Abstract Parkinson’s disease (PD) is characterised by the emergence of pathological patterns of oscillatory synchronisation across the cortico-basal-ganglia circuit. The relationship between anatomical connectivity and oscillatory synchronisation within this system remains poorly understood. We address this by integrating evidence from invasive electrophysiology, magnetoencephalography, tractography and computational modelling in patients. Coupling between supplementary motor area (SMA) and subthalamic nucleus (STN) within the high beta frequency (21-30 Hz) range correlated with fibre tract densities between these two structures. Additionally within the STN, non-linear waveform features suggestive of cortical synchronisation correlated with cortico-STN fibre densities. Finally, computational modelling revealed that exaggerated hyperdirect cortical inputs to the STN in the upper beta frequency range can provoke the generation of widespread pathological synchrony at lower beta (13-20 Hz) frequencies. These observations reveal a spectral signature of the hyperdirect pathway at high beta frequencies and provide evidence for its pathophysiological role in oscillatory network dysfunction in PD. One sentence summary Signatures of the hyperdirect pathway and its likely role in pathological network disruption in Parkinson’s disease are identified.

Abstract Making accurate decisions often involves the integration of current and past evidence. Here we examine the neural correlates of conflict and evidence integration during sequential decision making. Patients implanted with deep-brain stimulation (DBS) electrodes and age-matched healthy controls performed an expanded judgement task, in which they were free to choose how many cues to sample. Behaviourally, we found that while patients sampled numerically more cues, they were less able to integrate evidence and showed suboptimal performance. Using recordings of Magnetoencephalography (MEG) and local field potentials (LFP, in patients) in the subthalamic nucleus (STN), we found that beta oscillations signalled conflict between cues within a sequence. Following cues that differed from previous cues, beta power in the STN and cortex first decreased and then increased. Importantly, the conflict signal in the STN outlasted the cortical one, carrying over to the next cue in the sequence. Furthermore, after a conflict, there was an increase in coherence between the dorsal premotor cortex and subthalamic nucleus in the beta band. These results extend our understanding of cortico-subcortical dynamics of conflict processing, and do so in a context where evidence must be accumulated in discrete steps, much like in real life. Thus, the present work leads to a more nuanced picture of conflict monitoring systems in the brain and potential changes due to disease.

Abstract Parkinson’s disease dementia (PDD) and dementia with Lewy bodies (DLB) are related conditions that are associated with cholinergic system dysfunction. Dysfunction of the nucleus basalis of Meynert (NBM), a basal forebrain structure that provides the dominant source of cortical cholinergic innervation, has been implicated in the pathogenesis of both PDD and DLB. Here we leverage the temporal resolution of magnetoencephalography (MEG) with the spatial resolution of MRI tractography in order to explore the intersection of functional and structural connectivity of the NBM in a unique cohort of PDD and DLB patients undergoing Deep Brain Stimulation (DBS) of this structure. We observe that NBM-cortical structural and functional connectivity correlate within spatially and spectrally segregated networks including: 1) a beta band network to supplementary motor area (SMA), where activity in the SMA was found to drive activity in the NBM, 2) a delta/theta band network to medial temporal lobe structures encompassing the parahippocampal gyrus and 3) a delta/theta band network to visual areas including lingual gyrus. These findings reveal functional networks of the NBM that are likely to subserve important roles in motor control, memory and visual function respectively. Furthermore, they motivate future studies aimed at disentangling network contribution to disease phenotype.

Abstract Neuronal insulin resistance is linked to the pathogenesis of Parkinson’s disease through unclear, but potentially targetable, mechanisms. We delineated neuronal and glial mechanisms of insulin resistance and glucagon-like 1 peptide (GLP-1) receptor agonism in human iPSC models of synucleinopathy, and corroborated our findings in patient samples from a Phase 2 trial of a GLP-1R agonist in Parkinson’s ( NCT01971242 ). Human iPSC models of synucleinopathy exhibit neuronal insulin resistance and dysfunctional insulin signalling, which is associated with inhibition of the neuroprotective Akt pathways, and increased expression of the MAPK-associated p38 and JNK stress pathways. Ultimately, this imbalance is associated with cellular stress, impaired proteostasis, accumulation of α-synuclein, and neuronal loss. The GLP-1R agonist exenatide led to restoration of insulin signalling, associated with restoration of Akt signalling and suppression of the MAPK pathways in neurons. GLP-1R agonism reverses the neuronal toxicity associated with the synucleinopathy, through reduction of oxidative stress, improved mitochondrial and lysosomal function, reduced aggregation of α-synuclein, and enhanced neuronal viability. GLP-1R agonism further suppresses synuclein induced inflammatory states in glia, leading to neuroprotection through non cell autonomous effects. In the exenatide-PD2 clinical trial, exenatide treatment was associated with clinical improvement in individuals with higher baseline MAPK expression (and thus insulin resistance). Exenatide treatment led to a reduction of α-synuclein aggregates, and a reduction in inflammatory cytokine IL-6. Taken together, our patient platform defines the mechanisms of GLP-1R action in neurons and astrocytes, identifies the population likely to benefit from GLP-1R agonism, and highlights the utility of GLP-1R agonism as a disease modifying strategy in synucleinopathies.

