Dynamic causal modeling (DCM) is a generic Bayesian framework for inferring hidden neuronal states from measurements of brain activity. It provides posterior estimates of neurobiologically interpretable quantities such as the effective strength of synaptic connections among neuronal populations and their context-dependent modulation. DCM is increasingly used in the analysis of a wide range of neuroimaging and electrophysiological data. Given the relative complexity of DCM, compared to conventional analysis techniques, a good knowledge of its theoretical foundations is needed to avoid pitfalls in its application and interpretation of results. By providing good practice recommendations for DCM, in the form of ten simple rules, we hope that this article serves as a helpful tutorial for the growing community of DCM users.

A bstract Drugs affecting neuromodulation, for example by dopamine or acetylcholine, take centre stage among therapeutic strategies in psychiatry. These neuromodulators can change both neuronal gain and synaptic plasticity and therefore affect electrophysiological measures. An important goal for clinical diagnostics is to exploit this effect in the reverse direction, i.e., to infer the status of specific neuromodulatory systems from electrophysiological measures. In this study, we provide proof-of-concept that the functional status of cholinergic (specifically muscarinic) receptors can be inferred from electrophysiological data using generative (dynamic causal) models. To this end, we used epidural EEG recordings over two auditory cortical regions during a mismatch negativity (MMN) paradigm in rats. All animals were treated, across sessions, with muscarinic receptor agonists and antagonists at different doses. Together with a placebo condition, this resulted in five levels of muscarinic receptor status. Using a dynamic causal model - embodying a small network of coupled cortical microcircuits - we estimated synaptic parameters and their change across pharmacological conditions. The ensuing parameter estimates associated with (the neuromodulation of) synaptic efficacy showed both graded muscarinic effects and predictive validity between agonistic and antagonistic pharmacological conditions. This finding illustrates the potential utility of generative models of electrophysiological data as computational assays of muscarinic function. In application to EEG data of patients from heterogeneous spectrum diseases, e.g. schizophrenia, such models might help identify subgroups of patients that respond differentially to cholinergic treatments. S ignificance S tatement In psychiatry, the vast majority of pharmacological treatments affect actions of neuromodulatory transmitters, e.g. dopamine or acetylcholine. As treatment is largely trial-and-error based, one of the goals for computational psychiatry is to construct mathematical models that can serve as “computational assays” and infer the status of specific neuromodulatory systems in individual patients. This neuro-modelling strategy has great promise for electrophysiological data in particular but requires careful validation. The present study demonstrates that the functional status of cholinergic (muscarinic) receptors can be inferred from electrophysiological data using dynamic causal models of neural circuits. While accuracy needs to be enhanced and our results must be replicated in larger samples, our current results provide proof-of-concept for computational assays of muscarinic function using EEG.

Abstract Cortical recordings of task-induced oscillations following subanaesthetic ketamine administration demonstrate alterations in amplitude, including increases at high-frequencies (gamma) and reductions at low frequencies (theta, alpha). To investigate the population-level interactions underlying these changes, we implemented a thalamo-cortical model (TCM) capable of recapitulating broadband spectral responses. Compared with an existing cortex-only 4-population model, Bayesian Model Selection preferred the TCM. The model was able to accurately and significantly recapitulate ketamine-induced reductions in alpha amplitude and increases in gamma amplitude. Parameter analysis revealed no change in receptor time-constants but significant increases in select synaptic connectivity with ketamine. Significantly increased connections included both AMPA and NMDA mediated connections from layer 2/3 superficial pyramidal cells to inhibitory interneurons and both GABA A and NMDA mediated within-population gain control of layer 5 pyramidal cells. These results support the use of extended generative models for explaining oscillatory data and provide in silico support for ketamine’s ability to alter local coupling mediated by NMDA, AMPA and GABA-A.

