Recent neuroimaging studies have lead to the proposal that rest is characterized by an organized, baseline level of activity, a default mode of brain function that is suspended during specific goal-oriented mental activity. Previous studies have shown that the primary function subserved by the default mode is that of an introspectively oriented, self-referential mode of mental activity. The default mode of brain function hypothesis is readdressed from the perspective of the presence of low-frequency blood oxygenation level-dependent (BOLD) functional magnetic resonance imaging (fMRI) signal changes (0.012-0.1 Hz) in the resting brain. The results show that the brain during rest is not tonically active in a single mode of brain function. Rather, the findings presented here suggest that the brain recurrently toggles between an introspectively oriented mode (default mode) and a state-of-mind that tentatively might be interpreted as an extrospectively oriented mode that involves a readiness and alertness to changes in the external and internal environment.

Recent research has shown that intrinsic brain activity as observed by functional magnetic resonance imaging (fMRI) manifest itself as coherent signal changes in networks encompassing brain regions that span long-range neuronal pathways. One of these networks, the so called default mode network, has become the primary target in recent investigations to link intrinsic activity to cognition and how intrinsic signal changes may be altered in disease. In this study we assessed functional connectivity within the default mode network during both rest and a continuous working memory task on a region-by-region basis using partial correlation analysis, a data-driven method that provides insight into effective connectivity within neuronal networks. Prominent features of functional connectivity within the default mode network included an overall strong level of interaction between the precuneus/posterior cingulate region and the rest of the default mode network, as well as a high degree of interaction between the left and right medial temporal lobes combined with weak interactions between the medial temporal lobes and the rest of the default mode network. Additionally, we found support for strong interactions between the precuneus/posterior cingulate cortex and the left inferior parietal lobe as well as between the dorsal and ventral sections of the medial prefrontal cortex. The suggested pivotal role of the precuneus/posterior cingulate cortex in the default mode network is discussed.

In the absence of any overt task performance, it has been shown that spontaneous, intrinsic brain activity is expressed as systemwide, resting-state networks in the adult brain. However, the route to adult patterns of resting-state activity through neuronal development in the human brain is currently unknown. Therefore, we used functional MRI to map patterns of resting-state activity in infants during sleep. We found five unique resting-states networks in the infant brain that encompassed the primary visual cortex, bilateral sensorimotor areas, bilateral auditory cortex, a network including the precuneus area, lateral parietal cortex, and the cerebellum as well as an anterior network that incorporated the medial and dorsolateral prefrontal cortex. These results suggest that resting-state networks driven by spontaneous signal fluctuations are present already in the infant brain. The potential link between the emergence of behavior and patterns of resting-state activity in the infant brain is discussed.

The default mode of brain function hypothesis and the presence of spontaneous intrinsic low-frequency signal fluctuations during rest have recently attracted attention in the neuroscience community. In this study we asked two questions: First, is it possible to attenuate intrinsic activity in the self-referential, default mode of brain function by directing the brains resources to a goal-oriented and attention-demanding task? Second, what effect does a sustained attention-demanding overt task performance have on the two intrinsically active networks in the brain, those being the task-negative, default-mode and the anticorrelated, task-positive network? We used functional magnetic resonance imaging to monitor spontaneous intrinsic activity during rest and sustained performance of a sequential two-back working memory task. We compared intrinsic activity during rest and the two-back task to the signal increases and decreases observed in an epoch-related version of the working memory task. Our results show that spontaneous intrinsic activity in the default-mode network is not extinguished but rather attenuated during performance of the working memory task. Moreover, we show that the intrinsic activity in the task-positive network is reorganized in response to the working memory task. The results presented here complements earlier work that have shown that task-induced signal deactivations in the default-mode regions is modulated by cognitive load to also show that intrinsic, spontaneous signal fluctuations in the default-mode regions persist and reorganize in response to changes in external work load.

The functional network topology of the adult human brain has recently begun to be noninvasively mapped using resting-state functional connectivity magnetic resonance imaging and described using mathematical tools originating from graph theory. Previous studies have revealed the existence of disproportionally connected brain regions, so called cortical hubs, which act as information convergence zones and supposedly capture key aspects of how the brain's architecture supports human behavior and how it is affected by disease. In this study, we present results showing that cortical hubs and their associated cortical networks are largely confined to primary sensory and motor brain regions in the infant brain. Our findings in infants stand in stark contrast to the situation found in adults where the majority of cortical hubs and hub-related networks are located in heteromodal association cortex. Our findings suggest that the functional network architecture in infants is linked to support tasks that are of a perception-action nature.

