Abstract Multifactorial mechanisms underlying late-onset Alzheimer’s disease (LOAD) are poorly characterized from an integrative perspective. Here spatiotemporal alterations in brain amyloid-β deposition, metabolism, vascular, functional activity at rest, structural properties, cognitive integrity and peripheral proteins levels are characterized in relation to LOAD progression. We analyse over 7,700 brain images and tens of plasma and cerebrospinal fluid biomarkers from the Alzheimer’s Disease Neuroimaging Initiative (ADNI). Through a multifactorial data-driven analysis, we obtain dynamic LOAD–abnormality indices for all biomarkers, and a tentative temporal ordering of disease progression. Imaging results suggest that intra-brain vascular dysregulation is an early pathological event during disease development. Cognitive decline is noticeable from initial LOAD stages, suggesting early memory deficit associated with the primary disease factors. High abnormality levels are also observed for specific proteins associated with the vascular system’s integrity. Although still subjected to the sensitivity of the algorithms and biomarkers employed, our results might contribute to the development of preventive therapeutic interventions.

Our goal is to study the human brain anatomical network. For this, the anatomical connection probabilities (ACP) between 90 cortical and subcortical brain gray matter areas are estimated from diffusion-weighted Magnetic Resonance Imaging (DW-MRI) techniques. The ACP between any two areas gives the probability that those areas are connected at least by a single nervous fiber. Then, the brain is modeled as a non-directed weighted graph with continuous arc weights given by the ACP matrix. Based on this approach, complex networks properties such as small-world attributes, efficiency, degree distribution, vulnerability, betweenness centrality and motifs composition are studied. The analysis was carried out for 20 right-handed healthy subjects (mean age: 31.10, S.D.: 7.43). According to the results, all networks have small-world and broad-scale characteristics. Additionally, human brain anatomical networks present bigger local efficiency and smaller global efficiency than the corresponding random networks. In a vulnerability and betweenness centrality analysis, the most indispensable and critical anatomical areas were identified: putamens, precuneus, insulas, superior parietals and superior frontals. Interestingly, some areas have a negative vulnerability (e.g. superior temporal poles, pallidums, supramarginals and hechls), which suggest that even at the cost of losing in global anatomical efficiency, these structures were maintained through the evolutionary processes due to their important functions. Finally, symmetrical characteristic building blocks (motifs) of size 3 and 4 were calculated, obtaining that motifs of size 4 are the expanded version of motif of size 3. These results are in agreement with previous anatomical studies in the cat and macaque cerebral cortex.

Functional magnetic resonance imaging (fMRI) is a non-invasive technique measuring brain activity by detecting blood flow changes, enabling the study of cognitive processes and brain states. However, the high dimensionality of resting-state (rs) fMRI data poses challenges for machine learning applications. Feature extraction (FE) and feature selection (FS) are critical for developing efficient machine learning models. Transforming raw data into meaningful features and selecting the most relevant ones, allows models to achieve improved generalization, accuracy, and robustness. Previous studies demonstrated the effectiveness of FE and FS methods for analyzing rs-fMRI data for Autism Spectrum Disorder (ASD) classification. In this study, we apply a random walks technique for correlation-based brain networks to extract features from rs-fMRI data, specifically the number of random walkers on each brain area. We then select significant features, i.e., brain areas with a statistically significant difference in the number of random walkers between neurotypical and ASD subjects. Our random walks-based FE and FS approach reduces the number of brain areas used in the classification and converts the functional connectivity matrix into a manageable vector, enabling faster computation. We examined 16 pipelines and tested support vector machines (SVM) and logistic regression for classification, identifying the optimal pipeline to consist of no filtering, no global signal regression (GSR), and FS, achieving a 76.54% classification accuracy with SVM. Our findings suggest that random walks capture a wide range of interactions and dynamics in brain networks, providing a deeper characterization of their structure and function, ultimately enhancing classification performance. CCS CONCEPTS Computing methodologies→Machine learning

