Abstract During the performance of a specific task or at rest, the activity of different brain regions shares statistical dependencies that reflect functional connections. While these relationships have been studied intensely for positively correlated networks, considerably less attention has been paid to negatively correlated networks, a.k.a. anticorrelated networks (ACNs). Here, we have addressed this issue by making use of two neuroimaging datasets: one of N=192 young healthy adults; and another of N=40 subjects that was divided into two groups of young and old participants. We first provided a full description of the anatomical composition of the different ACNs, each of which participated in distinct resting-state networks (RSNs). In terms of their frequency of participation, from highest to the lowest, the major anticorrelated brain areas are the precuneus, the anterior supramarginal gyrus and the central opercular cortex. Subsequently, by evaluating the more detailed structure of ACNs, we show it is possible to find significant differences in these in association with specific conditions, in particular by comparing groups of young and old participants. Our main finding is that of increased anticorrelation for cerebellar interactions in older subjects. Overall, our results give special relevance to ACNs and they suggest they may serve to disentangle unknown alterations in certain conditions, as might occur in neurodegenerative diseases at early onset or in some psychiatric conditions.

SUMMARY Understanding the architectural principles that shape human brain networks is a major challenge for systems neuroscience. We hypothesize that the centrality of the different brain circuits in the human connectome is a product of their embryogenic age, such that early-born nodes should become stronger hubs than those born later. Using a human brain segmentation based on embryogenic age, we observed that nodes’ structural centrality correlated with their embryogenic age, fully confirming our hypothesis. Distinct trends were found at different resolutions on a functional level. The difference in embryonic age between nodes inversely correlated with the probability of existence of links and their weights. Brain transcriptomic analysis revealed strong associations between embryonic age, structure-function centrality, and the expression of genes related to nervous system development, synapse regulation and human neurological diseases. Our results highlight two key principles regarding the wiring of the human brain, “preferential age attachment” and “the older gets richer”.

Alzheimer's disease (AD) is a chronically progressive neurodegenerative disease highly correlated to aging. Whether AD originates by targeting a localized brain area and propagates to the rest of the brain across disease-severity progression is a question with an unknown answer. Here, we aim to provide an answer to this question at the group-level by looking at differences in diffusion-tensor brain networks. In particular, making use of data from Alzheimer's Disease Neuroimaging Initiative (ADNI), four different groups were defined (all of them matched by age, sex and education level): G1 (N1=36, healthy control participants, HC), G2 (N2=36, early mild cognitive impairment, EMCI), G3 (N3=36, late mild cognitive impairment, LMCI) and G4 (N4=36, AD). Diffusion-tensor brain networks were compared across three disease stages: stage I (Control vs EMCI), stage II (Control vs LMCI) and stage III (Control vs AD). The group comparison was performed using the multivariate distance matrix regression analysis, a technique that was born in genomics and was recently proposed to handle brain functional networks, but here applied to diffusion-tensor data. The results were three-fold: First, no significant differences were found in stage I. Second, significant differences were found in stage II in the connectivity pattern of a subnetwork strongly associated to memory function (including part of the hippocampus, amygdala, entorhinal cortex, fusiform gyrus, inferior and middle temporal gyrus, parahippocampal gyrus and temporal pole). Third, a widespread disconnection across the entire AD brain was found in stage III, affecting more strongly the same memory subnetwork appearing in stage II, plus the other new subnetworks, including the default mode network, medial visual network, frontoparietal regions and striatum. Our results are consistent with a scenario where progressive alterations of connectivity arise as the disease severity increases and provide the brain areas possibly involved in such a degenerative process. Further studies applying the same strategy to longitudinal data are needed to fully confirm this scenario.

Intrinsic Connectivity Networks, patterns of correlated activity emerging from "resting-state" Blood Oxygenation Level Dependent time series, are increasingly being associated to cognitive, clinical, and behavioral aspects, and compared with the pattern of activity elicited by specific tasks. We study the reconfiguration of the brain networks between task and resting-state conditions by a machine learning approach, to highlight the Intrinsic Connectivity Networks (ICNs) which are more affected by the change of network configurations in task vs. rest. We use a large cohort of publicly available data in both resting and task-based fMRI paradigms; by trying a battery of different supervised classifiers relying only on task-based measurements, we show that the highest accuracy is reached with a simple neural network of one hidden layer. In addition, when testing the fitted model on resting state measurements, such architecture yields a performance close to 90\% for areas connected to the task performed, which mainly involve the visual and sensorimotor cortex, whilst a relevant decrease of the performance is observed in the other ICNs. On one hand, our results confirm the correspondence of ICNs in both paradigms (task and resting) thus opening a window for future clinical applications to subjects whose participation in a required task cannot be guaranteed. On the other hand it is shown that brain areas not involved in the task display different connectivity patterns in the two paradigms.