Placebo analgesia and reward processing share several features. For instance, expectations have a strong influence on the subsequent emotional experience of both. Recent imaging data indicate similarities in the underlying neuronal network. We hypothesized that placebo analgesia is a special case of reward processing and that placebo treatment could modulate emotional perception in the same way as does pain perception. The behavioral part of this study indicates that placebo treatment has an effect on how subjects perceive unpleasant pictures. Furthermore, event-related fMRI demonstrated that the same modulatory network, including the rostral anterior cingulate cortex and the lateral orbitofrontal cortex, is involved in both emotional placebo and placebo analgesia. These effects were correlated with the reported placebo effect and were predicted by the amount of treatment expectation induced on a previous day. Thus, the placebo effect may be considered to be a general process of modulation induced by the subjects’ expectations.

There is a current interest in quantifying time-varying connectivity (TVC) based on neuroimaging data such as fMRI. Many methods have been proposed, and are being applied, revealing new insight into the brain’s dynamics. However, given that the ground truth for TVC in the brain is unknown, many concerns remain regarding the accuracy of proposed estimates. Since there exist many TVC methods it is difficult to assess differences in time-varying connectivity between studies. In this paper, we present tvc_benchmarker, which is a Python package containing four simulations to test TVC methods. Here, we evaluate five different methods that together represent a wide spectrum of current approaches to estimating TVC (sliding window, tapered sliding window, multiplication of temporal derivatives, spatial distance and jackknife correlation). These simulations were designed to test each method’s ability to track changes in covariance over time, which is a key property in TVC analysis. We found that all tested methods correlated positively with each other, but there were large differences in the strength of the correlations between methods. To facilitate comparisons with future TVC methods, we propose that the described simulations can act as benchmark tests for evaluation of methods. Using tvc_benchmarker researchers can easily add, compare and submit their own TVC methods to evaluate its performance.

Abstract There is a current interest in quantifying brain dynamic functional connectivity (DFC) based on neuroimaging data such as fMRI. Many methods have been proposed, and are being applied, revealing new insight into the brain’s dynamics. However, given that the ground truth for DFC in the brain is unknown, many concerns remain regarding the accuracy of proposed estimates. Since there exists many DFC methods it is difficult to assess differences in dynamic brain connectivity between studies. Here, we evaluate five different methods that together represent a wide spectrum of current approaches to estimating DFC (sliding window, tapered sliding window, temporal derivative, spatial distance and jackknife correlation). In particular, we were interested in each methods’ ability to track changes in covariance over time, which is a key property in DFC analysis. We found that all tested methods correlated positively with each other, but there were large differences in the strength of the correlations between methods. To facilitate comparisons with future DFC methods, we propose that the described simulations can act as benchmark tests for evaluation of methods. In this paper, we present dfcbenchmarker , which is a Python package where researchers can easily submit and compare their own DFC methods to evaluate its performance.

Summary In vast areas of the world, the growth of forests and vegetation is water-limited and plant survival depends on the ability to avoid catastrophic hydraulic failure. Therefore, it is remarkable that plants take high hydraulic risks by operating at water potentials ( ψ ) that induce partial failure of the water conduits (xylem). Here we present an eco-evolutionary optimality principle for xylem conduit design that explains this phenomenon. Based on the hypothesis that conductive efficiency and safety are optimally co-adapted to the environment, we derive a simple relationship between the intrinsic tolerance to negative water potential ( ψ 50 ) and the environmentally dependent minimum xylem ψ . This relationship is constrained by a physiological tradeoff between xylem conductivity and safety, which is relatively strong at the level of individual conduits although it may be weak at the whole sapwood level. The model explains observed variation in ψ 50 both across a large number of species, and along the xylem path in two species. The larger hydraulic safety margin in gymnosperms compared to angiosperms is explained as an adaptation to the gymnosperms’ lower capacity to recover from conductivity loss. The constant xylem safety factor provides a powerful principle for simplifying and improving plant and vegetation models.

Abstract Sleep deprivation has been reported to affect intrinsic brain connectivity, notably reducing connectivity in the default mode network. Studies to date have however shown inconsistent effects, in many cases lacked monitoring of wakefulness, and largely included young participants. We investigated effects of sleep deprivation on intrinsic brain connectivity in young and older participants. Participants aged 20–30 ( n =30) and 65–75 ( n =23) years underwent partial sleep deprivation (3h sleep) in a cross-over design, with two 8-minutes eyes-open resting state functional magnetic resonance imaging (fMRI) runs in each session, monitored by eye-tracking. We assessed intrinsic brain connectivity using independent components analysis (ICA) as well as seed-region analyses of functional connectivity, and also analysed global signal variability, regional homogeneity, and the amplitude of low-frequency fluctuations. Sleep deprivation caused increased global signal variability. In our study, changes in investigated resting state networks and in regional homogeneity were not statistically significant. Younger participants had higher connectivity in most examined networks, as well as higher regional homogeneity in areas including anterior and posterior cingulate cortex. In conclusion, we found that sleep deprivation caused increased global signal variability. We speculate that this may be caused by wake-state instability.