Although a 2-factor model has advanced research on the psychopathy construct, a 3-factor model was recently developed that emphasized pathological personality and eliminated antisocial behavior. However, dropping antisocial behavior from the psychopathy construct may not be advantageous. Using a large sample of psychiatric patients from the MacArthur Risk Assessment Study (J. Monahan & H. J. Steadman, 1994), the authors used confirmatory factor analysis to test a 4-factor model of psychopathy, which included interpersonal, affective, and behavioral impulsivity dimensions and an antisocial behavior dimension. Model fit was good for this 4-factor model, even when ethnicity, gender, and intelligence variables were included in the model. Structural equation modeling was used to compare the 3- and 4-factor models in predicting proximal (violence) and distal (intelligence) correlates of psychopathy.

Abstract Semantic control, the ability to selectively access and manipulate meaningful information on the basis of context demands, is a critical component of semantic cognition. The precise neural correlates of semantic control are disputed, with particular debate surrounding parietal involvement, the spatial extent of the posterior temporal contribution and network lateralisation. Here semantic control is revisited, utilising improved analysis techniques and a decade of additional data to refine our understanding of the network. A meta-analysis of 876 peaks over 121 contrasts illuminated a left-focused network consisting of inferior frontal gyrus, posterior middle temporal gyrus, posterior inferior temporal gyrus and dorsomedial prefrontal cortex. This extended the temporal region implicated, and found no parietal involvement. Although left-lateralised overall, relative lateralisation varied across the implicated regions. Supporting analyses confirmed the multimodal nature of the semantic control network and situated it within the wider set of regions implicated in semantic cognition. Highlights ➢ A multimodal semantic control network was delineated with formal meta-analyses ➢ Semantic control recruits inferior and medial frontal and posterior temporal cortex ➢ A large extent of posterior temporal cortex was implicated and no parietal regions ➢ Semantic control is left-lateralised but regions show differential lateralisation ➢ The semantic control regions were situated in the context of the wider semantic network

Abstract Investigating task- and stimulus-dependent connectivity is key to understanding how brain regions interact to perform complex cognitive processes. Most existing connectivity analysis methods reduce activity within brain regions to unidimensional measures, resulting in a loss of information. While recent studies have introduced new functional connectivity methods that exploit multidimensional information, i.e., pattern-to-pattern relationships across regions, they have so far mostly been applied to fMRI data and therefore lack temporal information. We recently developed Time-Lagged Multidimensional Pattern Connectivity for EEG/MEG data, which detects linear dependencies between patterns for pairs of brain regions and latencies in event-related experimental designs (Rahimi et al., 2022b). Due to the linearity of this method, it may miss important nonlinear relationships between activity patterns. Thus, we here introduce nonlinear Time-Lagged Multidimensional Pattern Connectivity (nTL-MDPC) as a novel bivariate functional connectivity metric for event-related EEG/MEG applications. nTL-MDPC describes how well patterns in ROI X at time point t x can predict patterns of ROI Y at time point t y using artificial neural networks (ANNs). We evaluated this method on simulated data as well as on an existing EEG/MEG dataset of semantic word processing, and compared it to its linear counterpart (TL-MDPC). We found that nTL-MDPC indeed detected nonlinear relationships more reliably than TL-MDPC in simulations with moderate to high numbers of trials. However, in real brain data the differences were subtle, with identification of some connections over greater time lags but no change in the connections identified. The simulations and EEG/MEG results demonstrate that differences between the two methods are not dramatic, i.e. the linear method can approximate linear and nonlinear dependencies well. Highlights nTL-MDPC is a bivariate functional connectivity method for event-related EEG/MEG nTL-MDPC detects linear and nonlinear connectivity at zero and non-zero lags nTL-MDPC revealed connectivity between ATL hub and semantic control regions Differences between linear and nonlinear TL-MDPC were small

Abstract Resting-state network research is extremely influential, yet the functions of many networks remain unknown. In part, this is due to typical (e.g., univariate) analyses testing the function of individual regions and not the full set of co-activated regions that form a network. Connectivity is dynamic and the function of a region may change based on its current connections. Therefore, determining the function of a network requires assessment at the network-level. Yet popular theories implicating the default mode network (DMN) in episodic memory and social cognition, rest principally upon analyses performed at the level of individual brain regions. Here we use independent component analysis to formally test the role of the DMN in episodic and social processing at the network level. As well as an episodic retrieval task, two independent datasets were employed to assess DMN function across the breadth of social cognition; a person knowledge judgement and a theory of mind task. Each task dataset was separated into networks of co-activated regions. In each, the co-activated DMN, was identified through comparison to an a priori template and its relation to the task model assessed. This co-activated DMN did not show greater activity in episodic or social tasks than high-level baseline conditions. Thus, no evidence was found to support hypotheses that the co-activated DMN is involved in explicit episodic or social processing tasks at a network-level. The networks associated with these processes are described. Implications for prior univariate findings and the functional significance of the co-activated DMN are considered.

