Abstract Humans adapt their learning strategies to changing environments by estimating the volatility of the reinforcement conditions. Here, we examine how volatility affects learning and the underlying functional brain organizations using a probabilistic reward reversal learning task. We found that the order of conditions was critically important; participants adjusted learning rate going from volatile to stable, but not from stable to volatile, environments. Subjective volatility of the environment was encoded in the striatal reward system and its dynamic connections with the prefrontal control system. Flexibility, which captures the dynamic changes of network modularity in the brain, was higher in the environmental transition from volatile to stable than from stable to volatile. These findings suggest that behavioral adaptations and dynamic brain organizations in transitions between stable and volatile environments are asymmetric, providing critical insights into the way that people learn under uncertainty.

Anxiety-related illnesses are highly prevalent in human society. Being able to identify neurobiological markers signaling high trait anxiety could aid the assessment of individuals with high risk for mental illness. Here, we applied connectome-based predictive modeling (CPM) to whole-brain resting-state functional connectivity (rsFC) data to predict the degree of anxiety in 76 healthy participants. Using a computational “lesion” method in CPM, we then examined the weights of the identified main brain areas as well as their connectivity. Results showed that the CPM could predict individual anxiety from whole-brain rsFC, especially from limbic areas-whole brain and prefrontal cortex-whole brain. The prediction power of the model significantly decreased from (simulated) lesions of limbic areas, lesions of the connectivity within the limbic system, and lesions of the connectivity between limbic regions and the prefrontal cortex.Although the same model also predicted depression, anxiety-specific networks could be identified independently, centered at the prefrontal cortex. These findings highlight the important role of the limbic system and the prefrontal cortex in the prediction of anxiety. Our work provides evidence for the usefulness of connectome-based modeling of rsFC in predicting individual personality differences and indicates its potential for identifying personality structures at risk of developing psychopathology.

Abstract Neuroimaging studies of hemodynamic fluctuations have shown specific network-based organization of the brain at rest, yet the neurophysiological underpinning of these networks in human brain remain unclear. Here, we recorded resting-state activities of neuronal populations in the key regions of default mode network (DMN, posterior cingulate cortex and medial prefrontal cortex), frontoparietal network (FPN, dorsolateral prefrontal cortex and inferior parietal lobule), and salience network (SN, anterior insula and dorsal anterior cingulate cortex) from 42 human participants using intracranial electroencephalogram (iEEG). We observed stronger within-network connectivity of the DMN, FPN and SN in broadband iEEG power, stronger phase synchronization within the DMN across theta and alpha bands, and weaker phase synchronization within the FPN in delta, theta and alpha band. We also found positive power correlations in high frequency band (70-170Hz) and negative power correlations in alpha and beta band for FPN-DMN and FPN-SN. Robust negative correlations in DMN-SN were found in alpha, beta and gamma band. These findings provide intracranial electrophysiological evidence in support of the network model for intrinsic organization of human brain and shed light on the way how the brain networks communicate at rest.