Abstract The identification of community structure in graphs continues to attract great interest in several fields. Network neuroscience is particularly concerned with this problem considering the key roles communities play in brain processes and functionality. Most methods used for community detection in brain graphs are based on the maximization of a parameter-dependent modularity function that often obscures the physical meaning and hierarchical organization of the partitions of network nodes. In this work, we present a new method able to detect communities at different scales in a natural, unrestricted way. First, to obtain an estimation of the information flow in the network we release random walkers to freely move over it. The activity of the walkers is separated into oscillatory modes by using empirical mode decomposition. After grouping nodes by their co-occurrence at each time scale, k -modes clustering returns the desired partitions. Our algorithm was first tested on benchmark graphs with favorable performance. Next, it was applied to real and simulated anatomical and/or functional connectomes in the macaque and human brains. We found a clear hierarchical repertoire of community structures in both the anatomical and the functional networks. The observed partitions range from the evident division in two hemispheres –in which all processes are managed globally– to specialized communities seemingly shaped by physical proximity and shared function. Our results stimulate the research of hierarchical community organization in terms of temporal scales of information flow in the brain network. Highlights - Oscillatory modes of networks’ signals carry information on architectural rules. - Meaningful partitions of the brain networks are found over different temporal scales. - The multiscale organization of the brain responds to the function of its components.

Abstract Conventional modeling of the Blood-Oxygen-Level-Dependent (BOLD) signal in resting-state functional Magnetic Resonance Imaging (rsfMRI) struggle with parameter estimation due to the complexity of brain dynamics. This study introduces a novel brain dynamics model (BDM) that directly captures BOLD signal variations through differential equations. Unlike dynamic causal models or neural mass models, we integrate hemodynamic responses into the signal dynamics, considering both direct and network-mediated neuronal activity effects. We utilize Physics-Informed Neural Networks (PINNs) to estimate the parameters of this BDM, leveraging their ability to embed physical laws into the learning process. This approach simplifies computational demands and increases robustness against data noise, providing a comprehensive tool for analyzing rsfMRI data. Leveraging the functional connectivity matrices scaled by the estimated parameters, we apply a state-of-the-art community detection method to elucidate the network structure. Our analysis reveals significant differences in the participation coefficients of specific brain regions when comparing neurotypical individuals to those with Autism Spectrum Disorder (ASD), with distinct patterns observed between male and female cohorts. These differences are consistent with regions implicated in previous studies, reinforcing the role of these areas in ASD. By integrating PINNs with advanced network analysis, we demonstrate a robust approach for dissecting the complex neural signatures of ASD, providing a promising direction for future research in neuroimaging and the broader field of computational neuroscience.

Understanding the excitatory/inhibitory (E/I) balance in the brain is crucial for elucidating the neural mechanisms underlying various cognitive functions and states of consciousness. Mathematical models have provided significant insights into these mechanisms, but they often face challenges due to high dimensionality, noisy observation signals, and nonlinearities. In this paper, we introduce a novel methodology using Physics-Informed Neural Networks (PINNs) to estimate the E/I balance from electrocorticography (ECoG) data, effectively addressing these limitations. By integrating physical laws via a neural mass model with neural network training, our approach enhances parameter estimation accuracy and robustness. Our analysis reveals a significant reduction in long-range connections (LRCs) and excitatory short-range connections (SRCs) under anesthesia, alongside an increase in inhibitory SRCs, highlighting anesthesia's role in modulating neural dynamics to induce unconsciousness. These findings not only corroborate existing theories on the neural mechanisms of anesthesia but also provide new insights into brain connectivity and its relationship with consciousness.

