Spatio-temporally organized low-frequency fluctuations (< 0.1 Hz), observed in BOLD fMRI signal during rest, suggest the existence of underlying network dynamics that emerge spontaneously from intrinsic brain processes. Furthermore, significant correlations between distinct anatomical regions—or functional connectivity (FC)—have led to the identification of several widely distributed resting-state networks (RSNs). This slow dynamics seems to be highly structured by anatomical connectivity but the mechanism behind it and its relationship with neural activity, particularly in the gamma frequency range, remains largely unknown. Indeed, direct measurements of neuronal activity have revealed similar large-scale correlations, particularly in slow power fluctuations of local field potential gamma frequency range oscillations. To address these questions, we investigated neural dynamics in a large-scale model of the human brain's neural activity. A key ingredient of the model was a structural brain network defined by empirically derived long-range brain connectivity together with the corresponding conduction delays. A neural population, assumed to spontaneously oscillate in the gamma frequency range, was placed at each network node. When these oscillatory units are integrated in the network, they behave as weakly coupled oscillators. The time-delayed interaction between nodes is described by the Kuramoto model of phase oscillators, a biologically-based model of coupled oscillatory systems. For a realistic setting of axonal conduction speed, we show that time-delayed network interaction leads to the emergence of slow neural activity fluctuations, whose patterns correlate significantly with the empirically measured FC. The best agreement of the simulated FC with the empirically measured FC is found for a set of parameters where subsets of nodes tend to synchronize although the network is not globally synchronized. Inside such clusters, the simulated BOLD signal between nodes is found to be correlated, instantiating the empirically observed RSNs. Between clusters, patterns of positive and negative correlations are observed, as described in experimental studies. These results are found to be robust with respect to a biologically plausible range of model parameters. In conclusion, our model suggests how resting-state neural activity can originate from the interplay between the local neural dynamics and the large-scale structure of the brain.

Spontaneous (or resting-state) brain activity has attracted a growing body of neuroimaging research over the last decades. Whole-brain network models have proved helpful to investigate the source of slow (<0.1 Hz) correlated hemodynamic fluctuations revealed in fMRI during rest. However, the mechanisms mediating resting-state long-distance correlations and the relationship with the faster neural activity remain unclear. Novel insights coming from MEG studies have shown that the amplitude envelopes of alpha- and beta-frequency oscillations (~8-30 Hz) display similar correlation patterns as the fMRI signals. In this work, we combine experimental and theoretical work to investigate the mechanisms of spontaneous MEG functional connectivity. Using a simple model of coupled oscillators adapted to incorporate realistic whole-brain connectivity and conduction delays, we explore how slow and structured amplitude envelopes of band-pass filtered signals - fairly reproducing MEG data collected from 10 healthy subjects at rest - are generated spontaneously in the space-time structure of the brain network. Our simulation results show that the large-scale neuroanatomical connectivity provides an optimal network structure to support a regime with metastable synchronization. In this regime, different subsystems may temporarily synchronize at reduced collective frequencies (falling in the 8-30 Hz range due to the delays) while the global system never fully synchronizes. This mechanism modulates the frequency of the oscillators on a slow time-scale (<0.1 Hz) leading to structured amplitude fluctuations of band-pass filtered signals. Taken overall, our results reveal that the structured amplitude envelope fluctuations observed in resting-state MEG data may originate from spontaneous synchronization mechanisms naturally occurring in the space-time structure of the brain.

Growing evidence has shown that brain activity at rest slowly wanders through a repertoire of different states, where whole-brain functional connectivity (FC) temporarily settles into distinct FC patterns. Nevertheless, the functional role of resting-state activity remains unclear. Here, we investigate how the switching behavior of resting-state FC relates with cognitive performance in healthy older adults. We analyse resting-state fMRI data from 98 healthy adults previously categorized as being among the best or among the worst performers in a cohort study of >1000 subjects aged 50+ who underwent neuropsychological assessment. We use a novel approach focusing on the dominant FC pattern captured by the leading eigenvector of dynamic FC matrices. Recurrent FC patterns - or states - are detected and characterized in terms of lifetime, probability of occurrence and switching profiles. We find that poorer cognitive performance is associated with weaker FC temporal similarity together with altered switching between FC states. These results provide new evidence linking the switching dynamics of FC during rest with cognitive performance in later life, reinforcing the functional role of resting-state activity for effective cognitive processing.

