As coronavirus disease 2019 (COVID-19) is rapidly spreading across the globe, short-term modeling forecasts provide time-critical information for decisions on containment and mitigation strategies. A major challenge for short-term forecasts is the assessment of key epidemiological parameters and how they change when first interventions show an effect. By combining an established epidemiological model with Bayesian inference, we analyzed the time dependence of the effective growth rate of new infections. Focusing on COVID-19 spread in Germany, we detected change points in the effective growth rate that correlate well with the times of publicly announced interventions. Thereby, we could quantify the effect of interventions and incorporate the corresponding change points into forecasts of future scenarios and case numbers. Our code is freely available and can be readily adapted to any country or region.

Understanding causal relationships, or effective connectivity, between parts of the brain is of utmost importance because a large part of the brain's activity is thought to be internally generated and, hence, quantifying stimulus response relationships alone does not fully describe brain dynamics. Past efforts to determine effective connectivity mostly relied on model based approaches such as Granger causality or dynamic causal modeling. Transfer entropy (TE) is an alternative measure of effective connectivity based on information theory. TE does not require a model of the interaction and is inherently non-linear. We investigated the applicability of TE as a metric in a test for effective connectivity to electrophysiological data based on simulations and magnetoencephalography (MEG) recordings in a simple motor task. In particular, we demonstrate that TE improved the detectability of effective connectivity for non-linear interactions, and for sensor level MEG signals where linear methods are hampered by signal-cross-talk due to volume conduction.

Magnetoencephalographic (MEG) recordings are a rich source of information about the neural dynamics underlying cognitive processes in the brain, with excellent temporal and good spatial resolution. In recent years there have been considerable advances in MEG hardware developments and methods. Sophisticated analysis techniques are now routinely applied and continuously improved, leading to fascinating insights into the intricate dynamics of neural processes. However, the rapidly increasing level of complexity of the different steps in a MEG study make it difficult for novices, and sometimes even for experts, to stay aware of possible limitations and caveats. Furthermore, the complexity of MEG data acquisition and data analysis requires special attention when describing MEG studies in publications, in order to facilitate interpretation and reproduction of the results. This manuscript aims at making recommendations for a number of important data acquisition and data analysis steps and suggests details that should be specified in manuscripts reporting MEG studies. These recommendations will hopefully serve as guidelines that help to strengthen the position of the MEG research community within the field of neuroscience, and may foster discussion in order to further enhance the quality and impact of MEG research.

Constraints from functional magnetic resonance imaging (fMRI) were used to identify the sources of the visual P300 event-related potential (ERP). Healthy subjects performed a visual three-stimulus oddball paradigm with a difficult discrimination task while fMRI and high-density ERP data were acquired in separate sessions. This paradigm allowed us to differentiate the P3b component of the P300, which has been implicated in the detection of rare events in general (target and distractor), from the P3a component, which is mainly evoked by distractor events. The fMRI-constrained source model explained >99% of the variance of the scalp ERP for both components. The P3b was mainly produced by parietal and inferior temporal areas, whereas frontal areas and the insula contributed mainly to the P3a. This source model reveals that both higher visual and supramodal association areas contribute to the visual P3b and that the P3a has a strong frontal contribution, which is compatible with its more anterior distribution on the scalp. The results point to the involvement of distinct attentional subsystems in target and distractor processing.

Previous studies in electrophysiology have provided consistent evidence for a relationship between neural oscillations in different frequency bands and the maintenance of information in working memory (WM). While the amplitude and cross-frequency coupling of neural oscillations have been shown to be modulated by the number of items retained during WM, interareal phase synchronization has been associated with the integration of distributed activity during WM maintenance. Together, these findings provided important insights into the oscillatory dynamics of cortical networks during WM. However, little is known about the cortical regions and frequencies that underlie the specific maintenance of behaviorally relevant information in WM. In the current study, we addressed this question with magnetoencephalography and a delayed match-to-sample task involving distractors in 25 human participants. Using spectral analysis and beamforming, we found a WM load-related increase in the gamma band (60–80 Hz) that was localized to the right intraparietal lobule and left Brodmann area 9 (BA9). WM-load related changes were also detected at alpha frequencies (10–14 Hz) in Brodmann area 6, but did not covary with the number of relevant WM-items. Finally, we decoded gamma-band source activity with a linear discriminant analysis and found that gamma-band activity in left BA9 predicted the number of target items maintained in WM. While the present data show that WM maintenance involves activity in the alpha and gamma band, our results highlight the specific contribution of gamma band delay activity in prefrontal cortex for the maintenance of behaviorally relevant items.

