Nanowire networks (NWNs) mimic the brain's neurosynaptic connectivity and emergent dynamics. Consequently, NWNs may also emulate the synaptic processes that enable higher-order cognitive functions such as learning and memory. A quintessential cognitive task used to measure human working memory is the n-back task. In this study, task variations inspired by the n-back task are implemented in a NWN device, and external feedback is applied to emulate brain-like supervised and reinforcement learning. NWNs are found to retain information in working memory to at least n = 7 steps back, remarkably similar to the originally proposed "seven plus or minus two" rule for human subjects. Simulations elucidate how synapse-like NWN junction plasticity depends on previous synaptic modifications, analogous to "synaptic metaplasticity" in the brain, and how memory is consolidated via strengthening and pruning of synaptic conductance pathways.

Abstract Neurotransmitter receptors support the propagation of signals in the human brain. How receptor systems are situated within macroscale neuroanatomy and how they shape emergent function remains poorly understood, and there exists no comprehensive atlas of receptors. Here we collate positron emission tomography data from >1 200 healthy individuals to construct a whole-brain 3-D normative atlas of 19 receptors and transporters across 9 different neurotransmitter systems. We find that receptor profiles align with structural connectivity and mediate function, including neurophysiological oscillatory dynamics and resting state hemodynamic functional connectivity. Using the Neurosynth cognitive atlas, we uncover a topographic gradient of overlapping receptor distributions that separates extrinsic and intrinsic psychological processes. Finally, we find both expected and novel associations between receptor distributions and cortical thinning patterns across 13 disorders. We replicate all findings in an independently collected autoradiography dataset. This work demonstrates how chemoarchitecture shapes brain structure and function, providing a new direction for studying multi-scale brain organization.

Thalamocortical interaction is a ubiquitous functional motif in the mammalian brain. Previously (Hwang et al., 2021), we reported that lesions to network hubs in the human thalamus are associated with multi-domain behavioral impairments in language, memory, and executive functions. Here, we show how task-evoked thalamic activity is organized to support these broad cognitive abilities. We analyzed functional magnetic resonance imaging (MRI) data from human subjects that performed 127 tasks encompassing a broad range of cognitive representations. We first investigated the spatial organization of task-evoked activity and found a basis set of activity patterns evoked to support processing needs of each task. Specifically, the anterior, medial, and posterior-medial thalamus exhibit hub-like activity profiles that are suggestive of broad functional participation. These thalamic task hubs overlapped with network hubs interlinking cortical systems. To further determine the cognitive relevance of thalamic activity and thalamocortical functional connectivity, we built a data-driven thalamocortical model to test whether thalamic activity can be used to predict cortical task activity. The thalamocortical model predicted task-specific cortical activity patterns, and outperformed comparison models built on cortical, hippocampal, and striatal regions. Simulated lesions to low-dimensional, multi-task thalamic hub regions impaired task activity prediction. This simulation result was further supported by profiles of neuropsychological impairments in human patients with focal thalamic lesions. In summary, our results suggest a general organizational principle of how the human thalamocortical system supports cognitive task activity.

Abstract Noradrenaline (NA) release from the brainstem nucleus locus coeruleus (LC) changes activity and connectivity in neuronal networks across the brain, thus modulating multiple behavioural states. NA release is mediated by both tonic and burst-like neuronal LC activity. However, it remains unknown whether the functional changes in downstream projection areas depend on these firing patterns. Using optogenetics, pupillometry, photometry, and functional MRI in mice, we show that tonic and burst LC firing patterns elicit brain responses that are specific to the activation frequency and temporal pattern. Tonic activation of the LC evokes nonlinear responses in prefrontal, limbic, and cerebellar regions, in line with the proposed inverted-U relationship between LC activity and behaviour. We further demonstrate that LC activity enhances network integration and acts as a facilitator of brain state transitions, hence increasing brain flexibility. Together, these findings reveal how the LC-NA system achieves a nuanced regulation of global circuit operations.

The regulation of moment-to-moment neural variability may permit effective responses to changing cognitive demands. However, the mechanisms that support variability regulation are unknown. In the context of working memory, we leverage the largest available PET and fMRI dataset to jointly consider three lenses through which neural variability regulation could be understood: dopamine capacity, network-level functional integration, and flexible decision processes. We show that with greater working memory load, upregulation of variability was associated with elevated dopamine capacity and heightened functional integration, effects dominantly expressed in the striato-thalamic system rather than cortex. Strikingly, behavioral modeling revealed that working memory load evoked substantial decision biases during evidence accumulation, and those who jointly expressed a more optimal decision bias and higher dopamine capacity were most likely to upregulate striato-thalamic variability under load. We argue that the ability to align striato-thalamic variability to level of demand may be a hallmark of a well-functioning brain.

