ABSTRACT Sleep is a highly stereotyped phenomenon, requiring robust spatial and temporal coordination of neural activity. How the brain coordinates neural activity with sleep onset can provide insight into the physiological functions subserved by sleep and pathologic phenomena associated with sleep onset. We quantified whole-brain network changes in synchrony and information flow during the transition from wake to non-rapid eye movement (NREM) sleep using magnetoencephalography imaging in healthy subjects. In addition, we performed computational modeling to infer excitatory and inhibitory properties of local neural activity. The sleep transition was identified to be encoded in spatially and temporally specific patterns of local and long-range neural synchrony. Patterns of information flow revealed that mesial frontal regions receive hierarchically organized inputs from broad cortical regions upon sleep onset. Finally, biophysical neural mass modeling demonstrated spatially heterogeneous properties of cortical excitation-to-inhibition from wake to NREM. Together, these findings reveal whole-brain corticocortical structure in the sleep-wake transition and demonstrate the orchestration of local and long-range, frequency-specific cortical interactions that are fundamental to sleep onset.

ABSTRACT Background Neuronal and circuit level abnormalities of excitation and inhibition are shown to be associated with tau and amyloid-beta (Aβ) in preclinical models of Alzheimer’s disease (AD). These relationships remain poorly understood in patients with AD. Methods Using empirical spectra from magnetoencephalography (MEG) and computational modeling (neural mass model; NMM) we examined excitatory and inhibitory parameters of neuronal subpopulations and investigated their specific associations to regional tau and Aβ, measured by positron emission tomography (PET), in patients with AD. Results Patients with AD showed abnormal excitatory and inhibitory time-constants and neural gains compared to age-matched controls. Increased excitatory time-constants distinctly correlated with higher tau depositions while increased inhibitory time-constants distinctly correlated with higher Aβ depositions. Conclusions Our results provide critical insights about potential mechanistic links between abnormal neural oscillations and cellular correlates of impaired excitatory and inhibitory synaptic functions associated with tau and Aβ in patients with AD. Funding This study was supported by the National Institutes of Health grants: K08AG058749 (KGR), F32AG050434-01A1 (KGR), K23 AG038357 (KAV), P50 AG023501, P01 AG19724 (BLM), P50-AG023501 (BLM & GDR), R01 AG045611 (GDR); AG034570, AG062542 (WJ); NS100440 (SSN), DC176960 (SSN), DC017091 (SSN), AG062196 (SSN); a grant from John Douglas French Alzheimer’s Foundation (KAV); grants from Larry L. Hillblom Foundation: 2015-A-034-FEL and (KGR); 2019-A-013-SUP (KGR); a grant from the Alzheimer’s Association: (PCTRB-13-288476) (KAV), and made possible by Part the CloudTM, (ETAC-09-133596); a grant from Tau Consortium (GDR & WJJ), and a gift from the S. D. Bechtel Jr. Foundation.

The relationship between brain functional connectivity and structural connectivity has caught extensive attention of the neuroscience community, commonly inferred using mathematical modeling. Among many modeling approaches, spectral graph model (SGM) is distinctive as it has a closed-form solution of the wide-band frequency spectra of brain oscillations, requiring only global biophysically interpretable parameters. While SGM is parsimonious in parameters, the determination of SGM parameters is non-trivial. Prior works on SGM determine the parameters through a computational intensive annealing algorithm, which only provides a point estimate with no confidence intervals for parameter estimates. To fill this gap, we incorporate the simulation-based inference (SBI) algorithm and develop a Bayesian procedure for inferring the posterior distribution of the SGM parameters. Furthermore, using SBI dramatically reduces the computational burden for inferring the SGM parameters. We evaluate the proposed SBI-SGM framework on the resting-state magnetoencephalography recordings from healthy subjects and show that the proposed procedure has similar performance to the annealing algorithm in recovering power spectra and the spatial distribution of the alpha frequency band. In addition, we also analyze the correlations among the parameters and their uncertainty with the posterior distribution which can not be done with annealing inference. These analyses provide a richer understanding of the interactions among biophysical parameters of the SGM. In general, the use of simulation-based Bayesian inference enables robust and efficient computations of generative model parameter uncertainties and may pave the way for the use of generative models in clinical translation applications.

