Human learning is a complex phenomenon requiring flexibility to adapt existing brain function and precision in selecting new neurophysiological activities to drive desired behavior. These two attributes -- flexibility and selection -- must operate over multiple temporal scales as performance of a skill changes from being slow and challenging to being fast and automatic. Such selective adaptability is naturally provided by modular structure, which plays a critical role in evolution, development, and optimal network function. Using functional connectivity measurements of brain activity acquired from initial training through mastery of a simple motor skill, we explore the role of modularity in human learning by identifying dynamic changes of modular organization spanning multiple temporal scales. Our results indicate that flexibility, which we measure by the allegiance of nodes to modules, in one experimental session predicts the relative amount of learning in a future session. We also develop a general statistical framework for the identification of modular architectures in evolving systems, which is broadly applicable to disciplines where network adaptability is crucial to the understanding of system performance.

Many functional network properties of the human brain have been identified during rest and task states, yet it remains unclear how the two relate. We identified a whole-brain network architecture present across dozens of task states that was highly similar to the resting-state network architecture. The most frequent functional connectivity strengths across tasks closely matched the strengths observed at rest, suggesting this is an “intrinsic,” standard architecture of functional brain organization. Furthermore, a set of small but consistent changes common across tasks suggests the existence of a task-general network architecture distinguishing task states from rest. These results indicate the brain’s functional network architecture during task performance is shaped primarily by an intrinsic network architecture that is also present during rest, and secondarily by evoked task-general and task-specific network changes. This establishes a strong relationship between resting-state functional connectivity and task-evoked functional connectivity—areas of neuroscientific inquiry typically considered separately.

Schizophrenia has often been conceived as a disorder of connectivity between components of large-scale brain networks. We tested this hypothesis by measuring aspects of both functional connectivity and functional network topology derived from resting-state fMRI time series acquired at 72 cerebral regions over 17 min from 15 healthy volunteers (14 male, 1 female) and 12 people diagnosed with schizophrenia (10 male, 2 female). We investigated between-group differences in strength and diversity of functional connectivity in the 0.06–0.125 Hz frequency interval, and some topological properties of undirected graphs constructed from thresholded interregional correlation matrices. In people with schizophrenia, strength of functional connectivity was significantly decreased, whereas diversity of functional connections was increased. Topologically, functional brain networks had reduced clustering and small-worldness, reduced probability of high-degree hubs, and increased robustness in the schizophrenic group. Reduced degree and clustering were locally significant in medial parietal, premotor and cingulate, and right orbitofrontal cortical nodes of functional networks in schizophrenia. Functional connectivity and topological metrics were correlated with each other and with behavioral performance on a verbal fluency task. We conclude that people with schizophrenia tend to have a less strongly integrated, more diverse profile of brain functional connectivity, associated with a less hub-dominated configuration of complex brain functional networks. Alongside these behaviorally disadvantageous differences, however, brain networks in the schizophrenic group also showed a greater robustness to random attack, pointing to a possible benefit of the schizophrenia connectome, if less extremely expressed.

The complex organization of connectivity in the human brain is incompletely understood. Recently, topological measures based on graph theory have provided a new approach to quantify large-scale cortical networks. These methods have been applied to anatomical connectivity data on nonhuman species, and cortical networks have been shown to have small-world topology, associated with high local and global efficiency of information transfer. Anatomical networks derived from cortical thickness measurements have shown the same organizational properties of the healthy human brain, consistent with similar results reported in functional networks derived from resting state functional magnetic resonance imaging (MRI) and magnetoencephalographic data. Here we show, using anatomical networks derived from analysis of inter-regional covariation of gray matter volume in MRI data on 259 healthy volunteers, that classical divisions of cortex (multimodal, unimodal, and transmodal) have some distinct topological attributes. Although all cortical divisions shared nonrandom properties of small-worldness and efficient wiring (short mean Euclidean distance between connected regions), the multimodal network had a hierarchical organization, dominated by frontal hubs with low clustering, whereas the transmodal network was assortative. Moreover, in a sample of 203 people with schizophrenia, multimodal network organization was abnormal, as indicated by reduced hierarchy, the loss of frontal and the emergence of nonfrontal hubs, and increased connection distance. We propose that the topological differences between divisions of normal cortex may represent the outcome of different growth processes for multimodal and transmodal networks and that neurodevelopmental abnormalities in schizophrenia specifically impact multimodal cortical organization.

