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.

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.

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.

Abstract Despite the widely known role of dopamine in reinforcement learning, how the patterns of dopamine release that are critical to the acquisition, performance, and extinction of conditioned responses are generated is poorly resolved. Here, we demonstrate that the coordinated actions of two ion channels, Kv4.3 and BKCa1.1, control the pattern of dopamine neuron firing and dopamine release on different time scales to regulate separate phases of reinforced behavior in mice. Inactivation of Kv4.3 in VTA dopamine neurons increases ex vivo pacemaker activity and excitability that is associated with increased in vivo ramping dynamics prior to lever press in a learned instrumental response paradigm. Loss of Kv4.3 enhances performance of the learned response and facilitates extinction. In contrast, loss of BKCa1.1 increases burst firing and phasic dopamine release that enhances learning of an instrumental response. Inactivation of BKCa1.1 enhances extinction burst lever pressing in early extinction training that is associated with increased reward prediction error signals. These data demonstrate that temporally distinct patterns of dopamine release are governed by the intrinsic regulators of the cell to shape behavior. Teaser We show that ion channels in midbrain dopamine neurons are critical for patterning action potential firing at the cell body and governing neurotransmitter release to regulate reinforcement learning.

Aberrant social behavior is a core feature of many neuropsychiatric disorders, yet the study of complex social behavior in freely moving rodents is relatively infrequently incorporated into preclinical models. This likely contributes to limited translational impact. A major bottleneck for the adoption of socially complex, ethology-rich, preclinical procedures are the technical limitations for consistently annotating detailed behavioral repertoires of rodent social behavior. Manual annotation is subjective, prone to observer drift, and extremely time-intensive. Commercial approaches are expensive and inferior to manual annotation. Open-source alternatives often require significant investments in specialized hardware and significant computational and programming knowledge. By combining recent computational advances in convolutional neural networks and pose-estimation with further machine learning analysis, complex rodent social behavior is primed for inclusion under the umbrella of computational neuroethology. Here we present an open-source package with graphical interface and workflow (Simple Behavioral Analysis, SimBA) that uses pose-estimation to create supervised machine learning predictive classifiers of rodent social behavior, with millisecond resolution and accuracies that can out-perform human observers. SimBA does not require specialized video acquisition hardware nor extensive computational background. Standard descriptive statistical analysis, along with graphical region of interest annotation, are provided in addition to predictive classifier generation. To increase ease-of-use for behavioural neuroscientists, we designed SimBA with accessible menus for pre-processing videos, annotating behavioural training datasets, selecting advanced machine learning options, robust classifier validation functions and flexible visualizations tools. This allows for predictive classifier transparency, explainability and tunability prior to, and during, experimental use. We demonstrate that this approach is flexible and robust in both mice and rats by classifying social behaviors that are commonly central to the study of brain function and social motivation. Finally, we provide a library of pose-estimation weights and behavioral predictive classifiers for resident-intruder behaviors in mice and rats. All code and data, together with detailed tutorials and documentation, are available on the SimBA GitHub repository.### Competing Interest StatementThe authors have declared no competing interest.