Mechanical properties of the adventitia are largely determined by the organization of collagen fibers. Measurements on the waviness and orientation of collagen, particularly at the zero-stress state, are necessary to relate the structural organization of collagen to the mechanical response of the adventitia. Using the fluorescence collagen marker CNA38-OG488 and confocal laser scanning microscopy, we imaged collagen fibers in the adventitia of rabbit common carotid arteries ex vivo. The arteries were cut open along their longitudinal axes to get the zero-stress state. We used semi-manual and automatic techniques to measure parameters related to the waviness and orientation of fibers. Our results showed that the straightness parameter (defined as the ratio between the distances of endpoints of a fiber to its length) was distributed with a beta distribution (mean value 0.72, variance 0.028) and did not depend on the mean angle orientation of fibers. Local angular density distributions revealed four axially symmetric families of fibers with mean directions of 0°, 90°, 43° and −43°, with respect to the axial direction of the artery, and corresponding circular standard deviations of 40°, 47°, 37° and 37°. The distribution of local orientations was shifted to the circumferential direction when measured in arteries at the zero-load state (intact), as compared to arteries at the zero-stress state (cut-open). Information on collagen fiber waviness and orientation, such as obtained in this study, could be used to develop structural models of the adventitia, providing better means for analyzing and understanding the mechanical properties of vascular wall.

Significance Patterns of distributed brain activity are thought to underlie virtually all aspects of cognition and behavior. In this paper, we explore the degree to which it is possible to predict such functional patterns from the network of anatomical connections that link brain regions. To this end, we use three separately acquired neuroimaging datasets recording anatomical and functional connections in the human brain. We apply several measures of network communication that are derived analytically from the brain’s anatomical network. Our principal finding is that such network measures can predict empirically measured functional connectivity at levels that exceed other modeling approaches. Our study sheds light on the important role of anatomical networks and communication processes in shaping the brain’s functional activity.

Increasingly detailed data on the network topology of neural circuits create a need for theoretical principles that explain how these networks shape neural communication. Here we use a model of cascade spreading to reveal architectural features of human brain networks that facilitate spreading. Using an anatomical brain network derived from high-resolution diffusion spectrum imaging (DSI), we investigate scenarios where perturbations initiated at seed nodes result in global cascades that interact either cooperatively or competitively. We find that hub regions and a backbone of pathways facilitate early spreading, while the shortest path structure of the connectome enables cooperative effects, accelerating the spread of cascades. Finally, competing cascades become integrated by converging on polysensory associative areas. These findings show that the organizational principles of brain networks shape global communication and facilitate integrative function.

Abstract Individual characterization of subjects based on their functional connectome (FC), termed “FC fingerprinting”, has become a highly sought-after goal in contemporary neuroscience research. Recent functional magnetic resonance imaging (fMRI) studies have demonstrated unique characterization and accurate identification of individuals as an accomplished task. However, FC fingerprinting in magnetoencephalography (MEG) data is still widely unexplored. Here, we study resting-state MEG data from the Human Connectome Project to assess the MEG FC fingerprinting and its relationship with several factors including amplitude- and phase-coupling functional connectivity measures, spatial leakage correction, frequency bands, and behavioral significance. To this end, we first employ two identification scoring methods, differential identifiability and success rate, to provide quantitative fingerprint scores for each FC measurement. Secondly, we explore the edgewise and nodal MEG fingerprinting patterns across the different frequency bands (delta, theta, alpha, beta, and gamma). Finally, we investigate the cross-modality fingerprinting patterns obtained from MEG and fMRI recordings from the same subjects. We assess the behavioral significance of FC across connectivity measures and imaging modalities using partial least square correlation analyses. Our results suggest that fingerprinting performance is heavily dependent on the functional connectivity measure, frequency band, identification scoring method, and spatial leakage correction. We report higher MEG fingerprints in phase-coupling methods, central frequency bands (alpha and beta), and in the visual, frontoparietal, dorsal-attention, and default-mode networks. Furthermore, cross-modality comparisons reveal a certain degree of spatial concordance in fingerprinting patterns between the MEG and fMRI data, especially in the visual system. Finally, the multivariate correlation analyses show that MEG connectomes have strong behavioral significance, which however depends on the considered connectivity measure and temporal scale. This comprehensive, albeit preliminary investigation of MEG connectome test-retest identification offers a first characterization of MEG fingerprinting in relation to different methodological and electrophysiological factors and contributes to the understanding of fingerprinting cross-modal relationships. We hope that this first investigation will contribute to setting the grounds for MEG connectome identification.

Abstract Brain communication, defined as information transmission through white-matter connections, is at the foundation of the brain’s computational capacities that subtend almost all aspects of behavior: from sensory perception shared across mammalian species, to complex cognitive functions in humans. How did communication strategies in macroscale brain networks adapted across evolution to accomplish increasingly complex functions? By applying a graph- and information-theory approach to assess information-related pathways in mouse, macaque and human brains, we show a brain communication gap between selective information transmission in non-human mammals, where brain regions share information through single polysynaptic pathways, and parallel information transmission in humans, where regions share information through multiple parallel pathways. In humans, parallel transmission acts as a major connector between unimodal and transmodal systems. The layout of information-related pathways is unique to individuals across different mammalian species, pointing at the individual-level specificity of information routing architecture. Our work provides evidence that different communication patterns are tied to the evolution of mammalian brain networks.