Abstract Brain imaging with a high-spatiotemporal resolution is crucial for accurate brain-function mapping. Electroencephalography (EEG) and functional Magnetic Resonance Imaging (fMRI) are two popular neuroimaging modalities with complementary features that record brain function with high temporal and spatial resolution, respectively. One popular non-invasive way to obtain data with both high spatial and temporal resolutions is to combine the fMRI activation map and EEG data to improve the spatial resolution of the EEG source localization. However, using the whole fMRI map may cause spurious results for the EEG source localization, especially for deep brain regions. Considering the head’s conductivity, deep regions’ sources with low activity are unlikely to be detected by the EEG electrodes at the scalp. In this study, we use fMRI’s high spatial-frequency component to identify the local high-intensity activations that are most likely to be captured by the EEG. The 3D Empirical Mode Decomposition (3D-EMD), a data-driven method, is used to decompose the fMRI map into its spatial-frequency components. Different validation measurements for EEG source localization show improved performance for the EEG inverse-modeling informed by the fMRI’s high-frequency spatial component compared to the fMRI-informed EEG source-localization methods. The level of improvement varies depending on the voxels’ intensity and their distribution. Our experimental results also support this conclusion.

Simultaneous EEG-fMRI is a growing and promising field, as it has great potential to further our understanding of the spatiotemporal dynamics of brain function in health and disease. In particular, there is much interest in understanding the fMRI correlates of brain activity in the gamma band ( > 30 Hz), as these frequencies are thought to be associated with cognitive processes involving perception, attention, and memory, as well as with disorders such as schizophrenia and autism. However, progress in this area has been limited due to issues such as MR-induced artifacts in EEG recordings, which seem to be more problematic for gamma frequencies. This paper presents a noise removal method for the gamma band of EEG that is based on the Holo-Hilbert spectral analysis (HHSA), but with a new implementation strategy. HHSA uses a nested empirical mode decomposition (EMD) to identify amplitude and frequency modulations (AM and FM, respectively) by averaging over frequencies with high and significant powers. Our method examines gamma band by applying two layers of EMD to the FM and AM components, removing components with very low power based on the power-instantaneous frequency spectrum, and subsequently reconstructs the denoised gamma-band signal from the remaining components. Simulations demonstrate that our proposed method efficiently reduces artifacts while preserving the original gamma signal which is especially critical for simultaneous EEG/fMRI studies.

The complexity of brain activity has been observed at many spatial scales and there exists increasing evidence supporting its use in differentiating between mental states and disorders. Here we proposed a new measure of network (global) complexity that is constructed as the sum of the complexities of its nodes (i.e, local complexity). The local complexity of each node is regarded as an index that compares the sample entropy of the time series generated by the movement of a random walker on the network resulting from removing the node and its connections, with the sample entropy of the time series obtained from a regular lattice (the ordered state) and an Erdos-Renyi network (disordered state). We studied the complexity of fMRI-based resting-state functional networks. We found that positively correlated, or "pos", network comprising only the positive functional connections has higher complexity than the anticorrelation ("neg|) network (comprising the negative functional connections) and the network consisting of the absolute value of all connections ("abs"). We also found a significant correlation between complexity and the strength of functional connectivity. For the pos network this correlation is significantly weaker at the local scale compared to the global scale, whereas for the neg network the link is stronger at the local scale than at the global scale, but still weaker than for the pos network. Our results suggest that the pos network is related to the information processing in the brain and should be used for functional connectivity analysis instead of the abs network as is usually done.

With the release of the multi-site Autism Brain Imaging Data Exchange, many researchers have applied machine learning methods to distinguish between healthy subjects and autistic individuals by using features extracted from resting state functional MRI data. An important part of applying machine learning to this problem is how to extract these features. Specifically, whether to include anti-correlations between brain regions as relevant features and how best to define these features. For the second question, the graph theoretical properties of the brain network may provide a reasonable answer. In this study, we investigated the first issue by comparing three different approaches. These included using the unaltered correlation matrix, the absolute value of the correlation matrix or the inverted correlation matrix (negative of the original) as the starting point for extracting relevant features using graph theory. We then trained a multi-layer perceptron in a leave-one-site out manner in which the data from a single site was left out as testing data and the model was trained on the data from the other sites. Our results show that on average, using graph features extracted from the anti-correlation-based matrix led to the highest accuracy and AUC scores. We also show that adding the PCA transformation of the original correlation matrix to the feature space leads to an increase in accuracy. This suggests that anti-correlations should not simply be discarded as they may include useful information that would aid the classification task.