Summary Pain perception is decreased by shifting attentional focus away from a threatening event. This attentional analgesia engages parallel descending control pathways from anterior cingulate (ACC) to locus coeruleus, and ACC to periaqueductal grey (PAG) – rostral ventromedial medulla (RVM), indicating possible roles for noradrenergic or opioidergic neuromodulators. To determine which pathway modulates nociceptive activity in humans we used simultaneous whole brain-spinal cord pharmacological-fMRI (N=39) across three sessions. Noxious thermal forearm stimulation generated somatotopic-activation of dorsal horn (DH, C6 segment) whose activity mirrored attentional pain modulation. Activity in an adjacent cluster reported the interaction between task and noxious stimulus. Effective connectivity analysis revealed that ACC recruits PAG and RVM to modulate spinal cord activity. Blocking endogenous opioids with Naltrexone impairs attentional analgesia and disrupts RVM-DH and ACC-PAG connectivity. Noradrenergic augmentation with Reboxetine did not alter attentional analgesia. Cognitive pain modulation is mediated by opioidergic ACC-PAG-RVM descending control which supresses spinal nociceptive activity.

The analysis of neural circuits can provide critical insights into the mechanisms of neurodegeneration and dementias, and offer potential quantitative biological tools to assess novel therapeutics. Here we use behavioural variant frontotemporal dementia (bvFTD) as a model disease. We demonstrate that inversion of canonical microcircuit models to non- invasive human magnetoecphalography can identify the regional- and laminar-specificity of bvFTD pathophysiology, and their parameters can accurately differentiate patients from matched healthy controls. Using such models, we show that changes in local coupling in frontotemporal dementia underlie the failure to adequately establish sensory predictions, leading to altered prediction error responses in a cortical information-processing hierarchy. Using machine learning, this model-based approach provided greater case-control classification accuracy than conventional evoked cortical responses. We suggest that this approach provides an in vivo platform for testing mechanistic hypotheses about disease progression and pharmacotherapeutics.

Abstract Humans often act in the best interests of others. However, how we learn which actions result in good outcomes for other people and the neurochemical systems that support this ‘prosocial learning’ remain poorly understood. Using computational models of reinforcement learning, functional magnetic resonance imaging and dynamic causal modelling, we examined how different doses of intranasal oxytocin, a neuropeptide linked to social cognition, impact how people learn to benefit others (prosocial learning) and whether this influence could be dissociated from how we learn to benefit ourselves (self-oriented learning). We show that a low dose of oxytocin prevented decreases in prosocial performance over time, despite no impact on self-oriented learning. Critically, oxytocin produced dose-dependent changes in the encoding of prediction errors (PE) in the midbrain-subgenual anterior cingulate cortex (sgACC) pathway specifically during prosocial learning. Our findings reveal a new role of oxytocin in prosocial learning by modulating computations of PEs in the midbrain-sgACC pathway.

Background: Impaired consciousness has been associated with impaired cortical signal propagation following transcranial magnetic stimulation (TMS). Herein we hypothesized that the reduced current propagation under propofol-induced unresponsiveness is associated with changes in both feedforward and feedback connectivity across the cortical hierarchy. Methods: Eight subjects underwent left occipital TMS coupled with high-density electroencephalograph (EEG) recordings during wakefulness and propofol-induced unconsciousness. Spectral analysis was applied to responses recorded from sensors overlying six hierarchical cortical sources involved in visual processing. Dynamic causal modelling (DCM) of evoked and induced source-space responses was used to investigate propofol effects on connectivity between regions. Results: Propofol produced a wideband reduction in evoked power following TMS in five out of six electrodes. Bayesian Model Selection supported a DCM with hierarchical feedforward and feedback connections to best fit the data. DCM of induced responses revealed that the primary effect of propofol was impaired feedforward responses in cross frequency theta/alpha-gamma coupling and within frequency theta coupling (F contrast, Family Wise Error corrected p<0.05). An exploratory analysis (thresholded at uncorrected p<0.001) also suggested that propofol impaired feedforward and feedback beta band coupling. Posthoc analyses showed impairments in all feedforward connections and one feedback connection from parietal to occipital cortex. DCM of the evoked response potential showed impaired feedforward connectivity between left sided occipital and parietal cortex (T contrast p=0.004, Bonferroni corrected). Conclusions: Our data suggest that propofol-induced loss of consciousness is associated with reduced evoked power and impaired hierarchical feedforward connectivity following occipital TMS.

