While the cerebellum's role in motor function is well recognized, the nature of its concurrent role in cognitive function remains considerably less clear. The current consensus paper gathers diverse views on a variety of important roles played by the cerebellum across a range of cognitive and emotional functions. This paper considers the cerebellum in relation to neurocognitive development, language function, working memory, executive function, and the development of cerebellar internal control models and reflects upon some of the ways in which better understanding the cerebellum's status as a “supervised learning machine” can enrich our ability to understand human function and adaptation. As all contributors agree that the cerebellum plays a role in cognition, there is also an agreement that this conclusion remains highly inferential. Many conclusions about the role of the cerebellum in cognition originate from applying known information about cerebellar contributions to the coordination and quality of movement. These inferences are based on the uniformity of the cerebellum's compositional infrastructure and its apparent modular organization. There is considerable support for this view, based upon observations of patients with pathology within the cerebellum.

Although autism spectrum disorder (ASD) is a serious lifelong condition, its underlying neural mechanism remains unclear. Recently, neuroimaging-based classifiers for ASD and typically developed (TD) individuals were developed to identify the abnormality of functional connections (FCs). Due to over-fitting and interferential effects of varying measurement conditions and demographic distributions, no classifiers have been strictly validated for independent cohorts. Here we overcome these difficulties by developing a novel machine-learning algorithm that identifies a small number of FCs that separates ASD versus TD. The classifier achieves high accuracy for a Japanese discovery cohort and demonstrates a remarkable degree of generalization for two independent validation cohorts in the USA and Japan. The developed ASD classifier does not distinguish individuals with major depressive disorder and attention-deficit hyperactivity disorder from their controls but moderately distinguishes patients with schizophrenia from their controls. The results leave open the viable possibility of exploring neuroimaging-based dimensions quantifying the multiple-disorder spectrum.

Abstract When collecting large neuroimaging data associated with psychiatric disorders, images must be acquired from multiple sites because of the limited capacity of a single site. However, site differences represent the greatest barrier when acquiring multi-site neuroimaging data. We utilized a traveling-subject dataset in conjunction with a multi-site, multi-disorder dataset to demonstrate that site differences are composed of biological sampling bias and engineering measurement bias. Effects on resting-state functional MRI connectivity because of both bias types were greater than or equal to those because of psychiatric disorders. Furthermore, our findings indicated that each site can sample only from among a subpopulation of participants. This result suggests that it is essential to collect large neuroimaging data from as many sites as possible to appropriately estimate the distribution of the grand population. Finally, we developed a novel harmonization method that removed only the measurement bias by using traveling-subject dataset and achieved the reduction of the measurement bias by 29% and the improvement of the signal to noise ratios by 40%.

Abstract The objective diagnostic and stratification biomarkers developed with resting-state functional magnetic resonance imaging (rs-fMRI) data are expected to contribute to more effective treatment for mental disorders. Unfortunately, there are currently no widely accepted biomarkers, partially due to the large variety of analysis pipelines for developing them. In this study we comprehensively evaluated analysis pipelines using a large-scale, multi-site fMRI dataset for major depressive disorder (MDD) (1162 participants from eight imaging sites). We explored the combinations of options in four subprocesses of analysis pipelines: six types of brain parcellation, four types of estimations of functional connectivity (FC), three types of site difference harmonization, and five types of machine learning methods. 360 different MDD diagnostic biomarkers were constructed using the SRPBS dataset acquired with unified protocols (713 participants from four imaging sites) as a discovery dataset and evaluated with datasets from other projects acquired with heterogeneous protocols (449 participants from four imaging sites) for independent validation. To identify the optimal options regardless of the discovery dataset, we repeated the same procedure after swapping the roles of the two datasets. We found pipelines that included Glasser’s parcellation, tangent-covariance, no harmonization, and non-sparse machine learning methods tended to result in high classification performance. The diagnosis results of the top 10 biomarkers showed high similarity, and weight similarity was also observed between eight of the biomarkers, except two that used both data-driven parcellation and FC computation. We applied the top 10 pipelines to the datasets of other mental disorders (autism spectral disorder: ASD and schizophrenia: SCZ) and eight of the ten biomarkers showed sufficient classification performances for both disorders, except two pipelines that included Pearson correlation, ComBat harmonization and random forest classifier combination. Highlights We evaluated the analysis pipelines of rsFC biomarker development. Four subprocesses in them were investigated with two multi-site datasets. Glasser’s parcellation, tangent covariance, and non-sparse methods were preferred. The weight patterns of eight of the top 10 biomarkers showed high commonality. Eight of the top 10 pipelines were successful for developing SCZ/ASD biomarkers.

