ABSTRACT Cerebellum-like structures — such as the insect mushroom body — are found in many brains and share a basic fan-out–fan-in network architecture. How the specific structural features of these networks give rise to their learning function remains largely unknown. To investigate this structure–function relationship, we developed a minimal computational model of the extensively studied Drosophila melanogaster mushroom body. We show how well-defined connectivity patterns between the Kenyon cells — the constituent neurons of the mushroom body — and their input projection neurons endow different functions, enabling the mushroom body to process olfactory information more efficiently. First, biases in the likelihoods at which individual projection neurons connect to Kenyon cells allow the mushroom body to prioritize the learning of particular, ethologically meaningful odors. Second, groups of projection neurons connecting preferentially to the same Kenyon cells facilitate the mushroom body to generalize across similar odors. Altogether, our results demonstrate how different connectivity patterns shape the representation space of a well-studied cerebellum-like network and impact its learning outcomes.

Abstract Recent experimental works have implicated astrocytes as a significant cell type underlying several neuronal processes in the mammalian brain, from encoding sensory information to neurological disorders. Despite this progress, it is still unclear how astrocytes are communicating with and driving their neuronal neighbors. While previous computational modeling works have helped propose mechanisms responsible for driving these interactions, they have primarily focused on interactions at the synaptic level, with microscale models of calcium dynamics and neurotransmitter diffusion. Since it is computationally infeasible to include the intricate microscale details in a network-scale model, little computational work has been done to understand how astrocytes may be influencing spiking patterns and synchronization of large networks. We overcome this issue by first developing an “effective” astrocyte that can be easily implemented to already established network frameworks. We do this by showing that the astrocyte proximity to a synapse makes synaptic transmission faster, weaker, and less reliable. Thus, our “effective” astrocytes can be incorporated by considering heterogeneous synaptic time constants, which are parametrized only by the degree of astrocytic proximity at that synapse. We then apply our framework to large networks of exponential integrate-and-fire neurons with various spatial structures. Depending on key parameters, such as the number of synapses ensheathed and the strength of this ensheathment, we show that astrocytes can push the network to a synchronous state and exhibit spatially correlated patterns. Author summary In many areas of the brain, glial cells called astrocytes wrap their processes around synapses – the points of contact between neurons. The number of wrapped synapses and the tightness of wrapping varies between brain areas and changes during some diseases, such as epilepsy. We investigate the effect that this synaptic ensheathment has on communication between neurons and the resulting collective dynamics of the neuronal network. We present a general, computationally-efficient way to include astrocytes in neuronal networks using an “effective astrocyte” representation derived from detailed microscopic scale models. The resulting hybrid networks allow us to emulate and observe the effect of ensheathment conditions corresponding to different brain areas and disease states. In particular, we find that it makes the networks more likely to switch into a highly correlated regime, contrary to predictions from the traditional neurons-only view. These results open a new perspective on neural network dynamics, where our understanding of conditions for generating correlated brain activity (e.g., rhythms associated with various brain functions, epileptic seizures) needs to be reevaluated.

Lateral inhibition is a fundamental feature of circuits that process sensory information. In the mammalian olfactory system, inhibitory interneurons called short axon cells comprise the first network mediating lateral inhibition between glomeruli, the functional units of early olfactory coding and processing. The connectivity of this network and its impact on odor representations is not well understood. To explore this question, we constructed a computational model of the interglomerular inhibitory network using detailed characterizations of short axon cell morphologies taken from mouse olfactory bulb. We then examined how this network transformed glomerular patterns of odorant-evoked sensory input (taken from previously-published datasets) as a function of the selectivity of interglomerular inhibition. We examined three connectivity schemes: selective (each glomerulus connects to few others with heterogeneous strength), nonselective (glomeruli connect to most others with heterogenous strength) or global (glomeruli connect to all others with equal strength). We found that both selective and nonselective interglomerular networks could mediate heterogeneous patterns of inhibition across glomeruli when driven by realistic sensory input patterns, but that global inhibitory networks were unable to produce input-output transformations that matched experimental data and were poor mediators of intensity-dependent gain control. We further found that networks whose interglomerular connectivity was tuned by sensory input profile decorrelated odor representations more effectively. These results suggest that, despite their multiglomerular innervation patterns, short axon cells are capable of mediating odorant-specific patterns of inhibition between glomeruli that could, theoretically, be tuned by experience or evolution to optimize discrimination of particular odorants.