The default mode network (DMN) is a set of functionally connected brain regions which shows deactivation (task-induced deactivation, TID) during a cognitive task. Evidence shows an age-related decline in task-load-related modulation of the activity within the DMN during cognitive tasks. However, the effect of age on the functional coupling within the DMN and their relation to cognitive performance has hitherto been unexplored. Using functional magnetic resonance imaging, we investigated functional connectivity within the DMN in older and younger subjects during a working memory task with increasing task load. Older adults showed decreased connectivity and ability to suppress low frequency oscillations of the DMN. Additionally, the strength of the functional coupling of posterior cingulate (pCC) with medial prefrontal cortex (PFC) correlated positively with performance and was lower in older adults. pCC was also negatively coupled with task-related regions, namely the dorsolateral PFC and cingulate regions. Our results show that in addition to changes in canonical task-related brain regions, normal aging is also associated with alterations in the activity and connectivity of brain regions within the DMN. These changes may be a reflection of a deficit in cognitive control associated with advancing age that results in deficient resource allocation to the task at hand.

Normal aging is accompanied by global as well as regional structural changes. While these age-related changes in gray matter volume have been extensively studied, less has been done using newer morphological indexes, such as cortical thickness and surface area. To this end, we analyzed structural images of 216 healthy volunteers, ranging from 18 to 87 years of age, using a surface-based automated parcellation approach. Linear regressions of age revealed a concomitant global age-related reduction in cortical thickness, surface area and volume. Cortical thickness and volume collectively confirmed the vulnerability of the prefrontal cortex, whereas in other cortical regions, such as in the parietal cortex, thickness was the only measure sensitive to the pronounced age-related atrophy. No cortical regions showed more surface area reduction than the global average. The distinction between these morphological measures may provide valuable information to dissect age-related structural changes of the brain, with each of these indexes probably reflecting specific histological changes occurring during aging.

Suicide is a leading cause of death worldwide. Identifying factors associated with suicidality (suicidal ideation [SI]/suicidal behavior) could increase our understanding of the pathophysiological underpinnings of suicide and improve its prevention.We conducted a systematic review (PubMed/PsycInfo/Cochrane databases, up to September 2020) and random-effect meta-analysis including observational studies comparing peripheral C-reactive protein (CRP) levels in suicidal versus non-suicidal patients affected by any psychiatric disorder and healthy controls (HC). Primary outcome was the CRP standardized mean difference (SMD) between patients with high suicidality versus those with absent or low suicidality. Secondary outcomes were SMD of CRP levels between those with suicide attempt versus no suicide attempt, as well as between those with (high) versus low or absent SI. Quality of included studies was measured with Newcastle-Ottawa scale.Out of initial 550 references, 21 observational studies involving 7682 subjects (7445 with mood disorders or first-episode psychosis, 237 HC) were included. A significant association of CRP levels with suicidality (SMD 0.688, 95% CI 0.476-0.9, p < 0.001) emerged. CRP levels were higher in individuals with high SI (SMD 1.145, 95% CI 0.273-2.018, p = 0.010) and in those with suicide attempt (SMD 0.549, 95%CI 0.363-0.735, p < 0.001) than non-suicidal individuals (either patients or HC). Main analyses were confirmed in sensitivity analysis (removing HC), and after adjusting for publication bias. The cross-sectional design of included studies, and the high heterogeneity of diagnosis and treatment limit the generalizability of these results. Median quality of included studies was high.CRP is associated with higher suicidality in patients with mental disorders. Large cohort studies longitudinally monitoring CRP levels are needed to explore its longitudinal association with suicidality.

