The language of graph theory, or network science, has proven to be an exceptional tool for addressing myriad problems in neuroscience. Yet, the use of networks is predicated on a critical simplifying assumption: that the quintessential unit of interest in a brain is a dyad – two nodes (neurons or brain regions) connected by an edge. While rarely mentioned, this fundamental assumption inherently limits the types of neural structure and function that graphs can be used to model. Here, we describe a generalization of graphs that overcomes these limitations, thereby offering a broad range of new possibilities in terms of modeling and measuring neural phenomena. Specifically, we explore the use of simplicial complexes: a structure developed in the field of mathematics known as algebraic topology, of increasing applicability to real data due to a rapidly growing computational toolset. We review the underlying mathematical formalism as well as the budding literature applying simplicial complexes to neural data, from electrophysiological recordings in animal models to hemodynamic fluctuations in humans. Based on the exceptional flexibility of the tools and recent ground-breaking insights into neural function, we posit that this framework has the potential to eclipse graph theory in unraveling the fundamental mysteries of cognition.

The open-ended and internally driven nature of curiosity makes characterizing the information seeking that accompanies it a daunting endeavour. We use a historico-philosophical taxonomy of information seeking coupled with a knowledge network building framework to capture styles of information-seeking in 149 participants as they explore Wikipedia for over 5 hours spanning 21 days. We create knowledge networks in which nodes represent distinct concepts and edges represent the similarity between concepts. We quantify the tightness of knowledge networks using graph theoretical indices and use a generative model of network growth to explore mechanisms underlying information-seeking. Deprivation curiosity (the tendency to seek information that eliminates knowledge gaps) is associated with the creation of relatively tight networks and a relatively greater tendency to return to previously visited concepts. With this framework in hand, future research can readily quantify the information seeking associated with curiosity.

ABSTRACT Diffusion-weighted magnetic resonance imaging (dMRI) has become the primary method for non-invasively studying the organization of white matter in the human brain. While many dMRI acquisition sequences have been developed, they all sample q-space in order to characterize water diffusion. Numerous software platforms have been developed for processing dMRI data, but most work on only a subset of sampling schemes or implement only parts of the processing workflow. Reproducible research and comparisons across dMRI methods are hindered by incompatible software, diverse file formats, and inconsistent naming conventions. Here we introduce QSIPrep, an integrative software platform for the processing of diffusion images that is compatible with nearly all dMRI sampling schemes. Drawing upon a diverse set of software suites to capitalize upon their complementary strengths, QSIPrep automatically applies best practices for dMRI preprocessing, including denoising, distortion correction, head motion correction, coregistration, and spatial normalization. Throughout, QSIPrep provides both visual and quantitative measures of data quality as well as “glass-box” methods reporting. Taken together, these features facilitate easy implementation of best practices for processing of diffusion images while simultaneously ensuring reproducibility.

Abstract How does the human brain’s structural scaffold give rise to its intricate functional dynamics? This is a central challenge in translational neuroscience, particularly in epilepsy, a disorder that affects over 50 million people worldwide. Treatment for medication-resistant focal epilepsy is often structural – through surgery, devices or focal laser ablation – but structural targets, particularly in patients without clear lesions, are largely based on functional mapping via intracranial EEG (iEEG). Unfortunately, the relationship between structural and functional connectivity in the seizing brain is poorly understood. In this study, we quantify structure-function coupling, specifically between white matter connections and iEEG, across preictal and ictal periods in 45 seizures from 9 patients with unilateral drug-resistant focal epilepsy. We use High Angular Resolution Diffusion Imaging (HARDI) tractography to construct structural connectivity networks and correlate these networks with time-varying broadband and frequency-specific functional networks derived from coregistered iEEG. Across all frequency bands, we find significant increases in structure-function coupling from preictal to ictal periods. We demonstrate that short-range structural connections are primarily responsible for this increase in coupling. Finally, we find that spatiotemporal patterns of structure-function coupling are stereotyped, and a function of each patient’s individual anatomy. These results suggest that seizures harness the underlying structural connectome as they propagate. Our findings suggest that the relationship between structural and functional connectivity in epilepsy may inform current and new therapies to map and alter seizure spread, and pave the way for better-targeted, patient-specific interventions.

SUMMARY The brain is organized into networks at multiple resolutions, or scales, yet studies of functional network development typically focus on a single scale. Here, we derived personalized functional networks across 29 scales in a large sample of youths (n=693, ages 8-23 years) to identify multi-scale patterns of network re-organization related to neurocognitive development. We found that developmental shifts in inter-network coupling systematically adhered to and strengthened a functional hierarchy of cortical organization. Furthermore, we observed that scale-dependent effects were present in lower-order, unimodal networks, but not higher-order, transmodal networks. Finally, we found that network maturation had clear behavioral relevance: the development of coupling in unimodal and transmodal networks dissociably mediated the emergence of executive function. These results delineate maturation of multi-scale brain networks, which varies according to a functional hierarchy and impacts cognitive development.

