Deep learning and whole-brain networks for biomarker discovery: modeling the dynamics of brain fluctuations in resting-state and cognitive tasks | ||
| dc.conicet.organizacion | Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto de Ciencias e Ingeniería de la Computación. Universidad Nacional del Sur. Departamento de Ciencias e Ingeniería de la Computación. Instituto de Ciencias e Ingeniería de la Computación | |
| dc.conicet.organizacion | Universidad Nacional del Sur | |
| dc.conicet.organizacion | Universitat Pompeu Fabra | |
| dc.conicet.organizacion | Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto de Ciencias e Ingeniería de la Computación. Universidad Nacional del Sur. Departamento de Ciencias e Ingeniería de la Computación. Instituto de Ciencias e Ingeniería de la Computación | |
| dc.conicet.organizacion | Universidad Nacional del Sur | |
| dc.conicet.organizacion | Universidad de Girona | |
| dc.contributor.author | Roffet, Facundo Alejandro | |
| dc.contributor.author | Deco, Gustavo | |
| dc.contributor.author | Delrieux, Claudio Augusto | |
| dc.contributor.author | Patow, Gustavo A. | |
| dc.date.issued | 2025-11-20 | |
| dc.description.abstract | Brain network models offer insights into brain dynamics, but the utility of model-derived bifurcation parameters as biomarkers remains underexplored. This study evaluates bifurcation parameters from a whole-brain network model as biomarkers for distinguishing brain states associated with resting-state and task-based cognitive conditions. Synthetic BOLD signals were generated using a supercritical Hopf brain network model to train deep learning models for bifurcation parameter prediction. Inference was performed on Human Connectome Project data, including both resting-state and task-based conditions. Statistical analyses assessed the separability of brain states based on bifurcation parameter distributions. Bifurcation parameter distributions differed significantly across task and resting-state conditions (for all but two comparisons). Task-based brain states exhibited higher bifurcation values compared to rest. At the individual level, a machine learning model was able to classify the predicted bifurcation values into eight cohorts with 62.63% accuracy (well above the 12.50% chance level). Bifurcation parameters effectively differentiate cognitive and resting states, warranting further investigation as biomarkers for brain state characterization and neurological disorder assessment. | es |
| dc.description.fil | Fil: Roffet, Facundo Alejandro. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto de Ciencias e Ingeniería de la Computación. Universidad Nacional del Sur. Departamento de Ciencias e Ingeniería de la Computación. Instituto de Ciencias e Ingeniería de la Computación; Argentina. Universidad Nacional del Sur; Argentina | |
| dc.description.fil | Fil: Deco, Gustavo. Universitat Pompeu Fabra; España | |
| dc.description.fil | Fil: Delrieux, Claudio Augusto. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto de Ciencias e Ingeniería de la Computación. Universidad Nacional del Sur. Departamento de Ciencias e Ingeniería de la Computación. Instituto de Ciencias e Ingeniería de la Computación; Argentina. Universidad Nacional del Sur; Argentina | |
| dc.description.fil | Fil: Patow, Gustavo A.. Universidad de Girona; España | |
| dc.format | application/pdf | es |
| dc.identifier.citation | Roffet, Facundo Alejandro; Deco, Gustavo; Delrieux, Claudio Augusto; Patow, Gustavo A.; Deep learning and whole-brain networks for biomarker discovery: modeling the dynamics of brain fluctuations in resting-state and cognitive tasks; Nature; Scientific Reports; 15; 1; 20-11-2025; 1-13 | es |
| dc.identifier.eissn | 2045-2322 | es |
| dc.identifier.institucional | CONICET | |
| dc.identifier.repo | CONICET Digital | |
| dc.identifier.uri | http://hdl.handle.net/11336/294064 | |
| dc.journal.ciudad | Londres | es |
| dc.journal.number | 1 | es |
| dc.journal.pagination | 1-13 | es |
| dc.journal.pais | Reino Unido | es |
| dc.journal.title | Scientific Reports | es |
| dc.journal.volume | 15 | es |
| dc.language.iso | eng | es |
| dc.publisher | Nature | es |
| dc.relation.alternativeid | info:eu-repo/semantics/altIdentifier/url/https://www.nature.com/articles/s41598-025-24702-4 | |
| dc.relation.alternativeid | info:eu-repo/semantics/altIdentifier/doi/http://dx.doi.org/10.1038/s41598-025-24702-4 | |
| dc.rights | info:eu-repo/semantics/openAccess | * |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-sa/2.5/ar/ | * |
| dc.subject | WILLOW LEAF SILAGE | es |
| dc.subject | EGRADABILITY | es |
| dc.subject | ORGANOLEPTIC | es |
| dc.subject.classification | Otras Ingeniería Eléctrica, Ingeniería Electrónica e Ingeniería de la Información | es |
| dc.subject.classification | Ingeniería Eléctrica, Ingeniería Electrónica e Ingeniería de la Información | es |
| dc.subject.classification | INGENIERÍAS Y TECNOLOGÍAS | es |
| dc.title | Deep learning and whole-brain networks for biomarker discovery: modeling the dynamics of brain fluctuations in resting-state and cognitive tasks | es |
| dc.type | info:eu-repo/semantics/article | |
| dc.type | info:ar-repo/semantics/artículo | |
| dc.type | info:eu-repo/semantics/publishedVersion | |
Archivos
Bloque original
Cargando...
- Nombre:
- CONICET_Digital_Nro.5b802386-bf1b-4c79-8e2c-ae3adba4456d_B.pdf
- Tamaño:
- 2.73 MB
- Formato:
- Adobe Portable Document Format