healthy and diseased brains. Owing to the rapid development of simulation software and the accumulation of quantitative data of different neuronal types, it is possible to predict both computational and dynamical properties of local microcircuits in a ‘bottom-up’ manner. Simulated data from these models can be compared with experiments and ‘top-down’ modelling approaches, successively bridging the scales. Here we describe an open source pipeline, using the software Snudda, for predicting microcircuit connectivity and for setting up simulations using the NEURON simulation environment in a reproducible way. We also illustrate how to further ‘curate’ data on single neuron morphologies acquired from public databases. This model building pipeline was used to set up a first version of a full-scale cellular level model of mouse dorsal striatum. Model components from that work are here used to illustrate the different steps that are needed when modelling subcortical nuclei, such as the basal ganglia.