Abstract Brain activity during rest displays complex, rapidly evolving patterns in space and time. Structural connections comprising the human connectome are hypothesized to impose constraints on the dynamics of this activity. Here, we use magnetoencephalography (MEG) to quantify the extent to which fast neural dynamics in the human brain are constrained by structural connections inferred from diffusion MRI tractography. We characterize the spatio-temporal unfolding of whole-brain activity at the millisecond scale from source-reconstructed MEG data, estimating the probability that any two brain regions will significantly deviate from baseline activity in consecutive time epochs. We find that the structural connectome relates to, and likely affects, the rapid spreading of neuronal avalanches, evidenced by a significant association between these transition probabilities and structural connectivity strengths (r=0.37, p<0.0001). This finding opens new avenues to study the relationship between brain structure and neural dynamics.

Abstract Brain connectome fingerprinting is rapidly rising as a novel influential field in brain network analysis. Yet, it is still unclear whether connectivity fingerprints could be effectively used for mapping and predicting disease progression from human brain data. We hypothesize that dysregulation of brain activity in disease would reflect in worse subject identification. Hence, we propose a novel framework, Clinical Connectome Fingerprinting , to detect individual connectome features from clinical populations. We show that “clinical fingerprints” can map individual variations between elderly healthy subjects and patients undergoing cognitive decline in functional connectomes extracted from magnetoencephalography data. We find that identifiability is reduced in patients as compared to controls, and show that these connectivity features are predictive of the individual Mini-Mental State Examination (MMSE) score in patients. We hope that the proposed methodology can help in bridging the gap between connectivity features and biomarkers of brain dysfunction in large-scale brain networks.

Abstract Two structurally connected brain regions are more likely to interact, with the lengths of the structural bundles, their widths, myelination, and the topology of the structural connectome influencing the timing of the interactions. We introduce an in vivo approach for measuring functional delays across the whole brain using magneto/electroencephalography and integrating them with the structural bundles. The resulting topochronic map of the functional delays/velocities shows that larger bundles have faster velocities. We estimated the topochronic map in multiple sclerosis patients, who have damaged myelin sheaths, and controls, demonstrating greater delays in patients across the network and that structurally lesioned tracks were slowed down more than unaffected ones. We provide a novel framework for estimating functional transmission delays in vivo at the single-subject and single-fiber level. One-Sentence Summary A non-invasive estimation of the individual deterministic spatio-temporal scaffold underlying the evolution of brain dynamics.

Abstract The possibility to identify subjects from their brain activity was met enthusiastically, as it bears the possibility to individualize brain analyses. However, the nature of the processes generating subject-specific features remains unknown, as the literature does not point to specific mechanisms. In particular, most of the current literature uses techniques that are based on the assumption of stationarity (e.g. Pearson’s correlation), which do not hypothesize any mechanisms, and crashes against a large body of literature showing the complex, highly non-linear nature of brain activity. In this paper, we hypothesize that intermittent moments when large, non-linear perturbations spread across the brain (defined as neuronal avalanches in the context of critical dynamics) are the ones that carry subject-specific information, and that contribute the most to identifiability. To test this hypothesis, we apply the recently-developed avalanche transition matrix (ATM) to source reconstructed magnetoencephalographic data, as to characterize subject-speficic fast dynamics. Then, we perform identifiability analysis based on the ATMs, and compared the performance to more classical ways of estimating large-scale connections (which assume stationareity). We demonstrate that selecting the moments and places where neuronal avalanches spread improves identifiability (p<0.0001, permutation testing), despite the fact that most ot the data (i.e. the linear part) are discarded. Our results show that the non-linear part of the brain signals carries most of the subject-specific information, shading light on the nature of the processes that underlie subject-identifiability. Borrowing from statistical mechanics, a solid branch of physics, we provide a principled way to link emergent large-scale personalized activations to non-observable, microscopic processes.

Abstract BACKGROUND Parkinson’s disease (PD) is characterized by motor impairment, affecting quality of life and increasing fall risk, due to ineffective postural control. To this day, the diagnosis remains based on clinical approach. Similarly, motor evaluation is based on heterogeneous, operator-dependent observational criteria. A synthetic, replicable index to quantify motor impairment is still lacking. In this paper, we build upon the idea that the trunk is crucial in balance control. Hence, we have designed a new measure of postural stability which assesses the trunk displacement in relation to the center of mass, that we named trunk displacement index (TDI). METHODS Twenty-three PD patients and twenty-three healthy controls underwent clinical (UPDRS-III) and motor examination (3D gait analysis). The TDI was extracted from kinematic measurements using a stereophotogrammetric system. A correlation analysis was performed to assess the relationship of TDI with typical gait parameters, to verify its biomechanical value, and UPDRS-III, to observe its clinical relevance. Finally, its sensitivity was measured, comparing pre- and post-L-DOPA subclinical intake. RESULTS The TDI showed significant correlations with many gait parameters, including both velocity and stability characteristics of gait, and with the UPDRS-III. Finally, the TDI resulted capable in discriminating between off and on state in PD, whereas typical gait parameters failed two show any difference between those two conditions. CONCLUSIONS Our results suggest that the TDI may be considered a highly sensitive biomechanical index, reflecting the overall motor condition in PD, and provided of clinical relevance due to the correlation with the clinical evaluation.

