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.

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.

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.

Eigenmodes can be derived from various structural brain properties, including cortical surface geometry and interareal axonal connections comprising an organism's connectome. Pang and colleagues map geometric and connectome eigenmodes to spatial patterns of human brain activity, assessing whether brain connectivity or geometry provide greater explanatory power of brain function. The authors find that geometric eigenmodes are superior predictors of cortical activity compared to connectome eigenmodes. They conclude that this supports the predictions of neural field theory (NFT), in that "brain activity is best represented in terms of eigenmodes derived directly from the shape of the cortex, thus emphasizing a fundamental role of geometry in constraining dynamics". The experimental comparisons favoring geometric eigenmodes over connectome eigenmodes, in conjunction with specific statements regarding the relative efficacy of geometry in representing brain activity, have been widely interpreted to mean that geometry imposes stronger constraints on cortical dynamics than connectivity. Here, we reconsider the comparative experimental evidence focusing on the impact of connectome mapping methodology. Utilizing established methods to mitigate connectome construction limitations, we map new connectomes for the same dataset, finding that eigenmodes derived from these connectomes reach comparable accuracy in explaining brain activity to that of geometric eigenmodes. We conclude that the evidence presented to support the comparative proposition that "eigenmodes derived from brain geometry represent a more fundamental anatomical constraint on dynamics than the connectome" may require reconsideration in light of our findings. Pang and colleagues present compelling evidence for the important role of geometric constraints on brain function, but their findings should not be interpreted to mean that geometry has superior explanatory power over the connectome.

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.