Abstract The blood oxygenation level-dependent (BOLD) contrast mechanism allows the noninvasive monitoring of changes in deoxyhemoglobin content. As such, it is commonly used in functional magnetic resonance imaging (fMRI) to study brain activity since levels of deoxyhemoglobin are indirectly related to local neuronal activity through neurovascular coupling mechanisms. However, the BOLD signal is severely affected by physiological processes as well as motion. Due to this, several noise correction techniques have been developed to correct for the associated confounds. The present study focuses on cardiac pulsatility fMRI confounds, aiming to refine model-based techniques that utilize the photoplethysmograph (PPG) signal. Specifically, we propose a new technique based on convolution filtering, termed cardiac pulsatility model (CPM) and compare its performance with the cardiac-related RETROICOR (Card-RETROICOR), which is a technique commonly used to model fMRI fluctuations due to cardiac pulsatility. Further, we investigate whether variations in the amplitude of the PPG pulses (PPG-Amp) covary with variations in amplitude of pulse-related fMRI fluctuations, as well as with the systemic low frequency oscillations (SLFOs) component of the fMRI global signal (GS – defined as the mean signal across all gray matter voxels). Capitalizing on 3T fMRI data from the Human Connectome Project, CPM was found to explain a significantly larger fraction of the fMRI signal variance compared to Card-RETROICOR, particularly for subjects with larger heart rate variability during the scan. The amplitude of the fMRI pulse-related fluctuations did not covary with PPG-Amp; however, PPG-Amp explained significant variance in the GS that was not attributed to variations in heart rate or breathing patterns. Our results suggest that the proposed approach can model high-frequency fluctuations due to pulsation as well as low-frequency physiological fluctuations more accurately compared to model-based techniques commonly employed in fMRI studies.

Abstract The invasion of cancer cells into the surrounding tissues is one of the hallmarks of cancer. However, a precise quantitative understanding of the spatiotemporal patterns of cancer cell migration and invasion still remains elusive. A promising approach to investigate these patterns are 3D cell cultures, which provide more realistic models of cancer growth compared to conventional 2D monolayers. Quantifying the spatial distribution of cells in these 3D cultures yields great promise for understanding the spatiotemporal progression of cancer. In the present study, we present an image processing and segmentation pipeline for the detection of 3D GFP-fluorescent Triple-Negative Breast Cancer cell nuclei, and we perform quantitative analysis of the formed spatial patterns and their temporal evolution. The performance of the proposed pipeline was evaluated using experimental 3D cell culture data, and was found to be comparable to manual segmentation, outperforming four alternative automated methods. The spatiotemporal statistical analysis of the detected distributions of nuclei revealed transient, non-random spatial distributions that consisted of clustered patterns across a wide range of neighbourhood distances, as well as dispersion for larger distances. Overall, the implementation of the proposed framework revealed the spatial organization of cellular nuclei with improved accuracy, providing insights into the 3 dimensional inter-cellular organization and its progression through time.

Mathematical models of cancer growth have become increasingly more accurate both in the space and time domains. However, the limited amount of data typically available has resulted in a larger number of qualitative rather than quantitative studies. In the present study, we provide an integrated experimental-computational framework for the quantification of the morphological characteristics and the mechanistic modelling of cancer progression in 3D environments. The proposed framework allows for the calibration of multiscale, spatiotemporal models of cancer growth using state-of-the-art 3D cell culture data, and their validation based on the resulting experimental morphological patterns using spatial point-pattern analysis techniques. We applied this framework to the study of the development of Triple Negative Breast Cancer cells cultured in Matrigel scaffolds, and validated the hypothesis of chemotactic migration using a multiscale, hybrid Keller-Segel model. The results revealed transient, non-random spatial distributions of cancer cells that consist of clustered, and dispersion patterns. The proposed model was able to describe the general characteristics of the experimental observations and suggests that cancer cells exhibited chemotactic migration and accumulation, as well as random motion during the examined time period of development. The developed framework enabled us to pursue two goals; first, the quantitative description of the morphology of cancer growth in 3D cultures using point-pattern analysis, and second, the relation of tumour morphology with underlying biophysical mechanisms that govern cancer growth and migration.

