Abstract Healthy aging is associated with changes in cognitive performance including executive functions (EFs) and their associated brain activation patterns. However, it has remained unclear which EF-related brain regions are affected consistently, because the results of pertinent neuroimaging studies and earlier meta-analyses vary considerably. We, therefore, conducted new rigorous meta-analyses of published age differences in EF-related brain activity. Out of a larger set of regions associated with EFs, only left inferior frontal junction (IFJ) and left anterior cuneus/precuneus (aC/PrC) were found to show consistent age differences. To further characterize these two age-sensitive regions, we performed seed-based resting-state functional connectivity (RS-FC) analyses using fMRI data from a large adult sample with a wide age range. We also assessed associations of the two regions’ whole-brain RS-FC patterns with age and EF performance. Although functional profiling and RS-FC analyses point towards a domain-general role of left IFJ in EFs, the pattern of individual study contributions to the meta-analytic results suggests process-specific modulations by age. Our analyses further indicate that left aC/PrC is recruited differently by older (compared to younger) adults during EF tasks, potentially reflecting inefficiencies in switching the attentional focus. Overall, our findings question earlier meta-analytic results and suggest a larger heterogeneity of age-related differences in brain activity associated with EFs. Hence, they encourage future research that pays greater attention to replicability, investigates age-related differences in deactivation, and focuses on more narrowly defined EF subprocesses, combining multiple behavioral assessments with multi-modal imaging. Highlights - Healthy aging is linked to deterioration in executive functions (EFs) - ALE meta-analyses examined consistent age differences in brain activity linked to EFs - In a larger set of EF regions, only left IFJ and (pre)cuneus were sensitive to age - Advanced age was linked to weaker functional coupling within EF-related networks - Our findings question earlier meta-analytic findings

Abstract Effective connectivity (EC) refers to directional or causal influences between interacting neuronal populations or brain regions and can be estimated from functional magnetic resonance imaging (fMRI) data via dynamic causal modeling (DCM). In contrast to functional connectivity, the impact of data processing varieties on DCM estimates of task‐evoked EC has hardly ever been addressed. We therefore investigated how task‐evoked EC is affected by choices made for data processing. In particular, we considered the impact of global signal regression (GSR), block/event‐related design of the general linear model (GLM) used for the first‐level task‐evoked fMRI analysis, type of activation contrast, and significance thresholding approach. Using DCM, we estimated individual and group‐averaged task‐evoked EC within a brain network related to spatial conflict processing for all the parameters considered and compared the differences in task‐evoked EC between any two data processing conditions via between‐group parametric empirical Bayes (PEB) analysis and Bayesian data comparison (BDC). We observed strongly varying patterns of the group‐averaged EC depending on the data processing choices. In particular, task‐evoked EC and parameter certainty were strongly impacted by GLM design and type of activation contrast as revealed by PEB and BDC, respectively, whereas they were little affected by GSR and the type of significance thresholding. The event‐related GLM design appears to be more sensitive to task‐evoked modulations of EC, but provides model parameters with lower certainty than the block‐based design, while the latter is more sensitive to the type of activation contrast than is the event‐related design. Our results demonstrate that applying different reasonable data processing choices can substantially alter task‐evoked EC as estimated by DCM. Such choices should be made with care and, whenever possible, varied across parallel analyses to evaluate their impact and identify potential convergence for robust outcomes.

Predicting individual behavior from brain functional connectivity (FC) patterns can contribute to our understanding of human brain functioning. This may apply in particular if predictions are based on features derived from circumscribed, a priori defined functional networks, which improves interpretability. Furthermore, some evidence suggests that task-based FC data may yield more successful predictions of behavior than resting-state FC data. Here, we comprehensively examined to what extent the correspondence of functional network priors and task states with behavioral target domains influences the predictability of individual performance in cognitive, social, and affective tasks. To this end, we used data from the Human Connectome Project for large-scale out-of-sample predictions of individual abilities in working memory (WM), theory-of-mind cognition (SOCIAL), and emotion processing (EMO) from FC of corresponding and non-corresponding states (WM/SOCIAL/EMO/resting-state) and networks (WM/SOCIAL/EMO/whole-brain connectome). Using root mean squared error and coefficient of determination to evaluate model fit revealed that predictive performance was rather poor overall. Predictions from whole-brain FC were slightly better than those from FC in task-specific networks, and a slight benefit of predictions based on FC from task versus resting state was observed for performance in the WM domain. Beyond that, we did not find any significant effects of a correspondence of network, task state, and performance domains. Together, these results suggest that multivariate FC patterns during both task and resting states contain rather little information on individual performance levels, calling for a reconsideration of how the brain mediates individual differences in mental abilities.

