ABSTRACT The brain’s anatomy constrains its function, but precisely how remains unclear. Here, we show that human cortical and subcortical activity, measured with magnetic resonance imaging under spontaneous and diverse task-evoked conditions, can be parsimoniously understood as resulting from excitations of fundamental, resonant modes of the brain’s geometry (i.e., its shape) rather than modes from complex inter-regional connectivity, as classically assumed. We then use these modes to show that task-evoked activations across >10,000 brain maps are not confined to focal areas, as widely believed, but instead excite brain-wide modes with wavelengths spanning >60 mm. Finally, we confirm theoretical predictions that the close link between geometry and function is explained by a dominant role for wave-like dynamics, showing that such dynamics can reproduce numerous canonical spatiotemporal properties of spontaneous and evoked recordings. Our findings challenge prevailing views of brain function and identify a previously under-appreciated role of brain geometry that is predicted by a unifying and physically principled approach.

Brain network hubs are both highly connected and highly inter-connected, forming a critical communication backbone for coherent neural dynamics. The mechanisms driving this organization are poorly understood. Using diffusion-weighted imaging in twins, we identify a major role for genes, showing that they preferentially influence connectivity strength between network hubs of the human connectome. Using transcriptomic atlas data, we show that connected hubs demonstrate tight coupling of transcriptional activity related to metabolic and cytoarchitectonic similarity. Finally, comparing over thirteen generative models of network growth, we show that purely stochastic processes cannot explain the precise wiring patterns of hubs, and that model performance can be improved by incorporating genetic constraints. Our findings indicate that genes play a strong and preferential role in shaping the functionally valuable, metabolically costly connections between connectome hubs.

Abstract The complex connectivity of nervous systems is thought to have been shaped by competitive selection pressures to minimize wiring costs and support adaptive function. Accordingly, recent modeling work indicates that stochastic processes, shaped by putative trade-offs between the cost and value of each connection, can successfully reproduce many topological properties of macroscale human connectomes measured with diffusion magnetic resonance imaging. Here, we derive a new formalism with the aim to more accurately capture the competing pressures of wiring cost minimization and topological complexity. We further show that model performance can be improved by accounting for developmental changes in brain geometry and associated wiring costs, and by using inter-regional transcriptional or microstructural similarity rather than topological wiring-rules. However, all models struggled to capture topologies spatial embedding. Our findings highlight an important role for genetics in shaping macroscale brain connectivity and indicate that stochastic models offer an incomplete account of connectome organization.

Voxel-based morphometry (VBM) and surface-based morphometry (SBM) are two widely used neuroimaging techniques for investigating brain anatomy. These techniques rely on statistical inferences at individual points (voxels or vertices), clusters of points, or a priori regions-of-interest. They are powerful tools for describing brain anatomy, but offer little insights into the generative processes that shape a particular set of findings. Moreover, they are restricted to a single spatial resolution scale, precluding the opportunity to distinguish anatomical variations that are expressed across multiple scales. Drawing on concepts from classical physics, here we develop an approach, called mode-based morphometry (MBM), that can describe any empirical map of anatomical variations in terms of the fundamental, resonant modes--eigenmodes--of brain anatomy, each tied to a specific spatial scale. Hence, MBM naturally yields a multiscale characterization of the empirical map, affording new opportunities for investigating the spatial frequency content of neuroanatomical variability. Using simulated and empirical data, we show that the validity and reliability of MBM are either comparable or superior to classical vertex-based SBM for capturing differences in cortical thickness maps between two experimental groups. Our approach thus offers a robust, accurate, and informative method for characterizing empirical maps of neuroanatomical variability that can be directly linked to a generative physical process.

ABSTRACT Schizophrenia is a debilitating neuropsychiatric disorder whose underlying correlates remain unclear despite decades of neuroimaging investigation. One contentious topic concerns the role of global signal fluctuations and how they affect more focal functional changes. Moreover, it has been difficult to pinpoint causal mechanisms of circuit disruption. Here we analysed resting-state fMRI data from 47 schizophrenia patients and 118 age-matched healthy controls and used dynamical analyses to investigate how global fluctuations and other functional metastable states are affected by this disorder. We then used in-silico perturbation of a whole-brain model to identify critical areas involved in the disease. We found that brain dynamics in the schizophrenic group were characterised by an increased probability of globally coherent states and reduced recurrence of a substate dominated by coupled activity in the default mode and limbic networks. Perturbing a set of temporoparietal sensory and associative areas in a model of the healthy brain reproduced global pathological dynamics. Healthy brain dynamics were instead restored by perturbing a set of medial fronto-temporal and cingulate regions in the model of pathology. These results highlight the relevance of global signal alterations in schizophrenia and identify a set of vulnerable areas involved in determining a shift in brain state.

One of the most controversial procedures in the analysis of resting-state functional magnetic resonance imaging (rsfMRI) data is global signal regression (GSR): the removal, via linear regression, of the mean signal averaged over the entire brain, from voxel-wise or regional time series. On one hand, the global mean signal contains variance associated with respiratory, scanner-, and motion-related artifacts. Its removal via GSR improves various quality control metrics, enhances the anatomical specificity of functional connectivity patterns, and can increase the behavioural variance explained by such patterns. On the other hand, GSR alters the distribution of regional signal correlations in the brain, can induce artifactual anticorrelations, may remove real neural signal, and can distort case-control comparisons of functional-connectivity measures. Global signal fluctuations can be identified by visualizing a matrix of colour-coded signal intensities, called a carpet plot, in which rows represent voxels and columns represent time. Prior to GSR, large, periodic bands of coherent signal changes that affect most of the brain are often apparent; after GSR, these apparent global changes are greatly diminished. Here, using three independent datasets, we show that reordering carpet plots to emphasize cluster structure in the data reveals a greater diversity of spatially widespread signal deflections (WSDs) than previously thought. Their precise form varies across time and participants and GSR is only effective in removing specific kinds of WSDs. We present an alternative, iterative correction method called Diffuse Cluster Estimation and Regression (DiCER), that identifies representative signals associated with large clusters of coherent voxels. DiCER is more effective than GSR at removing diverse WSDs as visualized in carpet plots, reduces correlations between functional connectivity and head-motion estimates, reduces inter-individual variability in global correlation structure, and results in comparable or improved identification of canonical functional-connectivity networks. All code for implementing DiCER and replicating our results is available at https://github.com/BMHLab/DiCER.

