Tractography based on non-invasive diffusion imaging is central to the study of human brain connectivity. To date, the approach has not been systematically validated in ground truth studies. Based on a simulated human brain data set with ground truth tracts, we organized an open international tractography challenge, which resulted in 96 distinct submissions from 20 research groups. Here, we report the encouraging finding that most state-of-the-art algorithms produce tractograms containing 90% of the ground truth bundles (to at least some extent). However, the same tractograms contain many more invalid than valid bundles, and half of these invalid bundles occur systematically across research groups. Taken together, our results demonstrate and confirm fundamental ambiguities inherent in tract reconstruction based on orientation information alone, which need to be considered when interpreting tractography and connectivity results. Our approach provides a novel framework for estimating reliability of tractography and encourages innovation to address its current limitations.

The prefrontal cortex and the amygdala have synergistic roles in regulating purposive behavior, effected through bidirectional pathways. Here we investigated the largely unknown extent and laminar relationship of prefrontal input–output zones linked with the amygdala using neural tracers injected in the amygdala in rhesus monkeys. Prefrontal areas varied vastly in their connections with the amygdala, with the densest connections found in posterior orbitofrontal and posterior medial cortices, and the sparsest in anterior lateral prefrontal areas, especially area 10. Prefrontal projection neurons directed to the amygdala originated in layer 5, but significant numbers were also found in layers 2 and 3 in posterior medial and orbitofrontal cortices. Amygdalar axonal terminations in prefrontal cortex were most frequently distributed in bilaminar bands in the superficial and deep layers, by columns spanning the entire cortical depth, and less frequently as small patches centered in the superficial or deep layers. Heavy terminations in layers 1–2 overlapped with calbindin-positive inhibitory neurons. A comparison of the relationship of input to output projections revealed that among the most heavily connected cortices, cingulate areas 25 and 24 issued comparatively more projections to the amygdala than they received, whereas caudal orbitofrontal areas were more receivers than senders. Further, there was a significant relationship between the proportion of ‘feedforward’ cortical projections from layers 2–3 to ‘feedback’ terminations innervating the superficial layers of prefrontal cortices. These findings indicate that the connections between prefrontal cortices and the amygdala follow similar patterns as corticocortical connections, and by analogy suggest pathways underlying the sequence of information processing for emotions.

It has been suggested that neural systems across several scales of organization show optimal component placement, in which any spatial rearrangement of the components would lead to an increase of total wiring. Using extensive connectivity datasets for diverse neural networks combined with spatial coordinates for network nodes, we applied an optimization algorithm to the network layouts, in order to search for wire-saving component rearrangements. We found that optimized component rearrangements could substantially reduce total wiring length in all tested neural networks. Specifically, total wiring among 95 primate (Macaque) cortical areas could be decreased by 32%, and wiring of neuronal networks in the nematode Caenorhabditis elegans could be reduced by 48% on the global level, and by 49% for neurons within frontal ganglia. Wiring length reductions were possible due to the existence of long-distance projections in neural networks. We explored the role of these projections by comparing the original networks with minimally rewired networks of the same size, which possessed only the shortest possible connections. In the minimally rewired networks, the number of processing steps along the shortest paths between components was significantly increased compared to the original networks. Additional benchmark comparisons also indicated that neural networks are more similar to network layouts that minimize the length of processing paths, rather than wiring length. These findings suggest that neural systems are not exclusively optimized for minimal global wiring, but for a variety of factors including the minimization of processing steps.

The number of different cortical structures in mammalian brains and the number of extrinsic fibres linking these regions are both large. As with any complex system, systematic analysis is required to draw reliable conclusions about the organization of the complex neural networks comprising these numerous elements. One aspect of organization that has long been suspected is that cortical networks are organized into ‘streams’ or ‘systems’. Here we report computational analyses capable of showing whether clusters of strongly interconnected areas are aspects of the global organization of cortical systems in macaque and cat. We used two different approaches to analyse compilations of corticocortical connection data from the macaque and the cat. The first approach, optimal set analysis, employed an explicit definition of a neural ‘system’ or ‘stream’, which was based on differential connectivity. We defined a two–component cost function that described the cost of the global cluster arrangement of areas in terms of the areas‘ connectivity within and between candidate clusters. Optimal cluster arrangements of cortical areas were then selected computationally from the very many possible arrangements, using an evolutionary optimization algorithm. The second approach, non–parametric cluster analysis (NPCA), grouped cortical areas on the basis of their proximity in multidimensional scaling representations. We used non–metric multidimensional scaling to represent the cortical connectivity structures metrically in two and five dimensions. NPCA then analysed these representations to determine the nature of the clusters for a wide range of different cluster shape parameters. The results from both approaches largely agreed. They showed that macaque and cat cortices are organized into densely intra–connected clusters of areas, and identified the constituent members of the clusters. These clusters reflected functionally specialized sets of cortical areas, suggesting that structure and function are closely linked at this gross, systems level.

