Abstract To navigate complex environments, walking animals must detect and overcome unexpected perturbations. One technical challenge when investigating adaptive locomotion is measuring behavioral responses to precise perturbations during naturalistic walking; another is that manipulating neural activity in sensorimotor circuits often reduces spontaneous locomotion. To overcome these obstacles, we introduce miniature treadmill systems for coercing locomotion and tracking 3D kinematics of walking Drosophila . By systematically comparing walking in three experimental setups, we show that flies compelled to walk on the linear treadmill have similar stepping kinematics to freely walking flies, while kinematics of tethered walking flies are subtly different. Genetically silencing mechanosensory neurons alters step kinematics of flies walking on the linear treadmill across all speeds, while inter-leg coordination remains intact. We also found that flies can maintain a forward heading on a split-belt treadmill by adapting the step distance of their middle legs. Overall, these new insights demonstrate the utility of miniature treadmills for studying insect locomotion.

Abstract Walking animals must maintain stability in the presence of external perturbations, despite significant temporal delays in neural signaling and muscle actuation. Here, we develop a 3D kinematic model with a layered control architecture to investigate how sensorimotor delays constrain robustness of walking behavior in the fruit fly, Drosophila . Motivated by the anatomical architecture of insect locomotor control circuits, our model consists of three component layers: a neural network that generates realistic 3D joint kinematics for each leg, an optimal controller that executes the joint kinematics while accounting for delays, and an inter-leg coordinator. The model generates realistic simulated walking that matches real fly walking kinematics and sustains walking even when subjected to unexpected perturbations, generalizing beyond its training data. However, we found that the model’s robustness to perturbations deteriorates when sensorimotor delay parameters exceed the physiological range. These results suggest that fly sensorimotor control circuits operate close to the temporal limit at which they can detect and respond to external perturbations. More broadly, we show how a modular, layered model architecture can be used to investigate physiological constraints on animal behavior.

Abstract The pre-Bötzinger complex (preBotC), located in the medulla, is the essential rhythm-generating neural network for breathing. The actions of opioids on this network impair its ability to generate robust, rhythmic output, contributing to life-threatening opioid-induced respiratory depression (OIRD). The occurrence of OIRD varies across individuals and internal and external states, increasing the risk of opioid use, yet the mechanisms of this variability are largely unknown. In this study, we utilize a computational model of the preBötC to perform several in silico experiments exploring how differences in network topology and the intrinsic properties of preBötC neurons influence the sensitivity of the network rhythm to opioids. We find that rhythms produced by preBötC networks in silico exhibit variable responses to simulated opioids, similar to the preBötC network in vitro . This variability is primarily due to random differences in network topology and can be manipulated by imposed changes in network connectivity and intrinsic neuronal properties. Our results identify features of the preBötC network that may regulate its susceptibility to opioids. Significance Statement The neural network in the brainstem that generates the breathing rhythm is disrupted by opioid drugs. However, this response can be surprisingly unpredictable. By constructing computational models of this rhythm-generating network, we illustrate how random differences in the distribution of biophysical properties and connectivity patterns within individual networks can predict their response to opioids, and we show how modulation of these network features can make breathing more susceptible or resistant to the effects of opioids.