Abstract The study of functional brain networks has grown rapidly over the past decade. While most functional connectivity (FC) analyses estimate one static network structure for the entire length of the functional magnetic resonance imaging (fMRI) time series, recently there has been increased interest in studying time-varying changes in FC. Hidden Markov models (HMMs) have proven to be a useful modeling approach for discovering repeating graphs of interacting brain regions (brain states). However, a limitation lies in HMMs assuming that the sojourn time, the number of consecutive time points in a state, is geometrically distributed. This may encourage inaccurate estimation of the time spent in a state before switching to another state. We propose a hidden semi-Markov model (HSMM) approach for inferring time-varying brain networks from fMRI data, which explicitly models the sojourn distribution. Specifically, we propose using HSMMs to find each subject’s most probable series of network states and the graphs associated with each state, while properly estimating and modeling the sojourn distribution for each state. We perform a simulation study, as well as an analysis on both task-based fMRI data from an anxiety-inducing experiment and resting-state fMRI data from the Human Connectome Project. Our results demonstrate the importance of model choice when estimating sojourn times and reveal their potential for understanding healthy and diseased brain mechanisms.

ABSTRACT A network of myenteric interstitial cells of Cajal in the corpus of the stomach serves as its “pacemaker”, continuously generating a ca. 0.05 Hz electrical slow wave, which is transmitted to the brain chiefly by vagal afferents. A recent study combining resting-state functional MRI (rsfMRI) with concurrent surface electrogastrography (EGG), with cutaneous electrodes placed on the epigastrium, found 12 brain regions with activity that was significantly phase-locked with this gastric basal electrical rhythm. Therefore, we asked whether fluctuations in brain resting state networks (RSNs), estimated using a spatial independent component analysis (ICA) approach, might be synchronized with the stomach. In the present study, in order to determine whether any RSNs are phase-locked with the gastric rhythm, an individual participant underwent 22 scanning sessions; in each, two 15-minute runs of concurrent EGG and rsfMRI data were acquired. EGG data from three sessions had weak gastric signals and were excluded; the other 19 sessions yielded a total of 9.5 hours of data. The rsfMRI data were analyzed using group ICA; RSN time courses were estimated using dual regression; for each run, the phase-locking value (PLV) was computed between each RSN and the gastric signal. To assess statistical significance, PLVs from all pairs of “mismatched” data (EGG and rsfMRI data acquired on different days) were used as surrogate data to generate a null distribution for each RSN. Of a total of 18 RSNs, three were found to be significantly phase-locked with the basal gastric rhythm, namely, a cerebellar network, a dorsal somatosensory-motor network, and a default mode network. Disruptions to the gut-brain axis, which sustains interoceptive feedback between the central nervous system and the viscera, are thought to be involved in various disorders; manifestation of the infra-slow rhythm of the stomach in brain rsfMRI data could be useful for studies in clinical populations.

Batch effects, undesirable sources of variability across multiple experiments, present significant challenges for scientific and clinical discoveries. Batch effects can (i) produce spurious signals and/or (ii) obscure genuine signals, contributing to the ongoing reproducibility crisis. Because batch effects are typically modeled as classical We formalize batch effects as causal effects, and introduce algorithms leveraging causal machinery, to address these concerns. Simulations illustrate that when non-causal methods provide the wrong answer, our methods either produce more accurate answers or "no answer", meaning they assert the data are an inadequate to confidently conclude on the presence of a batch effect. Applying our causal methods to a 27 neuroimaging datasets yields qualitatively similar results: in situations where it is unclear whether batch effects are present, non-causal methods confidently identify (or fail to identify) batch effects, whereas our causal methods assert that it is unclear whether there are batch effects or not. This work therefore provides a causal framework for understanding the potential capabilities and limitations of analysis of multi-site data.

Abstract Connectomics—the study of brain networks—provides a unique and valuable opportunity to study the brain. Research in human connectomics, leveraging functional and diffusion Magnetic Resonance Imaging (MRI), is a resource-intensive practice. Typical analysis routines require significant computational capabilities and subject matter expertise. Establishing a pipeline that is low-resource, easy to use, and off-the-shelf (can be applied across multifarious datasets without parameter tuning to reliably estimate plausible connectomes), would significantly lower the barrier to entry into connectomics, thereby democratizing the field by empowering a more diverse and inclusive community of connectomists. We therefore introduce ‘MRI to Graphs’ ( m2g ). To illustrate its properties, we used m2g to process MRI data from 35 different studies (≈ 6,000 scans) from 15 sites without any manual intervention or parameter tuning. Every single scan yielded an estimated connectome that adhered to established properties, such as stronger ipsilateral than contralateral connections in structural connectomes, and stronger homotopic than heterotopic correlations in functional connectomes. Moreover, the connectomes estimated by m2g are more similar within individuals than between them, suggesting that m2g preserves biological variability. m2g is portable, and can run on a single CPU with 16 GB of RAM in less than a couple hours, or be deployed on the cloud using its docker container. All code is available on https://github.com/neurodata/m2g and documentation is available on docs.neurodata.io/m2g.