Abstract The menstrual cycle is known to influence the behaviour. The neuronal bases of this phenomenon are poorly understood. We hypothesized that hormones, might affect the large-scale organization of the brain functional networks and that, in turn, such changes might have behavioural correlates in terms of the affective state. To test our hypothesis, we took advantage of magnetoencephalography to investigate brain topology in early follicular, ovulatory and luteal phases, in twenty-four naturally-cycling women without signs of anxiety and/or depression. We show that in the alpha band the betweenness centrality (BC) of the right posterior cingulate gyrus (PCG) during the ovulatory phase is increased and the rise is predicted by the levels of estradiol. We also demonstrate that the increase in the BC is related to improved subjective well-being that, in turn, is correlated to the estradiol levels. The increased topological centrality of the PCG during the ovulatory phase could have implications in reproductive psychology.

ABSTRACT The use of rhythmic acoustic stimulation (RAS) in improving gait and balance in healthy elderly subjects has been widely investigated. However, methodologies and results are often controversial. In this study, we hypothesize that both the kinematic features of gait and stability, depend on the frequency at which RAS is administered. Our aim was to observe, through 3D Gait Analysis, the effect of different types of RAS (at a fixed frequency or based on the average cadence of each subject) on both gait spatio-temporal parameters and stability. The latter was estimated through an innovative measure, the trunk displacement index (TDI) that we have recently implemented. We observed that the low frequencies RAS led to a general slowdown of gait, which did not provide any clear benefit and produced harmful effects on stability when the frequency became too low compared to the individual natural frequency. On the contrary, the high frequencies of RAS showed a slight acceleration of gait, accompanied by better stability (as documented by a lower TDI value), regardless of the type of RAS. Finally, the RAS equal to the individual natural cadence also produced an increase in stability.

Multiple sclerosis (MS) diagnosis typically involves assessing clinical symptoms, MRI findings, and ruling out alternative explanations. While myelin damage broadly affects conduction speeds, traditional tests focus on specific white-matter tracts, which may not reflect overall impairment accurately. In this study, we integrate diffusion tensor immaging (DTI) and magnetoencephalography (MEG) data into individualized virtual brain models to estimate conduction velocities for MS patients and controls. Using Bayesian inference, we demonstrated a causal link between empirical spectral changes and inferred slower conduction velocities in patients. Remarkably, these velocities proved superior predictors of clinical disability compared to structural damage. Our findings underscore a nuanced relationship between conduction delays and large-scale brain dynamics, suggesting that individualized velocity alterations at the whole-brain level contribute causatively to clinical outcomes in MS.

Abstract Complex spontaneous brain dynamics mirror the large number of interactions taking place among regions, supporting higher functions. Such complexity is manifested in the inter-regional dependencies among signals derived from different brain areas, as observed utilising neuroimaging techniques, like magnetoencephalography. The dynamics of this data produce numerous subsets of active regions at any moment as they evolve. Notably, converging evidence shows that these states can be understood in terms of transient coordinated events that spread across the brain over multiple spatial and temporal scales. Those can be used as a proxy of the “effectiveness” of the dynamics, as they become stereotyped or disorganised in neurological diseases. However, given the high dimensional nature of the data, representing them has been challenging thus far. Dimensionality reduction techniques are typically deployed to describe complex interdependencies and improve their interpretability. However, many dimensionality reduction techniques lose information about the sequence of configurations that took place. Here, we leverage a newly described algorithm, PHATE (Potential of Heat-diffusion for Affinity-based Transition Embedding), specifically designed to preserve the dynamics of the system in the low-dimensional embedding space. We analysed source-reconstructed resting-state magnetoencephalography from 18 healthy subjects to represent the dynamics of the configuration in low-dimensional space. After reduction with PHATE, unsupervised clustering via K-means is applied to identify distinct clusters. The topography of the states is described, and the dynamics are represented as a transition matrix. All the results have been checked against null models, providing a parsimonious account of the large-scale, fast, aperiodic dynamics during resting-state.

Healthy brain exhibits a rich dynamical repertoire, with flexible spatiotemporal patterns replays on both microscopic and macroscopic scales. How do fixed structural connections yield a diverse range of dynamic patterns in spontaneous brain activity? We hypothesize that the observed relationship between empirical structure and functional patterns is best explained when the microscopic neuronal dynamics is close to a critical regime. Using a modular Spiking Neuronal Network model based on empirical connectomes, we posit that multiple stored functional patterns can transiently reoccur when the system operates near a critical regime, generating realistic brain dynamics and structural-functional relationships. The connections in the model are chosen as to force the network to learn and propagate suited modular spatiotemporal patterns. To test our hypothesis, we employ magnetoencephalography and tractography data from five healthy individuals. We show that the critical regime of the model is able to generate realistic features, and demonstrate the relevance of near-critical regimes for physiological brain activity.