Since initial reports regarding the impact of motion artifact on measures of functional connectivity, there has been a proliferation of participant-level confound regression methods to limit its impact. However, many of the most commonly used techniques have not been systematically evaluated using a broad range of outcome measures. Here, we provide a systematic evaluation of 14 participant-level confound regression methods in 393 youths. Specifically, we compare methods according to four benchmarks, including the residual relationship between motion and connectivity, distance-dependent effects of motion on connectivity, network identifiability, and additional degrees of freedom lost in confound regression. Our results delineate two clear trade-offs among methods. First, methods that include global signal regression minimize the relationship between connectivity and motion, but result in distance-dependent artifact. In contrast, censoring methods mitigate both motion artifact and distance-dependence, but use additional degrees of freedom. Importantly, less effective de-noising methods are also unable to identify modular network structure in the connectome. Taken together, these results emphasize the heterogeneous efficacy of existing methods, and suggest that different confound regression strategies may be appropriate in the context of specific scientific goals.

Brain function depends on adaptive self-organization of large-scale neural assemblies, but little is known about quantitative network parameters governing these processes in humans. Here, we describe the topology and synchronizability of frequency-specific brain functional networks using wavelet decomposition of magnetoencephalographic time series, followed by construction and analysis of undirected graphs. Magnetoencephalographic data were acquired from 22 subjects, half of whom performed a finger-tapping task, whereas the other half were studied at rest. We found that brain functional networks were characterized by small-world properties at all six wavelet scales considered, corresponding approximately to classical δ (low and high), θ, α, β, and γ frequency bands. Global topological parameters (path length, clustering) were conserved across scales, most consistently in the frequency range 2–37 Hz, implying a scale-invariant or fractal small-world organization. Dynamical analysis showed that networks were located close to the threshold of order/disorder transition in all frequency bands. The highest-frequency γ network had greater synchronizability, greater clustering of connections, and shorter path length than networks in the scaling regime of (lower) frequencies. Behavioral state did not strongly influence global topology or synchronizability; however, motor task performance was associated with emergence of long-range connections in both β and γ networks. Long-range connectivity, e.g., between frontal and parietal cortex, at high frequencies during a motor task may facilitate sensorimotor binding. Human brain functional networks demonstrate a fractal small-world architecture that supports critical dynamics and task-related spatial reconfiguration while preserving global topological parameters.

Abstract Cognitive function is driven by dynamic interactions between large-scale neural circuits or networks, enabling behaviour. However, fundamental principles constraining these dynamic network processes have remained elusive. Here we use tools from control and network theories to offer a mechanistic explanation for how the brain moves between cognitive states drawn from the network organization of white matter microstructure. Our results suggest that densely connected areas, particularly in the default mode system, facilitate the movement of the brain to many easily reachable states. Weakly connected areas, particularly in cognitive control systems, facilitate the movement of the brain to difficult-to-reach states. Areas located on the boundary between network communities, particularly in attentional control systems, facilitate the integration or segregation of diverse cognitive systems. Our results suggest that structural network differences between cognitive circuits dictate their distinct roles in controlling trajectories of brain network function.

Significance Cognitive flexibility is hypothesized to require dynamic integration between brain areas. However, the time-dependent nature and distributed complexity of this integration remains poorly understood. Using recent advances in network science, we examine the functional integration between brain areas during a quintessential task that requires executive function. By linking brain regions (nodes) by their interactions (time-dependent edges), we uncover nontrivial modular structure: groups of brain regions cluster together into densely interconnected structures whose interactions change during task execution. Individuals with greater network reconfiguration in frontal cortices show enhanced memory performance, and score higher on neuropsychological tests challenging cognitive flexibility, suggesting that dynamic network reconfiguration forms a fundamental neurophysiological mechanism for executive function.

Magnetic resonance imaging enables the noninvasive mapping of both anatomical white matter connectivity and dynamic patterns of neural activity in the human brain. We examine the relationship between the structural properties of white matter streamlines (structural connectivity) and the functional properties of correlations in neural activity (functional connectivity) within 84 healthy human subjects both at rest and during the performance of attention- and memory-demanding tasks. We show that structural properties, including the length, number, and spatial location of white matter streamlines, are indicative of and can be inferred from the strength of resting-state and task-based functional correlations between brain regions. These results, which are both representative of the entire set of subjects and consistently observed within individual subjects, uncover robust links between structural and functional connectivity in the human brain.

The authors used new network-analysis algorithms to examine how distributed networks of brain areas are reorganized as humans learn a new motor skill. Using fMRI, the authors found that learning induced autonomy of sensorimotor systems and that a release of cognitive control hubs predicted individual differences in learning. Distributed networks of brain areas interact with one another in a time-varying fashion to enable complex cognitive and sensorimotor functions. Here we used new network-analysis algorithms to test the recruitment and integration of large-scale functional neural circuitry during learning. Using functional magnetic resonance imaging data acquired from healthy human participants, we investigated changes in the architecture of functional connectivity patterns that promote learning from initial training through mastery of a simple motor skill. Our results show that learning induces an autonomy of sensorimotor systems and that the release of cognitive control hubs in frontal and cingulate cortices predicts individual differences in the rate of learning on other days of practice. Our general statistical approach is applicable across other cognitive domains and provides a key to understanding time-resolved interactions between distributed neural circuits that enable task performance.