Abstract Naturalistic neuroscience opened the door to new insights into neural circuits that serve real-world dynamic perception. Such studies have often neglected the rich texture of the movie narrative itself, but semantic content can be used to contextualize the induced neural responses. Here, we translated natural language processing tools from machine learning to characterize brain states estimated from hidden Markov models. Our analytical strategy allowed pitting shallow unimodal against the deep associative brain network layers in explaining how semantic content of the movie links to observed neural activity. Pooling information across >53,000 brain image time points watching Forrest Gump, we could show that distinct dynamic brain states capture unique semantic facets along the unfolding movie narrative. The spatiotemporal dynamics of brain states explicitly captured subject-level responses throughout the brain network hierarchy. Across all analyses, the default network was most intimately linked to semantic information integration, and this neural system switched online for longest durations during movie watching. Further, we identified and described two mechanisms of how the default network liaises dynamically with microanatomically defined subregion partners: the amygdala and the hippocampus. Our study thus unlocks the potential of natural language processing to explore neural processes in everyday life situations that engage key aspects of conscious awareness.

Abstract Cell sedimentation in 3D hydrogel cultures refers to the vertical migration of cells towards the bottom of the space. To explain this poorly understood phenomenon, we conducted a multiscale experimental and mathematical examination of 3D cancer growth in triple negative breast cancer cells. Migration was examined in the presence and absence of Paclitaxel, in high and low adhesion environments and in the presence of fibroblasts. The observed behaviour was modeled by hypothesizing active migration due to self-generated chemotactic gradients. Our results confirmed this hypothesis, whereby migration was regulated by the MAPK and TGF-β pathways. The mathematical model enabled us to describe the experimental data in absence (normalized error< 40%) and presence of Paclitaxel (normalized error< 10%), suggesting inhibition of random motion and advection in the latter case. Inhibition of sedimentation in low adhesion and co-culture experiments further supported the conclusion that cells actively migrated downwards due to the presence of signals produced by cells already attached to the adhesive glass surface.

Abstract Over the last few years, an increasing body of evidence points to the hemodynamic response function as an important confound of resting-state functional connectivity. Several studies in the literature proposed using blind deconvolution of resting-state fMRI data to retrieve the HRF, which can be subsequently used for hemodynamic deblurring. A basic hypothesis in these studies is that relevant information of the resting-state brain dynamics is condensed in discrete events resulting in large amplitude peaks in the BOLD signal. In this work, we showed that important information of resting-state activity, in addition to the larger amplitude peaks, is also concentrated in lower amplitude peaks. Moreover, due to the strong effect of physiological noise and head motion on the BOLD signal, which in many cases may not be completely removed after preprocessing, the neurophysiological origin of the large amplitude BOLD signal peaks is questionable. Hence, focusing on the large amplitude BOLD signal peaks may yield biased HRF estimates. To define discrete events of neuronal origins, we proposed using simultaneous EEG-fMRI along with convolutional sparse coding analysis. Our results suggested that events detected in the EEG are able to describe the slow oscillations of the BOLD signal and to obtain consistent HRF shapes across subjects under both task-based and resting-state conditions.

Abstract Conventionally, cerebrovascular reactivity (CVR) is estimated as the amplitude of the hemodynamic response to vascular stimuli. While the CVR amplitude has established clinical utility, the temporal characteristics of CVR have been increasingly explored and may yield even more pathology-sensitive parameters. This work is motivated by the current need to evaluate the feasibility of dCVR modeling in various noise conditions. In this work, we present a comparison of several recently published model-based deconvolution approaches for estimating h ( t ), including maximum a posterior likelihood (MAP), inverse logit (IL), canonical correlation analysis (CCA), and basis expansion (using Gamma and Laguerre basis sets). To aid the comparison, we devised a novel simulation framework that allowed us to target a wide range of SNRs, ranging from 10 to −7 dB, representative of both task and resting-state CO 2 changes. In addition, we built ground-truth h ( t ) into our simulation framework, overcoming the practical limitation that the true h ( t ) is unknown in methodological evaluations. Moreover, to best represent realistic noise found in fMRI scans, we extracted it from in-vivo resting-state scans. Furthermore, we introduce a simple optimization of the CCA method (CCA opt ) and compare its performance to these existing methods. Our findings suggest that model-based methods can reasonably estimate dCVR even amidst high noise, and in a manner that is largely independent of the underlying model assumptions for each method. We also provide a quantitative basis for making methodological choices, based on the desired dCVR parameters, the estimation accuracy and computation time. The BEL method provided the highest accuracy and robustness, followed by the CCA opt and IL methods. Of the three, the CCA opt method required the lowest computational time. These findings lay the foundation for wider adoption of dCVR estimation in CVR mapping.

