We examined anticipatory mechanisms of reward-motivated memory formation using event-related FMRI. In a monetary incentive encoding task, cues signaled high- or low-value reward for memorizing an upcoming scene. When tested 24 hr postscan, subjects were significantly more likely to remember scenes that followed cues for high-value rather than low-value reward. A monetary incentive delay task independently localized regions responsive to reward anticipation. In the encoding task, high-reward cues preceding remembered but not forgotten scenes activated the ventral tegmental area, nucleus accumbens, and hippocampus. Across subjects, greater activation in these regions predicted superior memory performance. Within subject, increased correlation between the hippocampus and ventral tegmental area was associated with enhanced long-term memory for the subsequent scene. These findings demonstrate that brain activation preceding stimulus encoding can predict declarative memory formation. The findings are consistent with the hypothesis that reward motivation promotes memory formation via dopamine release in the hippocampus prior to learning.

Data analysis workflows in many scientific domains have become increasingly complex and flexible. Here we assess the effect of this flexibility on the results of functional magnetic resonance imaging by asking 70 independent teams to analyse the same dataset, testing the same 9 ex-ante hypotheses1. The flexibility of analytical approaches is exemplified by the fact that no two teams chose identical workflows to analyse the data. This flexibility resulted in sizeable variation in the results of hypothesis tests, even for teams whose statistical maps were highly correlated at intermediate stages of the analysis pipeline. Variation in reported results was related to several aspects of analysis methodology. Notably, a meta-analytical approach that aggregated information across teams yielded a significant consensus in activated regions. Furthermore, prediction markets of researchers in the field revealed an overestimation of the likelihood of significant findings, even by researchers with direct knowledge of the dataset2–5. Our findings show that analytical flexibility can have substantial effects on scientific conclusions, and identify factors that may be related to variability in the analysis of functional magnetic resonance imaging. The results emphasize the importance of validating and sharing complex analysis workflows, and demonstrate the need for performing and reporting multiple analyses of the same data. Potential approaches that could be used to mitigate issues related to analytical variability are discussed. The results obtained by seventy different teams analysing the same functional magnetic resonance imaging dataset show substantial variation, highlighting the influence of analytical choices and the importance of sharing workflows publicly and performing multiple analyses.

Over the past decade, fMRI techniques have been increasingly used to interrogate the neural correlates of successful emotional memory encoding. These investigations have typically aimed to either characterize the contributions of the amygdala and medial temporal lobe (MTL) memory system, replicating results in animals, or delineate the neural correlates of specific behavioral phenomena. It has remained difficult, however, to synthesize these findings into a systems neuroscience account of how networks across the whole-brain support the enhancing effects of emotion on memory encoding. To this end, the present study employed a meta-analytic approach using activation likelihood estimates to assess the anatomical specificity and reliability of event-related fMRI activations related to successful memory encoding for emotional versus neutral information. The meta-analysis revealed consistent clusters within bilateral amygdala, anterior hippocampus, anterior and posterior parahippocampal gyrus, the ventral visual stream, left lateral prefrontal cortex and right ventral parietal cortex. The results within the amygdala and MTL support a wealth of findings from the animal literature linking these regions to arousal-mediated memory effects. The consistency of findings in cortical targets, including the visual, prefrontal, and parietal cortices, underscores the importance of generating hypotheses regarding their participation in emotional memory formation. In particular, we propose that the amygdala interacts with these structures to promote enhancements in perceptual processing, semantic elaboration, and attention, which serve to benefit subsequent memory for emotional material. These findings may motivate future research on emotional modulation of widespread neural systems and the implications of this modulation for cognition.

How does the brain translate information signaling potential rewards into motivation to get them? Motivation to obtain reward is thought to depend on the midbrain [particularly the ventral tegmental area (VTA)], the nucleus accumbens (NAcc), and the dorsolateral prefrontal cortex (dlPFC), but it is not clear how the interactions among these regions relate to reward-motivated behavior. To study the influence of motivation on these reward-responsive regions and on their interactions, we used dynamic causal modeling to analyze functional magnetic resonance imaging (fMRI) data from humans performing a simple task designed to isolate reward anticipation. The use of fMRI permitted the simultaneous measurement of multiple brain regions while human participants anticipated and prepared for opportunities to obtain reward, thus allowing characterization of how information about reward changes physiology underlying motivational drive. Furthermore, we modeled the impact of external reward cues on causal relationships within this network, thus elaborating a link between physiology, connectivity, and motivation. Specifically, our results indicated that dlPFC was the exclusive entry point of information about reward in this network, and that anticipated reward availability caused VTA activation only via its effect on the dlPFC. Anticipated reward thus increased dlPFC activation directly, whereas it influenced VTA and NAcc only indirectly, by enhancing intrinsically weak or inactive pathways from the dlPFC. Our findings of a directional prefrontal influence on dopaminergic regions during reward anticipation suggest a model in which the dlPFC integrates and transmits representations of reward to the mesolimbic and mesocortical dopamine systems, thereby initiating motivated behavior.

