All epilepsies are defined by a propensity for recurrent seizures, characterized by hypersynchronous electrographic activity. Understanding this overarching property would be advanced by a thorough quantification of how the global synchrony of the epileptic brain responds to small perturbations that do not trigger seizures. Here, we leverage analysis of transient focal bursts of epileptiform activity, termed interictal epileptiform discharges (IEDs), to characterize this response. Specifically, we use a group of 145 participants implanted with intracranial EEG (iEEG) electrodes to quantify changes in five functional connectivity measures associated with three properties of IEDs: their presence, spread, and number. We perform this analysis in five frequency bands in order to contextualize our findings in relation to ongoing neural processes at different spatial and temporal scales. We find that, across frequency bands, both the presence and spread of IEDs tend to lead to independent increases of functional connectivity, but only in functional connectivity measures influenced by the amplitude, rather than the phase, of a signal. We find that these increases are not explained by simple subgroups of connections, such as the weakest connections in the brain, or only connections within the seizure onset zone. Evaluating patterns of similarity across different bands and measure combinations, we find that the presence of IEDs impacts high frequencies (gamma and high gamma) and low frequencies (theta, alpha, and beta) differently, although responses within each group are similar. Using grouped LASSO regression, we identify which individual-level features explain differences in functional connectivity changes associated with IEDs. While no single feature robustly explains observed differences, the most consistently included predictors across bands and measures are the rate of IEDs and the anatomical locus of IEDs. Overall, this work provides compelling evidence for increases in global synchrony associated with IEDs, and delivers a thorough exploration of different functional connectivity measures, frequency bands, and IED properties. These observations show a disruption of several types of ongoing neural dynamics associated with IEDs. Additionally, we provide a starting point for future models of how small perturbations affect neural systems and how those systems support the hypersynchrony seen in epilepsy.

Soft bioelectronic interfaces for mapping and modulating excitable networks at high resolution and at large scale can enable paradigm-shifting diagnostics, monitoring, and treatment strategies. Yet, current technologies largely rely on materials and fabrication schemes that are expensive, do not scale, and critically limit the maximum attainable resolution and coverage. Solution processing is a cost-effective manufacturing alternative, but biocompatible conductive inks matching the performance of conventional metals are lacking. Here, we introduce MXtrodes, a novel class of soft, high-resolution, large-scale bioelectronic interfaces enabled by Ti 3 C 2 MXene and scalable solution processing. We show that the electrochemical properties of MXtrodes exceed those of conventional materials, and do not require conductive gels when used in epidermal electronics. Furthermore, we validate MXtrodes in a number of applications ranging from mapping large scale neuromuscular networks in humans to delivering cortical microstimulation in small animal models. Finally, we demonstrate that MXtrodes are compatible with standard clinical neuroimaging modalities.

Humans deftly parse statistics from sequences. Some theories posit that humans learn these statistics by forming cognitive maps , or underlying representations of the latent space which links items in the sequence. Here, an item in the sequence is a node, and the probability of transitioning between two items is an edge. Sequences can then be generated from walks through the latent space, with different spaces giving rise to different sequence statistics. Individual or group differences in sequence learning can be modeled by changing the time scale over which estimates of transition probabilities are built, or in other words, by changing the amount of temporal discounting. Latent space models with temporal discounting bear a resemblance to models of navigation through Euclidean spaces. However, few explicit links have been made between predictions from Euclidean spatial navigation and neural activity during human sequence learning. Here, we use a combination of behavioral modeling and intracranial encephalography (iEEG) recordings to investigate how neural activity might support the formation of space-like cognitive maps through temporal discounting during sequence learning. Specifically, we acquire human reaction times from a sequential reaction time task, to which we fit a model that formulates the amount of temporal discounting as a single free parameter. From the parameter, we calculate each individual’s estimate of the latent space. We find that neural activity reflects these estimates mostly in the temporal lobe, including areas involved in spatial navigation. Similar to spatial navigation, we find that low dimensional representations of neural activity allow for easy separation of important features, such as modules, in the latent space. Lastly, we take advantage of the high temporal resolution of iEEG data to determine the time scale on which latent spaces are learned. We find that learning typically happens within the first 500 trials, and is modulated by the underlying latent space and the amount of temporal discounting characteristic of each participant. Ultimately, this work provides important links between behavioral models of sequence learning and neural activity during the same behavior, and contextualizes these results within a broader framework of domain general cognitive maps.

