Abstract Presurgical planning for brain tumor resection aims at delineating eloquent tissue in the vicinity of the lesion to spare during surgery. To this end, non-invasive neuroimaging techniques such as functional MRI and diffusion weighted imaging fiber tracking are currently employed. However, taking into account this information is often still insufficient, as the complex non-linear dynamics of the brain impede straightforward prediction of functional outcome after surgical intervention. Large-scale brain network modeling carries the potential to bridge this gap by integrating neuroimaging data with biophysically based models to predict collective brain dynamics. As a first step in this direction, an appropriate computational model has to be selected, after which suitable model parameter values have to be determined. To this end, we simulated large-scale brain dynamics in 25 human brain tumor patients and 11 human control participants using The Virtual Brain, an open-source neuroinformatics platform. Local and global model parameters of the Reduced Wong-Wang model were individually optimized and compared between brain tumor patients and control subjects. In addition, the relationship between model parameters and structural network topology and cognitive performance was assessed. Results showed (1) significantly improved prediction accuracy of individual functional connectivity when using individually optimized model parameters; (2) local model parameters can differentiate between regions directly affected by a tumor, regions distant from a tumor, and regions in a healthy brain; and (3) interesting associations between individually optimized model parameters and structural network topology and cognitive performance.

Abstract Introduction While the prevalence of neurodegenerative diseases associated with dementia such as Alzheimer’s disease (AD) increases, our knowledge on the underlying mechanisms, outcome predictors, or therapeutic targets is limited. In this work, we demonstrate how computational multi-scale brain modelling links phenomena of different scales and therefore identifies potential disease mechanisms leading the way to improved diagnostics and treatment. Methods The Virtual Brain (TVB; thevirtualbrain.org ) neuroinformatics platform allows standardized large-scale structural connectivity-based simulations of whole brain dynamics. We provide proof of concept for a novel approach that quantitatively links the effects of altered molecular pathways onto neuronal population dynamics. As a novelty, we connect chemical compounds measured with positron emission tomography (PET) with neural function in TVB addressing the phenomenon of hyperexcitability in AD related to the protein amyloid beta (Abeta). We construct personalized virtual brains based on individual PET derived distributions of Abeta in patients with mild cognitive impairment (MCI, N=8) and Alzheimer’s Disease (AD, N=10) and in age-matched healthy controls (HC, N=15) using data from ADNI-3 data base ( http://adni.lni.usc.edu ). In the personalized virtual brains, individual Abeta burden modulates regional inhibition, leading to disinhibition and hyperexcitation with high Abeta loads. We analyze simulated regional neural activity and electroencephalograms (EEG). Results Known empirical alterations of EEG in patients with AD compared to HCs were reproduced by simulations. The virtual AD group showed slower frequencies in simulated local field potentials and EEG compared to MCI and HC groups. The heterogeneity of the Abeta load is crucial for the virtual EEG slowing which is absent for control models with homogeneous Abeta distributions. Slowing phenomena primarily affect the network hubs, independent of the spatial distribution of Abeta. Modeling the N-methyl-D-aspartate (NMDA) receptor antagonism of memantine in local population models, reveals potential functional reversibility of the observed large-scale alterations (reflected by EEG slowing) in virtual AD brains. Discussion We demonstrate how TVB enables the simulation of systems effects caused by pathogenetic molecular candidate mechanisms in human virtual brains.

Abstract Deep brain stimulation (DBS) has been successfully applied in various neurodegenerative diseases as an effective symptomatic treatment. However, its mechanisms of action within the brain network are still poorly understood. Many virtual DBS models analyze a subnetwork around the basal ganglia and its dynamics as a spiking network with their details validated by experimental data. However, connectomic evidence shows widespread effects of DBS affecting many different cortical and subcortical areas. From a clinical perspective, various effects of DBS besides the motoric impact have been demonstrated. The neuroinformatics platform The Virtual Brain (TVB) offers a modeling framework allowing us to virtually perform stimulation, including DBS, and forecast the outcome from a dynamic systems perspective prior to invasive surgery with DBS lead placement. For an accurate prediction of the effects of DBS, we implement a detailed spiking model of the basal ganglia, which we combine with TVB via our previously developed co-simulation environment. This multiscale co-simulation approach builds on the extensive previous literature of spiking models of the basal ganglia while simultaneously offering a whole-brain perspective on widespread effects of the stimulation going beyond the motor circuit. In the first demonstration of our model, we show that virtual DBS can move the firing rates of a Parkinson’s disease patient’s thalamus - basal ganglia network towards the healthy regime while, at the same time, altering the activity in distributed cortical regions with a pronounced effect in frontal regions. Thus, we provide proof of concept for virtual DBS in a co-simulation environment with TVB. The developed modeling approach has the potential to optimize DBS lead placement and configuration and forecast the success of DBS treatment for individual patients. Highlights - We implement and validate a co-simulation approach of a spiking network model for subcortical regions in and around the basal ganglia and interface it with mean-field network models for each cortical region. - Our simulations are based on a normative connectome including detailed tracts between the cortex and the basal ganglia regions combined with subject-specific optimized weights for a healthy control and a patient with Parkinson’s disease. - We provide proof of concept by demonstrating that the implemented model shows biologically plausible dynamics during resting state including decreased thalamic activity in the virtual patient and during virtual deep brain stimulation including normalized thalamic activity and distributed altered cortical activity predominantly in frontal regions. - The presented co-simulation model can be used to tailor deep brain stimulation for individual patients.