Healthy aging is associated with structural and functional network changes in the brain, which have been linked to deterioration in executive functioning (EF), while their neural implementation at the individual level remains unclear. As the biomarker potential of individual resting-state functional connectivity (RSFC) patterns has been questioned, we investigated to what degree individual EF abilities can be predicted from gray-matter volume (GMV), regional homogeneity, fractional amplitude of low-frequency fluctuations (fALFF), and RSFC within EF-related, perceptuo-motor, and whole-brain networks in young and old adults. We examined whether differences in out-of-sample prediction accuracy were modality-specific and depended on age or task-demand levels. Both uni- and multivariate analysis frameworks revealed overall low prediction accuracies and moderate to weak brain-behavior associations (R2 < .07, r < .28), further challenging the idea of finding meaningful markers for individual EF performance with the metrics used. Regional GMV, well linked to overall atrophy, carried the strongest information about individual EF differences in older adults, whereas fALFF, measuring functional variability, did so for younger adults. Our study calls for future research analyzing more global properties of the brain, different task-states and applying adaptive behavioral testing to result in sensitive predictors for young and older adults, respectively.

Predicting individual behavior from brain functional connectivity (FC) patterns can contribute to our understanding of human brain functioning. This may apply in particular if predictions are based on features derived from circumscribed, a priori defined functional networks, which improves interpretability. Furthermore, some evidence suggests that task-based FC data may yield more successful predictions of behavior than resting-state FC data. Here, we comprehensively examined to what extent the correspondence of functional network priors and task states with behavioral target domains influences the predictability of individual performance in cognitive, social, and affective tasks. To this end, we used data from the Human Connectome Project for large-scale out-of-sample predictions of individual abilities in working memory (WM), theory-of-mind cognition (SOCIAL), and emotion processing (EMO) from FC of corresponding and non-corresponding states (WM/SOCIAL/EMO/resting-state) and networks (WM/SOCIAL/EMO/whole-brain connectome). Using root mean squared error and coefficient of determination to evaluate model fit revealed that predictive performance was rather poor overall. Predictions from whole-brain FC were slightly better than those from FC in task-specific networks, and a slight benefit of predictions based on FC from task versus resting state was observed for performance in the WM domain. Beyond that, we did not find any significant effects of a correspondence of network, task state, and performance domains. Together, these results suggest that multivariate FC patterns during both task and resting states contain rather little information on individual performance levels, calling for a reconsideration of how the brain mediates individual differences in mental abilities.

Abstract Current major efforts in human neuroimaging research aim to understand individual differences and identify biomarkers for clinical applications. One particularly promising approach is the prediction of individual-level behavioural phenotypes (e.g. treatment response, cognition) from brain imaging data. An essential prerequisite to identify replicable brain-behaviour prediction models is sufficient measurement reliability. By attenuating the relationship between two variables, low reliability increases the sample size necessary to identify an effect, making large datasets a necessity rather than an advantage. While previous work has evaluated the reliability of brain-based measures, the impact of the reliability of behavioural phenotypes has been largely neglected, as target selection for prediction is often guided by scientific interest or data availability. Here we demonstrate the impact of low phenotypic reliability on individual-level prediction performance. Using simulated and empirical data from the Human Connectome Projects, we found that even moderate reliability levels of commonly used behavioural phenotypes can markedly limit the ability to link brain and behaviour when underlying relations are weak. Next, using 5000 subjects from the UK Biobank, we show that highly reliable data in smaller samples outperform large amounts of moderately reliable data. These findings suggest that research programmes focused on identifying generalizable brain–behaviour associations must seriously consider the reliability of outcome measures. Ultimately, a stronger focus on reliability will help reduce the financial and societal costs incurred in acquiring large-scale datasets with unreliable “markers” of behaviour.

