Polyphasic sleep is the practice of distributing multiple short sleep episodes across the 24-hour day rather than having one major and possibly a minor (“nap”) sleep episode each day. While the prevalence of polyphasic sleep is unknown, anecdotal reports suggest attempts to follow this practice are common, particularly among young adults. Polyphasic-sleep advocates claim to thrive on as little as 2 hours of total sleep per day. However, significant concerns have been raised that polyphasic sleep schedules can result in health and safety consequences. We reviewed the literature to identify the impact of polyphasic sleep schedules (excluding nap or siesta schedules) on health, safety, and performance outcomes. Of 40,672 potentially relevant publications, with 2,023 selected for full-text review, 22 relevant papers were retained. We found no evidence supporting benefits from following polyphasic sleep schedules. Based on the current evidence, the consensus opinion is that polyphasic sleep schedules, and the sleep deficiency inherent in those schedules, are associated with a variety of adverse physical health, mental health, and performance outcomes. Striving to adopt a schedule that significantly reduces the amount of sleep per 24 hours and/or fragments sleep into multiple episodes throughout the 24-hour day is not recommended.

SUMMARY The sleep and circadian systems act in concert to regulate sleep-wake timing, yet the molecular mechanisms that underpin their interaction to induce sleep remain unknown. Synaptic protein phosphorylation, driven by the kinase SIK3, correlates with sleep pressure, however it is unclear whether these phosphoproteome changes are causally responsible for inducing sleep. Here we show that the light-dependent activity of SIK1 controls the phosphorylation of a subset of the brain phosphoproteome to induce sleep in a manner that is independent of sleep pressure. By uncoupling phosphorylation and sleep induction from sleep pressure, we establish that synaptic protein phosphorylation provides a causal mechanism for the induction of sleep under different environmental contexts. Furthermore, we propose a framework that details how the salt-inducible kinases regulate the synaptic phosphoproteome to integrate exogenous and endogenous stimuli, thereby providing the molecular basis upon which the sleep and circadian systems interact to control the sleep-wake cycle.

Abstract Sleep and wakefulness are not simple homogenous all-or-none states, but instead are characterized by rich dynamics of brain activity across many temporal and spatial scales. Rapid global state transitions between waking and sleeping are believed to be controlled by hypothalamic circuits, but the contribution of the hypothalamus to within-state changes of sleep and wake “intensity” remains largely unexplored. Here we show that stimulation of inhibitory neurons in the preoptic hypothalamus does not merely trigger awakening from sleep, but the resulting awake state is also characterized by increased cortical activity. This activation is associated with a faster build-up of sleep pressure, proportional to the arousal level. These findings show that hypothalamic systems thought to exclusively control global state switching, also regulate within-state “intensity”, which we propose as a key intrinsic variable in shaping the architecture of sleep/wake states across the 24h day.

Abstract Electrophysiological recordings from freely behaving animals are a widespread and powerful mode of investigation in sleep research. These recordings generate large amounts of data that require sleep stage annotation (polysomnography), in which the data is parcellated according to three vigilance states: awake, rapid eye movement (REM) sleep, and non-REM (NREM) sleep. Manual and computational annotation methods currently ignore intermediate states because the classification features become ambiguous. However, these intermediate states contain important information regarding vigilance state dynamics. Here, we present a new classifier, “Somnotate”, which produces automated annotation accuracies that exceed human expert performance on mouse electrophysiological data, is robust to errors in the training data, compatible with different recording configurations, and maintains high performance during experimental interventions. Somnotate is a probabilistic classifier based on a combination of linear discriminant analysis (LDA) with a hidden Markov model (HMM). A unique feature of Somnotate is that it quantifies and reports the certainty of its annotations, enabling the experimenter to identify ambiguous recording periods in a principled manner. We leverage this feature to identify epochs that exhibit intermediate vigilance states, revealing that many of these cluster around state transitions, whereas others correspond to failed attempts to transition. We show that the success rates of different transitions can be experimentally manipulated and explain previously observed sleep patterns. Somnotate can thus facilitate the study of sleep stage transitions and offers new insight into the mechanisms underlying sleep-wake dynamics. Author summary Typically, the three different vigilance states – awake, REM sleep, and non-REM sleep – exhibit distinct features that are readily recognised in electrophysiological recordings. However, particularly around vigilance state transitions, epochs often exhibit features from more than one state. These intermediate vigilance states pose challenges for existing manual and automated classification methods, and are hence often ignored. Here, we present ‘Somnotate’ - an open-source, highly accurate and robust sleep stage classifier, which supports research into intermediate states and sleep stage dynamics. Somnotate quantifies and reports the certainty of its annotations, enabling the experimenter to identify abnormal epochs in a principled manner. We use this feature to identify intermediate states and to detect unsuccessful attempts to switch between vigilance states. This provides new insights into the mechanisms of vigilance state transitions in mice, and creates new opportunities for future experiments.

Abstract Torpor is a regulated reversible state of metabolic suppression used by many mammalian species to conserve energy. Although torpor has been studied extensively in terms of general physiology, metabolism and neuroendocrinology, the effects of hypometabolism and associated hypothermia on brain activity and states of vigilance have received little attention. Here we performed continuous monitoring of electroencephalogram (EEG), electromyogram (EMG) and peripheral body temperature in adult, male C57BL/6 mice over consecutive days of scheduled restricted feeding. All animals showed prominent bouts of hypothermia that became progressively deeper and longer as fasting progressed. EEG and EMG were markedly affected by hypothermia, although the typical electrophysiological signatures of NREM sleep, REM sleep and wakefulness allowed us to perform vigilance-state classification in all cases. Invariably, hypothermia bouts were initiated from a state indistinguishable from NREM sleep, with EEG power decreasing gradually in parallel with decreasing body temperature. Furthermore, during deep hypothermia REM sleep was largely abolished, but we observed brief and intense bursts of muscle activity, which resembled the regular motor discharges seen during early ontogeny associated with immature sleep patterns. We conclude that torpor and sleep are electrophysiologically on a continuum, and that, in order for torpor to occur, mice need to first transition through euthermic sleep.