Abstract The subjective experience of causing an action is known as the sense of agency. Dysfunction in the sense of agency has been suggested as a cause of auditory hallucinations (AHs), an important diagnostic criterion for schizophrenia. However, agency over speech has not been extensively characterized in previous empirical studies. Here, we examine both implicit and explicit measures of the sense of agency and reveal bottom-up and top-down components that constitute self-agency during speech. The first is action-outcome causality, which is perceived based on a low-level sensorimotor process when hearing their own voice following their speech. The second component is self-voice identity, which is embedded in the acoustic quality of voice and dominantly influences agency over speech at the cognitive judgment level. Our findings provide profound insight into the sense of agency over speech and present an informative perspective for understanding aberrant experience in AHs.

Abstract Previous studies have suggested that awake rest after training is helpful in improving motor performance and memory consolidation in visuomotor learning. Re-emergence of task-related activation patterns during awake rest has been reported, which play a role in memory consolidation or perceptual learning. This study aimed to test whether such reactivation occurs after visuomotor learning in the primary sensorimotor cortex. During fMRI scanning, 42 normal participants learned visuomotor tracking, while a rotational perturbation was introduced between a cursor position and a joystick angle. This visuomotor learning block was interleaved with the control block, during which the participants passively viewed a replay of previously performed cursor movements of their own. Half of the participants used their right hand, and the other half used their left hand to control the joystick. The resting-state scans were measured before and after the visuomotor learning sessions. A multivariate pattern classifier was trained to classify task and control blocks and then tested with resting scans before and after learning. Results revealed a significant increase in the number of volumes classified as the task in the post-learning rest compared with the pre-learning, indicating a re-emergence of task-related activities. Representational similarity analysis also showed a more similar pattern of activity with the task during the post-learning rest period. Furthermore, this effect is specific to the primary sensorimotor cortex contralateral to the hand used and significantly correlated with motor improvement after rest. Our finding revealed the reactivation of task-related patterns in the primary sensorimotor cortex for offline visuomotor learning. Significance Statement Previous research suggests that awake rest after learning promotes memory consolidation, which is subserved by the re-emergence of task-specific activity patterns. We aimed to determine whether such reactivation occurs in the primary sensorimotor cortex following visuomotor learning for offline memory consolidation. Our results showed a significant increase in task-classified brain volumes during the post-learning rest period compared to the pre-learning period, indicating a re-emergence of task-related activity. Furthermore, this effect was specific to the primary sensorimotor cortex contralateral to the hand used for the task and significantly correlated with the motor performance following the rest period. These findings provide evidence for the reactivation of task-related patterns during offline visuomotor learning, which may underlie memory consolidation processes.