Abstract Deep Brain Stimulation can improve tremor, bradykinesia, rigidity, and axial symptoms in patients with Parkinson’s disease. Potentially, improving each symptom may require stimulation of different white matter tracts. Here, we study a large cohort of patients (N = 237 from five centers) to identify tracts associated with improvements in each of the four symptom domains. Tremor improvements were associated with stimulation of tracts connected to primary motor cortex and cerebellum. In contrast, axial symptoms are associated with stimulation of tracts connected to the supplementary motor cortex and brainstem. Bradykinesia and rigidity improvements are associated with the stimulation of tracts connected to the supplementary motor and premotor cortices, respectively. We introduce an algorithm that uses these symptom-response tracts to suggest optimal stimulation parameters for DBS based on individual patient’s symptom profiles. Application of the algorithm illustrates that our symptom-tract library may bear potential in personalizing stimulation treatment based on the symptoms that are most burdensome in an individual patient.

Abstract Background Alzheimer’s Disease is a neurodegenerative condition associated with the accumulation of two misfolded proteins, amyloid-beta (A β ) and tau. We study their effect on neuronal activity, with the aim of assessing their individual and combined impact. Methods We use a whole-brain dynamic model to find the optimal parameters that best describe the effects of A β and tau on the excitation-inhibition balance of the local nodes. Results We found a clear dominance of A β over tau in the early disease stages (MCI), while tau dominates over A β in the latest stages (AD). We identify crucial roles for A β and tau in complex neuronal dynamics and demonstrate the viability of using regional distributions to define models of large-scale brain function in AD. Conclusions Our study provides further insight into the dynamics and complex interplay between these two proteins, opening the path for further investigations on biomarkers and candidate therapeutic targets in-silico.

Abstract Structural connectivity of the brain at different ages is analyzed using diffusion-weighted Magnetic Resonance Imaging (MRI) data. The largest decrease of the number and average length of streamlines is found for the long inter-hemispheric links, with the strongest impact for frontal regions. From the BOLD functional MRI (fMRI) time series we identify age-related changes of dynamic functional connectivity (dFC) and spatial covariation features of the FC links captured by metaconnectivity (MC). They indicate more constant dFC, but wider range and variance of MC. Finally we applied computational whole-brain network model based on oscillators, which mechanistically expresses the impact of the spatio-temporal structure of the brain (weights and the delays) to the dynamics. With this we tested several hypothesis, which revealed that the spatio-temporal reorganization of the brain with ageing, supports the observed functional fingerprints only if the model accounts for: (i) compensation of the individual brains for the overall loss of structural connectivity, and (ii) decrease of propagation velocity due to the loss of myelination. We also show that having these two conditions, it is sufficient to decompose the time-delays as bimodal distribution that only distinguishes between intra- and inter-hemispheric delays, and that the same working point also captures the static FC the best.

ABSTRACT INTRODUCTION Computational brain network modeling using The Virtual Brain (TVB) simulation platform acts synergistically with machine learning and multi-modal neuroimaging to reveal mechanisms and improve diagnostics in Alzheimer’s disease. METHODS We enhance large-scale whole-brain simulation in TVB with a cause-and-effect model linking local Amyloid β PET with altered excitability. We use PET and MRI data from 33 participants of Alzheimer’s Disease Neuroimaging Initiative (ADNI3) combined with frequency compositions of TVB-simulated local field potentials (LFP) for machine-learning classification. RESULTS The combination of empirical neuroimaging features and simulated LFPs significantly outperformed the classification accuracy of empirical data alone by about 10% (weighted F1-score empirical 64.34% vs. combined 74.28%). Informative features showed high biological plausibility regarding the Alzheimer’s-typical spatial distribution. DISCUSSION The cause-and-effect implementation of local hyperexcitation caused by Amyloid β can improve the machine-learning-driven classification of Alzheimer’s and demonstrates TVB’s ability to decode information in empirical data employing connectivity-based brain simulation. RESEARCH IN CONTEXT SYSTEMATIC REVIEW . Machine-learning has been proven to augment diagnostics of dementia in several ways. Imaging-based approaches enable early diagnostic predictions. However, individual projections of long-term outcome as well as differential diagnosis remain difficult, as the mechanisms behind the used classifying features often remain unclear. Mechanistic whole-brain models in synergy with powerful machine learning aim to close this gap. INTERPRETATION . Our work demonstrates that multi-scale brain simulations considering Amyloid β distributions and cause-and-effect regulatory cascades reveal hidden electrophysiological processes that are not readily accessible through measurements in humans. We demonstrate that these simulation-inferred features hold the potential to improve diagnostic classification of Alzheimer’s disease. FUTURE DIRECTIONS . The simulation-based classification model needs to be tested for clinical usability in a larger cohort with an independent test set, either with another imaging database or a prospective study to assess its capability for long-term disease trajectories.

