Abstract Large neuroimaging datasets, including information about structural (SC) and functional connectivity (FC), play an increasingly important role in clinical research, where they guide the design of algorithms for automated stratification, diagnosis or prediction. A major obstacle is, however, the problem of missing features (e.g., lack of concurrent DTI SC and resting-state fMRI FC measurements for many of the subjects). We propose here to address the missing connectivity features problem by introducing strategies based on computational whole-brain network modeling. Using two datasets, the ADNI dataset and a healthy aging dataset, for proof-of-concept, we demonstrate the feasibility of virtual data completion (i.e., inferring “virtual FC” from empirical SC or “virtual SC” from empirical FC), by using self-consistent simulations of linear and nonlinear brain network models. Furthermore, by performing machine learning classification (to separate age classes or control from patient subjects) we show that algorithms trained on virtual connectomes achieve discrimination performance comparable to when trained on actual empirical data; similarly, algorithms trained on virtual connectomes can be used to successfully classify novel empirical connectomes. Completion algorithms can be combined and reiterated to generate realistic surrogate connectivity matrices in arbitrarily large number, opening the way to the generation of virtual connectomic datasets with network connectivity information comparable to the one of the original data. Significance statement Personalized information on anatomical connectivity (“structural connectivity”, SC) or coordinated resting state activation patterns (“functional connectivity’, FC) is a source of powerful neuromarkers to detect and track the development of neurodegenerative diseases. However, there are often “gaps” in the available information, with only SC (or FC) being known but not FC (or SC). Exploiting whole-brain modelling, we show that gap in databases can be filled by inferring the other connectome through computational simulations. The generated virtual connectomic data carry information analogous to the one of empirical connectomes, so that machine learning algorithms can be trained on them. This opens the way to the release in the future of cohorts of “virtual patients”, complementing traditional datasets in data-driven predictive medicine.

Abstract Visual exploration is related to activity in the hippocampus (HC) and/or extended medial temporal lobe system (MTL), is influenced by stored memories, and is altered in amnesic cases. An extensive set of polysynaptic connections exists both within and between the HC and oculomotor systems such that investigating how HC responses ultimately influence neural activity in the oculomotor system, and the timing by which such neural modulation could occur is not trivial. We leveraged TheVirtualBrain, a software platform for large-scale network simulations, to model the functional dynamics that govern the interactions between the two systems in the macaque cortex. Evoked responses following the stimulation of the MTL and some, but not all, subfields of the HC resulted in observable responses in oculomotor regions, including the frontal eye fields (FEF), within the time of a gaze fixation. Modeled lesions to some MTL regions slowed the dissipation of HC signal to oculomotor regions, whereas HC lesions generally did not affect the rapid MTL activity propagation to oculomotor regions. These findings provide a framework for investigating how information represented by the HC/MTL may influence the oculomotor system during a fixation and predict how HC lesions may affect visual exploration. Author Summary No major account of oculomotor (eye movement) guidance considers the influence of the hippocampus (HC) and broader medial temporal lobe (MTL) system, yet it is clear that information is exchanged between the two systems. Prior experience influences current viewing, and cases of amnesia due to compromised HC/MTL function show specific alterations in viewing behaviour. By modeling large-scale network dynamics, we show that stimulation of subregions of the HC, and of the MTL, rapidly results in observable responses in oculomotor control regions, and that HC/MTL lesions alter signal propagation. These findings suggest that information from memory may readily guide visual exploration, and calls for a reconsideration of the neural circuitry involved in oculomotor guidance.

Abstract Brain signal variability changes across the lifespan in both health and disease, likely reflecting changes in information processing capacity related to development, aging and neurological disorders. While signal complexity, and multiscale entropy (MSE) in particular, has been proposed as a biomarker for neurological disorders, most observations of altered signal complexity have come from studies comparing patients with few to no comorbidities against healthy controls. In this study, we examined whether MSE of brain signals was distinguishable across individuals in a large and heterogeneous set of clinical-EEG data. Using a multivariate analysis, we found unique timescale-dependent differences in MSE across various neurological disorders. We also found MSE to differentiate individuals with non-brain comorbidities, suggesting that MSE is sensitive to brain signal changes brought about by metabolic and other non-brain disorders. Such changes were not detectable in the spectral power density of brain signals. Our findings suggest that brain signal complexity may offer complementary information to spectral power about an individual’s health status and is a promising avenue for clinical biomarker development.

