Abstract Aggression is an evolutionarily conserved, adaptive component of social behavior. Studies in male mice illustrate that aggression is influenced by numerous factors including the degree to which an individual finds aggression rewarding and will work for access to attack and subordinate mice. While such studies have expanded our understanding of the molecular and circuit mechanisms of male aggression very little is known about female aggression, owed in part to limited availability of valid mouse models in females. Here we use an ethologically relevant model of male vs. female aggression by pair housing adult male and female outbred CFW mice with opposite sex cage mates. We assess reactive (defensive) aggression in the resident intruder (RI) test and appetitive (rewarding) aggression in the aggression conditioned place preference (CPP) and operant self-administration (SA) tests. Our results show dramatic sex differences in both qualitative and quantitative aspects of reactive vs. appetitive aggression. Males exhibit more wrestling and less investigative behavior during RI, find aggression rewarding and will work for access to a subordinate to attack. Females exhibit more bites, alternate between aggressive behaviors and investigative behaviors more readily during RI, however, they do not find aggression to be rewarding or reinforcing. These results establish sex differences in aggression in mice, providing an important resource for the field to better understand the circuit and molecular mechanisms of aggression in both sexes.

High-throughput volumetric fluorescent microscopy pipelines can spatially integrate whole-brain structure and function at the foundational level of single cells. However, conventional fluorescent protein (FP) modifications used to discriminate single cells possess limited efficacy or are detrimental to cellular health. Here, we introduce a synthetic and nondeleterious nuclear localization signal (NLS) tag strategy, called "Arginine-rich NLS" (ArgiNLS), that optimizes genetic labeling and downstream image segmentation of single cells by restricting FP localization near-exclusively in the nucleus through a poly-arginine mechanism. A single N-terminal ArgiNLS tag provides modular nuclear restriction consistently across spectrally separate FP variants. ArgiNLS performance in vivo displays functional conservation across major cortical cell classes and in response to both local and systemic brain-wide AAV administration. Crucially, the high signal-to-noise ratio afforded by ArgiNLS enhances machine learning-automated segmentation of single cells due to rapid classifier training and enrichment of labeled cell detection within 2D brain sections or 3D volumetric whole-brain image datasets, derived from both staining-amplified and native signal. This genetic strategy provides a simple and flexible basis for precise image segmentation of genetically labeled single cells at scale and paired with behavioral procedures.

Abstract Background A key challenge in developing new treatments for neuropsychiatric illness is the disconnect between preclinical models and the complexity of human social behavior. We aimed to integrate voluntary social self-administration into a preclinical rodent stress model, as a platform for the identification of basic brain and behavior mechanisms underlying stress-induced individual differences in social motivation. Here, we introduce an operant social stress (OSS) procedure with male and female mice, where lever presses are reinforced by freely moving social interaction with a familiar social partner across social stress exposure. Methods OSS is composed of three phases: ( i ) social self-administration training, ( ii ) social stress concurrent with daily reinforced social self-administration testing, and ( iii ) post-stress operant social reward testing under both non-reinforced and reinforced conditions. We resolve social stress-induced changes to social motivation behaviors using hierarchical clustering and aggregated z-scores, capturing the spectrum of individual differences that we describe with a social index score. Results OSS captures a range of stress-related dynamic social motivation behaviors inclusive of sex as a biological variable. Both male and female mice lever press for access to a social partner, independent of social partner coat color or familiarity. Social stress attenuates social self-administration in males and promotes social reward seeking behavior in females. Hierarchical clustering does not adequately describe the relative distributions of social motivation following stress, which we find is better described as a non-binary behavioral distribution that we define by introducing the social index score. This index is stable across individual mice. Conclusion We demonstrate that OSS can be used to detect stable individual differences in stress-induced changes to social motivation in male and female mice. These differences may reflect unique neurobiological, cellular and circuit mechanisms not captured by preclinical models that omit voluntary social behaviors. The inclusion of volitional social procedures may enhance the understanding of behavioral adaptations promoting stress resiliency and their mechanisms under more naturalistic conditions.

High-throughput volumetric fluorescent microscopy pipelines can spatially integrate whole-brain structure and function at the foundational level of single-cells. However, conventional fluorescent protein (FP) modifications used to discriminate single-cells possess limited efficacy or are detrimental to cellular health. Here, we introduce a synthetic and non-deleterious nuclear localization signal (NLS) tag strategy, called "Arginine-rich NLS" (ArgiNLS), that optimizes genetic labeling and downstream image segmentation of single-cells by restricting FP localization near-exclusively in the nucleus through a poly-arginine mechanism. A single N-terminal ArgiNLS tag provides modular nuclear restriction consistently across spectrally separate FP variants. ArgiNLS performance in vivo displays functional conservation across major cortical cell classes, and in response to both local and systemic brain wide AAV administration. Crucially, the high signal-to-noise ratio afforded by ArgiNLS enhances ML-automated segmentation of single-cells due to rapid classifier training and enrichment of labeled cell detection within 2D brain sections or 3D volumetric whole-brain image datasets, derived from both staining-amplified and native signal. This genetic strategy provides a simple and flexible basis for precise image segmentation of genetically labeled single-cells at scale and paired with behavioral procedures.