The relationship between structure and function is of interest in many research fields involving the study of complex biological processes. In neuroscience in particular, the fusion of structural and functional data can help to understand the underlying principles of the operational networks in the brain. To address this issue, this paper proposes a constrained autoregressive model leading to a representation of effective connectivity that can be used to better understand how the structure modulates the function. Or simply, it can be used to find novel biomarkers characterizing groups of subjects. In practice, an initial structural connectivity representation is re-weighted to explain the functional co-activations. This is obtained by minimizing the reconstruction error of an autoregressive model constrained by the structural connectivity prior. The model has been designed to also include indirect connections, allowing to split direct and indirect components in the functional connectivity, and it can be used with raw and deconvoluted BOLD signal. The derived representation of dependencies was compared to the well known dynamic causal model, giving results closer to known ground-truth. Further evaluation of the proposed effective network was performed on two typical tasks. In a first experiment the direct functional dependencies were tested on a community detection problem, where the brain was partitioned using the effective networks across multiple subjects. In a second experiment the model was validated in a case-control task, which aimed at differentiating healthy subjects from individuals with autism spectrum disorder. Results showed that using effective connectivity leads to clusters better describing the functional interactions in the community detection task, while maintaining the original structural organization, and obtaining a better discrimination in the case-control classification task.

The analysis of the brain from a connectivity perspective is revealing novel insights into brain structure and function. Discovery is, however, hindered by the lack of prior knowledge used to make hypotheses. Additionally, exploratory data analysis is made complex by the high dimensionality of data. Indeed, to assess the effect of pathological states on brain networks, neuroscientists are often required to evaluate experimental effects in case-control studies, with hundreds of thousands of connections. In this paper, we propose an approach to identify the multivariate relationships in brain connections that characterize two distinct groups, hence permitting the investigators to immediately discover the subnetworks that contain information about the differences between experimental groups. In particular, we are interested in data discovery related to connectomics, where the connections that characterize differences between two groups of subjects are found. Nevertheless, those connections do not necessarily maximize the accuracy in classification since this does not guarantee reliable interpretation of specific differences between groups. In practice, our method exploits recent machine learning techniques employing sparsity to deal with weighted networks describing the whole-brain macro connectivity. We evaluated our technique on functional and structural connectomes from human and murine brain data. In our experiments, we automatically identified disease-relevant connections in datasets with supervised and unsupervised anatomy-driven parcellation approaches and by using high-dimensional datasets.

ABSTRACT The analysis of the brain from a connectivity perspective is unveiling novel insights into brain structure and function. Discovery is, however, hindered by the lack of prior knowledge used to make hypotheses. On the other hand, exploratory data analysis is made complex by the high dimensionality of data. Indeed, in order to assess the effect of pathological states on brain networks, neuroscientists are often required to evaluate experimental effects in case-control studies, with hundreds of thousand connections. In this paper, we propose an approach to identify the multivariate relationships in brain connections that characterise two distinct groups, hence permitting the investigators to immediately discover sub-networks that contain information about the differences between experimental groups. In particular, we are interested in data discovery related to connectomics, where the connections that characterize differences between two groups of subjects are found. Nevertheless, those connections not necessarily maximize accuracy in classification since this does not guarantee reliable interpretation of specific differences between groups. In practice, our method exploits recent machine learning techniques employing sparsity to deal with weighted networks describing the whole-brain macro connectivity. We evaluated our technique on functional and structural connectomes from human and mice brain data. In our experiments, we automatically identified disease-relevant connections in datasets with supervised and unsupervised anatomy-driven parcellation approaches, and by using high-dimensional datasets.

The relationship between structure and function is of interest in many research fields involving the study of complex biological processes. In neuroscience in particular, the fusion of structural and functional data can help to understand the underlying principles of the operational networks in the brain. To address this issue, this paper proposes a constrained autoregressive model leading to a representation of effective connectivity that can be used to better understand how the structure modulates the function. Or simply, it can be used to find novel biomarkers characterizing groups of subjects. In practice, an initial structural connectivity representation is re-weighted to explain the functional co-activations. This is obtained by minimizing the reconstruction error of an autoregressive model constrained by the structural connectivity prior. The model has been designed to also include indirect connections, allowing to split direct and indirect components in the functional connectivity, and it can be used with raw and deconvoluted bold signal.The derived representation of dependencies was compared to the well known dynamic causal model, giving results closer to known ground-truth. Further evaluation of the proposed effective network was performed on two typical tasks. In a first experiment the direct functional dependencies were tested on a community detection problem, where the brain was partitioned using the effective networks across multiple subjects. In a second experiment the model was validated in a case-control task, which aimed at differentiating healthy subjects from individuals with autism spectrum disorder. Results showed that using effective connectivity leads to clusters better describing the functional interactions in the community detection task, while maintaining the original structural organization, and obtaining a better discrimination in the case-control classification task.