Background: Individual differences in impulsivity and compulsivity is thought to underlie vulnerability to a broad range of disorders and are closely tied to cortical-striatal-thalamic-cortical (CSTC) function. However, whether impulsivity and compulsivity in clinical disorders is continuous with the healthy population and explains CSTC dysfunction across different disorders remains unclear. Methods: We characterized the relationship between CSTC effective connectivity, estimated using dynamic causal modelling of functional magnetic resonance imaging data, and dimensional phenotypes of impulsivity and compulsivity in two symptomatically distinct but phenotypically related disorders, obsessive-compulsive disorder (OCD) and gambling disorder (GD). 487 online participants provided data for modelling of dimensional phenotypes. These data were combined with 34 OCD patients, 22 GD patients, and 39 healthy controls, who underwent functional magnetic resonance imaging. Results: Three core dimensions were identified: disinhibition, impulsivity, and compulsivity. Patients' scores on these dimensions were continuously distributed with the healthy participants, supporting a continuum model of psychopathology. Across all participants, higher disinhibition correlated with lower bottom-up connectivity in the dorsal circuit and increased bottom-up connectivity in the ventral circuit, and higher compulsivity correlated with reduced bottom-up connectivity in the dorsal circuit. Similar changes in effective connectivity were observed with increasing clinical severity that were not accounted for by phenotypic variation, demonstrating convergence towards behaviourally and clinically relevant changes in brain dynamics. Effective connectivity did not differ as a function of traditional diagnostic labels. Conclusions: CSTC dysfunction across OCD and GD is better characterized by dimensional phenotypes than diagnostic comparisons, supporting investigation of quantitative liability phenotypes.

A physiologically based three-dimensional (3D) hemodynamic model is used to predict the experimentally observed blood oxygen level dependent (BOLD) responses versus the cortical depth induced by visual stimuli. Prior 2D approximations are relaxed in order to analyze 3D blood flow dynamics as a function of cortical depth. Comparison of the predictions with experimental data for typical stimuli demonstrates that the full 3D model matches at least as well as previous approaches while requiring significantly fewer assumptions and model parameters.

Large-scale dynamics of the brain are routinely modelled using systems of nonlinear dynamical equations that describe the evolution of population-level activity, with distinct neural populations often coupled according to an empirically measured structural connection matrix. This modelling approach has been used to generate insights into the neural underpinnings of spontaneous brain dynamics, as recorded with techniques such as resting state functional MRI (fMRI). In fMRI, researchers have many degrees of freedom in the way that they can process the data and recent evidence indicates that the choice of pre-processing steps can have a major effect on empirical estimates of functional connectivity. However, the potential influence of such variations on modelling results are seldom considered. Here we show, using three popular whole-brain dynamical models, that different choices during fMRI preprocessing can dramatically affect model fits and interpretations of findings. Critically, we show that the ability of these models to accurately capture patterns in fMRI dynamics is mostly driven by the degree to which they fit global signals rather than interesting sources of coordinated neural dynamics. We show that widespread deflections can arise from simple global synchronisation. We introduce a simple two-parameter model that captures these fluctuations and which performs just as well as more complex, multi-parameter biophysical models. From our combined analyses of data and simulations, we describe benchmarks to evaluate model fit and validity. Although most models are not resilient to denoising, we show that relaxing the approximation of homogeneous neural populations by more explicitly modelling inter-regional effective connectivity can improve model accuracy at the expense of increased model complexity. Our results suggest that many complex biophysical models may be fitting relatively trivial properties of the data, and underscore a need for tighter integration between data quality assurance and model development.

Functional MRI at ultra-high field (UHF, ≥7T) provides significant increases in BOLD contrast-to-noise ratio (CNR) compared with conventional field strength (3T), and has been exploited for reduced field-of-view, high spatial resolution mapping of primary sensory areas. Applying these high spatial resolution methods to investigate whole brain functional responses to higher-order cognitive tasks leads to a number of challenges, in particular how to perform robust group-level statistical analyses. This study addresses these challenges using an inter-sensory cognitive task which modulates top-down attention at graded levels between the visual and somatosensory domains. At the individual level, highly focal functional activation to the task and task difficulty (modulated by attention levels) were detectable due to the high CNR at UHF. However, to assess group level effects, both anatomical and functional variability must be considered during analysis. We demonstrate the importance of surface over volume normalization and the requirement of no spatial smoothing when assessing highly focal activity. Using novel group analysis on anatomically parcellated brain regions, we show that in higher cognitive areas (parietal and dorsal-lateral-prefrontal cortex) fMRI responses to graded attention levels were modulated quadratically, whilst in visual cortex and VIP, responses were modulated linearly. These group fMRI responses were not seen clearly using conventional second-level GLM analyses, illustrating the limitations of a conventional approach when investigating such focal responses in higher cognitive regions which are more anatomically variable. The approaches demonstrated here complement other advanced analysis methods such as multi-variate pattern analysis, allowing UHF to be fully exploited in cognitive neuroscience.