Abstract To study the dynamics of neural processing across timescales, we require the ability to follow the spiking of thousands of individually separable neurons over weeks and months, during unrestrained behavior. To address this need, we introduce the Neuropixels 2.0 probe together with novel analysis algorithms. The new probe has over 5,000 sites and is miniaturized such that two probes plus a headstage, recording 768 sites at once, weigh just over 1 g, suitable for implanting chronically in small mammals. Recordings with high quality signals persisting for at least two months were reliably obtained in two species and six different labs. Improved site density and arrangement combined with new data processing methods enable automatic post-hoc stabilization of data despite brain movements during behavior and across days, allowing recording from the same neurons in the mouse visual cortex for over 2 months. Additionally, an optional configuration allows for recording from multiple sites per available channel, with a penalty to signal-to-noise ratio. These probes and algorithms enable stable recordings from >10,000 sites during free behavior in small animals such as mice.

Progress in science requires standardized assays whose results can be readily shared, compared, and reproduced across laboratories. Reproducibility, however, has been a concern in neuroscience, particularly for measurements of mouse behavior. Here we show that a standardized task to probe decision-making in mice produces reproducible results across multiple laboratories. We designed a task for head-fixed mice that combines established assays of perceptual and value-based decision making, and we standardized training protocol and experimental hardware, software, and procedures. We trained 140 mice across seven laboratories in three countries, and we collected 5 million mouse choices into a publicly available database. Learning speed was variable across mice and laboratories, but once training was complete there were no significant differences in behavior across laboratories. Mice in different laboratories adopted similar reliance on visual stimuli, on past successes and failures, and on estimates of stimulus prior probability to guide their choices. These results reveal that a complex mouse behavior can be successfully reproduced across multiple laboratories. They establish a standard for reproducible rodent behavior, and provide an unprecedented dataset and open-access tools to study decision-making in mice. More generally, they indicate a path towards achieving reproducibility in neuroscience through collaborative open-science approaches.

Abstract Understanding whole-brain-scale electrophysiological recordings relies on the collective work of many labs. Because two labs recording from the same region can reach different conclusions, it is critical to quantify and control features that hinder reproducibility. To address this, we formed a multi-lab collaboration using a shared, open-source behavioral task and experimental apparatus. Experimenters in ten laboratories repeatedly targeted Neuropixels probes to the same location (spanning secondary visual areas, hippocampus, and thalamus) in mice making decisions. After applying quality-control criteria, we found that neuronal yield, firing rates, spike amplitudes, and task-modulated neuronal activity were largely reproducible across laboratories. To quantify variance in neural activity explained by task variables, we developed a multi-task neural network model, and found that within- and between-lab random effects captured by this model were comparable. Our results demonstrate that across-lab standardization can produce reproducible results from large-scale Neuropixels recordings. Our dataset, code, and protocols are openly accessible.

The brain should be best able to associate distinct behavioral responses to sensory stimuli if these stimuli evoke population firing patterns that are close to orthogonal. To investigate whether task training orthogonalizes population codes in primary visual cortex (V1), we measured the orientation tuning of 4,000-neuron populations in mouse V1 before and after training on a visuomotor task. The effect of task training on population codes could be captured by a simple mathematical transformation of firing rates, which suppressed responses to motor-associated stimuli, but only in cells responding to them at intermediate levels. This transformation orthogonalized the representations of the task orientations by sparsening the population responses to these stimuli. The strength of response transformation varied from trial to trial, suggesting a dynamic circuit mechanism rather than static synaptic plasticity. These results indicate a simple process by which visuomotor associations orthogonalize population codes as early as in primary visual cortex.

Summary Functional ultrasound imaging (fUSI) is a popular method for measuring blood flow and thus infer brain activity, but it relies on the physiology of neurovascular coupling and requires extensive signal processing. To establish to what degree its trial-by-trial signals reflect neural activity, we performed simultaneous fUSI and neural recordings with Neuropixels probes in awake mice. fUSI signals strongly correlated with the slow (<0.3 Hz) fluctuations in local firing rate, and were closely predicted by the smoothed firing rate of local neurons, particularly putative inhibitory neurons. The optimal smoothing filter had width ~3 s, matched the hemodynamic response function of awake mouse, was invariant across mice and stimulus conditions, and similar in cortex and hippocampus. fUSI signals also matched neural firing spatially: firing rates were as highly correlated across hemispheres as fUSI signals. Thus, hemodynamic signals measured by ultrasound bear a simple and accurate relationship to neuronal firing.