Deep brain stimulation (DBS) for Parkinson's disease is a highly effective treatment in controlling otherwise debilitating symptoms yet the underlying brain mechanisms are currently not well understood. We used whole-brain computational modeling to disclose the effects of DBS ON and OFF during collection of resting state fMRI in ten Parkinson's Disease patients. Specifically, we explored the local and global impact of DBS in creating asynchronous, stable or critical oscillatory conditions using a supercritical bifurcation model. We found that DBS shifts the global brain dynamics of patients nearer to that of healthy people by significantly changing the bifurcation parameters in brain regions implicated in Parkinson's Disease. We also found higher communicability and coherence brain measures during DBS ON compared to DBS OFF. Finally, by modeling stimulation we identified possible novel DBS targets. These results offer important insights into the underlying effects of DBS, which may in time offer a route to more efficacious treatments.

Abstract Response inhibition describes the cognitive processes mediating the suppression of unwanted actions. A network involving the basal ganglia mediates two forms of response inhibition: reactive and proactive inhibition. Reactive inhibition serves to abruptly stop motor activity, whereas proactive inhibition is goal-orientated and results in slowing of motor activity in anticipation of stopping. Due to its impairment in several psychiatric disorders, the neurochemistry of response inhibition has become of recent interest. Dopamine has been posed as a candidate mediator of response inhibition due to its role in functioning of the basal ganglia and the observation that patients with Parkinson’s disease on dopamine agonists develop impulse control disorders. Although the effects of dopamine on reactive inhibition have been studied, substantial literature on the role of dopamine on proactive inhibition is lacking. To fill this gap, we devised a double-blind, placebo-controlled study of 1 mg ropinirole (a dopamine agonist) on response inhibition in healthy volunteers. We found that whilst reactive inhibition was unchanged, proactive inhibition was impaired when participants were on ropinirole relative to when on placebo. To investigate how ropinirole mediated this effect on proactive inhibition, we used hierarchical drift-diffusion modelling. We found that ropinirole impaired the ability to raise the decision threshold when proactive inhibition was called upon. Our results provide novel evidence that an acute dose of ropinirole selectively reduces proactive inhibition in healthy participants. These results may help explain how ropinirole induces impulse control disorders in susceptible patients with Parkinson’s disease.

The cortico-basal ganglia network in Parkinson's disease (PD) is characterised by the emergence of transient episodes of exaggerated beta frequency oscillatory synchrony known as bursts. Although beta bursts of prolonged duration and amplitude are well recognised to have a detrimental effect on motor function in PD, the neurophysiological mechanisms leading to burst initiation remain poorly understood. Related to this is the question of whether there exist features of basal ganglia activity which can reliably predict the onset of beta bursts. Current state-of-the-art adaptive Deep Brain Stimulation (aDBS) algorithms for PD involve the reactive delivery of stimulation following burst detection and are unable to stimulate proactively so as to prevent burst onset. The discovery of a predictive biomarker would allow for such proactive stimulation, thereby offering further potential for improvements in both the efficacy and side effect profile of aDBS. Here we use deep neural networks to address the hypothesis that beta bursts can be predicted from invasive subthalamic nucleus (STN) recordings in PD patients. We developed a neural network which was able to predict bursts 31.6ms prior to their onset, with a high sensitivity and a low false positive rate (mean performance metrics: sensitivity = 84.8%, precision = 91.5%, area under precision recall curve = 0.87 and false positive rate = 7.6 per minute). Furthermore, by considering data segments that our network labelled as being predictive, we show that a dip in the beta amplitude (a fall followed by a subsequent rise) is a predictive biomarker for subsequent burst occurrence. Our findings demonstrate proof-of-principle for the feasibility of beta burst prediction and inform the development of a new type of intelligent DBS approach with the capability of stimulating proactively to prevent beta burst occurrence.