Abstract Objective. Understanding the generative mechanism between Local Field Potentials (LFP) and neuronal spiking activity is a crucial step for understanding information processing in the brain. Up to now, most approaches have relied on simply quantifying the coupling between LFP and spikes. However, very few have managed to predict the exact timing of spike occurrence based on LFP variations. Approach. Here, we fill this gap by proposing novel spiking Laguerre-Volterra Network (sLVN) models to describe the dynamic LFP-spike relationship. Compared to conventional artificial neural networks, the sLVNs are interpretable models that provide explainable features of the underlying dynamics. Main results. The proposed networks were applied on extracellular microelectrode recordings of Parkinson’s Disease (PD) patients during Deep Brain Stimulation (DBS) surgery. Based on the predictability of the LFP-spike pairs, we detected three neuronal populations with unique signal characteristics and sLVN model features. Significance. These clusters were indirectly associated with motor score improvement following DBS surgery, warranting further investigation into the potential of spiking activity predictability as an intraoperative biomarker for optimal DBS lead placement.

Cell sedimentation in 3D hydrogel cultures refers to the vertical migration of cells towards the bottom of the space. Understanding this poorly examined phenomenon may allow us to design better protocols to prevent it, as well as provide insights into the mechanobiology of cancer development. We conducted a multiscale experimental and mathematical examination of 3D cancer growth in triple negative breast cancer cells. Migration was examined in the presence and absence of Paclitaxel, in high and low adhesion environments and in the presence of fibroblasts. The observed behaviour was modeled by hypothesizing active migration due to self-generated chemotactic gradients. Our results did not reject this hypothesis, whereby migration was likely to be regulated by the MAPK and TGF-β pathways. The mathematical model enabled us to describe the experimental data in absence (normalized error<40%) and presence of Paclitaxel (normalized error<10%), suggesting inhibition of random motion and advection in the latter case. Inhibition of sedimentation in low adhesion and co-culture experiments further supported the conclusion that cells actively migrated downwards due to the presence of signals produced by cells already attached to the adhesive glass surface.

Brain age prediction studies measure the difference between the chronological age of an individual and their predicted age based on neuroimaging data, which has been proposed as an informative measure of disease and cognitive decline. As most previous studies relied exclusively on magnetic resonance imaging (MRI) data, we hereby investigate whether combining structural MRI with functional magnetoencephalography (MEG) information improves age prediction using a large cohort of healthy subjects (N=613, age 18-88) from the Cam-CAN. To this end, we examined the performance of dimensionality reduction and multivariate associative techniques, namely Principal Component Analysis (PCA) and Canonical Correlation Analysis (CCA), to tackle the high dimensionality of neuroimaging data. Using MEG features yielded worse performance when compared to using MRI features, but the combination of both feature sets slightly improved age prediction (mean absolute error of 5.28 yrs). Furthermore, we found that PCA resulted in worse performance, whereas CCA in conjunction with Gaussian process regression models yielded the best prediction performance. Notably, CCA allowed us to visualize the features that significantly contributed to age prediction. We found that MRI features from subcortical structures were more reliable age predictors than cortical features, and that spectral MEG measures were more reliable than connectivity metrics. Our results provide an insight into the underlying processes that are indicative of brain aging, thereby advancing the discovery of valuable biomarkers of neurological syndromes that emerge later during the lifespan.