Abstract We applied a novel Covariate Assisted Principal (CAP) whole-matrix regression approach to identify resting-state functional connectivity (FC) brain networks associated with attention-deficit/hyperactivity disorder (ADHD) and response control. Participants included 8-12 year-old children with ADHD (n=115, 29 girls) and typically developing controls (n=102, 35 girls) with a resting-state fMRI scan and go/no-go task behavioral data. We modeled three sets of covariates to identify resting-state networks associated with ADHD, age, sex, and response control. Four networks were identified across models revealing complex interactions between subregions of cognitive control, default mode, subcortical, visual, and somatomotor networks that relate to age, response control, and a diagnosis of ADHD among girls and boys. Unique networks were also identified in each of the three models suggesting some specificity to the covariates of interest. These findings demonstrate the utility of our novel covariance regression approach to studying functional brain networks relevant for development, behavior, and psychopathology.

The classical Principal Curve algorithm was developed as a nonlinear version of principal component analysis to model curves. However, existing principal curve algorithms with classical penalties, such as smoothness or ridge penalties, lack the ability to deal with complex curve shapes. In this manuscript, we introduce a robust and stable length penalty which solves issues of unnecessary curve complexity, such as the self-looping, that arise widely in principal curve algorithms. A novel probabilistic mixture regression model is formulated. A modified penalized EM(Expectation Maximization) Algorithm was applied to the model to obtain the penalized MLE. Two applications of the algorithm were performed. In the first, the algorithm was applied to the MNIST dataset of handwritten digits to find the centerline, not unlike defining a TrueType font. We demonstrate that the centerline can be recovered with this algorithm. In the second application, the algorithm was applied to construct a three dimensional centerline through single photon emission computed tomography images of the colon arising from the study of pre-exposure prophylaxis for HIV. The centerline in this application is crucial for understanding the distribution of the antiviral agents in the colon for HIV prevention. The new algorithms improves on previous applications of principal curves to this data.

ABSTRACT Brain organoids are important models for mimicking some three-dimensional (3D) cytoarchitectural and functional aspects of the brain. Multielectrode arrays (MEAs) that enable recording and stimulation of activity from electrogenic cells are widely utilized in biomedical engineering. However, conventional MEAs, initially designed for monolayer cultures, offer limited recording contact area restricted to the bottom of the 3D organoids. Inspired by the shape of electroencephalography (EEG) caps, we developed miniaturized chip-integrated MEA caps for organoids. The optically transparent shells are composed of self-folding polymer leaflets with conductive polymer-coated metal electrodes. Tunable folding of the minicaps’ polymer leaflets guided by mechanics simulations enables versatile recording from organoids of different sizes and we validate the feasibility of electrophysiology recording from 400-600 µm sized organoids for up to four weeks and in response to glutamate stimulation. Our studies suggest that 3D shell MEAs offer significant potential for high signal-to-noise and 3D spatiotemporal brain organoid recording.

ABSTRACT Purpose To evaluate the amplitude-weighted phase-locking value (awPLV) as a measure of synchronization of brain resting-state networks (RSNs) with the gastric basal electrical rhythm (BER). Methods A recent study combined rsfMRI with concurrent cutaneous electrogastrography (EGG), in a highly-sampled individual who underwent 22 scanning sessions (two 15-minute runs per session) at 3.0 Tesla. After excluding three sessions due to weak EGG signals, 9.5 hours of data remained, from which 18 RSNs were estimated using spatial independent component analysis. Previously, using the phase-locking value (PLV), three of the 18 RSNs were determined to be synchronized with the BER. However, RSN power fluctuations in the gastric frequency band could reduce sensitivity of PLV. Accordingly, the current reanalysis used awPLV to unweight contributions from low power epochs. Mismatched EGG and rsfMRI data (from different days) served as surrogate data; for each RSN, empirical awPLV was compared with chance-level awPLV using a Wilcoxon rank test. P-values were adjusted using with a false discovery rate of 0.05. Additionally, simulations were performed to compare PLV and awPLV error rates under settings with a known ground truth. Results Simulations show high false-negative rates when using PLV, but not awPLV. Reanalysis of the highly-sampled individual data using awPLV indicates that 11 of the 18 RSNs were synchronized with the BER. Conclusion Simulations indicate that awPLV is a more sensitive measure of stomach/brain synchronization than PLV. Reanalysis results imply communication between the enteric nervous system and brain circuits not typically considered responsive to gastric state or function.

