The human insula is hidden in the depth of the cerebral hemisphere by the overlying frontal and temporal opercula, and consists of three cytoarchitectonically distinct regions: the anterior agranular area, posterior granular area, and the transitional dysgranular zone; each has distinct histochemical staining patterns and specific connectivity. Even though there are several studies reporting the functional connectivity of the insula with the cingulated cortex, its relationships with other brain areas remain elusive in humans. Therefore, we decided to use resting state functional connectivity to elucidate in details its connectivity, in terms of cortical and subcortical areas, and also of lateralization. We investigated correlations in BOLD fluctuations between specific regions of interest of the insula and other brain areas of right-handed healthy volunteers, on both sides of the brain. Our findings document two major complementary networks involving the ventral-anterior and dorsal-posterior insula: one network links the anterior insula to the middle and inferior temporal cortex and anterior cingulate cortex, and is primarily related to limbic regions which play a role in emotional aspects; the second links the middle-posterior insula to premotor, sensorimotor, supplementary motor and middle-posterior cingulate cortices, indicating a role for the insula in sensorimotor integration. The clear bipartition of the insula was confirmed by negative correlation analysis. Correlation maps are partially lateralized: the salience network, related to the ventral anterior insula, displays stronger connections with the anterior cingulate cortex on the right side, and with the frontal cortex on the left side; the posterior network has stronger connections with the superior temporal cortex and the occipital cortex on the right side. These results are in agreement with connectivity studies in primates, and support the use of resting state functional analysis to investigate connectivity in the living human brain.

Abstract Recent developments in network neuroscience suggest reconsidering what we thought we knew about the Default Mode Network (DMN). Although this network has always been seen as unitary and associated with the resting state, a new deconstructive line of research is pointing out that the DMN could be divided into multiple subsystems supporting different functions. By now, it is well known that the DMN is not only deactivated by tasks, but also involved in affective, mnestic, and social paradigms, among others. Nonetheless, it is starting to become clear that the array of activities in which it is involved, might also be extended to more extrinsic functions. The present meta-analytic study is meant to push this boundary a bit further. The BrainMap database was searched for all experimental paradigms activating the DMN, and their activation maps were then computed. An additional map of task-induced deactivations was also created. A Multidimensional Scaling indicated that such maps could be arranged along an anatomo-psychological gradient, which goes from midline core activations, associated with the most internal functions, to the involvement of lateral cortices in more external tasks. Further investigations suggested that such extrinsic mode is especially related to reward, semantic, and emotional functions. However, an important finding was that the variability of task-induced DMN anatomic redistribution was hard to recapitulate, as none of the maps, or any linear combination of them, could represent the whole space of its dynamical reconfiguration. Altogether, our findings suggest that the DMN may be characterized by a richer functional diversity and a more spatial complexity than previously suggested.

ABSTRACT Mindfulness meditation has been practiced in the East for more than two millennia, but in last years also Western neurscientists drown their attention to it. Mindfulness basically refers to moment to moment awareness. In this review we summarize different hypotheses concerning effects of mindfulness meditation practice and cerebral correlates accounting for these; furthermore we expose some of the most relevant theories dealing with different aspects of consciousness. Finally we propose an integration of mindfulness meditation with consciousness, supported by the identification of brain areas involved in both of them, namely Anterior Cingular Cortex (ACC), Posterior Cingular Cortex (PCC), Insula and Thalamus.

