Abstract We propose a low-invasive method to enable implantable, large volume Raman spectroscopy in arbitrarily deep brain regions of the mouse brain. Using a single tapered fiber as thin as 1 μm at the tip, we identified diagnostic markers of brain metastasis - the most frequent brain tumor in human adults - with overall accuracy ≥ 90%. We view our approach as a promising complement to the existing palette of tools for optical interrogation of the brain.

Background: Identifying the structured distribution (or lack thereof) of a given feature over a point cloud is a general research question. In the neuroscience field, this problem arises while investigating representations over neural manifolds (e.g., spatial coding), in the analysis of neurophysiological signals (e.g., auditory coding) or in anatomical image segmentation. New method: We introduce the Structure Index (SI) as a graph-based topological metric to quantify the distribution of feature values projected over data in arbitrary D-dimensional spaces (neurons, time stamps, pixels). The SI is defined from the overlapping distribution of data points sharing similar feature values in a given neighborhood. Results: Using model data clouds we show how the SI provides quantification of the degree of local versus global organization of feature distribution. SI can be applied to both scalar and vectorial features permitting quantification of the relative contribution of related variables. When applied to experimental studies of head-direction cells, it is able to retrieve consistent feature structure from both the high- and low-dimensional representations. Finally, we provide two general-purpose examples (sound and image categorization), to illustrate the potential application to arbitrary dimensional spaces. Comparison with existing methods: Most methods for quantifying structure depend on cluster analysis, which are suboptimal for continuous features and non-discrete data clouds. SI unbiasedly quantifies structure from continuous data in any dimensional space. Conclusions: The method provides versatile applications in the neuroscience and data science fields.

Abstract Hippocampal sclerosis, the major neuropathological hallmark of temporal lobe epilepsy, is characterized by different patterns of neuronal loss. The mechanisms of cell-type specific vulnerability, their progression and histopathological classification remain controversial. Here using single-cell electrophysiology in vivo and immediate early gene expression, we reveal that superficial CA1 pyramidal neurons are overactive in epileptic rats and mice in vivo . Bulk tissue and single-nucleus expression profiling disclosed sublayer-specific transcriptomic signatures and robust microglial pro-inflammatory responses. Transcripts regulating neuronal processes such as voltage-channels, synaptic signalling and cell adhesion molecules were deregulated by epilepsy differently across sublayers, while neurodegenerative signatures primarily involved superficial cells. Pseudotime analysis of gene expression in single-nuclei and in situ validation revealed separated trajectories from health to epilepsy across cell types, and identified a subset of superficial cells undergoing a later stage in neurodegeneration. Our findings indicate sublayer- and cell type-specific changes associated with selective CA1 neuronal damage contributing to progression of hippocampal sclerosis.

The study of sharp-wave ripples (SWRs) has advanced our understanding of memory function, and their alteration in neurological conditions such as epilepsy and Alzheimer's disease is considered a biomarker of dysfunction. SWRs exhibit diverse waveforms and properties that cannot be fully characterized by spectral methods alone. Here, we describe a toolbox of machine learning (ML) models for automatic detection and analysis of SWRs. The ML architectures, which resulted from a crowdsourced hackathon, are able to capture a wealth of SWR features recorded in the dorsal hippocampus of mice. When applied to data from the macaque hippocampus, these models were able to generalize detection and revealed shared SWR properties across species. We hereby provide a user-friendly open-source toolbox for model use and extension, which can help to accelerate and standardize SWR research, lowering the threshold for its adoption in biomedical applications.

Theta oscillations play a major role in temporarily defining the hippocampal rate code by translating behavioural sequences into neuronal representations. However, mechanisms constraining phase timing and cell-type specific phase preference are unknown. Here, we employ computational models tuned with evolutionary algorithms to evaluate phase preference of individual CA1 pyramidal cells recorded in mice and rats not engaged in any particular memory task. We applied unbiased and hypothesis-free approaches to identify effects of intrinsic and synaptic factors, as well as cell morphology, in determining phase preference. We found that perisomatic inhibition delivered by complementary populations of basket cells interacts with input pathways to shape phase-locked specificity of deep and superficial pyramidal cells. Somatodendritic integration of fluctuating glutamatergic inputs defined cycle-by-cycle by unsupervised methods demonstrated that firing selection is tuneable across sublayers. Our data identify different mechanisms of phase-locking selectivity that are instrumental for flexible dynamical representations of theta sequences.

Abstract Local field potential (LFP) deflections and oscillations define hippocampal sharp-wave ripples (SWR), one of the most synchronous events of the brain. SWR reflect firing and synaptic current sequences emerging from cognitively relevant neuronal ensembles. Current spectral methods fail to capture their mechanistic complexity, thus limiting progress. Here, we show how one-dimensional convolutional networks operating over high-density LFP hippocampal recordings allowed for automatic identification of SWR. When applied to ultra-dense hippocampus-wide recordings, we discovered physiologically relevant processes associated to the emergence of SWR, prompting for novel classification criteria. To gain interpretability, we developed a method to interrogate the operation of the artificial network. We found it relied in feature-based specialization, which permit identification of spatially segregated oscillations and deflections, as well as synchronous population firing. Thus, using deep learning based approaches may change the current heuristic for a better mechanistic interpretation of these relevant neurophysiological events.

The proximodistal axis is considered a major organizational principle of the hippocampus. Interfacing between the hippocampus and other brain systems, the CA2 region apparently breaks this rule. Apart from its specific role in social memory, CA2 has been involved in temporal and contextual memory but mechanisms remain elusive. Here, we used intracellular and extracellular recordings followed by neurochemical identification of single-cells to evaluate CA2 and surrounding areas in the rat. We found marked proximodistal trends of synaptic activity, as well as in subthreshold membrane potentials and phase-locked firing coupled to theta and gamma oscillations. Opposite proximodistal correlations between membrane potential fluctuations and theta sinks and sources at different layers revealed influences from up to three different generators. CA2 memory engrams established after a social memory task reflected these trends. We suggest that the structure and function of CA2 is segregated along the proximodistal hippocampal axis.

The K+/Cl− co-transporter KCC2 (SLC12A5) regulates neuronal transmembrane chloride gradients and thereby controls GABA signaling in the brain. KCC2 downregulation is observed in several neurological and psychiatric disorders including epilepsy, neuropathic pain and autism spectrum disorders. Paradoxical, excitatory GABA signaling is usually assumed to contribute to abnormal network activity underlying the pathology. We tested this hypothesis and explored the functional impact of chronic KCC2 downregulation in the rat dentate gyrus. Although the reversal potential of GABAA receptor currents was depolarized in KCC2 knockdown neurons, this shift was fully compensated by depolarization of their resting membrane potential. This effect was due to downregulation of Task-3 leak potassium channels that we show require KCC2 for membrane trafficking. Increased neuronal excitability upon KCC2 suppression altered dentate gyrus rhythmogenesis that could be normalized by chemogenetic hyperpolarization. Our data reveal KCC2 downregulation engages complex synaptic and cellular alterations beyond GABA signaling that concur to perturb network activity, thus offering novel targets for therapeutic intervention.