Exosomes shed by tumor cells have been recognized as promising biomarkers for cancer diagnostics due to their unique composition and functions. Quantification of low concentrations of specific exosomes present in very small volumes of clinical samples may be used for noninvasive cancer diagnosis and prognosis. We developed an immunosorbent assay for digital qualification of target exosomes using droplet microfluidics. The exosomes were immobilized on magnetic microbeads through sandwich ELISA complexes tagged with an enzymatic reporter that produces a fluorescent signal. The constructed beads were further isolated and encapsulated into a sufficient number of droplets to ensure only a single bead was encapsulated in a droplet. Our droplet-based single-exosome-counting enzyme-linked immunoassay (droplet digital ExoELISA) approach enables absolute counting of cancer-specific exosomes to achieve unprecedented accuracy. We were able to achieve a limit of detection (LOD) down to 10 enzyme-labeled exosome complexes per microliter (∼10–17 M). We demonstrated the application of the droplet digital ExoELISA platform in quantitative detection of exosomes in plasma samples directly from breast cancer patients. We believe our approach may have the potential for early diagnosis of cancer and accelerate the discovery of cancer exosomal biomarkers for clinical diagnosis.

Abstract A key question in theoretical neuroscience is the relation between the connectivity structure and the collective dynamics of a network of neurons. Here we study the connectivity-dynamics relation as reflected in the distribution of eigenvalues of the covariance matrix of the dynamic fluctuations of the neuronal activities, which is closely related to the network’s Principal Component Analysis (PCA) and the associated effective dimensionality. We consider the spontaneous fluctuations around a steady state in a randomly connected recurrent network of stochastic neurons. An exact analytical expression for the covariance eigenvalue distribution in the large-network limit can be obtained using results from random matrices. The distribution has a finitely supported smooth bulk spectrum and exhibits an approximate power-law tail for coupling matrices near the critical edge. We generalize the results to include connectivity motifs and discuss extensions to Excitatory-Inhibitory networks. The theoretical results are compared with those from finite-size networks and and the effects of temporal and spatial sampling are studied. Preliminary application to whole-brain imaging data is presented. Using simple connectivity models, our work provides theoretical predictions for the covariance spectrum, a fundamental property of recurrent neuronal dynamics, that can be compared with experimental data.

Understanding neural activity organization is vital for deciphering brain function. By recording whole-brain calcium activity in larval zebrafish during hunting and spontaneous behaviors, we find that the shape of the neural activity space, described by the neural covariance spectrum, is scale-invariant: a smaller, randomly sampled cell assembly resembles the entire brain. This phenomenon can be explained by Euclidean Random Matrix theory, where neurons are reorganized from anatomical to functional positions based on their correlations. Three factors contribute to the observed scale invariance: slow neural correlation decay, higher functional space dimension, and neural activity heterogeneity. In addition to matching data from zebrafish and mice, our theory and analysis demonstrate how the geometry of neural activity space evolves with population sizes and sampling methods, thus revealing an organizing principle of brain-wide activity.

Simultaneous recordings of large populations of neurons in behaving animals allow detailed observation of high-dimensional, complex brain activity. However, experimental design and analysis approaches have not sufficiently evolved to fully realize the potential of these methods. We recorded whole-brain neuronal activity for larval zebrafish presented with a battery of visual stimuli while recording fictive motor output. These data were used to develop analysis methods including regression techniques that leverage trial-to-trial variations and unsupervised clustering techniques that organize neurons into functional groups. We used these methods to obtain brain-wide maps of concerted activity, which revealed both known and heretofore uncharacterized brain nuclei. We also identified neurons tuned to each stimulus type and motor output, and revealed nuclei in the anterior hindbrain that respond to multiple stimuli that elicit the same behavior. However, these convergent sensorimotor representations were only weakly correlated to instantaneous motor behavior, suggesting that they inform, but do not directly generate, behavioral output. These findings motivate a novel model of sensorimotor transformation spanning distinct behavioral contexts, within which these hindbrain convergence neurons likely constitute a key step.

Summary The visual system can process diverse stimuli and make the decision to execute appropriate behaviors, but it remains unclear where and how this transformation takes place. We imaged the zebrafish visual system while larvae responded with hunting, freezing, and escape behaviors, and systematically identified visually driven neurons and behaviorally correlated sensorimotor neurons. We found that broadly tuned sensory neurons are functionally connected to sensorimotor neurons that respond specifically during one behavior, and this transformation occurs in the optic tectum. We also identified sensorimotor neurons in four other areas downstream of the tectum, and these neurons are also specific for one behavior, indicating that once the decision to behave has been made in the tectum, the segregation of the pathways continues in later areas. Our findings suggest that the tectum receives visual sensory information and is responsible for selecting a single behavioral outcome, which is then relayed to downstream areas.

An essential step toward understanding neural circuits is linking their structure and their dynamics. In general, this relationship can be almost arbitrarily complex. Recent theoretical work has, however, begun to identify some broad principles underlying collective spiking activity in neural circuits. The first is that local features of network connectivity can be surprisingly effective in predicting global statistics of activity across a network. The second is that, for the important case of large networks with excitatory-inhibitory balance, correlated spiking persists or vanishes depending on the spatial scales of recurrent and feedforward connectivity. We close by showing how these ideas, together with plasticity rules, can help to close the loop between network structure and activity statistics.

Summary Our understanding of how bilaterian animals utilize parallel input channels from paired sensory organs to optimize chemosensory behavior and the underlying neural circuit mechanisms are limited. Here we developed microfluidics-based behavioral and brainwide imaging platforms to study the neural integration of binasal inputs and chemosensory avoidance in larval zebrafish. We show that larval zebrafish efficiently escape from cadaverine-carrying streams by making more frequent swim bouts and larger undirected turns. Binasal inputs are strictly required for the nasal input-dependent component of klinokinesis, while each nasal input additively enhances angular orthokinesis. Throughout brain regions, including those along the olfactory processing pathways, a distributed neural representation with a wide spectrum of ipsilateral-contralateral nasal stimulus selectivity is maintained. Nonlinear sensory information gain with bilateral signal convergence is especially prominent in neurons weakly encoding unilateral cadaverine stimulus, and associated with stronger activation of sensorimotor neurons in the downstream brain regions. Collectively, these results provide insights into how the vertebrate model sums parallel input signals to guide chemosensory avoidance behavior.

Animals can identify an odorant type across a wide range of concentrations, as well as detect changes in concentration for individual odorant type. How olfactory representations are structured to support these functions remains poorly understood. Here, we studied how a full complement of ORNs in the Drosophila larva encodes a broad input space of odorant types and concentrations. We find that dose-response relationships across odorants and ORN types follow the Hill function with shared cooperativity but different activation thresholds. These activation thresholds are drawn from a power law statistical distribution. A fixed activation function and power law distribution of activation thresholds underlie invariances in the encoding of odorant identity and intensity. Moreover, we find similar temporal response filters of ORNs across odorant types and concentrations. Such uniformity in the temporal filter may allow identity invariant coding in fluctuating or turbulent odor environments. Common patterns in ligand-receptor binding and sensory transduction across olfactory receptors may give rise to these observed invariances in the olfactory combinatorial code. Invariant patterns in the activity responses of individual ORNs and the ORN ensemble may simplify decoding by downstream circuits.