ABSTRACT fMRI-based measurements of functional connectivity are commonly interpreted as an index of anatomical coupling and direct interareal communication. However, causal testing of this hypothesis has been lacking. Here we combine neural silencing, resting-state fMRI and in vivo electrophysiology to causally probe how inactivation of a cortical region affects brain-wide functional coupling. We find that chronic silencing of the prefrontal cortex (PFC) via overexpression of a potassium channel paradoxically increases rsfMRI connectivity between the silenced area and its thalamo-cortical terminals. Acute chemogenetic silencing of the PFC reproduces analogous patterns of overconnectivity, an effect associated with over-synchronous fMRI coupling between polymodal thalamic regions and widespread cortical districts. Notably, multielectrode recordings revealed that chemogenetic inactivation of the PFC attenuates gamma activity and increases delta power in the silenced area, resulting in robustly increased delta band coherence between functionally overconnected regions. The observation of enhanced rsfMRI coupling between chemogenetically silenced areas challenges prevailing interpretations of functional connectivity as a monotonic index of direct axonal communication, and points at a critical contribution of slow rhythm generators to the establishment of brain-wide functional coupling.

The analysis of the brain from a connectivity perspective is revealing novel insights into brain structure and function. Discovery is, however, hindered by the lack of prior knowledge used to make hypotheses. Additionally, exploratory data analysis is made complex by the high dimensionality of data. Indeed, to assess the effect of pathological states on brain networks, neuroscientists are often required to evaluate experimental effects in case-control studies, with hundreds of thousands of connections. In this paper, we propose an approach to identify the multivariate relationships in brain connections that characterize two distinct groups, hence permitting the investigators to immediately discover the subnetworks that contain information about the differences between experimental groups. In particular, we are interested in data discovery related to connectomics, where the connections that characterize differences between two groups of subjects are found. Nevertheless, those connections do not necessarily maximize the accuracy in classification since this does not guarantee reliable interpretation of specific differences between groups. In practice, our method exploits recent machine learning techniques employing sparsity to deal with weighted networks describing the whole-brain macro connectivity. We evaluated our technique on functional and structural connectomes from human and murine brain data. In our experiments, we automatically identified disease-relevant connections in datasets with supervised and unsupervised anatomy-driven parcellation approaches and by using high-dimensional datasets.

A bstract Both macroscale connectome miswiring and microcircuit anomalies have been suggested to play a role in the pathophysiology of autism. However, an overarching framework that consolidates these macro and microscale perspectives of the condition is lacking. Here, we combined connectome-wide manifold learning and biophysical simulation models to understand associations between global network perturbations and microcircuit dysfunctions in autism. Our analysis established that autism showed significant differences in structural connectome organization relative to neurotypical controls, with strong effects in low-level somatosensory regions and moderate effects in high-level association cortices. Computational models revealed that the degree of macroscale anomalies was related to atypical increases of subcortical inputs into cortical microcircuits, especially in sensory and motor areas. Transcriptomic decoding and developmental gene enrichment analyses provided biological context and pointed to genes expressed in cortical and thalamic areas during childhood and adolescence. Supervised machine learning showed the macroscale perturbations predicted socio-cognitive symptoms and repetitive behaviors. Our analyses provide convergent support that atypical subcortico-cortical interactions may contribute to both microcircuit and macroscale connectome anomalies in autism.

Abstract Mutations in the synaptic scaffolding protein Shank3 are a major cause of autism, and are associated with prominent intellectual and language deficits. However, the neural mechanisms whereby SHANK3 deficiency affects higher order socio-communicative functions remain unclear. Using high-resolution functional and structural MRI in mice, here we show that loss of Shank3 ( Shank3B -/- ) results in disrupted local and long-range prefrontal functional connectivity, as well as fronto-striatal decoupling. We document that prefrontal hypo-connectivity is associated with reduced short-range cortical projections density, and reduced gray matter volume. Finally, we show that prefrontal disconnectivity is predictive of social communication deficits, as assessed with ultrasound vocalization recordings. Collectively, our results reveal a critical role of SHANK3 in the development of prefrontal anatomy and function, and suggest that SHANK3 deficiency may predispose to intellectual disability and socio-communicative impairments via dysregulation of higher-order cortical connectivity.

Abstract Autism Spectrum Disorder (ASD) is characterized by substantial, yet highly heterogeneous abnormalities in functional brain connectivity. However, the origin and significance of this phenomenon remain unclear. To unravel ASD connectopathy and relate it to underlying etiological heterogeneity, we carried out a bi-center cross-etiological investigation of fMRI-based connectivity in the mouse, in which specific ASD-relevant mutations can be isolated and modelled minimizing environmental contributions. By performing brain-wide connectivity mapping across 16 mouse mutants, we show that different ASD-associated etiologies cause a broad spectrum of connectional abnormalities in which diverse, often diverging, connectivity signatures are recognizable. Despite this heterogeneity, the identified connectivity alterations could be classified into four subtypes characterized by discrete signatures of network dysfunction. Our findings show that etiological variability is a key determinant of connectivity heterogeneity in ASD, hence reconciling conflicting findings in clinical populations. The identification of etiologically-relevant connectivity subtypes could improve diagnostic label accuracy in the non-syndromic ASD population and paves the way for personalized treatment approaches.

