Abstract In analogy to the friction ridges of a human finger, the functional connectivity patterns of the human brain can be used to identify a given individual from a population. In other words, functional connectivity patterns constitute a marker of human identity, or a ‘ brain fingerprint ’. Yet remarkably, very little is known about whether brain fingerprints are preserved in brain ageing and in the presence of cognitive decline due to Alzheimer’s disease (AD). Using fMRI data from two independent datasets of healthy and pathologically ageing subjects, here we show that individual functional connectivity profiles remain unique and highly heterogeneous across early and late stages of cognitive decline due to AD. Yet, the patterns of functional connectivity making subjects identifiable, change across health and disease, revealing a functional reconfiguration of the brain fingerprint. We observed a fingerprint change towards between-functional system connections when transitioning from healthy to dementia, and to lower-order cognitive functions in the earliest stages of the disease. These findings show that functional connectivity carries important individualised information to evaluate regional and network dysfunction in cognitive impairment and highlight the importance of switching the focus from group differences to individual variability when studying functional alterations in AD. The present data establish the foundation for clinical fingerprinting of brain diseases by showing that functional connectivity profiles maintain their uniqueness, yet go through functional reconfiguration, during cognitive decline. These results pave the way for a more personalised understanding of functional alterations during cognitive decline, moving towards brain fingerprinting in personalised medicine and treatment optimization during cognitive decline.

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 The knowledge that brain functional connectomes are both unique and reliable has enabled behaviourally relevant inferences at a subject level. However, it is unknown whether such “fingerprints” persist under altered states of consciousness. Ayahuasca is a potent serotonergic psychedelic which elicits a widespread dysregulation of functional connectivity. Used communally in religious ceremonies, its shared use may highlight relevant novel interactions between mental state and FC inherency. Using 7T fMRI, we assessed resting-state static and dynamic FCs for 21 Santo Daime members after collective ayahuasca intake in an acute, within-subject study. Here, connectome fingerprinting revealed a shared functional space, accompanied by a spatiotemporal reallocation of keypoint edges. Importantly, we show that interindividual differences in higher-order FCs motifs are relevant to experiential phenotypes, given that they can predict perceptual drug effects. Collectively, our findings offer an example as to how individualised connectivity markers can be used to trace a subject’s functional connectome across altered states of consciousness.

Abstract Precision medicine and the investigation of brain-behavior associations require biomarkers that are stable (low intraindividual variability) and unique (high interindividual variability) at the same time, hence calling them “fingerprints”. The functional connectome (FC) has good “fingerprint properties”, as individuals can be accurately identified in a database based on their FC. Importantly, research has shown lower intraindividual variability of more localized measures of brain function such as regional homogeneity (ReHo) and (fractional) amplitude of low-frequency fluctuations ((f)ALFF), compared to the FC. Here, with fMRI data from two publicly available datasets we demonstrate that individuals can be identified with near-perfect accuracies using local functional fingerprints, and especially the regional homogeneity (ReHo) fingerprint. Further analyses reveal that the dorsal attention network contributes most to the individual “uniqueness” of the ReHo fingerprint. Moreover, using a machine-learning setup, we show that the small intraindividual ReHo fingerprint variability across sessions is meaningful for explaining individual-level intelligence. Last, using two other publicly available datasets, clinical applicability is shown with high fingerprint accuracies and a significant correlation between fingerprint stability and intelligence in individuals with schizophrenia. Altogether, our findings suggest that the ReHo fingerprint is a good candidate for further exploration of applicability in precision medicine.

Abstract Taking advantage of the human brain functional connectome as an individual’s fingerprint has attracted great research in recent years. Conventionally, Pearson correlation between regional time-courses is used as a pairwise measure for each edge weight of the connectome. Building upon recent advances in graph signal processing, we propose here to estimate the graph structure as a whole by considering all time-courses at once. Using data from two publicly available datasets, we show the superior performance of such learned brain graphs over correlation-based functional connectomes in characterizing an individual.

