Graph theoretical analysis has become an important tool in the examination of brain dysconnectivity in neurological and psychiatric brain disorders. A common analysis step in the construction of the functional graph or network involves “thresholding” of the connectivity matrix, selecting the set of edges that together form the graph on which network organization is evaluated. To avoid systematic differences in absolute number of edges, studies have argued against the use of an “absolute threshold” in case-control studies and have proposed the use of “proportional thresholding” instead, in which a pre-defined number of strongest connections are selected as network edges, ensuring equal network density across datasets. Here, we systematically studied the effect of proportional thresholding on the construction of functional matrices and subsequent graph analysis in patient-control functional connectome studies. In a few simple experiments we show that differences in overall strength of functional connectivity (FC) – as often observed between patients and controls – can have predictable consequences for between-group differences in network organization. In individual networks with lower overall FC the proportional thresholding algorithm has to select more edges based on lower correlations, which have (on average) a higher probability of being spurious, and thus introduces a higher degree of randomness in the resulting network. We show across both empirical and artificial patient-control datasets that lower levels of overall FC in either the patient or control group will most often lead to differences in network efficiency and clustering, suggesting that differences in FC across subjects will be artificially inflated or translated into differences in network organization. Based on the presented case-control findings we inform about the caveats of proportional thresholding in patient-control studies in which groups show a between-group difference in overall FC. We make recommendations on how to examine, report and to take into account overall FC effects in future patient-control functional connectome studies.

Network models of communication, e.g. shortest paths, diffusion, navigation, have become useful tools for studying structure-function relationships in the brain. These models generate estimates of communication efficiency between all pairs of brain regions, which can then be linked to the correlation structure of recorded activity, i.e. functional connectivity (FC). At present, however, communication models have a number of limitations, including difficulty adjudicating between models and the absence of a generic framework for modeling multiple interacting communication policies at the regional level. Here, we present a framework that allows us to incorporate multiple region-specific policies and fit them to empirical estimates of FC. Briefly, we show that many communication policies, including shortest paths and greedy navigation, can be modeled as biased random walks, enabling these policies to be incorporated into the same multi-policy communication model alongside unbiased processes, e.g. diffusion. We show that these multi-policy models outperform existing communication measures while yielding neurobiologically interpretable regional preferences. Further, we show that these models explain the majority of variance in time-varying patterns of FC. Collectively, our framework represents an advance in network-based communication models and establishes a strong link between these patterns and FC. Our findings open up many new avenues for future inquiries and present a flexible framework for modeling anatomically-constrained communication.

The connectome provides a structural substrate facilitating communication between brain regions. We aimed to establish whether accounting for polysynaptic communication paths in structural connectomes would improve prediction of interindividual variation in behavior as well as increase structure-function coupling strength. Structural connectomes were mapped for 889 healthy adults participating in the Human Connectome Project. To account for polysynaptic signaling, connectomes were transformed into communication matrices for each of 15 different network communication models. Communication matrices were (i) used to perform predictions of five data-driven behavioral dimensions and (ii) correlated to interregional resting-state functional connectivity (FC). While FC was the most accurate predictor of behavior, network communication models, in particular communicability and navigation, improved the performance of structural connectomes. Accounting for polysynaptic communication also significantly strengthened structure-function coupling, with the navigation and shortest paths models leading to 35-65% increases in association strength with FC. Combining behavioral and functional results into a single ranking of communication models positioned navigation as the top model, suggesting that it may more faithfully recapitulate underlying neural signaling patterns. We conclude that network communication models augment the functional and behavioral predictive utility of the human structural connectome and contribute to narrowing the gap between brain structure and function.