Abstract The brain supports adaptive behavior by generating predictions, learning from errors, and updating memories to incorporate new information. Prediction error, or surprise, triggers learning when reality contradicts expectations. Prior studies have shown that the hippocampus signals prediction errors, but the hypothesized link to memory updating has not been demonstrated. In a human fMRI study, we elicited mnemonic prediction errors by interrupting familiar narrative videos immediately before the expected endings. We found that prediction error reversed the relationship between univariate hippocampal activation and memory: greater hippocampal activation predicted memory preservation after expected endings, but memory updating after surprising endings. In contrast to previous studies, we showed that univariate activation was insufficient for understanding hippocampal prediction error signals. We explained this surprising finding by tracking both the evolution of hippocampal activation patterns and connectivity between the hippocampus and neuromodulatory regions. We found that hippocampal activation patterns stabilized as each narrative episode unfolded, suggesting sustained episodic representations. Prediction errors disrupted these sustained representations, and the degree of disruption predicted memory updating. The relationship between hippocampal activation and subsequent memory depended on concurrent basal forebrain activation, supporting the idea that cholinergic modulation regulates attention and memory. We conclude that prediction errors create conditions that favor memory updating, prompting the hippocampus to abandon ongoing predictions and make memories malleable. Significance Our brains draw on memories to predict the future; when our predictions are incorrect, we must update our memories to improve future predictions. Past studies have demonstrated that the hippocampus signals prediction error , or surprise, but have not linked this neural signal to memory updating. Here, we uncover this missing connection: We show that mnemonic prediction errors change the role of the hippocampus, reversing the relationship between hippocampal activation and memory outcomes. We examine the mechanisms of this shift in neural processing, showing that prediction errors disrupt the temporal continuity of hippocampal patterns. We propose that prediction errors disrupt sustained representations and enable memory updating. Our findings bear implications for improving education, understanding eyewitness memory distortion, and treating pathological memories.

Abstract The hippocampus has been a focus of memory research since H.M’s surgery in 1953 abolished his ability to form new memories, yet its mechanistic role in memory is still debated. Here, we identify a novel, systems-level candidate memory mechanism: an anticipatory hippocampal “convergence state”, observed while awaiting valuable information, that both predicts later memory, and accounts for the relationship between midbrain activation and enhanced learning. To reveal this state, we leveraged endogenous neuromodulation associated with motivation: During fMRI, participants viewed trivia questions eliciting high or low curiosity, each followed seconds later by its answer. We reasoned that memory encoding success requires a convergence of factors, and as such, hippocampal states associated with remembered trials would be less variable than forgotten ones. Using a novel multivariate approach, we measured convergence by quantifying the typicality of spatially distributed patterns. We found that during anticipation of trivia answers, hippocampal states showed greater convergence under high than low curiosity. Crucially, convergence in the hippocampus increased with greater midbrain activation and uniquely accounted for the association between midbrain activation and subsequent memory recall. We propose that this novel convergence state in the hippocampus reflects a mechanism of its contribution to long term memory formation and that engagement of this convergence state completes the cascade from motivation to midbrain activity to memory enhancement.

Abstract Real-time fMRI neurofeedback is an increasingly popular neuroimaging technique that allows an individual to gain control over his/her own brain signals, which can lead to improvements in behavior in healthy participants as well as to improvements of clinical symptoms in patient populations. However, a considerably large ratio of participants undergoing neurofeedback training do not learn to control their own brain signals and, consequently, do not benefit from neurofeedback interventions, which limits clinical efficacy of neurofeedback interventions. As neurofeedback success varies between studies and participants, it is important to identify factors that might influence neurofeedback success. Here, for the first time, we employed a big data machine learning approach to investigate the influence of 20 different design-specific (e.g. activity vs. connectivity feedback), region of interest-specific (e.g. cortical vs. subcortical) and subject-specific factors (e.g. age) on neurofeedback performance and improvement in 608 participants from 28 independent experiments. With a classification accuracy of 60% (considerably different from chance level), we identified two factors that significantly influenced neurofeedback performance: Both the inclusion of a pre-training no-feedback run before neurofeedback training and neurofeedback training of patients as compared to healthy participants were associated with better neurofeedback performance. The positive effect of pre-training no-feedback runs on neurofeedback performance might be due to the familiarization of participants with the neurofeedback setup and the mental imagery task before neurofeedback training runs. Better performance of patients as compared to healthy participants might be driven by higher motivation of patients, higher ranges for the regulation of dysfunctional brain signals, or a more extensive piloting of clinical experimental paradigms. Due to the large heterogeneity of our dataset, these findings likely generalize across neurofeedback studies, thus providing guidance for designing more efficient neurofeedback studies specifically for improving clinical neurofeedback-based interventions. To facilitate the development of data-driven recommendations for specific design details and subpopulations the field would benefit from stronger engagement in Open Science and data sharing.