Chronically implantable neurostimulation devices are becoming a clinically viable option for treating patients with neurological disease and psychiatric disorders. Neurostimulation offers the ability to probe and manipulate distributed networks of interacting brain areas in dysfunctional circuits. Here, we use tools from network control theory to examine the dynamic reconfiguration of functionally interacting neuronal ensembles during targeted neurostimulation of cortical and subcortical brain structures. By integrating multi-modal intracranial recordings and diffusion tensor imaging from patients with drug-resistant epilepsy, we test hypothesized structural and functional rules that predict altered patterns of synchronized local field potentials. We demonstrate the ability to predictably reconfigure functional interactions depending on stimulation strength and location. Stimulation of areas with structurally weak connections largely modulates the functional hubness of downstream areas and concurrently propels the brain towards more difficult-to-reach dynamical states. By using focal perturbations to bridge large-scale structure, function, and markers of behavior, our findings suggest that stimulation may be tuned to influence different scales of network interactions driving cognition.

Focal epilepsy is a devastating neurological disorder that affects an overwhelming number of patients worldwide, many of whom prove resistant to medication. The efficacy of current innovative technologies for the treatment of these patients has been stalled by the lack of accurate and effective methods to fuse multimodal neuroimaging data to map anatomical targets driving seizure dynamics. Here we propose a parsimonious model that explains how large-scale anatomical networks and shared genetic constraints shape inter-regional communication in focal epilepsy. In extensive ECoG recordings acquired from a group of patients with medically refractory focal-onset epilepsy, we find that ictal and preictal functional brain network dynamics can be accurately predicted from features of brain anatomy and geometry, patterns of white matter connectivity, and constraints complicit in patterns of gene coexpression, all of which are conserved across healthy adult populations. Moreover, we uncover evidence that markers of non-conserved architecture, potentially driven by idiosyncratic pathology of single subjects, are most prevalent in high frequency ictal dynamics and low frequency preictal dynamics. Finally, we find that ictal dynamics are better predicted by white matter features and more poorly predicted by geometry and genetic constraints than preictal dynamics, suggesting that the functional brain network dynamics manifest in seizures rely on - and may directly propagate along - underlying white matter structure that is largely conserved across humans. Broadly, our work offers insights into the generic architectural principles of the human brain that impact seizure dynamics, and could be extended to further our understanding, models, and predictions of subject-level pathology and response to intervention.

Objective: Patients with drug-resistant focal epilepsy are often candidates for invasive surgical therapies. In these patients, it is necessary to accurately localize seizure-generators to ensure seizure freedom following intervention. While intracranial electroencephalography (iEEG) is the gold standard for mapping networks for surgery, this approach requires inducing and recording seizures, which may cause patient morbidity. The goal of this study is to evaluate the utility of mapping interictal (non-seizure) iEEG networks to identify targets for surgical treatment. Methods: We analyze interictal iEEG recordings and neuroimaging from 27 focal epilepsy patients treated via surgical resection. We generate interictal functional networks by calculating pairwise correlation of iEEG signals across different frequency bands. We identify electrodes falling within surgically resected tissue (i.e. the resection zone), and compute node-level and edge-level synchrony in relation to the resection zone. We associate these metrics with post-surgical outcomes. Results: Greater overlap between resected electrodes and highly synchronous electrodes is associated with favorable post-surgical outcomes. Additionally, good outcome patients have significantly higher connectivity localized within the resection zone compared to those with poorer postoperative seizure control. This finding persists following normalization by a spatially-constrained null model. Conclusions: This study suggests that spatially-informed interictal network synchrony measures can distinguish between good and poor post-surgical outcomes. By capturing clinically relevant information during interictal periods, our method may ultimately reduce the need for prolonged invasive implants and provide insights into the pathophysiology of an epileptic brain. We discuss next steps for translating these findings into a prospectively useful clinical tool.