Mediation analysis is used to investigate the role of intermediate variables (mediators) that lie in the path between an exposure and an outcome variable. While significant research has focused on developing methods for assessing the influence of mediators on the exposure-outcome relationship, current approaches do not easily extend to settings where the mediator is high-dimensional. These situations are becoming increasingly common with the rapid increase of new applications measuring massive numbers of variables, including brain imaging, genomics, and metabolomics. In this work, we introduce a novel machine learning based method for identifying high dimensional mediators. The proposed algorithm iterates between using a machine learning model to map the high-dimensional mediators onto a lower-dimensional space, and using the predicted values as input in a standard three-variable mediation model. Hence, the machine learning model is trained to maximize the likelihood of the mediation model. Importantly, the proposed algorithm is agnostic to the machine learning model that is used, providing significant flexibility in the types of situations where it can be used. We illustrate the proposed methodology using data from two functional Magnetic Resonance Imaging (fMRI) studies. First, using data from a task-based fMRI study of thermal pain, we combine the proposed algorithm with a deep learning model to detect distributed, network-level brain patterns mediating the relationship between stimulus intensity (temperature) and reported pain at the single trial level. Second, using resting-state fMRI data from the Human Connectome Project, we combine the proposed algorithm with a connectome-based predictive modeling approach to determine brain functional connectivity measures that mediate the relationship between fluid intelligence and working memory accuracy. In both cases, our multivariate mediation model links exposure variables (thermal pain or fluid intelligence), high dimensional brain measures (single-trial brain activation maps or resting-state brain connectivity) and behavioral outcomes (pain report or working memory accuracy) into a single unified model. Using the proposed approach, we are able to identify brain-based measures that simultaneously encode the exposure variable and correlate with the behavioral outcome. I. HIGHLIGHTS Current methods for assessing mediation do not easily extend to high dimensions We introduce a new approach for performing high-dimensional mediation analysis Links high-dimensional mediator to path analysis model via machine learning algorithm Method illustrated using data from two fMRI studies

Modern scientific discovery depends on collecting large heterogeneous datasets with many sources of variability, and applying domain-specific pipelines from which one can draw insight or clinical utility. For example, macroscale connectomics studies require complex pipelines to process raw functional or diffusion data and estimate connectomes. Individual studies tend to customize pipelines to their needs, raising concerns about their reproducibility, and adding to a longer list of factors that may differ across studies (including sampling, experimental design, and data acquisition protocols), resulting in failures to replicate. Mitigating these issues requires multi-study datasets and the development of pipelines that can be applied across them. We developed NeuroData's MRI to Graphs (NDMG) pipeline using several functional and diffusion studies, including the Consortium for Reliability and Reproducibility, to estimate connectomes. Without any manual intervention or parameter tuning, NDMG ran on 25 different studies (~6,000 scans) from 15 sites, with each scan resulting in a biologically plausible connectome (as assessed by multiple quality assurance metrics at each processing stage). For each study, the connectomes from NDMG are more similar within than across individuals, indicating that NDMG is preserving biological variability. Moreover, the connectomes exhibit near perfect consistency for certain connectional properties across every scan, individual, study, site, and modality; these include stronger ipsilateral than contralateral connections and stronger homotopic than heterotopic connections. Yet, the magnitude of the differences varied across individuals and studies - much more so when pooling data across sites, even after controlling for study, site, and basic demographic variables (i.e., age, sex, and ethnicity). This indicates that other experimental variables (possibly those not measured or reported) are contributing to this variability, which if not accounted for can limit the value of aggregate datasets, as well as expectations regarding the accuracy of findings and likelihood of replication. We, therefore, provide a set of principles to guide the development of pipelines capable of pooling data across studies while maintaining biological variability and minimizing measurement error. This open science approach provides us with an opportunity to understand and eventually mitigate spurious results for both past and future studies.