Abstract To benefit from cognitive behavioral therapy (CBT), individuals must not only learn new skills but also strategically implement them outside the session. Here, we tested a novel technique for personalizing CBT skills and facilitating their generalization to daily life. We hypothesized that showing participants the impact of specific CBT strategies on their own brain function using real-time functional magnetic imaging (rt-fMRI) neurofeedback would increase their metacognitive awareness, help them identify effective strategies, and motivate real-world use. In a within-subjects design, participants who had completed a clinical trial of a standardized course of CBT created a personal repertoire of negative autobiographical stimuli and mood regulation strategies. From each participant’s repertoire, a set of experimental and control strategies were identified; only experimental strategies were practiced in the scanner. During the rt-fMRI neurofeedback session, participants used negative stimuli and strategies from their repertoire to manipulate activation in the anterior cingulate cortex, a region implicated in emotional distress. The primary outcome measures were changes in participant ratings of strategy difficulty, efficacy, and frequency of use. As predicted, ratings for unscanned control strategies were stable across observations, whereas ratings for experimental strategies changed after neurofeedback. At follow-up one month after the session, efficacy and frequency ratings for scanned strategies were predicted by neurofeedback during the rt-fMRI session. These results suggest that rt-fMRI neurofeedback created a salient and durable learning experience for patients, extending beyond the clinic to guide and motivate CBT skill use weeks later. This metacognitive approach to neurofeedback offers a promising model for increasing clinical benefits from cognitive-behavioral therapy by personalizing skills and facilitating generalization.

Anticipation of an upcoming stimulus induces neural activity across cortical and subcortical regions and influences subsequent behavior. Nevertheless, the network mechanism whereby the brain integrates this information to signal the anticipation of rewards remains relatively unexplored. Here we employ multi-circuit electrical recordings from six brain regions as mice perform a sample-to-match task in which reward anticipation is operationalized as their progress towards obtaining a potential reward. We then use machine learning to discover the naturally occurring network patterns that integrate this neural activity across timescales. Only one of the networks that we uncovered signals responses linked to reward anticipation, specifically relative proximity and reward magnitude. Activity in this Electome (electrical functional connectivity) network is dominated by theta oscillations leading from prelimbic cortex and striatum that converge on ventral tegmental area, and by beta oscillations leading from striatum that converge on prelimbic cortex. Network activity is also synchronized with brain-wide cellular firing. Critically, this network generalizes to new groups of healthy mice, as well as a mouse line that models aberrant neural circuitry observed in brain disorders that show altered reward anticipation. Thus, our findings reveal the network-level architecture whereby the brain integrates spatially distributed activity across timescales to signal reward anticipation.

The brain supports adaptive behavior by generating predictions, learning from errors, and updating memories to incorporate new information. Prediction error, or surprise, triggers learning when reality contradicts expectations. Prior studies have shown that the hippocampus signals prediction errors, but the hypothesized link to memory updating has not been demonstrated. In a human fMRI study, we elicited mnemonic prediction errors by interrupting familiar narrative videos immediately before the expected endings. We found that prediction error reversed the relationship between univariate hippocampal activation and memory: greater hippocampal activation predicted memory preservation after expected endings, but memory updating after surprising endings. In contrast to previous studies, we showed that univariate activation was insufficient for understanding hippocampal prediction error signals. We explained this surprising finding by tracking both the evolution of hippocampal activation patterns and connectivity between the hippocampus and neuromodulatory regions. We found that hippocampal activation patterns stabilized as each narrative episode unfolded, suggesting sustained episodic representations. Prediction errors disrupted these sustained representations, and the degree of disruption predicted memory updating. The relationship between hippocampal activation and subsequent memory depended on concurrent basal forebrain activation, supporting the idea that cholinergic modulation regulates attention and memory. We conclude that prediction errors create conditions that favor memory updating, prompting the hippocampus to abandon ongoing predictions and make memories malleable.