For approximately 20 million people with drug-resistant epilepsy, recurring, spontaneous seizures have a devastating impact on daily life. The efficacy of surgical treatment for controlling seizures is hindered by a poor understanding of how some seizures spread to and synchronize surrounding tissue while others remain focal. To pinpoint network regions that regulate seizure evolution, we present a novel method to assess changes in synchronizability in response to virtually lesioning cortical areas in a validated computational network model. In human patients implanted with electrocorticographic sensors, we apply our virtual cortical resection technique to time-varying functional networks and identify control regions that synchronize or desynchronize cortical areas using an antagonistic push-pull control scheme to raise or lower synchronizability. Our results suggest that synchronizability before seizures predicts seizure evolution: in focal seizures, the strongest controllers are located outside seizure-generating areas. These methods,while applied here to epilepsy, are generalizable to other brain networks, and have wide applicability in isolating and mapping functional drivers of brain dynamics in health and disease.

Electrical brain stimulation is currently being investigated as a potential therapy for neurological disease. However, opportunities to optimize and personalize such therapies are challenged by the fact that the beneficial impact (and potential side effects) of focal stimulation on both neighboring and distant regions is not well understood. Here, we use network control theory to build a formal model of brain network function that makes explicit predictions about how stimulation spreads through the brain's white matter network and influences large-scale dynamics. We test these predictions using combined electrocorticography (ECoG) and diffusion weighted imaging (DWI) data from patients with medically refractory epilepsy undergoing evaluation for resective surgery, and who volunteered to participate in an extensive stimulation regimen. We posit a specific model-based manner in which white matter tracts constrain stimulation, defining its capacity to drive the brain to new states, including states associated with successful memory encoding. In a first validation of our model, we find that the true pattern of white matter tracts can be used to more accurately predict the state transitions induced by direct electrical stimulation than the artificial patterns of a topological or spatial network null model. We then use a targeted optimal control framework to solve for the optimal energy required to drive the brain to a given state. We show that, intuitively, our model predicts larger energy requirements when starting from states that are farther away from a target memory state. We then suggest testable hypotheses about which structural properties will lead to efficient stimulation for improving memory based on energy requirements. We show that the strength and homogeneity of edges between controlled and uncontrolled nodes, as well as the persistent modal controllability of the stimulated region, predict energy requirements. Our work demonstrates that individual white matter architecture plays a vital role in guiding the dynamics of direct electrical stimulation, more generally offering empirical support for the utility of network control theoretic models of brain response to stimulation.

Abstract Human behavior can be highly sensitive to anticipation, but the mechanisms underlying this sensitivity are poorly understood. We obtained intracranial electrocephalography (iEEG) measurements in neurosurgical patients as they performed a simple sensory-motor task with variable (short or long) foreperiod delays that affected anticipation of the cue to respond. Participants showed two forms of anticipatory response biases, distinguished by more premature false alarms (FAs) or faster response times (RTs) on long-delay trials. These biases had distinct neural signatures in prestimulus neural activity modulations that were distributed and intermixed across the brain: the FA bias was most evident in preparatory motor activity immediately prior to response-cue presentation, whereas the RT bias was most evident in visuospatial activity at the beginning of the foreperiod. These results suggest that human anticipatory behavior emerges from a combination of motor-preparatory and attention-like modulations of neural activity, implemented by anatomically widespread and intermixed, but functionally identifiable, brain networks. Graphical Abstract

Abstract Spontaneous neural activity has become increasingly linked to behavioral and cognitive output. A specific cognitive control mode, proactive control, uses prior information to plan and prepare the brain to be particularly sensitive to incoming goal-directed stimuli. Little is known about specific proactive mechanisms implemented via preparatory patterns of spontaneous neural activity, that may enable dynamically enhanced cognitive performance. In this study, humans implanted with intracranial electrodes performed a simple cognitive task. For each subject, pre-trial spectral power and communicability-based features from both grey and white matter nodes were extracted to identify preparatory control states that were “primed to perform”. The anatomical structure and topology of these states across subjects demonstrated a critical role for white matter communicability in decoding and intrinsically controlling preparatory network activity. Our results provide novel insights for putative cognitive network control and may be studied to develop prosthetic approaches for individuals with cognitive deficits.