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.

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.

Abstract Introduction Neural circuit alterations lay at the core of brain physiopathology, and yet are hard to unveil in living subjects. Virtual brain modelling (TVB), by exploiting structural and functional MRI, yields mesoscopic parameters of connectivity and synaptic transmission. Methods We used TVB to simulate brain networks, which are key for human brain function, in Alzheimer’s disease (AD) and Frontotemporal Dementia (FTD) patients, whose connectivity and synaptic parameters remain largely unknown; we then compared them to healthy controls, to reveal novel in vivo pathological hallmarks. Results The pattern of simulated parameter differed between AD and FTD, shedding light on disease-specific alterations in brain networks. Individual subjects displayed subtle differences in network parameter patterns that significantly correlated with their individual neuropsychological, clinical, and pharmacological profiles. Discussion These TVB simulations, by informing about a new personalized set of networks parameters, open new perspectives for understanding dementias mechanisms and design personalized therapeutic approaches.

Brain dynamics span multiple spatial and temporal scales, from fast spiking neurons to slow fluctuations over distributed areas. No single experimental method links data across scales. Here, we bridge this gap using The Virtual Brain connectome-based modelling platform to integrate multimodal data with biophysical models and support neurophysiological inference. Simulated cell populations were linked with subject-specific white-matter connectivity estimates and driven by electroencephalography-derived electric source activity. The models were fit to subject-specific resting-state functional magnetic resonance imaging data, and overfitting was excluded using 5-fold cross-validation. Further evaluation of the models show how balancing excitation with feedback inhibition generates an inverse relationship between α-rhythms and population firing on a faster time scale and resting-state network oscillations on a slower time scale. Lastly, large-scale interactions in the model lead to the emergence of scale-free power-law spectra. Our novel findings underscore the integrative role for computational modelling to complement empirical studies.

The brain consists of a vastly interconnected network of regions, the connectome. By estimating the statistical interdependence of neurophysiological time series, we can measure the functional connectivity (FC) of this connectome. Pearson’s correlation (rP) is a common metric of coupling in FC studies. Yet rP does not account properly for the non-stationarity of the signals recorded in neuroimaging. In this study, we introduced a novel estimator of coupled dynamics termed multiscale detrended cross-correlation coefficient (MDC3). Firstly, we showed that MDC3 had higher accuracy compared to rP using simulated time series with known coupling, as well as simulated functional magnetic resonance imaging (fMRI) signals with known underlying structural connectivity. Next, we computed functional brain networks based on empirical magnetoencephalography (MEG) and fMRI. We found that by using MDC3 we could construct networks of healthy populations with significantly different properties compared to rP networks. Based on our results, we believe that MDC3 is a valid alternative to rP that should be incorporated in future FC studies.

Alzheimer's disease (AD) is marked by cognitive dysfunction emerging from neuropathological processes impacting on brain function. AD affects brain dynamics at the local level, such as changes in the balance of inhibitory and excitatory neuronal populations, as well as long-range changes to the global network. Individual differences in these changes as they relate to behaviour are poorly understood. Here, we use a multi-scale neurophysiological model, The Virtual Brain (TVB), based on empirical multi-modal neuroimaging data, to study how local and global dynamics correlate with individual differences in cognition. In particular, we modelled individual resting-state functional activity of 124 individuals across the behavioral spectrum from healthy aging, to amnesic Mild Cognitive Impairment (MCI), to AD. The model parameters required to accurately simulate empirical functional brain imaging data correlated significantly with cognition, and exceeded the predictive capacity of empirical connectomes.

Abstract Background Processing stroke magnetic resonance imaging (MRI) brain data can be susceptible to lesion-based abnormalities. In this study we developed and validated the Lesion Aware automated Processing Pipeline (LeAPP) that incorporates mitigation measures, improving volumetric and connectomics outputs compared to current standards in automated MRI processing pipelines. Methods Building upon the Human Connectome Project (HCP) minimal processing pipeline, we introduced correction measures, such as cost-function masking and virtual brain transplant, and extended functional and diffusion processing to match acquisition protocols often found in a clinical context. A total of 51 participants (36 stroke patients (65.7±12.96 years, 18 female) and 15 healthy controls (69.2±7.4 years, 7 female)) were processed across four time points for patients (3-5, 30-40, 85-95, 340-380 days after stroke onset) and one time point for controls. Artificially lesioned brains (N=82), derived from healthy brains and informed by real stroke lesions were created, thus generating ground-truth data for validation. The processing pipeline and validation framework are available as containerized open-source software. Reconstruction quality has been quantified on whole brain level and for lesion affected and unaffected regions-of-interest (ROIs) using metrics like dice score, volume difference and center-of-gravity distance. Global and local level connectome reconstruction was assessed using node strength, node centrality and clustering coefficient. Results The new pipeline LeAPP provides close reconstructions of the ground truth. Deviations in reconstructed averaged whole brain node strength and all ROI based volume and connectome metrics were significantly reduced compared to the HCP pipeline without stroke specific mitigation measures. Conclusions LeAPP improves reconstruction quality of multimodal MRI processing for brain parcellation and structural connectome estimation significantly over the non-adapted HCP in the presence of lesions and provides a robust framework for diffusion and functional image processing of clinical stroke data. This novel open-source automated processing pipeline contributes to a development towards reproducible research. Graphical abstract

Models of large-scale brain networks that are informed by the underlying anatomical connectivity contribute to our understanding of the mapping between the structure of the brain and its dynamical function. Connectome-based modelling is a promising approach to a more comprehensive understanding of brain function across spatial and temporal scales, but it must be constrained by multi-scale empirical data from animal models. Here we describe the construction of a macaque connectome for whole-cortex simulations in TheVirtualBrain, an open-source simulation platform. We take advantage of available axonal tract-tracing datasets and enhance the existing connectome data using diffusion-based tractography in macaques. We illustrate the utility of the connectome as an extension of TheVirtualBrain by simulating resting-state BOLD-fMRI data and fitting it to empirical resting-state data.

Brain tumor patients scheduled for tumor resection often face significant uncertainty, as the outcome of neurosurgery is difficult to predict at the individual patient level. Recently, computational modeling of brain activity using so-called brain network models has been introduced as a promising tool for this purpose. However, brain network models first have to be validated, before they can be used to predict brain dynamics. In prior work, we optimized individual brain network model parameters to maximize the fit with empirical brain activity. In this study, we extend this line of research by examining the stability of fitted parameters before and after tumor resection, and compare it with baseline parameter variability using data from healthy control subjects. Based on these findings, we perform the first “virtual neurosurgery” analyses to evaluate the potential of brain network modeling in predicting brain dynamics after tumor resection.We find that brain network model parameters are relatively stable over time in brain tumor patients who underwent tumor resection, compared with baseline variability in healthy control subjects. In addition, we identify several robust associations between individually optimized model parameters, structural network topology and cognitive performance from pre-to post-operative assessment. Concerning the virtual neurosurgery analyses, we obtain promising results in some patients, whereas the predictive accuracy of the currently applied model is poor in others. These findings reveal interesting avenues for future research, as well as important limitations that warrant further investigation.