A bstract Episodic memory is our ability to remember past events accurately. Pattern separation, the process of of orthogonalizing similar aspects of external information into nonoverlapping representations, is one of its mechanisms. Converging evidence suggests a pivotal role of the hippocampus, in concert with neocortical areas, in this process. The current study aimed to identify principal dimensions of functional activation associated with pattern separation in hippocampal and neocortical areas, in both healthy individuals and patients with lesions to the hippocampus. Administering a pattern separation fMRI paradigm to a group of healthy adults, we detected task-related activation in bilateral hippocampal and distributed neocortical areas. Capitalizing on manifold learning techniques applied to parallel resting-state fMRI data, we could identify that hippocampal and neocortical activity patterns were efficiently captured by their principal gradients of intrinsic functional connectivity, which follows the hippocampal long axis and sensory-fugal cortical organization. Functional activation patterns and their alignment with these principal dimensions were altered in patients. Notably, inter-individual differences in the concordance between task-related activity and intrinsic functional gradients were correlated with pattern separation performance in both patients and controls. Our work outlines a parsimonious approach to capture the functional underpinnings of episodic memory processes at the systems level, and to decode functional reorganization in clinical populations.

Abstract Functional connectivity (FC) networks are typically inferred from resting-state fMRI data using the Pearson correlation between BOLD time series from pairs of brain regions. However, alternative methods of estimating functional connectivity have not been systematically tested for their sensitivity or robustness to head motion artifact. Here, we evaluate the sensitivity of six different functional connectivity measures to motion artifact using resting-state data from the Human Connectome Project. We report that FC estimated using full correlation has a relatively high residual distance-dependent relationship with motion compared to partial correlation, coherence and information theory-based measures, even after implementing rigorous methods for motion artifact mitigation. This disadvantage of full correlation, however, may be offset by higher test-retest reliability and system identifiability. FC estimated by partial correlation offers the best of both worlds, with low sensitivity to motion artifact and intermediate system identifiability, with the caveat of low test-retest reliability. We highlight spatial differences in the sub-networks affected by motion with different FC metrics. Further, we report that intra-network edges in the default mode and retrosplenial temporal sub-networks are highly correlated with motion in all FC methods. Our findings indicate that the method of estimating functional connectivity is an important consideration in resting-state fMRI studies and must be chosen carefully based on the parameters of the study.

Abstract Many neural systems display avalanche behavior characterized by uninterrupted sequences of neuronal firing whose distributions of size and durations are heavy-tailed. Theoretical models of such systems suggest that these dynamics support optimal information transmission and storage. However, the unknown role of network structure precludes an understanding of how variations in network topology manifest in neural dynamics and either support or impinge upon information processing. Here, using a generalized spiking model, we develop a mechanistic understanding of how network topology supports information processing through network dynamics. First, we show how network topology determines network dynamics by analytically and numerically demonstrating that network topology can be designed to propagate stimulus patterns for long durations. We then identify strongly connected cycles as empirically observable network motifs that are prevalent in such networks. Next, we show that within a network, mathematical intuitions from network control theory are tightly linked with dynamics initiated by node-specific stimulation and can identify stimuli that promote long-lasting cascades. Finally, we use these network-based metrics and control-based stimuli to demonstrate that long-lasting cascade dynamics facilitate delayed recovery of stimulus patterns from network activity, as measured by mutual information. Collectively, our results provide evidence that cortical networks are structured with architectural motifs that support long-lasting propagation and recovery of a few crucial patterns of stimulation, especially those consisting of activity in highly controllable neurons. Broadly, our results imply that avalanching neural networks could contribute to cognitive faculties that require persistent activation of neuronal patterns, such as working memory or attention.

Abstract The human brain is in constant flux, as distinct areas engage in transient communication to support basic behaviors as well as complex cognition. The collection of interactions between cortical and subcortical areas forms a functional brain network whose topology evolves with time. Despite the nontrivial dynamics that are germaine to this networked system, experimental evidence demonstrates that functional interactions organize into putative brain systems that facilitate different facets of cognitive computation. We hypothesize that such dynamic functional networks are organized around a set of rules that constrain their spatial architecture – which brain regions may functionally interact – and their temporal architecture – how these interactions fluctuate over time. To objectively uncover these organizing principles, we apply an unsupervised machine learning approach called nonnegative matrix factorization to time-evolving, resting state functional networks in 20 healthy subjects. This machine-learning approach automatically clusters temporally co-varying functional interactions into subgraphs that represent putative topological modes of dynamic functional architecture. We find that subgraphs are stratified based on both the underlying modular organization and the topographical distance of their strongest interactions: while many subgraphs are largely contained within modules, others span between modules and are expressed differently over time. The relationship between dynamic subgraphs and modular architecture is further highlighted by the ability of time-varying subgraph expression to explain inter-individual differences in module reorganization. Collectively, these results point to the critical role subgraphs play in constraining the topography and topology of functional brain networks. More broadly, this machine learning approach opens a new door for understanding the architecture of dynamic functional networks during both task and rest states, and for probing alterations of that architecture in disease.

A diverse white matter network and finely tuned neuronal membrane properties allow the brain to transition seamlessly between cognitive states. However, it remains unclear how static structural connections guide the temporal progression of large-scale brain activity patterns in different cognitive states. Here, we deploy an unsupervised machine learning algorithm to define brain states as time point level activity patterns from functional magnetic resonance imaging data acquired during passive visual fixation (rest) and an n-back working memory task. We find that brain states are composed of interdigitated functional networks and exhibit context-dependent dynamics. Using diffusion-weighted imaging acquired from the same subjects, we show that structural connectivity constrains the temporal progression of brain states. We also combine tools from network control theory with geometrically conservative null models to demonstrate that brains are wired to support states of high activity in default mode areas, while requiring relatively low energy. Finally, we show that brain state dynamics change throughout development and explain working memory performance. Overall, these results elucidate the structural underpinnings of cognitively and developmentally relevant spatiotemporal brain dynamics.