Understanding how the human brain integrates information from the environment with ongoing, internal brain signals in order to produce individual perspective is an essential element of understanding the human mind. Brain signal complexity, measured with multiscale entropy, has been employed as a measure of information processing in the brain (Carpentier et al., 2016), and we propose that it can also be used to measure the information available from a stimulus. We can directly assess the correspondence, or functional isomorphism, between brain signal complexity and stimulus complexity as an indication of how well the brain reflects the content of the environment in an analysis that we termed complexity matching. Music makes an ideal stimulus input because it is a multidimensional, complex signal, and because of its emotion and reward-inducing potential. We found that electroencephalography (EEG) complexity was lower and more closely resembled the musical complexity when participants performed a perceptual task that required them to closely track the acoustics, compared to an emotional task that asked them to think about how the music made them feel. Music-derived reward scores on the Barcelona Music Reward Questionnaire (Mas-Herrero et al., 2013) correlated with worse complexity matching and higher EEG complexity. Compared to perceptual-level processing, emotional and reward responses are associated with additional internal information processes above and beyond those in the external stimulus.

Reconstructing the anatomical pathways of the brain to study the human connectome has become an important endeavour for understanding brain function and dynamics. Reconstruction of the cortico-cortical connectivity matrix in vivo often relies on noninvasive diffusion-weighted imaging (DWI) techniques but the extent to which they can accurately represent the topological characteristics of structural connectomes remains unknown. We explored this question by constructing connectomes using DWI data collected from macaque monkeys in vivo and with data from published invasive tracer studies. We found the strength of fiber tracts was well estimated from DWI and topological properties like degree and modularity were captured by tractography-based connectomes. Rich-club/core-periphery type architecture could also be detected but the classification of hubs using betweenness centrality, participation coefficient and core-periphery identification techniques was inaccurate. Our findings indicate that certain aspects of cortical topology can be faithfully represented in noninvasively-obtained connectomes while other network analytic measures warrant cautionary interpretations.

Abstract In this work, we investigated the relationship between structural connectivity and the dynamics of functional connectivity and how this relationship changes with age to benefit cognitive functions. Visual working memory (VWM) is an important brain function that allows us to maintain a mental representation of the world around us, but its capacity and precision peaks by around 20 years old and decreases steadily throughout the rest of our lives. This research examined the functional brain network dynamics associated with VWM throughout the lifespan and found that Default Mode Network and Fronto-Parietal Network states were more well represented in individuals with better VWM. Furthermore, transitions between the Visual/Somatomotor Network state and the Attention Network state were more well-represented in older adults, and a network control theory simulation demonstrated that structural connectivity differences supporting this transition were associated with better VWM, especially in middle-aged individuals. The structural connectivity of regions from all states was important for supporting this transition in younger adults, while regions within the Visual/Somatomotor and Attention Network states were more important in older adults. These findings demonstrate that structural connectivity supports flexible, functional dynamics that allow for better VWM with age and may lead to important interventions to uphold healthy VWM throughout the lifespan.

