The interaction between brain regions changes over time, which can be characterized using time-varying functional connectivity (tvFC). The common approach to estimate tvFC uses sliding windows and offers limited temporal resolution. An alternative method is to use the recently proposed edge-centric approach, which enables the tracking of moment-to-moment changes in co-fluctuation patterns between pairs of brain regions. Here, we first examined the dynamic features of edge time series and compared them to those in the sliding window tvFC (sw-tvFC). Then, we used edge time series to compare subjects with autism spectrum disorder (ASD) and healthy controls (CN). Our results indicate that relative to sw-tvFC, edge time series captured rapid and bursty network-level fluctuations that synchronize across subjects during movie-watching. The results from the second part of the study suggested that the magnitude of peak amplitude in the collective co-fluctuations of brain regions (estimated as root sum square (RSS) of edge time series) is similar in CN and ASD. However, the trough-to-trough duration in RSS signal is greater in ASD, compared to CN. Furthermore, an edge-wise comparison of high-amplitude co-fluctuations showed that the within-network edges exhibited greater magnitude fluctuations in CN. Our findings suggest that high-amplitude co-fluctuations captured by edge time series provide details about the disruption of functional brain dynamics that could potentially be used in developing new biomarkers of mental disorders.

Recent studies have shown that functional connectivity can be decomposed into its exact framewise contributions, revealing short-lived, infrequent, and high-amplitude time points referred to as “events.” Events contribute disproportionately to the time-averaged connectivity pattern, improve identifiability and brain-behavior associations, and differences in their expression have been linked to endogenous hormonal fluctuations and autism. Here, we explore the characteristics of events while subjects watch movies. Using two independently-acquired imaging datasets in which participants passively watched movies, we find that events synchronize across individuals and based on the level of synchronization, can be categorized into three distinct classes: those that synchronize at the boundaries between movies, those that synchronize during movies, and those that do not synchronize at all. We find that boundary events, compared to the other categories, exhibit greater amplitude, distinct co-fluctuation patterns, and temporal propagation. We show that underlying boundary events is a specific mode of co-fluctuation involving the activation of control and salience systems alongside the deactivation of visual systems. Events that synchronize during the movie, on the other hand, display a pattern of co-fluctuation that is time-locked to the movie stimulus. Finally, we found that subjects’ time-varying brain networks are most similar to one another during these synchronous events.

Summary People with autism spectrum disorder (ASD) have atypical gaze onto both static visual images 1,2 and dynamic videos 3,4 that could be leveraged for diagnostic purposes 5,6 . Eye tracking is important for characterizing ASD across the lifespan 7 and nowadays feasible at home (e.g., from smartphones 8 ). Yet gaze-based classification has been difficult to achieve, due to sources of variance both across and within subjects. Here we test three competing hypotheses: (a) that ASD could be successfully classified from the fact that gaze patterns are less reliable or noisier than in controls, (b) that gaze patterns are atypical and heterogeneous across ASD subjects but reliable over time within a subject, or (c) that gaze patterns are individually reliable and also homogenous among individuals with ASD. Leveraging dense eye tracking data from two different full-length television sitcom episodes in a total of over 150 subjects (N = 53 ASD, 107 controls) collected at two different sites, we demonstrate support for the second of these hypotheses. The findings pave the way for the investigation of autism subtypes, and for elucidating the specific visual features that best discriminate gaze patterns — directions that will also inform neuroimaging and genetic studies of this complex disorder.

Abstract The terrestrial biosphere plays a major role in the global carbon cycle, and there is a recognized need for regularly updated estimates of land‐atmosphere exchange at regional and global scales. An international ensemble of Dynamic Global Vegetation Models (DGVMs), known as the “Trends and drivers of the regional scale terrestrial sources and sinks of carbon dioxide” (TRENDY) project, quantifies land biophysical exchange processes and biogeochemistry cycles in support of the annual Global Carbon Budget assessments and the REgional Carbon Cycle Assessment and Processes, phase 2 project. DGVMs use a common protocol and set of driving data sets. A set of factorial simulations allows attribution of spatio‐temporal changes in land surface processes to three primary global change drivers: changes in atmospheric CO 2 , climate change and variability, and Land Use and Land Cover Changes (LULCC). Here, we describe the TRENDY project, benchmark DGVM performance using remote‐sensing and other observational data, and present results for the contemporary period. Simulation results show a large global carbon sink in natural vegetation over 2012–2021, attributed to the CO 2 fertilization effect (3.8 ± 0.8 PgC/yr) and climate (−0.58 ± 0.54 PgC/yr). Forests and semi‐arid ecosystems contribute approximately equally to the mean and trend in the natural land sink, and semi‐arid ecosystems continue to dominate interannual variability. The natural sink is offset by net emissions from LULCC (−1.6 ± 0.5 PgC/yr), with a net land sink of 1.7 ± 0.6 PgC/yr. Despite the largest gross fluxes being in the tropics, the largest net land‐atmosphere exchange is simulated in the extratropical regions.