It is well known that the blood oxygen level dependent (BOLD) signal varies according to task performance and region specificity. This ongoing and fluctuating activity reflects the organization of functional brain networks. Peculiar dynamics of BOLD signal are therefore supposed to characterize brain activity in different conditions. Within this framework, we investigated through a multivoxel pattern analysis whether patterns of BOLD variability convey information that may allow an efficient discrimination between task (i.e., painful stimulation) and rest conditions. We therefore identified the most discriminative brain areas between the two conditions, which turned out to be the anterior insula, dorsal anterior cingulate cortex, posterior insula, the thalamus, and the periaqueductal gray. Then, on the basis of information theory, we calculated the entropy of their different time series. Entropy was found to distribute differently between these brain areas. The posterior insula was found to be is the smaller contributor to the entropy rate, whereas the system formed by the thalamus and periaqueductal gray was found to be the major contributor. Overall, the brain system reaches a higher level of entropy during the rest condition, which suggests that cerebral activity is characterized by a larger informational space when the brain is at rest than when it is engaged in a specific task. Thus, this study provides evidence that: i) the pattern of BOLD variance allow a good discrimination between the conditions of rest and pain stimulation; ii) the discriminative pattern resembles closely that of the functional network that has been called pain matrix; iii) brain areas with high and low variability are characterized by a different sample entropy; iv) the entropy rate of cerebral regions can be an insightful parameter to better understand the complex dynamics of the brain.

In this research we have analyzed functional magnetic resonance imaging (fMRI) signals of different networks in the brain under resting state condition. To such end, the dynamics of signal variation, have been conceived as a stochastic motion, namely it has been modelled through a generalized Langevin stochastic differential equation, which combines a deterministic drift component with a stochastic component where the Gaussian noise source has been replaced with α-stable noise. The parameters of the deterministic and stochastic parts of the model have been fitted from fluctuating data. Results show that the deterministic part is characterized by a simple, linear decreasing trend, and, most important, the α-stable noise, at varying characteristic index α, is the source of a spectrum of activity modes across the networks, from those originated by classic Gaussian noise (α = 2), to longer tailed behaviors generated by the more general Levy noise (1 ≤ α < 2). Levy motion is a specific instance of scale-free behavior, it is a source of anomalous diffusion and it has been related to many aspects of human cognition, such as information foraging through memory retrieval or visual exploration. Finally, some conclusions have been drawn on the functional significance of the dynamics corresponding to different α values.

Abstract: Over the past two decades, functional magnetic resonance imaging (fMRI) has become the primary tool for exploring neural correlates of emotion. To enhance the reliability of results in understanding the complex nature of emotional experiences, researchers combine findings from multiple fMRI studies using coordinate-based meta-analysis (CBMA). As one of the most widely employed CBMA methods worldwide, activation likelihood estimation (ALE) is of great importance in affective neuroscience and neuropsychology. This comprehensive review provides an introductory guide for implementing the ALE method in emotion research, outlining the experimental steps involved. By presenting a case study about the emotion of disgust, with regard to both its core and social processing, we offer insightful commentary as to how ALE can enable researchers to produce consistent results and, consequently, fruitfully investigate the neural mechanisms underpinning emotions, facilitating further progress in this field. Keywords: affective mapping, BrainMap, quantitative synthesis, coordinate-based meta-analysis, fMRI, affective neuroscience

Abstract Activation likelihood estimation (ALE) is among the most used algorithms to perform neuroimaging meta-analysis. Since its first implementation, several thresholding procedures had been proposed, all referred to the frequentist framework, returning a rejection criterion for the null hypothesis according to the critical p-value selected. However, this is not informative in terms of probabilities of the validity of the hypotheses. Here, we describe an innovative thresholding procedure based on the concept of minimum Bayes factor (mBF). The use of the Bayesian framework allows to consider different levels of probability, each of these being equally significant. In order to simplify the translation between the common ALE practice and the proposed approach, we analised six task-fMRI/VBM datasets and determined the mBF values equivalent to the currently recommended frequentist thresholds based on Family Wise Error (FWE). Sensitivity and robustness toward spurious findings were also analyzed. Results showed that the cutoff log 10 (mBF)=5 is equivalent to the FWE threshold, often referred as voxel-level threshold, while the cutoff log 10 (mBF)=2 is equivalent to the cluster-level FWE (c-FWE) threshold. However, only in the latter case voxels spatially far from the blobs of effect in the c-FWE ALE map survived. Therefore, when using the Bayesian thresholding the cutoff log 10 (mBF)=5 should be preferred. However, being in the Bayesian framework, lower values are all equally significant, while suggesting weaker level of force for that hypothesis. Hence, results obtained through less conservative thresholds can be legitimately discussed without losing statistical rigor. The proposed technique adds therefore a powerful tool to the human-brain-mapping field.