Abstract Purpose Owing to the high cost of modern MRI systems, their use in clinical care and neurodevelopmental research is limited to hospitals and universities in high income countries. Ultra-low-field systems with significantly lower scanning costs bear the potential for global adoption, however their reduced SNR compared to 1.5 or 3T systems limits their applicability for research and clinical use. Methods In this paper, we describe a deep-learning based super-resolution approach to generate high-resolution isotropic T 2 -weighted scans from low-resolution inputs. We train a ‘multi-orientation U-Net’, which uses multiple low-resolution anisotropic images acquired in orthogonal orientations to construct a super-resolved output. Results Our approach exhibits improved quality of outputs compared to current state-of-the-art methods for super-resolution of ultra-low-field scans in paediatric populations. The average correlation value between volume estimates from high-field scans and super-resolved outputs rises to 0.77 using our method, compared to 0.71 using earlier techniques. Conclusion Our research serves as proof-of-principle of the viability of training deep-learning based super-resolution models for use in neurodevelopmental research and presents the first U-Net trained exclusively on paired ultra-low-field and high-field data from infants.

Pain perception is diminished when attention is diverted. Our previous human fMRI study, using a 2x2 factorial design with thermal stimuli and concurrent visual attention task, linked the brainstem triad of locus coeruleus (LC), rostroventromedial medulla (RVM) and periaqueductal grey (PAG) to attentional analgesia. This study was repeated with a larger cohort, replicating our earlier findings. Pain intensity was encoded by the RVM, whilst activity in the contralateral LC correlated with the magnitude of attentional analgesia. Psycho-Physiological Interaction analysis informed subsequent Dynamic Causal Modelling and identified two parallel paths between forebrain and the brainstem regions involved in analgesia. These cortico-brainstem connections were modulated by attentional demand: a bidirectional anterior cingulate cortex (ACC) – right-LC loop, and a top-down influence of task on ACC-PAG-RVM. Under conditions of competing attentional demands the ACC recruits discrete brainstem circuits to modulate nociceptive input.

ABSTRACT Gut inflammation is thought to modify brain activity and behaviour via modulation of the gut-brain axis. However, how relapsing and remitting exposure to peripheral inflammation over the natural history of inflammatory bowel disease (IBD) contributes to altered brain dynamics is poorly understood. Here, we used electroencephalography (EEG) to characterise changes in spontaneous spatiotemporal brain states in Crohn’s Disease (CD) (n = 40) and Ulcerative Colitis (UC) (n = 30), compared to healthy individuals (n = 28). We first provide evidence of a significantly perturbed and heterogeneous microbial profile in CD, consistent with previous work showing enduring and long-standing dysbiosis in clinical remission. Results from our brain state assessment show that CD and UC exhibit alterations in the temporal properties of states implicating default-mode network, parietal, and visual regions, reflecting a shift in the predominance from externally to internally-oriented attentional modes. We investigated these dynamics at a finer sub-network resolution, showing a CD-specific and highly selective enhancement of connectivity between the insula and mPFC, regions implicated in cognitive-interoceptive appraisal mechanisms. Alongside overall higher anxiety scores in CD, we also provide preliminary support to suggest that the strength of chronic interoceptive hyper-signalling in the brain co-occurs with disease duration. Together, our results demonstrate that a long-standing diagnosis of CD is, in itself, a key factor in determining the risk of developing altered brain network signatures.