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 Brain connectome fingerprinting is rapidly rising as a novel influential field in brain network analysis. Yet, it is still unclear whether connectivity fingerprints could be effectively used for mapping and predicting disease progression from human brain data. We hypothesize that dysregulation of brain activity in disease would reflect in worse subject identification. Hence, we propose a novel framework, Clinical Connectome Fingerprinting , to detect individual connectome features from clinical populations. We show that “clinical fingerprints” can map individual variations between elderly healthy subjects and patients undergoing cognitive decline in functional connectomes extracted from magnetoencephalography data. We find that identifiability is reduced in patients as compared to controls, and show that these connectivity features are predictive of the individual Mini-Mental State Examination (MMSE) score in patients. We hope that the proposed methodology can help in bridging the gap between connectivity features and biomarkers of brain dysfunction in large-scale brain networks.

Abstract Moving from association to causal analysis of neuroimaging data is crucial to advance our understanding of brain function. The arrow-of-time (AoT), i.e ., the known asymmetric nature of the passage of time, is the bedrock of causal structures shaping physical phenomena. However, almost all current time series metrics do not exploit this asymmetry, probably due to the difficulty to account for it in modelling frameworks. Here, we introduce an AoT-sensitive metric that captures the intensity of causal effects in multivariate time series, and apply it to high-resolution functional neuroimaging data. We find that that causal effects underlying brain function are more clearly localized in space and time than functional activity or connectivity, thereby allowing us to trace neural pathways recruited in different conditions. Overall, we provide a mapping of the causal brain that challenges the association paradigm of brain function.

Abstract The emerging neuroscientific frontier of brain fingerprinting has recently established that human functional connectomes (FCs) exhibit fingerprint-like idiosyncratic features, which map onto heterogeneously distributed behavioural traits. Here, we harness brain-fingerprinting tools to extract FC features that predict subjective drug experience induced by the psychedelic psilocybin. Specifically, in neuroimaging data of healthy volunteers under the acute influence of psilocybin or a placebo, we show that, post psilocybin administration, FCs become more idiosyncratic due to greater inter-subject dissimilarity. Moreover, whereas in placebo subjects idiosyncratic features are primarily found in the frontoparietal network, in psilocybin subjects they concentrate in the default-mode network (DMN). Crucially, isolating the latter revealed an FC pattern that predicts subjective psilocybin experience and is characterised by reduced within-DMN and DMN-limbic connectivity, as well as increased connectivity between the DMN and attentional systems. Overall, these results contribute to bridging the gap between psilocybin-mediated effects on brain and behaviour, while demonstrating the value of a brain-fingerprinting approach to pharmacological neuroimaging. Author summary The trending field of brain fingerprinting focuses on characterising fingerprint-like idiosyncratic features of human functional connectomes (FCs), which have been shown to predict heterogeneously distributed behavioural traits. Here, we apply brain-fingerprinting methods to fMRI data from subjects who were administered the psychedelic psilocybin or a placebo. We find that, compared to the placebo condition, subjects under acute psilocybin effects exhibited more idiosyncratic FCs, with idiosyncratic features being largely concentrated in the default-mode network (DMN). Furthermore, we isolated an idiosyncratic FC pattern that predicted reports of subjective psilocybin experiences. This pattern was characterised by altered DMN connectivity, specifically by reduced within-DMN and DMN-limbic connectivity, and increased connectivity between the DMN and attentional systems. This work paves the way for exciting new research harnessing pharmacological brain fingerprinting.

Abstract The extraction of “fingerprints” from human brain connectivity data has become a new frontier in neuroscience. However, the time scales of human brain identifiability have not been addressed yet. In other words, what temporal features make our brains more “identifiable”? We here explore the dynamics of brain fingerprints (or brainprints) along two complementary axes: 1) what is the optimal time scale at which brainprints integrate sufficient information, 2) when best identification happens. Using dynamic identifiability, we show that the best identification emerges at longer time scales (~300 s ); however, short transient “bursts of identifiability” persist even when looking at shorter functional interactions. We find that these bursts of identifiability might be strongly associated with neuronal activity. Furthermore, we report evidence that different parts of connectome fingerprints relate to different time scales: i.e., more visual-somatomotor at short temporal windows, more frontoparietal-DMN driven by increasing temporal windows. Finally, using a meta-analytic approach, we show that there is a broad spectrum of associations between brainprints and behavior. At faster time scales, human brain fingerprints are linked to multisensory stimulation, eye movements, affective processing, visuospatial attention. At slower time scales instead, we find higher-cognitive functions, such as language and verbal semantics, awareness, declarative and working memory, social cognition. We hope that this first investigation of the temporality of the human brain fingerprint will pave the way towards a better understanding of what and when makes our brains unique.