Abstract Numerous studies have investigated gray matter (GM) volume changes in diverse patient groups. Reports of disorder-related GM reductions are common in such work, but many studies also report evidence for GM volume increases in patients. It is unclear whether these GM increases and decreases independent or related in some way. Here, we address this question using a novel meta-analytic network mapping approach. We used a coordinate-based meta-analysis of 64 voxel-based morphometry studies of psychiatric disorders to calculate the probability of finding a GM increase or decrease in one region given an observed change in the opposite direction in another region. Estimating this co-occurrence probability for every pair of brain regions allowed us to build a network of concurrent GM changes of opposing polarity. Our analysis revealed that disorder-related GM increases and decreases are not independent; instead, a GM change in one area is often statistically related to a change of opposite polarity in other areas, highlighting distributed yet coordinated changes in GM volume as a function of brain pathology. Most regions showing GM changes linked to an opposite change in a distal area were located in salience, executive-control and default mode networks, as well as the thalamus and basal ganglia. Moreover, pairs of regions showing coupled changes of opposite polarity were more likely to belong to different canonical networks than to the same one. Our results suggest that regional GM alterations in psychiatric disorders are often accompanied by opposing changes in distal regions that belong to distinct functional networks.

Schizophrenia, obsessive-compulsive and autistic disorders are traditionally considered as three separate psychiatric conditions each with specific symptoms and pattern of brain alterations. This view can be challenged since these three conditions have the same neurobiological origin, stemming from a common root of a unique neurodevelopmental tree. The aim of this meta-analytic study was to determine, from a neuroimaging perspective, whether i) white matter and gray matter alterations are specific for the three different spectrum disorders, and the nosographical differentiation of three spectra is supported by different patterns of brain alterations. ii) it might be possible to define new spectra starting from specific brain damage. iii) it is possible to detect a "brain damage network" (a connecting link between the damaged areas that relates areas constantly involved in the disorder). Three main findings emerged from our meta-analysis: 1) The three psychiatric spectra do not appear to have their own specific damage. 2) It is possible to define two new damage clusters. The first includes substantial parts of the salience network, and the second is more closely linked to the auditory-visual, auditory and visual somatic areas. 3) It is possible to define a "Damage Network" and to infer a hierarchy of brain substrates in the pattern of propagation of the damage. These results suggest the presence of a common pattern of damage in the three pathologies plus a series of variable alterations that, rather than support the sub-division into three spectra, highlight a two-cluster parcellation with an input-output and more cognitive clusters.

Abstract Autism Spectrum Disorder (ASD) is a set of developmental pathologies with a strong genetic basis and high heritability. Although neuroimaging studies have indicated anatomical changes in grey matter (GM) morphometry, their associations with gene expression remain elusive. In the present study, we aim to understand how gene expression correlates with structural brain aberration in ASD and how it distributes in a functional network perspective. First, we performed an activation likelihood estimation (ALE) meta-analysis to determine GM alteration in the brain, then we selected genes from the SHANK, NRXN, NLGN family and MECP2, which have been implicated with ASD, particularly in regards to altered synaptic transmission. Gene expression maps were built. We then assessed the correlation between the gene expression maps and the GM alteration maps. We found that the default mode network regions were the most significantly correlated with gene expression of selected genes in both areas of GM decrease and increase. The dorsal attention and the cerebellar network regions are significantly correlated with ASD genes. Different networks, namely somatomotor, limbic and basal ganglia/thalamus network - were found in the increase; for each of these networks, however, only a few genes were significant. Our approach allowed to combine the well beaten path of genetic and brain imaging in a novel way, to specifically investigate the relation between gene expression and brain with structural damage, and individuate genes of interest for further investigation in specific functional networks.