Entropy is a dimensionless quantity that is used for measuring uncertainty about the state of a system but it can also imply physical qualities, where high entropy is synonymous with high disorder. Entropy is applied here in the context of states of consciousness and their associated neural dynamics, with a particular focus on the psychedelic state. The psychedelic state is considered an exemplar of a primitive or primary state of consciousness that preceded the development of modern, adult, human, normal waking consciousness. Based on neuroimaging data with psilocybin, a classic psychedelic drug, it is argued that the defining feature of ‘primary states’ is elevated entropy in certain aspects of brain function, such as the repertoire of functional connectivity motifs that form and fragment across time. It is noted that elevated entropy in this sense, is a characteristic of systems exhibiting ‘self-organised criticality’, i.e., a property of systems that gravitate towards a ‘critical’ point in a transition zone between order and disorder in which certain phenomena such as power-law scaling appear. This implies that entropy is suppressed in normal waking consciousness, meaning that the brain operates just below criticality. It is argued that this entropy suppression furnishes consciousness with a constrained quality and associated metacognitive functions, including reality-testing and self-awareness. It is also proposed that entry into primary states depends on a collapse of the normally highly organised activity within the default-mode network (DMN) and a decoupling between the DMN and the medial temporal lobes (which are normally significantly coupled). These hypotheses can be tested by examining brain activity and associated cognition in other candidate primary states such as REM sleep and early psychosis and comparing these with non-primary states such as normal waking consciousness and the anaesthetised state.

Significance Lysergic acid diethylamide (LSD), the prototypical “psychedelic,” may be unique among psychoactive substances. In the decades that followed its discovery, the magnitude of its effect on science, the arts, and society was unprecedented. LSD produces profound, sometimes life-changing experiences in microgram doses, making it a particularly powerful scientific tool. Here we sought to examine its effects on brain activity, using cutting-edge and complementary neuroimaging techniques in the first modern neuroimaging study of LSD. Results revealed marked changes in brain blood flow, electrical activity, and network communication patterns that correlated strongly with the drug’s hallucinatory and other consciousness-altering properties. These results have implications for the neurobiology of consciousness and for potential applications of LSD in psychological research.

Networks, as efficient representations of complex systems, have appealed to scientists for a long time and now permeate many areas of science, including neuroimaging (Bullmore and Sporns 2009 Nat. Rev. Neurosci. 10 , 186–198. ( doi:10.1038/nrn2618 )). Traditionally, the structure of complex networks has been studied through their statistical properties and metrics concerned with node and link properties, e.g. degree-distribution, node centrality and modularity. Here, we study the characteristics of functional brain networks at the mesoscopic level from a novel perspective that highlights the role of inhomogeneities in the fabric of functional connections. This can be done by focusing on the features of a set of topological objects— homological cycles —associated with the weighted functional network. We leverage the detected topological information to define the homological scaffolds , a new set of objects designed to represent compactly the homological features of the correlation network and simultaneously make their homological properties amenable to networks theoretical methods. As a proof of principle, we apply these tools to compare resting-state functional brain activity in 15 healthy volunteers after intravenous infusion of placebo and psilocybin—the main psychoactive component of magic mushrooms. The results show that the homological structure of the brain's functional patterns undergoes a dramatic change post-psilocybin, characterized by the appearance of many transient structures of low stability and of a small number of persistent ones that are not observed in the case of placebo.

There is growing concern about possible cognitive consequences of COVID-19, with reports of 'Long COVID' symptoms persisting into the chronic phase and case studies revealing neurological problems in severely affected patients. However, there is little information regarding the nature and broader prevalence of cognitive problems post-infection or across the full spread of disease severity.

Traumatic brain injury can lead to the neurodegenerative disease chronic traumatic encephalopathy. This condition has a clear neuropathological definition but the relationship between the initial head impact and the pattern of progressive brain pathology is poorly understood. We test the hypothesis that mechanical strain and strain rate are greatest in sulci, where neuropathology is prominently seen in chronic traumatic encephalopathy, and whether human neuroimaging observations converge with computational predictions. Three distinct types of injury were simulated. Chronic traumatic encephalopathy can occur after sporting injuries, so we studied a helmet-to-helmet impact in an American football game. In addition, we investigated an occipital head impact due to a fall from ground level and a helmeted head impact in a road traffic accident involving a motorcycle and a car. A high fidelity 3D computational model of brain injury biomechanics was developed and the contours of strain and strain rate at the grey matter–white matter boundary were mapped. Diffusion tensor imaging abnormalities in a cohort of 97 traumatic brain injury patients were also mapped at the grey matter–white matter boundary. Fifty-one healthy subjects served as controls. The computational models predicted large strain most prominent at the depths of sulci. The volume fraction of sulcal regions exceeding brain injury thresholds were significantly larger than that of gyral regions. Strain and strain rates were highest for the road traffic accident and sporting injury. Strain was greater in the sulci for all injury types, but strain rate was greater only in the road traffic and sporting injuries. Diffusion tensor imaging showed converging imaging abnormalities within sulcal regions with a significant decrease in fractional anisotropy in the patient group compared to controls within the sulci. Our results show that brain tissue deformation induced by head impact loading is greatest in sulcal locations, where pathology in cases of chronic traumatic encephalopathy is observed. In addition, the nature of initial head loading can have a significant influence on the magnitude and pattern of injury. Clarifying this relationship is key to understanding the long-term effects of head impacts and improving protective strategies, such as helmet design.

