Significance We describe an overarching organization of large-scale connectivity that situates the default-mode network at the opposite end of a spectrum from primary sensory and motor regions. This topography, based on the differentiation of connectivity patterns, is also embedded in the spatial distance along the cortical surface between these respective systems. In addition, this connectivity gradient accounts for the respective positions of canonical networks and captures a functional spectrum from perception and action to more abstract cognitive functions. These results suggest that the default-mode network consists of regions at the top of a representational hierarchy that describe the current cognitive landscape in the most abstract terms.

The disparity between the chronological age of an individual and their brain-age measured based on biological information has the potential to offer clinically relevant biomarkers of neurological syndromes that emerge late in the lifespan. While prior brain-age prediction studies have relied exclusively on either structural or functional brain data, here we investigate how multimodal brain-imaging data improves age prediction. Using cortical anatomy and whole-brain functional connectivity on a large adult lifespan sample (N=2354, age 19–82), we found that multimodal data improves brain-based age prediction, resulting in a mean absolute prediction error of 4.29 years. Furthermore, we found that the discrepancy between predicted age and chronological age captures cognitive impairment. Importantly, the brain-age measure was robust to confounding effects: head motion did not drive brain-based age prediction and our models generalized reasonably to an independent dataset acquired at a different site (N=475). Generalization performance was increased by training models on a larger and more heterogeneous dataset. The robustness of multimodal brain-age prediction to confounds, generalizability across sites, and sensitivity to clinically-relevant impairments, suggests promising future application to the early prediction of neurocognitive disorders.

Research in the macaque monkey suggests that cortical areas with similar microstructure are more likely to be connected. Here, we examine this link in the human cerebral cortex using 2 magnetic resonance imaging (MRI) measures: quantitative T1 maps, which are sensitive to intracortical myelin content and provide an in vivo proxy for cortical microstructure, and resting-state functional connectivity. Using ultrahigh-resolution MRI at 7 T and dedicated image processing tools, we demonstrate a systematic relationship between T1-based intracortical myelin content and functional connectivity. This effect is independent of the proximity of areas. We employ nonlinear dimensionality reduction to characterize connectivity components and identify specific aspects of functional connectivity that are linked to myelin content. Our results reveal a consistent spatial pattern throughout different analytic approaches. While functional connectivity and myelin content are closely linked in unimodal areas, the correspondence is lower in transmodal areas, especially in posteromedial cortex and the angular gyrus. Our findings are in agreement with comprehensive reports linking histologically assessed microstructure and connectivity in different mammalian species and extend them to the human cerebral cortex in vivo.

Abstract We present a publicly available dataset of 227 healthy participants comprising a young (N=153, 25.1±3.1 years, range 20–35 years, 45 female) and an elderly group (N=74, 67.6±4.7 years, range 59–77 years, 37 female) acquired cross-sectionally in Leipzig, Germany, between 2013 and 2015 to study mind-body-emotion interactions. During a two-day assessment, participants completed MRI at 3 Tesla (resting-state fMRI, quantitative T1 (MP2RAGE), T2-weighted, FLAIR, SWI/QSM, DWI) and a 62-channel EEG experiment at rest. During task-free resting-state fMRI, cardiovascular measures (blood pressure, heart rate, pulse, respiration) were continuously acquired. Anthropometrics, blood samples, and urine drug tests were obtained. Psychiatric symptoms were identified with Standardized Clinical Interview for DSM IV (SCID-I), Hamilton Depression Scale, and Borderline Symptoms List. Psychological assessment comprised 6 cognitive tests as well as 21 questionnaires related to emotional behavior, personality traits and tendencies, eating behavior, and addictive behavior. We provide information on study design, methods, and details of the data. This dataset is part of the larger MPI Leipzig Mind-Brain-Body database.

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.