Significance In a technical tour de force, we have created a framework demonstrating the underlying fundamental principles of bidirectional coupling of neuronal and neurotransmitter dynamical systems. Specifically, in the present study, we combined multimodal neuroimaging data to causally explain the functional effects of specific serotoninergic receptor (5-HT 2A R) stimulation with psilocybin in healthy humans. Longer term, this could provide a better understanding of why psilocybin is showing considerable promise as a therapeutic intervention for neuropsychiatric disorders including depression, anxiety, and addiction.

Significance We describe a quantitative and robust definition of a brain state as an ensemble of “metastable substates,” each with a probabilistic stability and occurrence frequency. Fitting this to a generative whole-brain model provides an innovative avenue for predicting where simulated brain stimulation can force transitions between different brain states. We provide proof-of-concept by systematically applying this model framework to neuroimaging data of the human sleep cycle and show where to stimulate to awaken the human sleeping brain and vice versa. These results suggest an avenue for using causal whole-brain models to discover in silico where to force a transition between brain states, which may potentially support recovery in disease.

Abstract The modern understanding of sleep is based on the classification of sleep into stages defined by their electroencephalography (EEG) signatures, but the underlying brain dynamics remain unclear. Here we aimed to move significantly beyond the current state-of-the-art description of sleep, and in particular to characterise the spatiotemporal complexity of whole-brain networks and state transitions during sleep. In order to obtain the most unbiased estimate of how whole-brain network states evolve through the human sleep cycle, we used a Markovian data-driven analysis of continuous neuroimaging data from 57 healthy participants falling asleep during simultaneous functional magnetic resonance imaging (fMRI) and EEG. This Hidden Markov Model (HMM) facilitated discovery of the dynamic choreography between different whole-brain networks across the wake-non-REM sleep cycle. Notably, our results reveal key trajectories to switch within and between EEG-based sleep stages, while highlighting the heterogeneities of stage N1 sleep and wakefulness before and after sleep.

During rest, envelopes of band-limited on-going MEG signals co-vary across the brain in consistent patterns, which have been related to resting-state networks measured with fMRI. To investigate the genesis of such envelope correlations, we consider a whole-brain network model assuming two distinct fundamental scenarios: one where each brain area generates oscillations in a single frequency, and a novel one where each brain area can generate oscillations in multiple frequency bands. The models share, as a common generator of damped oscillations, the normal form of a supercritical Hopf bifurcation operating at the critical border between the steady state and the oscillatory regime. The envelopes of the simulated signals are compared with empirical MEG data using new methods to analyse the envelope dynamics in terms of their phase coherence and stability across the spectrum of carrier frequencies. Considering the whole-brain model with a single frequency generator in each brain area, we obtain the best fit with the empirical MEG data when the fundamental frequency is tuned at 12Hz. However, when multiple frequency generators are placed at each local brain area, we obtain an improved fit of the spatio-temporal structure of on-going MEG data across all frequency bands. Our results indicate that the brain is likely to operate on multiple frequency channels during rest, introducing a novel dimension for future models of large-scale brain activity.

ABSTRACT Music is a non-verbal human language, built on logical structures and articulated in balanced hierarchies between sounds, offering excellent opportunities to explore how the brain creates meaning for complex spatiotemporal auditory patterns. Using the high temporal resolution of magnetoencephalography in 70 participants, we investigated their unfolding brain dynamics during the recognition of previously memorized J.S. Bach’s musical patterns from prelude in C minor BWV 847 compared to novel patterns matched in terms of entropy and information content. Remarkably, the recognition of the memorized music ignited a widespread brain network comprising primary auditory cortex, superior temporal gyrus, insula, frontal operculum, cingulate gyrus, orbitofrontal cortex, basal ganglia, thalamus and hippocampus. Furthermore, measures of both brain activity and functional connectivity presented an overall increase over time, following the evolution and unfolding of the memorized musical patterns. Specifically, while the auditory cortex responded mainly to the first tones of the patterns, the activity and synchronization of higher-order brain areas such as cingulate, frontal operculum, hippocampus and orbitofrontal cortex largely increased over time, arguably representing the key whole-brain mechanisms for conscious recognition of auditory patterns as predicted by the global neuronal workspace hypothesis. In conclusion, our study described the fine-grained whole-brain activity and functional connectivity dynamics responsible for processing and recognition of previously memorized music. Further, the study highlights how the use of musical patterns in combination with a wide array of analytical tools and neuroscientific measures spanning from decoding to fast neural phase synchronization can shed new light on meaningful, complex cognitive processes.