Understanding how dynamic changes in brain activity control behavior is a major challenge of cognitive neuroscience. Here, we consider the brain as a complex dynamic system and define two measures of brain dynamics: the synchrony of brain activity, measured by the spatial coherence of the BOLD signal across regions of the brain; and metastability, which we define as the extent to which synchrony varies over time. We investigate the relationship among brain network activity, metastability, and cognitive state in humans, testing the hypothesis that global metastability is “tuned” by network interactions. We study the following two conditions: (1) an attentionally demanding choice reaction time task (CRT); and (2) an unconstrained “rest” state. Functional MRI demonstrated increased synchrony, and decreased metastability was associated with increased activity within the frontoparietal control/dorsal attention network (FPCN/DAN) activity and decreased default mode network (DMN) activity during the CRT compared with rest. Using a computational model of neural dynamics that is constrained by white matter structure to test whether simulated changes in FPCN/DAN and DMN activity produce similar effects, we demonstate that activation of the FPCN/DAN increases global synchrony and decreases metastability. DMN activation had the opposite effects. These results suggest that the balance of activity in the FPCN/DAN and DMN might control global metastability, providing a mechanistic explanation of how attentional state is shifted between an unfocused/exploratory mode characterized by high metastability, and a focused/constrained mode characterized by low metastability.

Traumatic brain injury affects brain connectivity by producing traumatic axonal injury. This disrupts the function of large-scale networks that support cognition. The best way to describe this relationship is unclear, but one elegant approach is to view networks as graphs. Brain regions become nodes in the graph, and white matter tracts the connections. The overall effect of an injury can then be estimated by calculating graph metrics of network structure and function. Here we test which graph metrics best predict the presence of traumatic axonal injury, as well as which are most highly associated with cognitive impairment. A comprehensive range of graph metrics was calculated from structural connectivity measures for 52 patients with traumatic brain injury, 21 of whom had microbleed evidence of traumatic axonal injury, and 25 age-matched controls. White matter connections between 165 grey matter brain regions were defined using tractography, and structural connectivity matrices calculated from skeletonized diffusion tensor imaging data. This technique estimates injury at the centre of tract, but is insensitive to damage at tract edges. Graph metrics were calculated from the resulting connectivity matrices and machine-learning techniques used to select the metrics that best predicted the presence of traumatic brain injury. In addition, we used regularization and variable selection via the elastic net to predict patient behaviour on tests of information processing speed, executive function and associative memory. Support vector machines trained with graph metrics of white matter connectivity matrices from the microbleed group were able to identify patients with a history of traumatic brain injury with 93.4% accuracy, a result robust to different ways of sampling the data. Graph metrics were significantly associated with cognitive performance: information processing speed (R2 = 0.64), executive function (R2 = 0.56) and associative memory (R2 = 0.25). These results were then replicated in a separate group of patients without microbleeds. The most influential graph metrics were betweenness centrality and eigenvector centrality, which provide measures of the extent to which a given brain region connects other regions in the network. Reductions in betweenness centrality and eigenvector centrality were particularly evident within hub regions including the cingulate cortex and caudate. Our results demonstrate that betweenness centrality and eigenvector centrality are reduced within network hubs, due to the impact of traumatic axonal injury on network connections. The dominance of betweenness centrality and eigenvector centrality suggests that cognitive impairment after traumatic brain injury results from the disconnection of network hubs by traumatic axonal injury.

A bstract For most neuroimaging questions the huge range of possible analytic choices leads to the possibility that conclusions from any single analytic approach may be misleading. Examples of possible choices include the motion regression approach used and smoothing and threshold factors applied during the processing pipeline. Although it is possible to perform a multiverse analysis that evaluates all possible analytic choices, this can be computationally challenging and repeated sequential analyses on the same data can compromise inferential and predictive power. Here, we establish how active learning on a low-dimensional space that captures the inter-relationships between analysis approaches can be used to efficiently approximate the whole multiverse of analyses. This approach balances the benefits of a multiverse analysis without the accompanying cost to statistical power, computational power and the integrity of inferences. We illustrate this approach with a functional MRI dataset of functional connectivity across adolescence, demonstrating how a multiverse of graph theoretic and simple pre-processing steps can be efficiently navigated using active learning. Our study shows how this approach can identify the subset of analysis techniques (i.e., pipelines) which are best able to predict participants’ ages, as well as allowing the performance of different approaches to be quantified.

We developed two novel self-ordered switching (SOS) fMRI paradigms to investigate how human behaviour and underlying network resources are optimised when learning to perform complex tasks with multiple goals. SOS was performed with detailed feedback and minimal pretraining (study 1) or with minimal feedback and substantial pretraining (study 2). In study 1, multiple-demand (MD) system activation became less responsive to routine trial demands but more responsive to the executive switching events with practice. Default Mode Network (DMN) activation showed the opposite relationship. Concomitantly, reaction time learning curves correlated with increased connectivity between functional brain networks and subcortical regions. This 'fine-tuning' of network resources correlated with progressively more routine and lower complexity behavioural structure. Furthermore, overall task performance was superior for people who applied structured behavioural routines with low algorithmic complexity. These behavioural and network signatures of learning were less evident in study 2, where task structure was established prior to entering the scanner. Together, these studies demonstrate how detailed feedback monitoring enables network resources to be progressively redeployed in order to efficiently manage concurrent demands.

COVID-19 is known to be associated with increased risks of cognitive and psychiatric outcomes after the acute phase of disease. We aimed to assess whether these symptoms can emerge or persist more than 1 year after hospitalisation for COVID-19, to identify which early aspects of COVID-19 illness predict longer-term symptoms, and to establish how these symptoms relate to occupational functioning.