Abstract Crosstalk between conflicting response codes contributes to interference in dual-tasking, an effect exacerbated in advanced age. Here, we investigated (1) brain activity correlates of such response-code conflicts, (2) activity modulations by individual dual-task performance and related cognitive abilities, (3) task-modulated connectivity within the task network, and (4)age-related differences in all these aspects. Young and older adults underwent fMRI while responding to the pitch of tones through spatially mapped speeded button presses with one or two hands concurrently. Using opposing stimulus–response mappings between hands, we induced conflict between simultaneously activated response codes. These response-code conflicts elicited activation in key regions of the multiple-demand network. Older adults showed non-compensatory hyperactivity in left superior frontal gyrus, and higher left intraparietal sulcus activity associated with lower attentional performance. While motor and parietal areas of the conflict-related network were modulated by attentional and task-switching abilities, efficient conflict resolution in dual-tasking was linked to suppressing visual cortex activity. Finally, connectivity between premotor or parietal seed regions and the conflict-sensitive network was neither conflict-specific nor age-sensitive. Overall, resolving dual-task response-code conflict recruited substantial parts of the multiple-demand network, whose activity and coupling, however, were only little affected by individual differences in task performance or age.

ABSTRACT Neurofeedback allows for learning voluntary control over one’s own brain activity, aiming to enhance cognition and clinical symptoms. A recent study improved sustained attention temporarily by training healthy participants to up-regulate the differential activity of the sustained attention network (SAN) minus the default mode network (DMN). However, long-term learning effects of functional magnetic resonance imaging (fMRI) neurofeedback training remain under-explored. Here, we evaluate the effects of network-based fMRI neurofeedback training for sustained attention by assessing behavioral and brain measures before, one day after, and two months after training. The behavioral measures include task as well as questionnaire scores, and the brain measures include activity and connectivity during self-regulation runs without feedback (i.e., transfer runs) and during resting-state runs. Neurally, we found that participants maintained their ability to control the differential activity during follow-up sessions. Further, exploratory analyses showed that the training-induced increase in FC between the DMN and occipital gyrus was maintained during follow-up transfer runs, but not during follow-up resting-state runs. Behaviorally, we found that enhanced sustained attention right after training returned to baseline level during follow-up. The discrepancy between lasting regulation-related brain changes but transient behavioral and resting-state effects raises the question of how neural changes induced by neurofeedback training translate to potential behavioral improvements. Since neurofeedback directly targets brain measures to indirectly improve behavior long-term, a better understanding of the brain-behavior associations during and after neurofeedback training is needed to develop its full potential as a promising scientific and clinical tool. Key points Participants were still able to self-regulate the differential activity between large-scale networks two months after the end of neurofeedback training and this during transfer runs without feedback. Lasting brain changes were also observed in the functional connectivity of trained regions in runs during which participants engaged in active self-regulation as well as during resting-state runs without concomitant self-regulation. The increased sustained attention we observed right after the end of neurofeedback training did not persist two months later.

Abstract Impulsivity is a multidimensional construct that plays a crucial role in human behaviour and is believed to be a transdiagnostic marker of several psychiatric disorders. However, given its multifaceted nature, comprehensive investigations of its neural correlates are challenging. In this study, we used a multi-modal approach to investigate the functional network organisation of two domains in which impulsivity manifests: decision-making and action control. Within domain ALE meta-analyses identified two distinct functional systems: one located in the default-mode network, associated with value-based judgments and goal-directed decision-making, and the other distributed across higher-order networks associated with cognitive control. These systems were organised into four specialised communities of default-mode, cingulo-insular, frontoparietal, and temporal regions. Integration within those communities was associated with serotonin receptor density. These findings reinforce insights from previous behavioural research and provide substantial evidence for the multidimensional nature of impulsivity on the neural level.

Data analysis workflows in many scientific domains have become increasingly complex and flexible. To assess the impact of this flexibility on functional magnetic resonance imaging (fMRI) results, the same dataset was independently analyzed by 70 teams, testing nine ex-ante hypotheses. The flexibility of analytic approaches is exemplified by the fact that no two teams chose identical workflows to analyze the data. This flexibility resulted in sizeable variation in hypothesis test results, even for teams whose statistical maps were highly correlated at intermediate stages of their analysis pipeline. Variation in reported results was related to several aspects of analysis methodology. Importantly, meta-analytic approaches that aggregated information across teams yielded significant consensus in activated regions across teams. Furthermore, prediction markets of researchers in the field revealed an overestimation of the likelihood of significant findings, even by researchers with direct knowledge of the dataset. Our findings show that analytic flexibility can have substantial effects on scientific conclusions, and demonstrate factors related to variability in fMRI. The results emphasize the importance of validating and sharing complex analysis workflows, and demonstrate the need for multiple analyses of the same data. Potential approaches to mitigate issues related to analytical variability are discussed.