Abstract Defects in axonal transport may partly underpin the differences between the observed pathophysiology of Alzheimer’s disease (AD) and that of other non-amyloidogenic tauopathies. Particularly, pathological tau variants may have molecular properties that dysregulate motor proteins responsible for the anterograde-directed transport of tau in a disease-specific fashion. Here we develop the first computational model of tau-modified axonal transport that produces directional biases in the spread of tau pathology. We simulated the spatiotemporal profiles of soluble and insoluble tau species in a multicompartment, two-neuron system using biologically plausible parameters and time scales. Changes in the balance of tau transport feedback parameters can elicit anterograde and retrograde biases in the distributions of soluble and insoluble tau between compartments in the system. Aggregation and fragmentation parameters can also perturb this balance, suggesting a complex interplay between these distinct molecular processes. Critically, we show that the model faithfully recreates the characteristic network spread biases in both AD-like and non-AD-like mouse tauopathy models. Tau transport feedback may therefore help link microscopic differences in tau conformational states and the resulting variety in clinical presentations. Author Summary The misfolding and spread of the axonal protein tau is a hallmark of the pathology of many neurodegenerative disorders, including Alzheimer’s disease and frontotemporal lobar dementia. How tau misfolding causes disorders with distinct neuropathology and clinical presentations is the subject of ongoing research. Although current evidence suggests that the specific conformations tau adopts affect where it spreads throughout the brain, a mechanistic explanation has remained elusive. Here we propose that the conformer-specific dysregulation of axonal transport can lead to directionally biased spread, and we employ a mathematical model to explore how tau spreads between neurons in the context of this transport feedback mechanism. We find that conformation-specific feedback is flexible enough to explain bias in either direction and thoroughly explore how this bias emerges as a function of the model’s key parameters. Further, the model reproduces the temporal evolution of directionality observed in two classes of in vivo tauopathy models, demonstrating that transport feedback is sufficient to explain differential tau spread as a function of conformation.

Abstract Chemotherapy-induced peripheral neuropathy (CIPN) is a prevalent, painful side effect which arises due to a number of chemotherapy agents. CIPN can have a prolonged effect on quality of life. Chemotherapy treatment is often reduced or stopped altogether because of the severe pain. Currently, there are no FDA-approved treatments for CIPN partially due to its complex pathogenesis in multiple pathways involving a variety of channels, specifically, voltage-gated ion channels. A surrogate of neuropathic pain in an in vitro setting is hyperexcitability in dorsal root ganglia (DRG) peripheral sensory neurons. Our study employs bifurcation theory to investigate the role of voltage-gated ion channels in inducing hyperexcitability as a consequence of spontaneous firing, due to the common chemotherapy agent paclitaxel. Our mathematical investigation suggests that the sodium channel Na v 1.8 and the delayed rectifier potassium channel conductances are the most critical for hyperexcitability in normal firing small DRG neurons. Introducing paclitaxel into the model, our bifurcation analysis predicts that hyperexcitability is extreme for a medium dose of paclitaxel, which is validated by multi-electrode array recordings. Our findings using multi-electrode array experiments reveal that the Na v 1.8 blocker A-803467 and the delayed rectifier potassium enhancer L-alpha-phosphatidyl-D-myo-inositol 4,5-diphosphate, dioctanoyl (PIP 2 ) have a protective effect on the firing rate of DRG when administered separately together with paclitaxel as suggested by our bifurcation analysis.

Abstract We explore the stability and dynamic properties of a hierarchical, linearized, and analytic spectral graph model for neural oscillations that integrates the structuring wiring of the brain. Previously we have shown that this model can accurately capture the frequency spectra and the spatial patterns of the alpha and beta frequency bands obtained from magnetoencephalography recordings without regionally varying parameters. Here, we show that this macroscopic model based on long-range excitatory connections exhibits dynamic oscillations with a frequency in the alpha band even without any oscillations implemented at the mesoscopic level. We show that depending on the parameters, the model can exhibit combinations of damped oscillations, limit cycles, or unstable oscillations. We determined bounds on model parameters that ensure stability of the oscillations simulated by the model. Finally, we estimated time-varying model parameters to capture the temporal fluctuations in magnetoencephalography activity. We show that a dynamic spectral graph modeling framework with a parsimonious set of biophysically interpretable model parameters can thereby be employed to capture oscillatory fluctuations observed in electrophysiological data in various brain states and diseases.

