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.

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.

Edge time series decompose functional connections into their fine-scale, framewise contributions. Previous studies have demonstrated that global high-amplitude "events" in edge time series can be clustered into distinct patterns. To date, however, it is unknown whether events and their patterns change or persist throughout the human lifespan. Here, we directly address this question by clustering event frames using the Nathan Kline Institute-Rockland sample that includes subjects with ages spanning the human lifespan. We find evidence of two main clusters that appear across subjects and age groups. We also find that these patterns of clusters systematically change in magnitude and frequency with age. Our results also demonstrate that such event clusters have distinct, heterogeneous relationships with structural connectivity-derived communication measures, which change with age. Finally, event clusters were found to outperform non-events in predicting phenotypes regarding human intelligence and achievement. Collectively, our findings fill several gaps in current knowledge about co-fluctuation patterns in edge time series and human aging, setting the stage for future investigation into the causal origins of changes in functional connectivity throughout the human lifespan.

ABSTRACT We mapped functional and structural brain networks for more than 40,000 UK Biobank participants. Structural connectivity was estimated with tractography and diffusion MRI. Resting-state functional MRI was used to infer regional functional connectivity. We provide high-quality structural and functional connectomes for multiple parcellation granularities, several alternative measures of interregional connectivity, and a variety of common data pre-processing techniques, yielding more than one million connectomes in total and requiring more than 200,000 hours of compute time. For a single subject, we provide 28 out-of-the-box versions of structural and functional brain networks, allowing users to select, e.g., the parcellation and connectivity measure that best suit their research goals. Furthermore, we provide code and intermediate data for the time-efficient reconstruction of more than 1,000 different versions of a subject’s connectome based on an array of methodological choices. All connectomes are available via the UK Biobank data sharing platform and our connectome mapping pipelines are openly available. In this report, we describe our connectome resource in detail for users, outline key considerations in developing an efficient pipeline to map an unprecedented number of connectomes, and report on the quality control procedures that were completed to ensure connectome reliability and accuracy. We demonstrate that our structural and functional connectivity matrices meet a number of quality control checks and replicate previously established findings in network neuroscience. We envisage that our resource will enable new studies of the human connectome in health, disease and aging at an unprecedented scale.

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.

One of the longstanding aims of network neuroscience is to link a connectome9s topological properties-i.e. features defined from connectivity alone--with an organism9s neurobiology. One approach for doing so is to compare whole-brain maps of connectome properties with maps of metabolic, functional, and neurochemical annotations. This type of analysis is popular at the meso-/macro-scale, but is less common the nano-scale, owing to a paucity of neuron-level connectome data. However, recent methodological advances have made possible reconstruction of whole-brain connectomes at single-neuron resolution for a select set of organisms. These include the fruit fly, Drosophila melanogaster, and its developing larvae. In addition to fine-scale descriptions of neuron-to-neuron connectivity, these datasets are accompanied by rich annotations, documenting cell type and function. Here, we use a hierarchical and weighted variant of the stochastic blockmodel to detect multi-level communities in a recently published connectome of the larval Drosophila. We find that these communities, which are detected using a data-driven method based on connectivity alone, neatly partition neurons based on function, cell types, and macro-level cell class. We find that communities mostly interact assortatively, reflecting the principle of functional segregation. However, a small number of communities interact non-assortatively. These neurons, which also form a "rich-club", overlap with interneurons that receive and process sensory signals, delivering the outputs to effectors. Finally, we investigate the role of community structure in shaping neuron-to-neuron communication patterns. We explore three hypothetical communication policies, in each case discovering that neurons frequently assigned to the same community across hierarchical levels have greater capacity for communication (reduced path length and increased communicability). Finally, we investigate in granular detail the structure of shortest paths and how they move between communities and hierarchical levels. We find that interneurons and high-degree hubs deviate from a characteristic "u-shaped" trajectory, moving quickly from their own module towards their target via strong inter-modular projections. Our findings recapitulate and extend other recent studies investigating the community structure of the larval Drosophila connectome, while establishing links between communities and neuronal annotations.

Individual differences in general cognitive ability (GCA) have a biological basis within the structure and function of the human brain. Network neuroscience investigations revealed neural correlates of GCA in structural as well as in functional brain networks. However, whether the relationship between structural and functional networks, the structural-functional brain network coupling (SC-FC coupling), is related to individual differences in GCA remains an open question. We used data from 1030 adults of the Human Connectome Project, derived structural connectivity from diffusion weighted imaging, functional connectivity from resting-state fMRI, and assessed GCA as a latent g-factor from 12 cognitive tasks. Two similarity measures and six communication measures were used to model possible functional interactions arising from structural brain networks. SC-FC coupling was estimated as the degree to which these measures align with the actual functional connectivity, providing insights into different neural communication strategies. At the whole-brain level, higher GCA was associated with higher SC-FC coupling, but only when considering path transitivity as neural communication strategy. Taking region-specific variations in the SC-FC coupling strategy into account and differentiating between positive and negative associations with GCA, allows for prediction of individual cognitive ability scores in a cross-validated prediction framework (correlation between predicted and observed scores: r = .25, p < .001). The same model also predicts GCA scores in a completely independent sample (N = 567, r = .19, p < .001). Our results propose structural-functional brain network coupling as a neurobiological correlate of GCA and suggest brain region-specific coupling strategies as neural basis of efficient information processing predictive of cognitive ability.

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.