Abstract Functional and effective connectivity methods are essential to study the complex information flow in brain networks underlying human cognition. Only recently have connectivity methods begun to emerge that make use of the full multidimensional information contained in patterns of brain activation, rather than univariate summary measures of these patterns. To date, these methods have mostly been applied to fMRI data, and no method allows vertex-vertex transformation with the temporal specificity of EEG/MEG data. Here, we introduce time-lagged multidimensional pattern connectivity (TL-MDPC) as a novel bivariate functional connectivity metric for EEG/MEG research. TL-MDPC estimates the vertex-to-vertex transformations among multiple brain regions and across different latency ranges. It determines how well patterns in ROI X at time point t x can linearly predict patterns of ROI Y at time point t y . In the present study, we use simulations to demonstrate TL-MDPC’s increased sensitivity to multidimensional effects compared to a univariate approach across realistic choices of number of trials and signal-to-noise ratio. We applied TL-MDPC, as well as its univariate counterpart, to an existing dataset varying the depth of semantic processing of visually presented words by contrasting a semantic decision and a lexical decision task. TL-MDPC detected significant effects beginning very early on, and showed stronger task modulations than the univariate approach, suggesting that it is capable of capturing more information. With TL-MDPC only, we observed rich connectivity between core semantic representation (left and right anterior temporal lobes) and semantic control (inferior frontal gyrus and posterior temporal cortex) areas with greater semantic demands. TL-MDPC is a promising approach to identify multidimensional connectivity patterns, typically missed by univariate approaches. Highlights TL-MDPC is a multidimensional functional connectivity method for event-related EMEG TL-MDPC captures both univariate and multidimensional connectivity TL-MDPC yields both zero-lag and time-lagged dependencies TL-MDPC produced richer connectivity than univariate approaches in a semantic task TL-MDPC identified connectivity between the ATL hubs and semantic control regions

ABSTRACT Understanding the different neural networks that support human language is an ongoing challenge for cognitive neuroscience. Which divisions are capable of distinguishing the functional significance of regions across the language network? A key separation between semantic cognition and phonological processing was highlighted in early meta-analyses, yet these seminal works did not formally test this proposition. Moreover, organisation by domain is not the only possibility. Regions may be organised by the type of process performed, as in the separation between representation and control processes proposed within the Controlled Semantic Cognition framework. The importance of these factors was assessed in a series of activation likelihood estimation meta-analyses that investigated which regions of the language network are consistently recruited for semantic and phonological domains, and for representation and control processes. Whilst semantic and phonological processing consistently recruit many overlapping regions, they can be dissociated (by differential involvement of bilateral anterior temporal lobes and superior temporal gyri) only when using both formal analysis methods and sufficient data. Both semantic and phonological regions are further dissociable into control and representation regions, highlighting this as an additional, distinct dimension on which the language network is functionally organised. Furthermore, some of these control regions overlap with multiple-demand network regions critical for control beyond the language domain, suggesting the relative level of domain-specificity is also informative. Multiple, distinct dimensions are critical to understand the role of language regions. Here we present a proposal as to the core principles underpinning the functional organisation of the language network. SIGNIFICANCE STATEMENT Traditional theories of the organisation of the cortical language network separate areas based on the type of information processed, such as distinct regions representing the meaning of words or their sounds. Here, we re-analyse and update a seminal study, to directly compare these networks. This differentiates some language regions, yet a high degree of overlap is found, suggesting this division alone, does not provide a full mapping of the language network. Additional dimensions, reflecting different kinds of information, are demonstrated to underlie the functional organisation of the language network. First, representation and control processes engage distinct regions in each subdomain. Secondly, comparison outside of language highlights the importance of a ‘domain-specificity’ dimension, distinguishing subdomain-specific semantic control and domain-general control regions.

Abstract Recent work has focussed on how patterns of functional change within the temporal lobe relate to whole-brain dimensions of intrinsic connectivity variation (Margulies et al., 2016). We examined two such ‘connectivity gradients’ reflecting the separation of (i) unimodal versus heteromodal and (ii) visual versus auditory-motor cortex, examining visually presented verbal associative and feature judgments, plus picture-based context and emotion generation. Functional responses along the first dimension sometimes showed graded change between modality-tuned and heteromodal cortex (in the verbal matching task), and other times showed sharp functional transitions, with deactivation at the extremes and activation in the middle of this gradient (internal generation). The second gradient revealed more visual than auditory-motor activation, regardless of content (associative, feature, context, emotion) or task process (matching/generation). We also uncovered subtle differences across each gradient for content type, which predominantly manifested as differences in relative magnitude of activation or deactivation.