1. Abstract Brain Network Models (BNMs) are a family of dynamical systems that simulate whole brain activity using neural mass models to represent local activity in different brain regions that influence each other via a global structural network. Research has been interested in using these network models to explain measured whole brain activity measured via resting state functional magnetic resonance imaging (rs-fMRI). Properties computed over longer periods of simulated and measured data such as average functional connectivity (FC), have shown to be comparable with similar properties estimated from measured rs-fMRI data. While this shows that these network models have similar properties over the dynamical landscape, it is unclear how well simulated trajectories compare with empirical trajectories on a timepoint-by-timepoint basis. Previous studies have shown that BNMs are able to produce relevant features at shorter timescales, but analysis of short-term trajectories or transient dynamics as defined by synchronized predictions from BNM made at the same timescale as the collected data has not yet been conducted. Relevant neural processes exist in the time frame of measurements and are often used in task fMRI studies to understand neural responses to behavioral cues. Therefore, it is important to investigate how much of these dynamics are captured by our current brain simulations. To test the nature of BNMs short term trajectories against observed data, we utilize a deep learning technique known as Neural ODE that based on an observed sequence of fMRI measurements, estimates the initial conditions such that the BNM’s simulation is synchronized to produce the closest trajectory relative to the observed data. We test to see if the parameterization of a specific well studied BNM, the Firing Rate Model, calculated by maximizing its accuracy in reproducing observed short term trajectories matches with the parameterized model that produces the best average long-term metrics. Our results show that such an agreement between parameterization using long and short simulation analysis exists if also considering other factors such as the sensitivity in accuracy with relative to changes in structural connectivity. Therefore, we conclude that there is evidence that by solving for initial conditions, BNMs can be simulated in a meaningful way when comparing against measured data trajectories, although future studies are necessary to establish how BNM activity relate to behavioral variables or to faster neural processes during this time period.

The neurophysiological processes underlying non-invasive brain activity measurements are not well understood. Here, we developed a novel connectome-based brain network model that integrates individual structural and functional data with neural population dynamics to support multi-scale neurophysiological inference. Simulated populations were linked by structural connectivity and, as a novelty, driven by electroencephalography (EEG) source activity. Simulations not only predicted subjects’ individual resting-state functional magnetic resonance imaging (fMRI) time series and spatial network topologies over 20 minutes of activity, but more importantly, they also revealed precise neurophysiological mechanisms that underlie and link six empirical observations from different scales and modalities: (1) slow resting-state fMRI oscillations, (2) spatial topologies of functional connectivity networks, (3) excitation-inhibition balance, (4, 5) pulsed inhibition on short and long time scales, and (6) fMRI power-law scaling. These findings underscore the potential of this new modelling framework for general inference and integration of neurophysiological knowledge to complement empirical studies.

We present raw and processed multimodal empirical data as well as simulation results from a study with The Virtual Brain (TVB). Simultaneous electroencephalography (EEG) - functional magnetic resonance imaging (fMRI) resting-state data, diffusion-weighted MRI, and structural MRI were acquired for 50 healthy adult subjects (18 - 80 years of age) at the Charité University Medicine, Berlin, Germany. We constructed personalized models from this multimodal data with TVB by optimizing parameters on an individual basis that predict multiple empirical features in fMRI and EEG, e.g. dynamic functional connectivity and bimodality in the alpha band power. We annotated this large comprehensive empirical and simulated data set according to the openMINDS meta data schema and structured it following Brain Imaging Data Structure (BIDS) standards for EEG and MRI as well as the BIDS Extension Proposal for computational modeling data. This dataset provides ready-to-use data for future research at various levels of processing including the thereof inferred brain simulation results for a large data set of healthy subjects with a wide age range.