Abstract Recent neuroimaging experiments have defined low-dimensional gradients of functional connectivity in the cerebral cortex that subserve a spectrum of capacities that span from sensation to cognition. Despite well-known anatomical connections to the cortex, the subcortical areas that support cortical functional organization have been relatively overlooked. One such structure is the thalamus, which maintains extensive anatomical and functional connections with the cerebral cortex across the cortical mantle. The thalamus has a heterogeneous cytoarchitecture, with at least two distinct cell classes that send differential projections to the cortex: granular-projecting ‘Core’ cells and supragranular-projecting ‘Matrix’ cells. Here we use high-resolution 7T resting-state fMRI data and the relative amount of two calcium-binding proteins, parvalbumin and calbindin, to infer the relative distribution of these two cell-types (Core and Matrix, respectively) in the thalamus. First, we demonstrate that thalamocortical connectivity recapitulates large-scale, low-dimensional connectivity gradients within the cerebral cortex. Next, we show that diffusely-projecting Matrix regions preferentially correlate with cortical regions with longer intrinsic fMRI timescales. We then show that the Core–Matrix architecture of the thalamus is important for understanding network topology in a manner that supports dynamic integration of signals distributed across the brain. Finally, we replicate our main results in a distinct 3T resting-state fMRI dataset. Linking molecular and functional neuroimaging data, our findings highlight the importance of the thalamic organization for understanding low-dimensional gradients of cortical connectivity.

Abstract Mapping the causal effects of one brain region on another (effective connectivity) is a challenging problem in neuroscience, since it requires invasive direct manipulation of brain function, together with whole-brain measurement of the effects produced. Here we establish a unique resource and present data from 26 human patients who underwent electrical stimulation during functional magnetic resonance imaging (es-fMRI). The patients had medically refractory epilepsy requiring surgically implanted intracranial electrodes in cortical and subcortical locations. One or multiple contacts on these electrodes were stimulated while simultaneously recording BOLD-fMRI activity in a block design. Multiple runs exist for patients with different stimulation sites. We describe the resource, data collection process, preprocessing using the fMRIPrep analysis pipeline and management of artifacts, and provide end-user analyses to visualize distal brain activation produced by site-specific electrical stimulation. The data are organized according to the brain imaging data structure (BIDS) specification, and are available for analysis or future dataset contributions on openneuro.org including both raw and preprocessed data.

Abstract Even in the absence of external stimuli, neural activity is both highly dynamic and organized across multiple spatiotemporal scales. The continuous evolution of brain activity patterns during rest is believed to help maintain a rich repertoire of possible functional configurations that relate to typical and atypical cognitive phenomena. Whether these transitions or “explorations” follow some underlying arrangement or instead lack a predictable ordered plan remains to be determined. Here, using a precision dynamics approach, we aimed at revealing the rules that govern transitions in brain activity at rest at the single participant level. We hypothesized that by revealing and characterizing the overall landscape of whole brain configurations (or states) we could interpret the rules (if any) that govern transitions in brain activity at rest. To generate the landscape of whole-brain configurations we used Topological Data Analysis based Mapper approach. Across all participants, we consistently observed a rich topographic landscape in which the transition of activity from one state to the next involved a central hub-like “transition state.” The hub topography was characterized as a shared attractor-like basin where all canonical resting-state networks were represented equally. The surrounding periphery of the landscape had distinct network configurations. The intermediate transition state and traversal through it via a topographic gradient seemed to provide the underlying structure for the continuous evolution of brain activity patterns at rest. In addition, differences in the landscape architecture were more consistent within than between subjects, providing evidence of idiosyncratic dynamics and potential utility in precision medicine.

Abstract Models of cognitive function typically focus on the cerebral cortex and hence overlook functional links to subcortical structures. This view neglects the highly-conserved ascending arousal system’s role and the computational capacities it provides the brain. In this study, we test the hypothesis that the ascending arousal system modulates cortical neural gain to alter the low-dimensional energy landscape of cortical dynamics. Our analyses of spontaneous functional magnetic resonance imaging data and phasic bursts in both locus coeruleus and basal forebrain demonstrate precise time-locked relationships between brainstem activity, low-dimensional energy landscapes, network topology, and spatiotemporal travelling waves. We extend our analysis to a cohort of experienced meditators and demonstrate locus coeruleus-mediated network dynamics were associated with internal shifts in conscious awareness. Together, these results present a novel view of brain organization that highlights the ascending arousal system’s role in shaping both the dynamics of the cerebral cortex and conscious awareness.

Abstract Network neuroscience has yielded crucial insights into the systems-level organisation of the brain, however the indirect nature of neuroimaging recordings has rendered the discovery of generative mechanisms for a given function inherently challenging. In parallel, neural network machine-learning models have exhibited breakthrough performance in tackling a range of complex problems, however the principles that govern learning-induced modifications to network structure remain poorly understood, in part due to a lack of analytic tools to quantify the dynamics of network structure. While the question of how network reconfiguration supports learning is mirrored in machine learning and network neuroscience, the different contexts of these fields provides a timely opportunity to bring them together synergistically to investigate the problem. Here we combine these two approaches to reveal connections between the brain’s network structure and the emerging network structure of an artificial neural network. Specifically, we train a shallow, feedforward neural network to classify handwritten digits and then used a combination of systems neuroscience and information theoretic tools to perform ‘virtual brain analytics’ on the resultant edge weights and activity patterns of each node. We identify three distinct phases of network reconfiguration across learning, each of which are characterised by unique topological and information-theoretic signatures. Each phase involves aligning the connections of the neural network with patterns of information contained in the input dataset or preceding layers (as relevant). We also observe a process of low-dimensional category separation in the network as a function of learning. Our results offer a systems-level perspective of how artificial neural networks function – in terms of multi-stage reorganization of edge weights and activity patterns to effectively exploit the information content of input data during edge-weight training – while simultaneously enriching our understanding of the methods used by systems neuroscience.