Abstract Resource competition and metabolic cross-feeding are among the main drivers of microbial community assembly. Yet, the degree to which these two conflicting forces are reflected in the composition of natural communities has not been systematically investigated. Here, we use genome-scale metabolic modeling to assess resource competition and metabolic cooperation potential in large co-occurring groups, with up to 40 member species, across thousands of habitats. Our analysis revealed two distinct community types, clustering at opposite ends in a trade-off landscape between competition and cooperation. On one end lie highly cooperative communities, characterized by smaller genomes and multiple auxotrophies, reminiscent of the black queen hypothesis. At the other end lie highly competitive communities, conforming to the red queen hypothesis, featuring larger genomes and overlapping nutritional requirements. While the latter are mainly present in soils, the former are found both in free-living and host-associated habitats. Community-scale flux simulations showed that, while the competitive communities can better resist species invasion but not nutrient shift, the cooperative communities are susceptible to species invasion but resilient to nutrient change. In accord, we show, through analyzing an additional independent dataset, the colonization of the human gut by probiotic species is positively associated with the presence of cooperative species in the recipient microbiome. Together, our analysis highlights the bifurcation between competition and cooperation in the assembly of natural communities and its implications for community modulation.

Abstract Functional connectivity (FC) refers to the statistical dependencies between activity of distinct brain areas. To study temporal fluctuations in FC within the duration of a functional magnetic resonance imaging (fMRI) scanning session, researchers have proposed the computation of an edge time series (ETS) and their derivatives. Evidence suggests that FC is driven by a few time points of high-amplitude co-fluctuation (HACF) in the ETS, which may also contribute disproportionately to interindividual differences. However, it remains unclear to what degree different time points actually contribute to brain-behaviour associations. Here, we systematically evaluate this question by assessing the predictive utility of FC estimates at different levels of co-fluctuation using machine learning (ML) approaches. We demonstrate that time points of lower and intermediate co-fluctuation levels provide overall highest subject specificity as well as highest predictive capacity of individual-level phenotypes.

Abstract Precision medicine and the investigation of brain-behavior associations require biomarkers that are stable (low intraindividual variability) and unique (high interindividual variability) at the same time, hence calling them “fingerprints”. The functional connectome (FC) has good “fingerprint properties”, as individuals can be accurately identified in a database based on their FC. Importantly, research has shown lower intraindividual variability of more localized measures of brain function such as regional homogeneity (ReHo) and (fractional) amplitude of low-frequency fluctuations ((f)ALFF), compared to the FC. Here, with fMRI data from two publicly available datasets we demonstrate that individuals can be identified with near-perfect accuracies using local functional fingerprints, and especially the regional homogeneity (ReHo) fingerprint. Further analyses reveal that the dorsal attention network contributes most to the individual “uniqueness” of the ReHo fingerprint. Moreover, using a machine-learning setup, we show that the small intraindividual ReHo fingerprint variability across sessions is meaningful for explaining individual-level intelligence. Last, using two other publicly available datasets, clinical applicability is shown with high fingerprint accuracies and a significant correlation between fingerprint stability and intelligence in individuals with schizophrenia. Altogether, our findings suggest that the ReHo fingerprint is a good candidate for further exploration of applicability in precision medicine.

Abstract Brain size differs substantially between human males and females. This difference in total intracranial volume (TIV) can cause bias when employing machine-learning approaches for the investigation of sex differences in brain morphology. TIV-biased models will likely not capture actual qualitative sex differences in brain organization but rather learn to classify an individual’s sex based on brain size differences, thus leading to spurious and misleading conclusions, for example when comparing brain morphology between cisgender- and transgender individuals. Here, TIV bias in sex classification models applied to cis- and transgender individuals was systematically investigated by controlling for brain size either through featurewise confound removal or by matching training samples for TIV. Our results provide evidence that non-TIV-biased models can classify the sex of both cis- and transgender individuals with high accuracy, highlighting the importance of appropriate modelling to avoid bias in automated decision making. Teaser Accurate non-biased structural sex classification in cis- and transgender individuals by matching training samples for TIV

Abstract Voxel-based morphometry (VBM) analysis is commonly used for localized quantification of gray matter volume (GMV). Several alternatives exist to implement a VBM pipeline. However, how these alternatives compare and their utility in applications, such as the estimation of aging effects, remain largely unclear. This leaves researchers wondering which VBM pipeline they should use for their project. In this study, we took a user-centric perspective and systematically compared five VBM pipelines, together with registration to either a general or a study-specific template, utilizing three large datasets (n>500 each). Considering the known effect of aging on GMV, we first compared the pipelines in their ability of individual-level age prediction and found markedly varied results. To examine whether these results arise from systematic differences between the pipelines, we classified them based on their GMVs, resulting in near-perfect accuracy. To gain deeper insights, we examined the impact of different VBM steps using the region-wise similarity between pipelines. The results revealed marked differences, largely driven by segmentation and registration steps. We observed large variability in subject-identification accuracies, highlighting the interpipeline differences in individual-level quantification of GMV. As a biologically meaningful criterion we correlated regional GMV with age. The results were in line with the age-prediction analysis, and two pipelines, CAT and the combination of fMRIPrep for tissue characterization with FSL for registration, reflected age information better.