Abstract Brain signatures of functional activity have shown promising results in both decoding brain states, meaning distinguishing between different tasks, and fingerprinting , that is identifying individuals within a large group. Importantly, these brain signatures do not account for the underlying brain anatomy on which brain function takes place. Structure-function coupling based on graph signal processing (GSP) has recently revealed a meaningful spatial gradient from unimodal to transmodal regions, on average in healthy subjects during resting-state. Here, we explore the potential of GSP to introduce new imaging-based biomarkers to characterize tasks and individuals. We used multimodal magnetic resonance imaging of 100 unrelated healthy subjects from the Human Connectome Project both during rest and seven different tasks and adopted a support vector machine classification approach for both decoding and fingerprinting , with various cross-validation settings. We found that structurefunction coupling measures allow accurate classifications for both task decoding and fingerprinting. In particular, key information for fingerprinting is found in the more liberal portion of functional signals, that is the one decoupled from structure. A network mainly involving cortico-subcortical connections showed the strongest correlation with cognitive traits, assessed with partial least square analysis, corroborating its relevance for fingerprinting. By introducing a new perspective on GSP-based signal filtering and FC decomposition, these results show that brain structure-function coupling provides a new class of signatures of cognition and individual brain organization at rest and during tasks. Further, they provide insights on clarifying the role of low and high spatial frequencies of the structural connectome, leading to new understanding of where key structure-function information for characterizing individuals can be found across the structural connectome graph spectrum. Highlights - The relation of brain function with the underlying structural wiring is complex - We propose new structure-informed graph signal processing (GSP) of functional data - GSP-derived features allow accurate task decoding and individual fingerprinting - Functional connectivity from filtered data is more unique to subject and cognition - The role of structurally aligned and liberal graph frequencies is elucidated

ABSTRACT Parkinson’s Disease (PD) is a progressive neurodegenerative disorder characterized by motor and cognitive deficits. The neurodegenerative process is thought to move stereotypically from the brainstem up to the cerebral cortex, possibly reflecting the spread of toxic alpha-synuclein molecules. Using a large, longitudinal, multi-center database of de novo PD patients, we tested whether focal reductions in cortical thickness could be explained by disease spread from a subcortical “disease reservoir” along the brain’s connectome. PD patients (n=105) and matched controls (n=57) underwent T1-MRI at entry and one year later. Over this period, PD patients demonstrated significantly greater loss of cortical thickness than healthy controls in parts of the left occipital and bilateral frontal lobes and right somatomotor-sensory cortex. Cortical regions with greater connectivity (measured functionally or structurally) to a “disease reservoir” evaluated via MRI at baseline demonstrated greater atrophy one year later. The atrophy pattern in the ventral frontal lobes resembled one described in certain cases of Alzheimer’s disease. Moreover, a multiple linear regression model suggested that cortical thinning was associated with impaired cognitive function at follow-up. Our findings suggest that disease propagation to the cortex in PD follows neural connectivity, and that disease spread to the cortex may herald the onset of cognitive impairment.

Background: Amnestic syndrome of the hippocampal type (ASHT) in Memory Clinics is a presentation common to Alzheimer’s disease (AD). However, ASHT can be found in other neurodegenerative disorders. Objective: To compare brain morphometry including hippocampal volumes between amnestic older adults with and without AD pathology and investigate their relationship with memory performance and cerebrospinal fluid (CSF) biomarkers. Methods: Brain morphometry of 92 consecutive patients (72.5±6.8 years old; 39% female) with Free and Cued Selective Recall Reminding Test (FCSRT) total recall < 40/48 was assessed with an automated algorithm and compared between AD and non-AD patients, as defined by CSF biomarkers. Results: AD and non-AD patients presented comparable brain morphology. Total recall was associated to hippocampal volume irrespectively from AD pathology. Conclusions: Brain morphometry, including hippocampal volumes, is similar between AD and non-AD older adults with ASHT evaluated in a Memory Clinic, underlying the importance of using molecular biomarkers for the diagnosis of AD.

Abstract The discovery that human brain connectivity data can be used as a “fingerprint” to identify a given individual from a population, has become a burgeoning research area in the neuroscience field. Recent studies have identified the possibility to extract these brain signatures from the temporal rich dynamics of resting-state magnetoencephalography (MEG) recordings. However, to what extent MEG signatures constitute a marker of human identifiability when engaged in task-related behavior remains an open question. Here, using MEG data from naturalistic and neurophysiological tasks, we show that identification improves in tasks relative to resting-state, providing compelling evidence for a task dependent axis of MEG signatures. Notably, improvements in identifiability were more prominent in strictly controlled tasks. Lastly, the brain regions contributing most towards individual identification were also modified when engaged in task activities. We hope that this investigation advances our understanding of the driving factors behind brain identification from MEG signals.

Converging evidence from activation, connectivity and stimulation studies suggests that auditory brain networks are lateralized. Here we show that these findings can be at least partly explained by the asymmetric network embedding of the primary auditory cortices. Using diffusion-weighted imaging in three independent datasets, we investigate the propensity for left and right auditory cortex to communicate with other brain areas by quantifying the centrality of the auditory network across a spectrum of communication mechanisms, from shortest path communication to diffusive spreading. Across all datasets, we find that the right auditory cortex is better integrated in the connectome, facilitating more efficient communication with other areas, with much of the asymmetry driven by differences in communication pathways to the opposite hemisphere. Critically, the primacy of the right auditory cortex emerges only when communication is conceptualized as a diffusive process, taking advantage of more than just the topologically shortest paths in the network. Altogether, these results highlight how the network configuration and embedding of a particular region may contribute to its functional lateralization.