Abstract Resting-state functional connectivity (rsFC) is increasingly used to develop biomarkers for psychiatric disorders. Despite progress, development of the reliable and practical FC biomarker remains an unmet goal, particularly one that is clinically predictive at the individual level with generalizability, robustness, and accuracy. In this study, we propose a new approach to profile each connectivity from diverse perspective, encompassing not only disorder-related differences but also disorder-unrelated variations attributed to individual difference, within-subject across-runs, imaging protocol, and scanner factors. By leveraging over 1500 runs of 10-minute resting-state data from 84 traveling-subjects across 29 sites and 900 participants of the case-control study with three psychiatric disorders, the disorder-related and disorder-unrelated FC variations were estimated for each individual FC. Using the FC profile information, we evaluated the effects of the disorder-related and disorder-unrelated variations on the output of the multi-connectivity biomarker trained with ensemble sparse classifiers and generalizable to the multicenter data. Our analysis revealed hierarchical variations in individual functional connectivity, ranging from within-subject across-run variations, individual differences, disease effects, inter-scanner discrepancies, and protocol differences, which were drastically inverted by the sparse machine-learning algorithm. We found this inversion mainly attributed to suppression of both individual difference and within-subject across-runs variations relative to the disorder-related difference by weighted-averaging of the selected FCs and ensemble computing. This comprehensive approach will provide an analytical tool to delineate future directions for developing reliable individual-level biomarkers.

Abstract A sense of agency can be defined as a subjective experience that I am the one who is causing or generating an action. Several brain regions have been proposed as neural substrates of the subjective experience; however, how the information is processed and organized by each region to achieve the sense of agency still remains unclear. In this study, we have clarified the neural representations corresponding to three processes namely, sensorimotor error, feeling of agency, and judgment of agency. Specifically, we found that the widespread sensorimotor areas represent sensorimotor error information. The right inferior parietal lobe represents the information solely on self-/other-attribution even during movements, which corresponds to the feeling of agency. Finally, the right inferior frontal gyrus shows a distinct representation between self- and other-attribution immediately before reporting the judgment on the movement attribution. These results suggest that the brain builds a sense of agency by developing distinct types of information each corresponding to the three processes with the passage of time.

Intentional binding refers to subjective temporal attraction between an action and its outcome. However, the nature of intentional binding in multiple actions remains unclear. We examined intentional binding in alternated action–outcome dyads. Participants actively or passively pressed a key, followed by a tone, and they again pressed the key; resulting in four keypress–tone dyads in a trial. Participants reproduced the duration of alternated keypress–tone dyads or the temporal interval between a dyad embedded in the alternations. The reproduced duration was shorter in the active than in the passive condition, suggesting the intentional binding in action–outcome alternations. In contrast, the reproduced interval between a dyad was longer in the active condition and did not correlate with the reproduced duration. These results suggest that subjective time during actions relies not only on an internal clock but also on postdictive biases that are switched based on what we recall.

Abstract Car driving is supported by motor skills trained through continuous daily practice. One of the skills unique to expert drivers is the ability to detect abrupt changes in the driving environment and then quickly adapt their operation mode to the changes. Previous functional neuroimaging studies on motor control investigated the mechanisms underlying behaviors adaptive to changes in control properties of simple experimental devices such as a computer mouse or a joystick. The switching of multiple internal models mainly engages adaptive behaviors and underlies the interplay between the cerebellum and frontoparietal network (FPN) regions as the neural process. However, it remains unclear whether the neural mechanisms identified through an experimental paradigm using such simple devices also underlie practical driving behaviors. In the current study, we measure functional magnetic resonance imaging (fMRI) activities while participants control a realistic driving simulator inside the MRI scanner. Here, the accelerator sensitivity of a virtual car is abruptly changed, requiring participants to respond to this change as quickly as possible. We first compare brain activities before and after the sensitivity change. As a result, sensorimotor areas, including the left cerebellum, increase their activities after the sensitivity change. Moreover, after the change, activity significantly increases in the inferior parietal lobe and dorsolateral prefrontal cortex, parts of the FPN regions. By contrast, the posterior cingulate cortex, a part of the default mode network, deactivates after the sensitivity change. Our results suggest that the neural bases found in previous experiments using the simpler devices can serve as the foundation of adaptive car driving. At the same time, this study also highlights the unique contribution of non-motor-related regions to addressing the high cognitive demands of driving.