The basolateral amygdala (BLA) mediates associative learning for both fear and reward. Accumulating evidence supports the notion that different BLA projections distinctly alter motivated behavior, including projections to the nucleus accumbens (NAc), medial aspect of the central amygdala (CeM), and ventral hippocampus (vHPC). Although there is consensus regarding the existence of distinct subsets of BLA neurons encoding positive or negative valence, controversy remains regarding the anatomical arrangement of these populations. First, we map the location of more than 1,000 neurons distributed across the BLA and recorded during a Pavlovian discrimination task. Next, we determine the location of projection-defined neurons labeled with retrograde tracers and use CLARITY to reveal the axonal path in 3-dimensional space. Finally, we examine the local influence of each projection-defined populations within the BLA. Understanding the functional and topographical organization of circuits underlying valence assignment could reveal fundamental principles about emotional processing.

Summary In the quest for food, we may expend effort and increase our vulnerability to potential threats. Motivation to seek food is dynamic, varying with homeostatic need. What mechanisms underlie these changes? Basolateral amygdala neurons projecting to the nucleus accumbens (BLA→NAc) preferentially encode positive valence, whereas those targeting the centromedial amygdala (BLA→CeM) preferentially encode negative valence. Longitudinal in vivo two-photon calcium imaging revealed that BLA→NAc neurons were more active, while BLA→CeM neurons were less active, following just 1 day of food deprivation. Photostimulating BLA→CeM neurons inhibited BLA→NAc neurons at baseline, but food deprivation rapidly converted this inhibition into facilitation, supporting a model wherein BLA→NAc excitability mediates invigorated food-seeking behavior after deprivation. Indeed, inhibiting BLA→NAc reduced motivation for a caloric reinforcer in food deprived animals. Taken together, negative valence overrides positive valence processing in satiety, but changing homeostatic needs alter reward value via a rapid shift in the balance between projection-defined populations of BLA neurons.

Abstract In vivo calcium imaging using head-mounted miniature microscopes enables tracking activity from neural populations over weeks in freely behaving animals. Previous studies focus on inferring behavior from a population of neurons, yet it is challenging to extract neuronal signals given out-of-focus fluorescence in endoscopic data. Existing analysis pipelines include regions of interest (ROIs) identification, which might lose relevant information from false negatives or introduce unintended bias from false positives. Moreover, these methods often require prior knowledge for parameter tuning and are time-consuming for implementation. Here, we develop an end-to-end decoder to predict the behavioral variables directly from the raw microendoscopic images. Our framework requires little user input and outperforms existing decoders that need ROI extraction. We show that neuropil/background residuals carry additional behaviorally relevant information. Video analysis further reveals an optimal decoding window and dynamics between residuals and cells. Critically, saliency maps reveal the emergence of video-decomposition across our decoder, and identify distinct clusters representing different behavioral aspects. Together, we present a framework that is efficient for decoding behavior from microendoscopic imaging, and may help discover functional clustering for a variety of imaging studies.

Abstract Optical coherence tomography angiography is a noninvasive imaging modality to establish the diagnosis of retinal vascular diseases. However, angiography images are significantly interfered if patients jitter or blink. In this study, a novel retinal image analysis method to accurately detect blood vessels and compensate the effect of interference was proposed. We call this the patch U-Net compensation (PUC) system, which is based on the famous U-Net. Several techniques, including a better training mechanism, direction criteria, area criteria, gap criteria, and probability map criteria, have been proposed to improve its accuracy. Simulations show that the proposed PUC achieves much better performance than state-of-art methods.

Timing is critical for myriad behaviors in dynamic environments. For example, to intercept an object, the brain must compute a reliable estimate of time-to-contact (TTC). Prior work suggests that humans compute TTC using kinematic information such as distance and speed without explicitly relying on temporal cues, just as one would do in a physics classroom using kinematic equations. Considering the inherent uncertainty associated with estimates of speed and distance and the ability of human brain to combine different sources of information, we asked whether humans additionally rely on temporal cues. We found that humans actively integrate speed information with both explicit and implicit timing cues. Analysis of behavior in relation to a Bayesian model revealed that the additional temporal information helps subjects optimize their performance in the presence of measurement uncertainty. These findings suggest that brain's timing mechanisms are actively engaged while interacting with dynamic stimuli.