Communication between gray matter regions underpins all facets of brain function. To date, progress in understanding large-scale neural communication has been hampered by the inability of current neuroimaging techniques to track signaling at whole-brain, high-spatiotemporal resolution. Here, we use 2.77 million intracranial EEG recordings, acquired following 29,055 single-pulse electrical stimulations in a total of 550 individuals, to study inter-areal communication in the human brain. We found that network communication models—computed on structural connectivity inferred from diffusion MRI—can explain the propagation of direct, focal electrical stimulation through white matter, measured at millisecond time scales. Building on this finding, we show that a parsimonious statistical model comprising structural, functional and spatial factors can accurately and robustly predict cortex-wide effects of brain stimulation (out-of-sample R 2 =54%). Our work contributes towards the biological validation of concepts in network neuroscience and provides insight into how white matter connectivity shapes inter-areal signaling. We anticipate that our findings will have implications for research on macroscale neural information processing and the design of brain stimulation paradigms.

Abstract Brain activity during rest displays complex, rapidly evolving patterns in space and time. Structural connections comprising the human connectome are hypothesized to impose constraints on the dynamics of this activity. Here, we use magnetoencephalography (MEG) to quantify the extent to which fast neural dynamics in the human brain are constrained by structural connections inferred from diffusion MRI tractography. We characterize the spatio-temporal unfolding of whole-brain activity at the millisecond scale from source-reconstructed MEG data, estimating the probability that any two brain regions will significantly deviate from baseline activity in consecutive time epochs. We find that the structural connectome relates to, and likely affects, the rapid spreading of neuronal avalanches, evidenced by a significant association between these transition probabilities and structural connectivity strengths (r=0.37, p<0.0001). This finding opens new avenues to study the relationship between brain structure and neural dynamics.

Structural and functional brain networks are modular. Canonical functional systems, such as the default mode network, are well-known modules of the human brain and have been implicated in a large number of cognitive, behavioral and clinical processes. However, modules delineated in structural brain networks inferred from tractography generally do not recapitulate canonical functional systems. Neuroimaging evidence suggests that functional connectivity between regions in the same systems is not always underpinned by anatomical connections. As such, direct structural connectivity alone would be insufficient to characterize the functional modular organization of the brain. Here, we demonstrate that augmenting structural brain networks with models of indirect (polysynaptic) communication unveils a modular network architecture that more closely resembles the brain’s established functional systems. We find that diffusion models of polysynaptic connectivity, particularly communicability, narrow the gap between the modular organization of structural and functional brain networks by 20–60%, whereas routing models based on single efficient paths do not improve mesoscopic structure-function correspondence. This suggests that functional modules emerge from the constraints imposed by local network structure that facilitates diffusive neural communication. Our work establishes the importance of modeling polysynaptic communication to understand the structural basis of functional systems.

The macroscale connectome is the network of physical, white-matter tracts between brain areas. The connections are generally weighted and their values interpreted as measures of communication efficacy. In most applications, weights are either assigned based on imaging features–e.g. diffusion parameters–or inferred using statistical models. In reality, the ground-truth weights are unknown, motivating the exploration of alternative edge weighting schemes. Here, we explore a multi-modal (combining diffusion and functional MRI data) regression-based, explanatory model that endows reconstructed fiber tracts with directed and signed weights. Benchmarking this method on Human Connectome Project data, we find that the model fits observed data well, outperforming a suite of null models. The estimated weights are subject-specific and highly reliable, even when fit using relatively few training samples. Next, we analyze the resulting network using graph-theoretic tools from network neuroscience, revealing bilaterally symmetric communities that span cerebral hemispheres. These communities exhibit a clear mapping onto known functional systems. We also study the shortest paths structure of this network, discovering that almost every edge participates in at least one shortest path. We also find evidence of robust asymmetries in edge weights, that the network reconfigures in response to naturalistic stimuli, and that estimated edge weights differ with age. In summary, we offer a simple framework for weighting connectome data, demonstrating both its ease of implementation while benchmarking its utility for typical connectome analyses, including graph theoretic modeling and brain-behavior associations.