Abstract Mathematical modeling of the relationship between the functional activity and the structural wiring of the brain has largely been undertaken using non-linear and biophysically detailed mathematical models with regionally varying parameters. While this approach provides us a rich repertoire of multistable dynamics that can be displayed by the brain, it is computationally demanding. Moreover, although neuronal dynamics at the microscopic level are nonlinear and chaotic, it is unclear if such detailed nonlinear models are required to capture the emergent meso- (regional population ensemble) and macroscale (whole brain) behavior, which is largely deterministic and reproducible across individuals. Indeed, recent modeling effort based on spectral graph theory has shown that an analytical model without regionally varying parameters can capture the empirical magnetoencephalography frequency spectra and the spatial patterns of the alpha and beta frequency bands accurately. In this work, we demonstrate an improved hierarchical, linearized, and analytic spectral graph theorybased model that can capture the frequency spectra obtained from magnetoencephalography recordings of resting healthy subjects. We reformulated the spectral graph theory model in line with classical neural mass models, therefore providing more biologically interpretable parameters, especially at the local scale. We demonstrated that this model performs better than the original model when comparing the spectral correlation of modeled frequency spectra and that obtained from the magnetoencephalography recordings. This model also performs equally well in predicting the spatial patterns of the empirical alpha and beta frequency bands. Highlights We show an improved hierarchical, linearized, and analytic spectral graph theory-based model that can capture the frequency spectra obtained from magnetoencephalography recordings This model also accurately captures the spatial patterns of the empirical alpha and beta frequency bands, requiring only 5-10 graph eigenmodes to do so

Various techniques, including optogenetics, chemogenetics, electrical stimulation, and lesions are used to probe brain function and dysfunction. However, the mechanistic consequences of such manipulations at the whole-brain scale remain poorly understood. This information is necessary for a proper interpretation of the functional consequences of local alterations. Combining mouse experimental datasets of focal interventions (thalamic lesion and chemogenetic silencing of cortical hubs), we demonstrate both local and global effects. Utilizing advanced whole-brain simulations of experimental data, we not only confirm the distributed nature of local manipulations but also offer mechanistic insights into these processes. Our simulations predict that the reconfiguration of hemodynamic functional connectivity is tightly coupled with the modulation of neurophysiological activity. This includes alterations in firing rates and spectral characteristics across specific brain networks, leading to structured changes in functional connectivity patterns. Crucially, the brain subnetworks most profoundly impacted are contingent upon the precise site of local intervention. Thus, these subnetworks serve as distinctive fingerprints, enabling pinpoint localization of the altered brain region. This knowledge holds the potential to inform clinical decision-making and address focal brain pathologies by developing circuit-level interventions and customized neuromodulation therapies.

Pain is a common sensation which inescapably arises due to injuries, as well as, various diseases and disorders. However, for the same intensity of disturbance arising due to the forgoing causes, the threshold for pain sensation and perception varies among individuals. Here, we present a computational approach using bifurcation theory to understand how the pain sensation threshold varies and how it can be controlled, the threshold being quantified by the electrical activity of a pain-sensing neuron. To this end, we explored the bifurcations arising from a mathematical model representing the dynamics of this neuron. Our findings indicate that the bifurcation points are sensitive to specific model parameters. This demonstrates that the pain sensation threshold can change as shown in experimental studies found in literature. Further investigation using our bifurcation approach coupled with experimental studies can facilitate rigorous understanding of pain response mechanism and provide strategies to control the pain sensation threshold.

Resting state functional MRI (rs-fMRI) is a popular and widely used technique to explore the brain's functional organization and to examine if it is altered in neurological or mental disorders. The most common approach for its analysis targets the measurement of the synchronized fluctuations between brain regions, characterized as functional connectivity (FC), typically relying on pairwise correlations in activity across different brain regions. While hugely successful in exploring state- and disease-dependent network alterations, these statistical graph theory tools suffer from two key limitations. First, they discard useful information about the rich frequency content of the fMRI signal. The rich spectral information now achievable from advances in fast multiband acquisitions is consequently being under-utilized. Second, the analyzed FCs are phenomenological without a direct neurobiological underpinning in the underlying structures and processes in the brain. There does not currently exist a complete generative model framework for whole brain resting fMRI that is informed by its underlying biological basis in the structural connectome. Here, we propose that a different approach can solve both challenges at once: the use of an appropriately realistic yet parsimonious biophysical signal generation model followed by graph spectral (i.e. eigen) decomposition. We call this model a Spectral Graph Model (SGM) for fMRI, using which we can not only quantify the structure-function relationship in individual subjects, but also condense the variable and individual-specific repertoire of fMRI signal's spectral and spatial features into a small number of biophysically-interpretable parameters. We expect this model-based inference of rs-fMRI that seamlessly integrates with structure can be used to examine state and trait characteristics of structure-function relations in a variety of brain disorders.