Abstract Postmortem studies have revealed increased density of excitatory synapses in the brains of individuals with autism, with a putative link to aberrant mTOR-dependent synaptic pruning. Autism is also characterized by atypical macroscale functional connectivity as measured with resting-state fMRI (rsfMRI). These observations raise the question of whether excess of synapses cause aberrant functional connectivity in autism. Using rsfMRI, electrophysiology and in silico modelling in Tsc2 haploinsufficient mice, we show that mTOR-dependent increased spine density is associated with autism-like stereotypies and cortico-striatal hyperconnectivity. These deficits are completely rescued by pharmacological inhibition of mTOR. Notably, we further demonstrate that children with idiopathic autism exhibit analogous cortical-striatal hyperconnectivity, and document that this connectivity fingerprint is enriched for autism-dysregulated genes interacting with mTOR or TSC2. Finally, we show that the identified transcriptomic signature is predominantly expressed in a subset of children with autism, thereby defining a segregable autism subtype. Our findings causally link mTOR-related synaptic pathology to large-scale network aberrations, revealing a unifying multi-scale framework that mechanistically reconciles developmental synaptopathy and functional hyperconnectivity in autism. Significance Aberrant brain functional connectivity is a hallmark of autism, but the neural basis of this phenomenon remains unclear. We show that a mouse line recapitulating mTOR-dependent synaptic pruning deficits observed in postmortem autistic brains exhibits widespread functional hyperconnectivity. Importantly, pharmacological normalization of mTOR signalling completely rescues synaptic, behavioral and functional connectivity deficits. We also show that a similar connectivity fingerprint can be isolated in human fMRI scans of people with autism, where it is linked to over-expression of mTOR-related genes. Our results reveal a unifying multi-scale translational framework that mechanistically links aberrations in synaptic pruning with functional hyperconnectivity in autism.

Abstract Preclinical applications of resting-state functional magnetic resonance imaging (rsfMRI) offer the possibility to non-invasively probe whole-brain network dynamics and to investigate the determinants of altered network signatures observed in human studies. Mouse rsfMRI has been increasingly adopted by numerous laboratories world-wide. Here we describe a multi-centre comparison of 17 mouse rsfMRI datasets via a common image processing and analysis pipeline. Despite prominent cross-laboratory differences in equipment and imaging procedures, we report the reproducible identification of several large-scale resting-state networks (RSN), including a murine default-mode network, in the majority of datasets. A combination of factors was associated with enhanced reproducibility in functional connectivity parameter estimation, including animal handling procedures and equipment performance. Our work describes a set of representative RSNs in the mouse brain and highlights key experimental parameters that can critically guide the design and analysis of future rodent rsfMRI investigations.

Abstract The evolutionarily conserved default mode network (DMN) is characterized by temporally correlated activity between brain regions during resting states. The DMN has emerged as a selectively vulnerable network in multiple disorders, so understanding its anatomical composition will provide fundamental insight into how its function is impacted by disease. Reproducible rodent analogs of the human DMN offer an opportunity to investigate the underlying brain regions and structural connectivity (SC) with high spatial and cell type resolution. Here, we performed systematic analyses using mouse resting state functional magnetic resonance imaging to identify the DMN and whole brain axonal tracing data, co-registered to the 3D Allen Mouse Common Coordinate Framework reference atlas. We identified the specific, predominantly cortical, brain regions comprising the mouse DMN and report preferential SC between these regions. Next, at the cell class level, we report that cortical layer (L) 2/3 neurons in DMN regions project almost exclusively to other DMN regions, whereas L5 neurons project to targets both in and out of the DMN. We then test the hypothesis that in- and out-DMN projection patterns originate from distinct L5 neuron sub-classes using an intersectional viral tracing strategy to label all the axons from neurons defined by a single target. In the ventral retrosplenial cortex, a core DMN region, we found two L5 projection types related to the DMN and mapped them to unique transcriptomically-defined cell types. Together, our results provide a multi-scale description of the anatomical correlates of the mouse DMN.

ABSTRACT The analysis of the brain from a connectivity perspective is unveiling novel insights into brain structure and function. Discovery is, however, hindered by the lack of prior knowledge used to make hypotheses. On the other hand, exploratory data analysis is made complex by the high dimensionality of data. Indeed, in order to assess the effect of pathological states on brain networks, neuroscientists are often required to evaluate experimental effects in case-control studies, with hundreds of thousand connections. In this paper, we propose an approach to identify the multivariate relationships in brain connections that characterise two distinct groups, hence permitting the investigators to immediately discover sub-networks that contain information about the differences between experimental groups. In particular, we are interested in data discovery related to connectomics, where the connections that characterize differences between two groups of subjects are found. Nevertheless, those connections not necessarily maximize accuracy in classification since this does not guarantee reliable interpretation of specific differences between groups. In practice, our method exploits recent machine learning techniques employing sparsity to deal with weighted networks describing the whole-brain macro connectivity. We evaluated our technique on functional and structural connectomes from human and mice brain data. In our experiments, we automatically identified disease-relevant connections in datasets with supervised and unsupervised anatomy-driven parcellation approaches, and by using high-dimensional datasets.

Abstract How the emergent functional connectivity (FC) relates to the underlying anatomy (structural connectivity, SC) is one of the biggest questions of modern neuroscience. At the macro-scale level, no one-to-one correspondence between structural and functional links seems to exist. And we posit that to better understand their coupling, two key aspects should be taken into account: the directionality of the structural connectome and the limitations of describing network functions in terms of FC. Here, we employed an accurate directed SC of the mouse brain obtained by means of viral tracers, and related it with single-subject effective connectivity (EC) matrices computed by applying a recently developed DCM to whole-brain resting-state fMRI data. We analyzed how SC deviates from EC and quantified their couplings by conditioning both on the strongest SC links and EC links. We found that when conditioning on the strongest EC links, the obtained coupling follows the unimodal-transmodal functional hierarchy. Whereas the reverse is not true, as there are strong SC links within high-order cortical areas with no corresponding strong EC links. This mismatch is even more clear across networks. Only the connections within sensory motor networks align both in terms of effective and structural strength.