Abstract Connectome generative models, otherwise known as generative network models, provide insight into the wiring principles underpinning brain network organization. While these models can approximate numerous statistical properties of empirical networks, they typically fail to explicitly characterize an important contributor to brain organization – axonal growth. Emulating the chemoaffinity guided axonal growth, we provide a novel generative model in which axons dynamically steer the direction of propagation based on distance-dependent chemoattractive forces acting on their growth cones. This simple dynamic growth mechanism, despite being solely geometry-dependent, is shown to generate axonal fiber bundles with brain-like geometry and features of complex network architecture consistent with the human brain, including lognormally distributed connectivity weights, scale-free nodal degrees, small-worldness, and modularity. We demonstrate that our model parameters can be fitted to individual connectomes, enabling connectome dimensionality reduction and comparison of parameters between groups. Our work offers an opportunity to bridge studies of axon guidance and connectome development, providing new avenues for understanding neural development from a computational perspective. Author Summary Generative models of the human connectome provide insight into principles driving brain network development. However, current models do not capture axonal outgrowth, which is crucial to the formation of neural circuits. We develop a novel generative connectome model featuring dynamic axonal outgrowth, revealing the contribution of microscopic axonal guidance to the network topology and axonal geometry of macroscopic connectomes. Simple axonal outgrowth rules representing continuous chemoaffinity gradients are shown to generate complex, brain-like topologies and realistic axonal fascicle architectures. Our model is sufficiently sensitive to capture subtle interindividual differences in axonal outgrowth between healthy adults. Our results are significant because they reveal core principles that may give rise to both complex brain networks and brain-like axonal bundles, unifying neurogenesis across scales.

Abstract Structural connectomes are increasingly mapped at high spatial resolutions comprising many hundreds—if not thousands—of network nodes. However, high-resolution connectomes are particularly susceptible to image registration misalignment, tractography artifacts, and noise, all of which can lead to reductions in connectome accuracy and test-retest reliability. We investigate a network analogue of image smoothing to address these key challenges. Connectome Spatial Smoothing (CSS) involves jointly applying a carefully chosen smoothing kernel to the two endpoints of each tractography streamline, yielding a spatially smoothed connectivity matrix. We develop computationally efficient methods to perform CSS using a matrix congruence transformation and evaluate a range of different smoothing kernel choices on CSS performance. We find that smoothing substantially improves the identifiability, sensitivity, and test-retest reliability of high-resolution connectivity maps, though at a cost of increasing storage burden. For atlas-based connectomes (i.e. low-resolution connectivity maps), we show that CSS marginally improves the statistical power to detect associations between connectivity and cognitive performance, particularly for connectomes mapped using probabilistic tractography. CSS was also found to enable more reliable statistical inference compared to connectomes without any smoothing. We provide recommendations on optimal smoothing kernel parameters for connectomes mapped using both deterministic and probabilistic tractography. We conclude that spatial smoothing is particularly important for the reliability of high-resolution connectomes, but can also provide benefits at lower parcellation resolutions. We hope that our work enables computationally efficient integration of spatial smoothing into established structural connectome mapping pipelines. Highlights We establish a network equivalent of image smoothing for structural connectomes. Connectome Spatial Smoothing (CSS) improves connectome test-retest reliability, identifiability and sensitivity. CSS also facilitates reliable inference and improves power to detect statistical associations. Both high-resolution and atlas-based connectomes can benefit from CSS.

Dynamic models of ongoing BOLD fMRI brain dynamics and models of communication strategies have been two important approaches to understanding how brain network structure constrains function. However, dynamic models have yet to widely incorporate one of the most important insights from communication models: the brain may not use all of its connections in the same way or at the same time. Here we present a variation of a phase delayed Kuramoto coupled oscillator model that dynamically limits communication between nodes on each time step. An active subgraph of the empirically derived anatomical brain network is chosen in accordance with the local dynamic state on every time step, thus coupling dynamics and network structure in a novel way. We analyze this model with respect to its fit to empirical time-averaged functional connectivity, finding that it significantly outperforms standard Kuramoto models with phase delays. We also perform analyses on the novel structural edge time series it produces, demonstrating a slowly evolving topology moving through intermittent episodes of integration and segregation. We hope to demonstrate that the exploration of novel modeling mechanisms and the investigation of dynamics of networks in addition to dynamics on networks may advance our understanding of the relationship between brain structure and function.