Summary To make accurate perceptual decisions, the brain often combines information across sensory modalities. For instance, localizing objects by integrating their image and sound. However, the cortical substrates underlying this audiovisual integration remain uncertain. Here, we show that mouse frontal cortex combines auditory and visual evidence; that this combination is additive, mirroring behavior; and that it evolves with learning. Scanning optogenetic inactivation demonstrated that inactivating frontal cortex impaired choices based on either sensory modality. Recordings from >10,000 neurons indicated that after task learning, activity in frontal area MOs (secondary motor cortex) encodes an additive combination of visual and auditory signals, consistent with the mice’s behavioral strategy. An accumulator model applied to these sensory representations reproduced both the observed choices and reaction times. These results indicate that frontal cortex adapts through learning to combine evidence across sensory cortices, providing a signal that is transformed into a binary decision by a downstream accumulator.

Sensory cortices can be affected by stimuli of multiple modalities and are thus increasingly thought to be multisensory. For instance, primary visual cortex (V1) is influenced not only by images but also by sounds. Here we show that the activity evoked by sounds in V1 is highly stereotyped across neurons and even across mice. It resembles activity measured elsewhere in the brain and is independent of projections from auditory cortex. Its low-dimensional nature starkly contrasts the high dimensional code that V1 uses to represent images. Furthermore, this sound-evoked activity can be precisely predicted by small body movements that are elicited by each sound and are highly stereotyped across trials and across mice. Thus, neural activity that is apparently multisensory may simply arise from low-dimensional signals associated with changes in internal state and behavior.

Transcriptomics has revealed the exquisite diversity of cortical inhibitory neurons 1–7 , but it is not known whether these fine molecular subtypes have correspondingly diverse activity patterns in the living brain. Here, we show that inhibitory subtypes in primary visual cortex (V1) have diverse correlates with brain state, but that this diversity is organized by a single factor: position along their main axis of transcriptomic variation. We combined in vivo 2-photon calcium imaging of mouse V1 with a novel transcriptomic method to identify mRNAs for 72 selected genes in ex vivo slices. We used transcriptomic clusters (t-types) 4 to classify inhibitory neurons imaged in layers 1-3 using a three-level hierarchy of 5 Families, 11 Classes, and 35 t-types. Visual responses differed significantly only across Families, but modulation by brain state differed at all three hierarchical levels. Nevertheless, this diversity could be predicted from the first transcriptomic principal component, which predicted a cell type’s brain state modulation and correlations with simultaneously recorded cells. Inhibitory t-types with narrower spikes, lower input resistance, weaker adaptation, and less axon in layer 1 as determined in vitro 8 fired more in resting, oscillatory brain states. Transcriptomic types with the opposite properties fired more during arousal. The former cells had more inhibitory cholinergic receptors, and the latter more excitatory receptors. Thus, despite the diversity of V1 inhibitory neurons, a simple principle determines how their joint activity shapes state-dependent cortical processing.

Although cortical circuits are complex and interconnected with the rest of the brain, their macroscopic dynamics are often approximated by modeling the averaged activities of excitatory and inhibitory cortical neurons, without interactions with other brain circuits. To verify the validity of such mean-field models, we optogenetically stimulated populations of excitatory and parvalbumin-expressing inhibitory neurons in awake mouse visual cortex, while recording population activity in cortex and in its thalamic correspondent, the lateral geniculate nucleus. The cortical responses to brief test pulses could not be explained by a mean-field model including only cortical excitatory and inhibitory populations. However, these responses could be predicted by extending the model to include thalamic interactions that cause net cortical suppression following activation of cortical excitatory neurons. We conclude that mean-field models can accurately summarize cortical dynamics, but only when the cortex is considered as part of a dynamic corticothalamic network.

Abstract Midbrain dopamine neurons play key roles in decision-making by regulating reward valuation and actions. These roles are thought to depend on dopamine neurons innervating striatum. In addition to actions and rewards, however, efficient decisions often involve consideration of uncertain sensory signals. The functions of striatal dopamine during sensory decisions remains unknown. We trained mice in a task that probed decisions based on sensory evidence and reward value, and recorded the activity of striatal dopamine axons. Dopamine axons in ventral striatum (VS) responded to bilateral stimuli and trial outcomes, encoding prediction errors that scaled with decision confidence and reward value. By contrast, dopamine axons in dorsal striatum (DS) responded to contralateral stimuli and contralateral actions. Thus, during sensory decisions, striatal dopamine signals are anatomically organized. VS dopamine resembles prediction errors suitable for reward maximization under sensory uncertainty whereas DS dopamine encodes specific combinations of stimuli and actions in a lateralized fashion.