In Parkinson disease (PD), α-synuclein spreading through connected brain regions leads to neuronal loss and brain network disruptions. With diffusion-weighted imaging (DWI), it is possible to capture conventional measures of brain network organization and more advanced measures of brain network resilience. We aimed to investigate which neuropathologic processes contribute to regional network topologic changes and brain network resilience in PD.

Network theory is often based on pairwise relationships between nodes, which is not necessarily realistic for modeling complex systems. Importantly, it does not accurately capture non-pairwise interactions in the human brain, often considered one of the most complex systems. In this work, we develop a multivariate signal processing pipeline to build high-order networks from time series and apply it to resting-state functional magnetic resonance imaging (fMRI) signals to characterize high-order communication between brain regions. We also propose connectivity and signal processing rules for building uniform hypergraphs and argue that each multivariate interdependence metric could define weights in a hypergraph. As a proof of concept, we investigate the most relevant three-point interactions in the human brain by searching for high-order “hubs” in a cohort of 100 individuals from the Human Connectome Project. We find that, for each choice of multivariate interdependence, the high-order hubs are compatible with distinct systems in the brain. Additionally, the high-order functional brain networks exhibit simultaneous integration and segregation patterns qualitatively observable from their high-order hubs. Our work hereby introduces a promising heuristic route for hypergraph representation of brain activity and opens up exciting avenues for further research in high-order network neuroscience and complex systems.

ABSTRACT Magnetic resonance spectroscopic imaging (MRSI) has the potential to add a layer of understanding of the neurobiological mechanisms underlying brain diseases, disease progression, and treatment efficacy. Limitations related to metabolite fitting of low SNR data, signal variations due to partial volume effects, acquisition and extra-cranial lipid artefacts, along with clinically relevant aspects such as scan-time constraints, are among the factors that hinder the widespread implementation of in vivo MRSI. The aim of this work was to address these factors and to develop an acquisition, reconstruction and post-processing pipeline to derive lipid suppressed metabolite values based on Free Induction Decay (FID-MRSI) measurements made using a 7 tesla MR scanner. Anatomical images were used to perform high-resolution (1mm 3 ) partial-volume correction to account for grey matter, white matter and cerebral-spinal fluid signal contributions. Implementation of automatic quality control thresholds and normalization of metabolic maps from 23 subjects to the MNI standard atlas facilitated the creation of high-resolution average metabolite maps of several clinically relevant metabolites in central brain regions, while accounting for macromolecular distributions. Reported metabolite values include glutamate, choline, (phospo)creatine, myo-inositol, glutathione, N-acetyl aspartyl glutamate(and glutamine) and N-acetyl aspartate. MNI-registered average metabolite maps facilitate group-based analysis; thus offering the possibility to mitigate uncertainty in variable MRSI.