Traumatic brain injury (TBI) affects its structural connectivity, triggering the re-organization of structural-functional circuits in a manner that remains poorly understood. We studied the re-organization of brain networks after TBI, taking advantage of a computational method based on magnetic resonance imaging (MRI) including diffusion-weighted imaging in combination with functional resting state data obtained from the blood-oxygenation-level-dependent T2* signal. We enrolled young participants who had suffered moderate to severe TBI (N=14, age 13.14 ± 3.25 years), comparing them to young typically developing control participants (N=27, age 15.04 ± 2.26 years). We found increased functional and structural connectivity within a cortico-subcortical network in TBI patient's brains that involved prefrontal cortex, anterior cingulate gyrus, orbital gyrus and caudate nucleus. In comparison to control participants, TBI patients increased functional connectivity from prefrontal regions towards two different networks: 1) a subcortical network including part of the motor network, basal ganglia, cerebellum, hippocampus, amygdala, posterior cingulum and precuneus; and 2) a task-positive network, involving regions of the dorsal attention system together with the dorsolateral and ventrolateral prefrontal regions. We also found the increased prefrontal activation in TBI patients was correlated with some behavioural indices, such as the amount of body sway, whereby patients with worse balance activated frontal regions more strongly. The enhanced prefrontal activation found in TBI patients may provide the structural scaffold for stronger cognitive control of certain behavioural functions, consistent with the observation that various motor tasks are performed less automatically following TBI and that more cognitive control is associated with such actions.

Interaction Information generalizes the univariate Shannon Entropy to triplets of variables, allowing the detection of redundant or synergetic interactions in dynamical networks. Here, we calculated interaction information from functional magnetic resonance imaging and asked whether redundancy or synergy vary across brain regions and along lifespan. We found high overlapping between the pattern of high redundancy and the default mode network, and this occurred along lifespan. The pattern of high values of synergy, more heterogeneous and variable along lifespan, was overlapping with different cognitive domains, such as spatial and temporal memory, emotion processing and motor skills. Moreover, the amount of redundancy and synergy seem to be balanced along lifespan, suggesting informational compensatory mechanisms in brain networks.

Multiple Organ Dysfunction Syndrome (MODS) is a systemic physiological disorder affecting two or more body organs triggered after an insult complication. Beyond the systemic failure, patients who survive MODS present cognitive and neurological impairments that remain stable even several years after Intensive Care Unit (ICU) discharge. Here, we focus on the specific situation of MODS patients with no apparent brain damage (NABD), where the mechanisms driving cognitive impairment at long term are not well-understood. We recruit N1 = 13 MODS patients with NABD at 6 months after ICU discharge, together with N2 = 13 healthy controls (matched by age, sex and years of education), and acquire functional magnetic resonance imaging at rest to find that, as compared to control, MODS patients with NABD present an overall increase of the functional connectivity (FC) at rest. In particular, we find that the default mode network (DMN) hyperconnects (increasing the node strength of the FC matrix) to three classes of networks: primary sensory (such as auditory, sensory-motor and visual), multimodal integration (such as dorsal attention and salience) and higher order cognition networks (such as fronto-parietal, language and executive control). Therefore, although these patients do not have an apparent structural damage after MODS, at the functional level, we found brain network alterations coexisting with hyperconnectivity of the DMN, that similar to what happens at the onset of other pathologies, might indicate a possible mechanism for brain compensation occurring after MODS.

One of the biggest challenges in preprocessing pipelines for neuroimaging data is to increase the signal-to-noise ratio of the data which will be used for subsequent analyses. In the same line, we suggest in the present work that the application of consensus clustering for brain connectivity matrices to find subgroups of subjects can be a valid additional "connectome processing" step helpful to reduce intra-group variability and therefore increase the separability of distinct classes. In addition, by partitioning the data before any group comparison, we demonstrate that unique regions within each cluster arise and bring new information that could be relevant from a clinical point of view.

Visibility algorithms are a family of methods that map time series into graphs, such that the tools of graph theory and network science can be used for the characterization of time series. This approach has proved a convenient tool and visibility graphs have found applications across several disciplines. Recently, an approach has been proposed to extend this framework to multivariate time series, allowing a novel way to describe collective dynamics. Here we test their application to fMRI time series, following two main motivations, namely that (i) this approach allows to simultaneously capture and process relevant aspects of both local and global dynamics in an easy and intuitive way, and (ii) this provides a suggestive bridge between time series and network theory which nicely fits the consolidating field of network neuroscience. Our application to a large open dataset reveals differences in the similarities of temporal networks (and thus in correlated dynamics) across resting state networks, and gives indications that some differences in brain activity connected to psychiatric disorders could be picked up by this approach.

Abstract Objective To develop a new device that will help identify physiological markers of pain perception by reading the brain’s electrical activity and the bodies hemodynamic interactions while applying thermoalgesic stimulation. Methods: We designed a compact prototype that generates well-controlled thermal stimuli using a computer driven Peltier cell while simultaneously capturing electroencephalography (EEG) and photoplethysmography (PPG) signals as the stimuli are varied. The study was performed on 35 healthy subjects (mean age 30.46 years, SD 4.93 years; 20 males, 15 females) and to account for the inter-subject variability in the tolerance to thermal pain, we first determined the heat pain threshold (HPT) for each subject, defined as the maximum temperature that the subject can withstand when the Peltier cell gradually increases the temperature. Subsequently, we defined the pain parameters associated with a stimulation temperature equivalent to 90% of the HPT, comparing this to the no-pain state (control) in the absence of thermoalgesic stimulation. Results: Both the one-dimensional and the two-dimensional spectral entropy (SE) obtained from both the EEG and PPG signals could differentiate the condition of pain. In particular, the PPG SE was significantly reduced in association with pain, while the SE for EEG increased slightly. Moreover, significant discrimination occurred within a specific range of frequencies, 26-30 Hz for EEG and about 5-10 Hz for PPG. Conclusion: Hemodynamics, brain dynamics and their interactions can discriminate thermal pain perception. Significance: The possibility of monitoring on-line variations in thermal pain perception using a similar device and algorithms may be of interest to study different pathologies that affect the peripheral nervous system, such as small fiber neuropathies, fibromyalgia or painful diabetic neuropathy.