Abstract In motor learning, sequence-specificity, i.e. the learning of specific sequential associations, has predominantly been studied using task-based fMRI paradigms. However, offline changes in resting state functional connectivity after sequence-specific motor learning are less well understood. Previous research has established that plastic changes following motor learning can be divided into stages including fast learning, slow learning and retention. A description of how resting state functional connectivity after sequence-specific motor sequence learning (MSL) develops across these stages is missing. This study aimed to identify plastic alterations in whole-brain functional connectivity after learning a complex motor sequence by contrasting an active group who learned a complex sequence with a control group who performed a control task matched for motor execution. Resting state fMRI and behavioural performance were collected in both groups over the course of 5 consecutive training days and at follow-up after 12 days to encompass fast learning, slow learning, overall learning and retention. Between-group interaction analyses showed sequence-specific decreases in functional connectivity during overall learning in the right supplementary motor area (SMA). We found that connectivity changes in key regions of the motor network including the superior parietal cortex (SPC) and primary motor cortex (M1) were not a result of sequence-specific learning but were instead linked to motor execution. Our study confirms the sequence-specific role of SMAthat has previously been identified in online task-based learning studies, and extends it to resting state network changes after sequence-specific MSL.

The disparity between the chronological age of an individual and their brain-age measured based on biological information has the potential to offer clinically-relevant biomarkers of neurological syndromes that emerge late in the lifespan. While prior brain-age prediction studies have relied exclusively on either structural or functional brain data, here we investigate how multimodal brain-imaging data improves age prediction. Using cortical anatomy and whole-brain functional connectivity on a large adult lifespan sample (N = 2354, age 19-82), we found that multimodal data improves brain-based age prediction, resulting in a mean absolute prediction error of 4.29 years. Furthermore, we found that the discrepancy between predicted age and chronological age captures cognitive impairment. Importantly, the brain-age measure was robust to confounding effects: head motion did not drive brain-based age prediction and our models generalized reasonably to an independent dataset acquired at a different site (N = 475). Generalization performance was increased by training models on a larger and more heterogeneous dataset. The robustness of multimodal brain-age prediction to confounds, generalizability across sites, and sensitivity to clinically-relevant impairments, suggests promising future application to the early prediction of neurocognitive disorders.

Understanding cortical organization is a fundamental goal of neuroscience that requires comparisons across species and modalities. Large-scale connectivity gradients have recently been introduced as a data-driven representation of the intrinsic organization of the cortex. We studied resting-state functional connectivity gradients in the mouse cortex and found robust spatial patterns across four independent data sets. The principal gradient of functional connectivity shows a striking overlap with an axis of neocortical evolution from two primordial origins. Additional gradients reflect sensory specialization and aspects of a sensory-to-transmodal hierarchy, and are associated with transcriptomic and cytoarchitectonic features. While some of these gradients strongly resemble observations in the human cortex, the overall pattern in the mouse cortex emphasizes the specialization of sensory areas over a global functional hierarchy.

Abstract A key challenge in neuroscience is understanding how neurons in hundreds of interconnected brain regions integrate sensory inputs with prior expectations to initiate movements. It has proven difficult to meet this challenge when different laboratories apply different analyses to different recordings in different regions during different behaviours. Here, we report a comprehensive set of recordings from 115 mice in 11 labs performing a decision-making task with sensory, motor, and cognitive components, obtained with 547 Neuropixels probe insertions covering 267 brain areas in the left forebrain and midbrain and the right hindbrain and cerebellum. We provide an initial appraisal of this brain-wide map, assessing how neural activity encodes key task variables. Representations of visual stimuli appeared transiently in classical visual areas after stimulus onset and then spread to ramp-like activity in a collection of mid- and hindbrain regions that also encoded choices. Neural responses correlated with motor action almost everywhere in the brain. Responses to reward delivery and consumption versus reward omission were also widespread. Representations of objective prior expectations were weaker, found in sparse sets of neurons from restricted regions. This publicly available dataset represents an unprecedented resource for understanding how computations distributed across and within brain areas drive behaviour.