Brain networks are flexible and reconfigure over time to support ongoing cognitive processes. However, tracking statistically meaningful reconfigurations across time has proven difficult. This has to do largely with issues related to sampling variability, making instantaneous estimation of network organization difficult, along with increased reliance on task-free (cognitively unconstrained) experimental paradigms, limiting the ability to interpret the origin of changes in network structure over time. Here, we address these challenges using time-varying network analysis in conjunction with a naturalistic viewing paradigm. Specifically, we developed a measure of inter-subject network similarity and used this measure as a coincidence filter to identify synchronous fluctuations in network organization across individuals. Applied to movie-watching data, we found that periods of high inter-subject similarity coincided with reductions in network modularity and increased connectivity between cognitive systems. In contrast, low inter-subject similarity was associated with increased system segregation and more rest-like architectures. We then used a data-driven approach to uncover clusters of functional connections that follow similar trajectories over time and are more strongly correlated during movie-watching than at rest. Finally, we show that synchronous fluctuations in network architecture over time can be linked to a subset of features in the movie. Our findings link dynamic fluctuations in network integration and segregation to patterns of intersubject similarity, and suggest that moment-to-moment fluctuations in FC reflect shared cognitive processing across individuals.

A rapidly growing number of studies on autism spectrum disorder (ASD) have used resting-state fMRI to identify alterations of functional connectivity, with the hope of identifying clinical biomarkers or underlying neural mechanisms. However, results have been largely inconsistent across studies, and there is therefore a pressing need to determine the primary factors influencing replicability. Here, we used resting-state fMRI data from the Autism Brain Imaging Data Exchange to investigate two potential factors: denoising strategy and data site (which differ in terms of sample, data acquisition, etc.). We examined the similarity of both group-average functional connectomes and group-level differences (ASD vs. control) across 33 denoising pipelines and four independently-acquired datasets. The group-average connectomes were highly consistent across pipelines (r = 0.92±0.06) and sites (r = 0.88±0.02). However, the group differences, while still consistent within site across pipelines (r = 0.76±0.12), were highly inconsistent across sites regardless of choice of denoising strategies (r = 0.07±0.04), suggesting lack of replication may be strongly influenced by site and/or cohort differences. Across-site similarity remained low even when considering the data at a large-scale network level or when considering only the most significant edges. We further show through an extensive literature survey that the parameters chosen in the current study (i.e., sample size, age range, preprocessing methods) are quite representative of the published literature. These results highlight the importance of examining replicability in future studies of ASD, and, more generally, call for extra caution when interpreting alterations in functional connectivity across groups of individuals.

Resting-state functional connectivity is used throughout neuroscience to study brain organization and to generate biomarkers of development, disease, and cognition. The processes that give rise to correlated activity are, however, poorly understood. Here, we decompose resting-state functional connectivity using a “temporal unwrapping” procedure to assess the contributions of moment-to-moment activity co-fluctuations to the overall connectivity pattern. This approach temporally resolves functional connectivity at a timescale of single frames, which enables us to make direct comparisons of co-fluctuations of network organization with fluctuations in the BOLD time series. We show that, surprisingly, only a small fraction of frames exhibiting the strongest co-fluctuation amplitude are required to explain a significant fraction of variance in the overall pattern of connection weights as well as the network’s modular structure. These frames coincide with frames of high BOLD activity amplitude, corresponding to activity patterns that are remarkably consistent across individuals and identify fluctuations in default mode and control network activity as the primary driver of resting-state functional connectivity. Finally, we demonstrate that co-fluctuation amplitude synchronizes across subjects during movie-watching and that high-amplitude frames carry detailed information about individual subjects (whereas low-amplitude frames carry little). Our approach reveals fine-scale temporal structure of resting-state functional connectivity, and discloses that frame-wise contributions vary across time. These observations illuminate the relation of brain activity to functional connectivity and open a number of new directions for future research.

Abstract Naturalistic imaging paradigms, in which participants view complex videos in the scanner, are increasingly used in human cognitive neuroscience. Videos evoke temporally synchronized brain responses that are similar across subjects as well as within subjects, but the reproducibility of these brain responses across different data acquisition sites has not yet been quantified. Here we characterize the consistency of brain responses across independent samples of participants viewing the same videos in fMRI scanners at different sites (Indiana University and Caltech). We compared brain responses collected at these different sites for two carefully matched datasets with identical scanner models, acquisition, and preprocessing details, along with a third unmatched dataset in which these details varied. Our overall conclusion is that for matched and unmatched datasets alike, video-evoked brain responses have high consistency across these different sites, both when compared across groups and across pairs of individuals. As one might expect, differences between sites were larger for unmatched datasets than matched datasets. Residual differences between datasets could in part reflect participant-level variability rather than scanner- or data-related effects. Altogether our results indicate promise for the development and, critically, generalization of video fMRI studies of individual differences in healthy and clinical populations alike.