Impairments in working memory (WM) are a core cognitive deficit in schizophrenia. Neurophysiological models suggest that deficits during WM maintenance in schizophrenia may be explained by abnormalities in the GABAergic system, which will lead to deficits in high-frequency oscillations. However, it is not yet clear which of the three WM phases (encoding, maintenance, retrieval) are affected by dysfunctional oscillatory activity. We investigated the relationship between impairments in oscillatory activity in a broad frequency range (3–100 Hz) and WM load in the different phases of WM in 14 patients with early-onset schizophrenia and 14 matched control participants using a delayed matching to sample paradigm. During encoding, successful memorization was predicted by evoked theta, alpha, and beta oscillatory activity in controls. Patients showed severe reductions in the evoked activity in these frequency bands. During early WM maintenance, patients showed a comparable WM load-dependent increase in induced alpha and gamma activity to controls. In contrast, during the later maintenance phase, patients showed a shift in the peak of induced gamma activity to the lower WM load conditions. Finally, induced theta and gamma activity were reduced in patients during retrieval. Our findings suggest that the WM deficit in schizophrenia is associated with impaired oscillatory activity during all phases of the task and that the cortical storage system reaches its capacity limit at lower loads. Inability to maintain oscillatory activity in specific frequency bands could thus result in the information overload that may underlie both cognitive deficits and psychopathological symptoms of schizophrenia.

In complex networks such as gene networks, traffic systems or brain circuits it is important to understand how long it takes for the different parts of the network to effectively influence one another. In the brain, for example, axonal delays between brain areas can amount to several tens of milliseconds, adding an intrinsic component to any timing-based processing of information. Inferring neural interaction delays is thus needed to interpret the information transfer revealed by any analysis of directed interactions across brain structures. However, a robust estimation of interaction delays from neural activity faces several challenges if modeling assumptions on interaction mechanisms are wrong or cannot be made. Here, we propose a robust estimator for neuronal interaction delays rooted in an information-theoretic framework, which allows a model-free exploration of interactions. In particular, we extend transfer entropy to account for delayed source-target interactions, while crucially retaining the conditioning on the embedded target state at the immediately previous time step. We prove that this particular extension is indeed guaranteed to identify interaction delays between two coupled systems and is the only relevant option in keeping with Wiener's principle of causality. We demonstrate the performance of our approach in detecting interaction delays on finite data by numerical simulations of stochastic and deterministic processes, as well as on local field potential recordings. We also show the ability of the extended transfer entropy to detect the presence of multiple delays, as well as feedback loops. While evaluated on neuroscience data, we expect the estimator to be useful in other fields dealing with network dynamics.

Every act of information processing can in principle be decomposed into the component operations of information storage, transfer, and modification. Yet, while this is easily done for today's digital computers, the application of these concepts to neural information processing was hampered by the lack of proper mathematical definitions of these operations on information. Recently, definitions were given for the dynamics of these information processing operations on a local scale in space and time in a distributed system, and the specific concept of local active information storage was successfully applied to the analysis and optimization of artificial neural systems. However, no attempt to measure the space-time dynamics of local active information storage in neural data has been made to date. Here we measure local active information storage on a local scale in time and space in voltage sensitive dye imaging data from area 18 of the cat. We show that storage reflects neural properties such as stimulus preferences and surprise upon unexpected stimulus change, and in area 18 reflects the abstract concept of an ongoing stimulus despite the locally random nature of this stimulus. We suggest that LAIS will be a useful quantity to test theories of cortical function, such as predictive coding.