Abstract The human dorsolateral prefrontal cortex (DLPFC, approximately corresponding to Brodmann areas 9 and 46) has demonstrable roles in diverse executive functions such as working memory, cognitive flexibility, planning, inhibition, and abstract reasoning. However, it remains unclear whether this is the result of one functionally homogeneous region or whether there are functional subdivisions within the DLPFC. Here, we divided the DLPFC into seven areas along with rostral-caudal and dorsal-ventral axes anatomically and explored their respective patterns of structural and functional connectivity. In vivo probabilistic tractography and resting-state functional magnetic resonance imaging were employed to map out the patterns of connectivity from each DLPFC subregions. Structural connectivity demonstrated graded intra-regional connectivity within the DLPFC. The patterns of structural connectivity between the DLPFC subregions and other cortical areas revealed that he dorsal-rostral subregions was restricted to connect to other frontal and limbic areas, whereas the ventral-caudal region was widely connected to frontal, temporal, parietal, and limbic cortex. Functional connectivity analysis demonstrated that subregions of DLPFC were strongly interconnected to each other. The dorsal subregions were associated with the default mode network (DMN), while middle dorsal-rostral subregions were linked with the multiple demand network (MDN), respectively. Similar to the results of structural connectivity, the ventral-caudal subregion showed increased functional coupling with both DMN and MDN. Our results suggest that DLPFC may be subdivided by the diagonal axis of the dorsal-ventral axis and rostral-caudal axis, which support the patterns of connectivity the parts of the DLPFC reflects its integrative executive function.

BackgroundConduct disorder is associated with the highest burden of any mental disorder in childhood, yet its neurobiology remains unclear. Inconsistent findings limit our understanding of the role of brain structure alterations in conduct disorder. This study aims to identify the most robust and replicable brain structural correlates of conduct disorder.MethodsThe ENIGMA-Antisocial Behavior Working Group performed a coordinated analysis of structural MRI data from 15 international cohorts. Eligibility criteria were a mean sample age of 18 years or less, with data available on sex, age, and diagnosis of conduct disorder, and at least ten participants with conduct disorder and ten typically developing participants. 3D T1-weighted MRI brain scans of all participants were pre-processed using ENIGMA-standardised protocols. We assessed group differences in cortical thickness, surface area, and subcortical volumes using general linear models, adjusting for age, sex, and total intracranial volume. Group-by-sex and group-by-age interactions, and DSM-subtype comparisons (childhood-onset vs adolescent-onset, and low vs high levels of callous-unemotional traits) were investigated. People with lived experience of conduct disorder were not involved in this study.FindingsWe collated individual participant data from 1185 young people with conduct disorder (339 [28·6%] female and 846 [71·4%] male) and 1253 typically developing young people (446 [35·6%] female and 807 [64·4%] male), with a mean age of 13·5 years (SD 3·0; range 7–21). Information on race and ethnicity was not available. Relative to typically developing young people, the conduct disorder group had lower surface area in 26 cortical regions and lower total surface area (Cohen's d 0·09–0·26). Cortical thickness differed in the caudal anterior cingulate cortex (d 0·16) and the banks of the superior temporal sulcus (d –0·13). The conduct disorder group also had smaller amygdala (d 0·13), nucleus accumbens (d 0·11), thalamus (d 0·14), and hippocampus (d 0·12) volumes. Most differences remained significant after adjusting for ADHD comorbidity or intelligence quotient. No group-by-sex or group-by-age interactions were detected. Few differences were found between DSM-defined conduct disorder subtypes. However, individuals with high callous-unemotional traits showed more widespread differences compared with controls than those with low callous-unemotional traits.InterpretationOur findings provide robust evidence of subtle yet widespread brain structural alterations in conduct disorder across subtypes and sexes, mostly in surface area. These findings provide further evidence that brain alterations might contribute to conduct disorder. Greater consideration of this under-recognised disorder is needed in research and clinical practice.FundingAcademy of Medical Sciences and Economic and Social Research Council.

We present a reverse engineering approach to deconstruct cognition into neurocomputational mechanisms and their underlying cortical architecture, using controlled semantic cognition as a test case. By systematically varying the structure of a computational model and assessing the functional consequences, we identified architectural properties necessary for generating the core functions of the semantic system. Semantic cognition presents a challenging test case as the brain must achieve two seemingly contradictory functions: abstracting context-invariant conceptual representations across time and modalities, whilst producing specific context-sensitive behaviours appropriate for the immediate task. These functions were best achieved in models possessing a single, deep multimodal hub with sparse connections from modality-specific inputs, and control systems acting on peripheral rather than deep network layers. These architectural features correspond well with those suggested by neural data, strongly supporting the efficacy of the reverse engineering approach, and further generating novel hypotheses about the neuroanatomy of controlled semantic cognition.