Atrial fibrillation (AF) is associated with an elevated risk of cognitive impairment and dementia. Understanding the cognitive sequelae and brain structural changes associated with AF is vital for addressing ensuing health care needs.

Predicting individual behavior from brain functional connectivity (FC) patterns can contribute to our understanding of human brain functioning. This may apply in particular if predictions are based on features derived from circumscribed, a priori defined functional networks, which improves interpretability. Furthermore, some evidence suggests that task-based FC data may yield more successful predictions of behavior than resting-state FC data. Here, we comprehensively examined to what extent the correspondence of functional network priors and task states with behavioral target domains influences the predictability of individual performance in cognitive, social, and affective tasks. To this end, we used data from the Human Connectome Project for large-scale out-of-sample predictions of individual abilities in working memory (WM), theory-of-mind cognition (SOCIAL), and emotion processing (EMO) from FC of corresponding and non-corresponding states (WM/SOCIAL/EMO/resting-state) and networks (WM/SOCIAL/EMO/whole-brain connectome). Using root mean squared error and coefficient of determination to evaluate model fit revealed that predictive performance was rather poor overall. Predictions from whole-brain FC were slightly better than those from FC in task-specific networks, and a slight benefit of predictions based on FC from task versus resting state was observed for performance in the WM domain. Beyond that, we did not find any significant effects of a correspondence of network, task state, and performance domains. Together, these results suggest that multivariate FC patterns during both task and resting states contain rather little information on individual performance levels, calling for a reconsideration of how the brain mediates individual differences in mental abilities.

In this study, we aimed to compare imaging-based features of brain function, measured by resting-state fMRI (rsfMRI), with individual characteristics such as age, gender, and total intracranial volume to predict behavioral measures. We developed a machine learning framework based on rsfMRI features in a dataset of 20,000 healthy individuals from the UK Biobank, focusing on temporal complexity and functional connectivity measures. Our analysis across four behavioral phenotypes revealed that both temporal complexity and functional connectivity measures provide comparable predictive performance. However, individual characteristics consistently outperformed rsfMRI features in predictive accuracy, particularly in analyses involving smaller sample sizes. Integrating rsfMRI features with demographic data sometimes enhanced predictive outcomes. The efficacy of different predictive modeling techniques and the choice of brain parcellation atlas were also examined, showing no significant influence on the results. To summarize, while individual characteristics are superior to rsfMRI in predicting behavioral phenotypes, rsfMRI still conveys additional predictive value in the context of machine learning, such as investigating the role of specific brain regions in behavioral phenotypes.

Abstract The difference between age predicted using anatomical brain scans and chronological age, i.e., the brain-age delta, provides a proxy for atypical aging. Various data representations and machine learning (ML) algorithms have been used for brain-age estimation. However, how these choices compare on performance criteria important for real-world applications, such as; (1) within-site accuracy, (2) cross-site generalization, (3) test-retest reliability, and (4) longitudinal consistency, remains uncharacterized. We evaluated 128 workflows consisting of 16 feature representations derived from gray matter (GM) images and eight ML algorithms with diverse inductive biases. Using four large neuroimaging databases covering the adult lifespan (total N = 2953, 18-88 years), we followed a systematic model selection procedure by sequentially applying stringent criteria. The 128 workflows showed a within-site mean absolute error (MAE) between 4.73-8.38 years, from which 32 broadly sampled workflows showed a cross-site MAE between 5.23-8.98 years. The test-retest reliability and longitudinal consistency of the top 10 workflows were comparable. The choice of feature representation and the ML algorithm both affected the performance. Specifically, voxel-wise feature spaces (smoothed and resampled), with and without principal components analysis, with non-linear and kernel-based ML algorithms performed well. Strikingly, the correlation of brain-age delta with behavioral measures disagreed between within-site and cross-site predictions. Application of the best-performing workflow on the ADNI sample showed a significantly higher brain-age delta in Alzheimer’s and mild cognitive impairment patients. However, in the presence of age bias, the delta estimates in the diseased population varied depending on the sample used for bias correction. Taken together, brain-age shows promise, but further evaluation and improvements are needed for its real-world application. Highlights There is an effect of both feature space and ML algorithm on prediction error. Voxel-wise features performed better than parcel-wise features. GPR, KRR and RVR algorithms performed well. The within-site and cross-site delta-behavior correlations disagree. Higher brain-age delta inference in AD depends on data used for bias correction.

A large amount of brain imaging research has focused on group studies delineating differences between males and females with respect to both cognitive performance as well as structural and functional brain organization. To supplement existing findings, the present study employed a machine learning approach to assess how accurately participants' sex can be classified based on spatially specific resting state (RS) brain-connectivity, using two samples from the Human Connectome Project (n1 = 434, n2 = 310) and one fully independent sample from the 1000BRAINS study (n=941). The classifier, which was trained on one sample and tested on the other two, was able to reliably classify sex, both within sample and across independent samples, differing both with respect to imaging parameters and sample characteristics. Brain regions displaying highest sex classification accuracies were mainly located along the cingulate cortex, medial and lateral frontal cortex, temporo-parietal regions, insula and precuneus. These areas were stable across samples and match well with previously described sex differences in functional brain organization. While our data show a clear link between sex and regionally specific brain connectivity, they do not support a clear-cut dimorphism in functional brain organization that is driven by sex alone.