The brains of many organisms are capable of complicated distributed computation underpinned by a highly advanced information processing capacity. Although substantial progress has been made towards characterising the information flow component of this capacity in mature brains, there is a distinct lack of work characterising its emergence during neural development. This lack of progress has been largely driven by the lack of effective estimators of information processing operations for the spiking data available for developing neural networks. Here, we leverage recent advances in this estimation task in order to quantify the changes in information flow during development. We do so by studying the changes in the intrinsic dynamics of the spontaneous activity of developing dissociated neural cell cultures. We find that the quantity of information flowing across these networks undergoes a dramatic increase across development. Moreover, the spatial structure of these flows is locked-in during early development, after which there is a substantial temporal correlation in the information flows across recording days. We analyse the flow of information during the crucial periods of population bursts. We find that, during these bursts, nodes undertake specialised computational roles as either transmitters, mediators or receivers of information, with these roles tending to align with their spike ordering — either early, mid or late in the bursts. Further, we find that the specialised computational roles occupied by nodes during bursts tend to be locked-in early. Finally, we briefly compare these results to information flows in a model network developing according to an STDP learning rule from a state of independent firing to synchronous bursting. The phenomena of large increases in information flow, early lock-in of information flow spatial structure and computational roles based on burst position were also observed in this model, hinting at the broader generality of these phenomena. AUTHOR SUMMARY This paper studies the development of computation in biological systems by analysing changes in the flow of information in developing neural cell cultures. Although there have been a number of previous studies of information flows in neural cell cultures, this work represents the first study which compares information flows in the intrinsic dynamics across development time. Moreover, we make use of a recently proposed continuous-time transfer entropy estimator for spike trains, which, in comparison to the discrete-time estimator used previously, is able to capture important effects occurring on both small and large timescales simultaneously. We find that information flows begin to emerge after 5-10 days of activity, and crucially, the spatial structure of information flows remains significantly temporally correlated over the first month of recording. Furthermore, the magnitude of information flows across the culture are strongly related to burst position, and the roles of regions as information flow sources, sinks and mediators are found to remain consistent across development. Finally, we confirm that these early lock-ins also occur in a simple model network developing under an STDP update rule, suggesting a plausible mechanism undergirding this phenomenon.

Abstract Human behaviour is inextricably linked to the interaction of emotion and cognition. For decades, emotion and cognition were perceived as separable processes, yet with mutual interactions. Recently, this differen-tiation has been challenged by more integrative approaches, but without addressing the exact neurophysiological basis of their interaction. Here, we aimed to uncover neurophysiological mechanisms of emotion-cognition interaction. We used an emotional Flanker task paired with EEG/FEM beamforming in a large cohort (N = 121) of healthy human participants, obtaining high temporal and fMRI-equivalent spatial resolution. Spatially, emotion and cognition processing overlapped in the right inferior frontal gyrus (rIFG), specifically in pars triangularis . Temporally, emotion and cognition processing overlapped during the transition from emotional to cognitive processing, with a stronger interaction in β -band power leading to worse behavioral performance. Despite functionally segregated subdivisions in rIFG, frequency-specific information flowed extensively within IFG and top-down to visual areas (V2, Precuneus) – explaining the behavioral interference effect. Thus, for the first time we here show the neural mechanisms of emotion-cognition interaction in space, time, frequency and information transfer with high temporal and spatial resolution, revealing a central role for β -band activity in rIFG. Our results support the idea that rIFG plays a broad role in both inhibitory control and emotional interference inhibition as it is a site of convergence in both processes. Furthermore, our results have potential clinical implications for understanding dysfunctional emotion-cognition interaction and emotional interference inhibition in psychiatric disor-ders, e.g. major depression and substance use disorder, in which patients have difficulties in regulating emotions and executing inhibitory control.