Abstract Neuroimaging studies have allowed for non-invasive mapping of brain networks in brain tumors. Although tumor core and edema are easily identifiable using standard MRI acquisitions, imaging studies often neglect signals, structures, and functions within their presence. Therefore, both functional and diffusion signals, as well as their relationship with global patterns of connectivity reorganization, are poorly understood. Here, we explore the functional activity and the structure of white matter fibers considering the contribution of the whole tumor in a surgical context. First, we find intertwined alterations in the frequency domain of local and spatially distributed resting-state functional signals, potentially arising within the tumor. Second, we propose a fiber tracking pipeline capable of using anatomical information while still reconstructing bundles in tumoral and peritumoral tissue. Finally, using machine learning and healthy anatomical information, we predict structural rearrangement after surgery given the preoperative brain network. The generative model also disentangles complex patterns of connectivity reorganization for different types of tumors. Overall, we show the importance of carefully designing studies including MR signals within damaged brain tissues, as they exhibit and relate to non-trivial patterns of both structural and functional (dis-)connections or activity.

Objective Bipolar Disorder (BD) is a severe mental illness associated with high rates of general medical comorbidity, reduced life expectancy, and premature mortality. Although BD has been associated with high medical hospitalization, the factors that contribute to this risk remain largely unexplored. We used baseline medical and psychiatric records to develop a supervised machine learning model to predict general medical admissions after discharge from psychiatric hospitalization. Methods In this retrospective three-year cohort study of 71 patients diagnosed with BD (mean age=52.19 years, females=56.33%), lasso regression models combining medical and psychiatric records, as well as those using them separately, were fitted and their predictive power was estimated using a leave-one-out cross-validation procedure. Results The proportion of medical admissions in patients with BD was higher compared with age- and sex-matched hospitalizations in the same region (25.4% vs. 8.48%). The lasso model fairly accurately predicted the outcome (area under the curve [AUC]=69.5%, 95%C.I.=55–84.1; sensitivity=61.1%, specificity=75.5%, balanced accuracy=68.3%). Notably, pre-existing cardiovascular, neurological, or osteomuscular diseases collectively accounted for more than 90% of the influence on the model. The accuracy of the model based on medical records was slightly inferior (AUC=68.7%, 95%C.I. = 54.6-82.9), while that of the model based on psychiatric records only was below chance (AUC=61.8%, 95%C.I.=46.2–77.4). Conclusion Our findings support the need to monitor medical comorbidities during clinical decision-making to tailor and implement effective preventive measures in people with BD. Further research with larger sample sizes and prospective cohorts is warranted to replicate these findings and validate the predictive model.

Application of metabolic magnetic resonance imaging measures such as cerebral blood flow in translational medicine is limited by the unknown link of observed alterations to specific neurophysiological processes. In particular, the sensitivity of cerebral blood flow to activity changes in specific neurotransmitter systems remains unclear. We address this question by probing cerebral blood flow in healthy volunteers using seven established drugs with known dopaminergic, serotonergic, glutamatergic and GABAergic mechanisms of action. We use a novel framework aimed at disentangling the observed effects to contribution from underlying neurotransmitter systems. We find for all evaluated compounds a reliable spatial link of respective cerebral blood flow changes with underlying neurotransmitter receptor densities corresponding to their primary mechanisms of action. The strength of these associations with receptor density is mediated by respective drug affinities. These findings suggest that cerebral blood flow is a sensitive brain-wide in-vivo assay of metabolic demands across a variety of neurotransmitter systems in humans.