Abstract Brain pathologies are based on microscopic changes in neurons and synapses that reverberate into large scale networks altering brain dynamics and functional states. An important yet unresolved issue concerns the impact of patients excitation/inhibition profiles on neurodegenerative diseases including Alzheimer’s disease, Frontotemporal Dementia and Amyotrophic Lateral Sclerosis. In this work we used a simulation platform, The Virtual Brain, to simulate brain dynamics in healthy controls and in Alzheimer’s disease, Frontotemporal Dementia and Amyotrophic Lateral Sclerosis patients. The brain connectome and functional connectivity were extracted from 3T-MRI scans and The Virtual Brain nodes were represented by a Wong-Wang neural mass model endowing an explicit representation of the excitatory/inhibitory balance. The integration of cerebro-cerebellar loops improved the correlation between experimental and simulated functional connectivity, and hence The Virtual Brain predictive power, in all pathological conditions. The Virtual Brain biophysical parameters differed between clinical phenotypes, predicting higher global coupling and inhibition in Alzheimer’s disease and stronger NMDA (N-methyl-D-aspartate) receptor-dependent excitation in Amyotrophic Lateral Sclerosis. These physio-pathological parameters allowed an advanced analysis of patients’ state. In backward regressions, The Virtual Brain parameters significantly contributed to explain the variation of neuropsychological scores and, in discriminant analysis, the combination of The Virtual Brain parameters and neuropsychological scores significantly improved discriminative power between clinical conditions. Eventually, cluster analysis provided a unique description of the excitatory/inhibitory balance in individual patients. In aggregate, The Virtual Brain simulations reveal differences in the excitatory/inhibitory balance of individual patients that, combined with cognitive assessment, can promote the personalized diagnosis and therapy of neurodegenerative diseases.

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.

Objective Brain atrophy is an established biomarker for dementia, yet spinal cord involvement has not been investigated to date. As the spinal cord is relaying sensorimotor control signals from the cortex to the peripheral nervous system and viceversa, it is indeed a very interesting question to assess whether it is affected by atrophy in a disease that is known for its involvement of cognitive domains first and foremost, with motor symptoms being clinically assessed too. We therefore hypothesize that Alzheimer Disease severe atrophy can affect the spinal cord too and that spinal cord atrophy is indeed an important in vivo imaging biomarker contributing to understanding neurodegeneration associated with dementia.Methods 3DT1 images of 31 Alzheimer’s disease (AD) and 35 healthy control (HC) subjects were processed to calculate volumes of brain structures and cross-sectional area (CSA) and volume (CSV) of the cervical cord (per vertebra as well as the C2-C3 pair (CSA23 and CSV23)). Correlated features (ρ>0.7) were removed, and best subset identified for patients’ classification with the Random Forest algorithm. General linear model regression was used to find significant differences between groups (p<=0.05). Linear regression was implemented to assess the explained variance of the Mini Mental State Examination (MMSE) score as dependent variable with best features as predictors.Results Spinal cord features were significantly reduced in AD, independently of brain volumes. Patients classification reached 76% accuracy when including CSA23 together with volumes of hippocampi, left amygdala, white and grey matter, with 74% sensitivity and 78% specificity. CSA23 alone explained 13% of MMSE variance.Discussion Our findings reveal that C2-C3 spinal cord atrophy contributes to discriminate AD from HC, together with more established features. Results show that CSA23, calculated form the same 3DT1 scan as all other brain volumes (including right and left hippocampi), has a considerable weight in classification tasks warranting further investigations. Together with recent studies revealing that AD atrophy is spread beyond the temporal lobes, our result adds the spinal cord to a number of unsuspected regions involved in the disease. Interestingly, spinal cord atrophy explains also cognitive scores, which could significantly impact how we model sensorimotor control in degenerative diseases with a primary cognitive domain involvement. Prospective studies should be purposely designed to understand the mechanisms of atrophy and the role of the spinal cord in AD.