A mathematical definition of the concept of elementary mode is given so as to apply to biochemical reaction systems subsisting at steady state. This definition relates to existing concepts of null-space vectors and includes a condition of simplicity. It is shown that for systems in which all fluxes have fixed signs, all elementary modes are given by the generating vectors of a convex cone and can, thus, be computed by an existing algorithm. The present analysis allows for the more general case that some reactions can proceed in either direction. Basic ideas on how to compute the complete set of elementary modes in this situation are outlined and verified by way of several examples, with one of them representing glycolysis and gluconeogenesis. These examples show that the elementary modes can be interpreted in terms of the particular biochemical functions of the network. The relationships to (futile) substrate cycles are elucidated.

How do diverse dynamical patterns arise from the topology of complex networks? We study synchronization dynamics in the cortical brain network of the cat, which displays a hierarchically clustered organization, by modeling each node (cortical area) with a subnetwork of interacting excitable neurons. We find that in the biologically plausible regime the dynamics exhibits a hierarchical modular organization, in particular, revealing functional clusters coinciding with the anatomical communities at different scales. Our results provide insights into the relationship between network topology and functional organization of complex brain networks.

In this era of complete genomes, our knowledge of neuroanatomical circuitry remains surprisingly sparse. Such knowledge is however critical both for basic and clinical research into brain function. Here we advocate for a concerted effort to fill this gap, through systematic, experimental mapping of neural circuits at a mesoscopic scale of resolution suitable for comprehensive, brain-wide coverage, using injections of tracers or viral vectors. We detail the scientific and medical rationale and briefly review existing knowledge and experimental techniques. We define a set of desiderata, including brain-wide coverage; validated and extensible experimental techniques suitable for standardization and automation; centralized, open access data repository; compatibility with existing resources, and tractability with current informatics technology. We discuss a hypothetical but tractable plan for mouse, additional efforts for the macaque, and technique development for human. We estimate that the mouse connectivity project could be completed within five years with a comparatively modest budget.

Abstract The connectivity of Artificial Neural Networks (ANNs) is different from the one observed in Biological Neural Networks (BNNs). Can the wiring of actual brains help improve ANNs architectures? Can we learn from ANNs about what network features support computation in the brain when solving a task? ANNs’ architectures are carefully engineered and have crucial importance in many recent performance improvements. On the other hand, BNNs’ exhibit complex emergent connectivity patterns. At the individual level, BNNs connectivity results from brain development and plasticity processes, while at the species level, adaptive reconfigurations during evolution also play a major role shaping connectivity. Ubiquitous features of brain connectivity have been identified in recent years, but their role in the brain’s ability to perform concrete computations remains poorly understood. Computational neuroscience studies reveal the influence of specific brain connectivity features only on abstract dynamical properties, although the implications of real brain networks topologies on machine learning or cognitive tasks have been barely explored. Here we present a cross-species study with a hybrid approach integrating real brain connectomes and Bio-Echo State Networks, which we use to solve concrete memory tasks, allowing us to probe the potential computational implications of real brain connectivity patterns on task solving. We find results consistent across species and tasks, showing that biologically inspired networks perform as well as classical echo state networks, provided a minimum level of randomness and diversity of connections is allowed. We also present a framework, bio2art , to map and scale up real connectomes that can be integrated into recurrent ANNs. This approach also allows us to show the crucial importance of the diversity of interareal connectivity patterns, stressing the importance of stochastic processes determining neural networks connectivity in general.

Abstract The human temporoparietal junction (TPJ) is a brain area crucial for processing social information. Although brain stimulation studies have started to explore the causal function of TPJ under social contexts, few have explicitly considered bilateral TPJ as target regions. Here, leveraging non-invasive continuous theta-burst stimulation (cTBS) and hierarchical Bayesian computational modeling, we tested whether left or right TPJ (with vertex as control) is causally involved in how dissenting choices by others influence individuals’ choice adjustments in goal-directed learning. In our social learning paradigm, participants (N = 31) first made their private decision, and then were allowed to re-adjust their choices after observing choices of four other players. Behaviorally, we show that disruption of the left, but not the right TPJ, weakened participants’ choice adjustment and delayed their response speed when confronted with dissenting information from the other players. Computationally, disrupting activity in the left TPJ attenuated the degree of computing social influence during choice adjustment, whereas the extent to which how observational learning from others’ choices was integrated into direct learning remained intact. Together, our results provide evidence for the causal role of left TPJ in social influence during goal-directed learning and shed light on the relational function (with respect to oneself) of the TPJ in social cognition.