Abstract TheVirtualBrain, an open-source platform for large-scale network modelling, can be personalized to an individual using a wide range of neuroimaging modalities. With the growing number and scale of neuroimaging data sharing initiatives of both healthy and clinical populations comes an opportunity to create large and heterogeneous sets of dynamic network models to better understand individual differences in network dynamics and their impact on brain health. Here we present TheVirtualBrain-UK Biobank pipeline, a robust, automated and open-source brain image processing solution to address the expanding scope of TheVirtualBrain project. Our pipeline generates connectome-based modelling inputs compatible for use with TheVirtualBrain. We leverage the existing multimodal MRI processing pipeline from the UK Biobank made for use with a variety of brain imaging modalities. We add various features and changes to the original UK Biobank implementation specifically for informing large-scale network models, including user-defined parcellations for the construction of matching whole-brain functional and structural connectomes. Changes also include detailed reports for quality control of all modalities, a streamlined installation process, modular software packaging, updated software versions, and support for various publicly available datasets. The pipeline has been tested on both healthy and clinical populations and is robust to the morphological changes observed in aging and dementia. In this paper, we describe these and other pipeline additions and modifications in detail, as well as how this pipeline fits into the TheVirtualBrain ecosystem.

A bstract Connectome-based neural mass modelling is the emerging computational neuroscience paradigm for simulating large-scale network dynamics observed in whole-brain activity measurements such as fMRI, M/EEG, and related techniques. Estimating physiological parameters by fitting these models to empirical data is challenging however, due to large network sizes, often physiologically detailed fast-timescale system equations, and the need for long (e.g. tens of minutes) simulation runs. Here we introduce a novel approach to connectome-based neural mass model parameter estimation by employing optimization tools developed for deep learning. We cast the system of differential equations representing both neural and haemodynamic activity dynamics as a deep neural network, implemented within a widely used machine learning programming environment (PyTorch). This allows us to use robust industry-standard optimization algorithms, automatic differentiation for computation of gradients, and other useful functionality. The approach is demonstrated using a connectome-based network with nodal dynamics specified by the two-state RWW mean-field neural mass model equations, which we use here as a model of fMRI-measured activity and correlation fluctuations. Additional optimization constraints are explored and prove fruitful, including restricting the model to domains of parameter space near a bifurcation point that yield metastable dynamics. Using these techniques, we first show robust recovery of physiological model parameters in synthetic data and then, as a proof-of-principle, apply the framework to modelling of empirical resting-state fMRI data from the Human Connectome Project database. For resting state activity, the system can be understood as a deep net that receives uncorrelated noise on its input layer, which is transformed into network-wide modelled functional connectivity on its output layer. This is consistent with the prevailing conception in theoretical neuroscience of resting-state functional connectivity patterns as an emergent phenomenon that is driven by (effectively) random activity fluctuations, which are then in turn spatiotemporally filtered by anatomical connectivity and local neural dynamics.

Abstract The global population is aging rapidly, and a research question of critical importance is why some older adults suffer tremendous cognitive decline while others are mostly spared. Past aging research has shown that older adults with spared cognitive ability have better local short-range information processing while global long-range processing is less efficient. We took this research a step further to investigate whether the underlying structural connections, measured in vivo using diffusion magnetic resonance imaging (dMRI), show a similar shift to support cognitive ability. We analyzed the structural connectivity streamline probability (representing the probability of connection between regions) and nodal efficiency and local efficiency regional graph theory metrics to determine if age and cognitive ability are related to structural network differences. We found that the relationship between structural connectivity and cognitive ability with age was nuanced, with some differences with age that were associated with poorer cognitive outcomes, but other reorganizations that were associated with spared cognitive ability. These positive changes included strengthened local intrahemispheric connectivity and increased nodal efficiency of the ventral occipital-temporal stream, nucleus accumbens, and hippocampus for older adults, and widespread local efficiency primarily for middle-aged individuals. Author Summary We utilized network neuroscience methods to investigate why some older adults suffer tremendous cognitive decline while others are mostly spared. Past functional research found that older adults with spared cognitive ability have better local short-range information processing while global long-range processing is less efficient. We took this research a step further to investigate whether structural connectivity reorganizes to preserve cognitive ability. We analyzed age and fluid intelligence as a function of structural connectivity and regional graph theory measures using partial least squares. Some differences with age were associated with poorer cognitive outcomes, but other reorganizations spared cognitive ability. Beneficial reorganizations included strengthened local intrahemispheric connectivity and increased nodal efficiency of focal regions for older adults, as well as widespread increased local efficiency for middle-aged individuals.

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.