Background: Lysergic acid diethylamide (LSD) has agonist activity at various serotonin (5-HT) and dopamine receptors. Despite the therapeutic and scientific interest in LSD, specific receptor contributions to its neurobiological effects remain unknown. Methods: We therefore conducted a double-blind, randomized, counterbalanced, cross-over studyduring which 24 healthy human participants received either (i) placebo+placebo, (ii) placebo+LSD (100 µg po), or (iii) Ketanserin, a selective 5-HT2A receptor antagonist,+LSD. We quantified resting-state functional connectivity via a data-driven global brain connectivity method and compared it to cortical gene expression maps. Results: LSD reduced associative, but concurrently increased sensory-somatomotor brain-wide and thalamic connectivity. Ketanserin fully blocked the subjective and neural LSD effects. Whole-brain spatial patterns of LSD effects matched 5-HT2A receptor cortical gene expression in humans. Conclusions: Together, these results strongly implicate the 5-HT2A receptor in LSD’s neuropharmacology. This study therefore pinpoints the critical role of 5-HT2A in LSD’s mechanism, which informs its neurobiology and guides rational development of psychedelic-based therapeutics. Funding: Funded by the Swiss National Science Foundation, the Swiss Neuromatrix Foundation, the Usona Institute, the NIH, the NIAA, the NARSAD Independent Investigator Grant, the Yale CTSA grant, and the Slovenian Research Agency. Clinical trial number: NCT02451072 .

High-throughput experimental methods in neuroscience have led to an explosion of techniques for measuring complex interactions and multi-dimensional patterns. However, whether sophisticated measures of emergent phenomena can be traced back to simpler low-dimensional statistics is largely unknown. To explore this question, we examine resting state fMRI (rs-fMRI) data using complex topology measures from network neuroscience. We show that spatial and temporal autocorrelation are reliable statistics which explain numerous measures of network topology. Surrogate timeseries with subject-matched spatial and temporal autocorrelation capture nearly all reliable individual and regional variation in these topology measures. Network topology changes during aging are driven by spatial autocorrelation, and multiple serotonergic drugs causally induce the same topographic change in temporal autocorrelation. This reductionistic interpretation of widely-used complexity measures may help link them to neurobiology.

Neuroimaging technology has experienced explosive growth and transformed the study of neural mechanisms across health and disease. However, given the diversity of sophisticated tools for handling neuroimaging data, the field faces challenges in method integration (1–3), particularly across multiple modalities and species. Specifically, researchers often have to rely on siloed approaches which limit reproducibility, with idiosyncratic data organization and limited software interoperability. To address these challenges, we have developed Quantitative Neuroimaging Environment & Toolbox (QuNex), a platform for consistent end-to-end processing and analytics. QuNex provides several novel functionalities for neuroimaging analyses, including a “turnkey” command for the reproducible deployment of custom workflows, from onboarding raw data to generating analytic features. The platform enables inter-operable integration of multi-modal, community-developed neuroimaging software through an extension framework with a software development kit (SDK) for seamless integration of community tools. Critically, it supports high-throughput, parallel processing in high-performance compute environments, either locally or in the cloud. Notably, QuNex has successfully processed over 10,000 scans across neuroimaging consortia (4), including multiple clinical datasets. Moreover, QuNex enables integration of human and non-human workflows via a cohesive translational platform. Collectively, this effort stands to significantly impact neuroimaging method integration across acquisition approaches, pipelines, datasets, computational environments, and species. Building on this platform will enable more rapid, scalable, and reproducible impact of neuroimaging technology across health and disease.

Background Ketamine has emerged as one of the most promising therapies for treatment-resistant depression. However, inter-individual variability in response to ketamine is still not well understood and it is unclear how ketamine’s molecular mechanisms connect to its neural and behavioral effects. Methods We conducted a double-blind placebo-controlled study in which 40 healthy participants received acute ketamine (initial bolus 0.23 mg/kg, continuous infusion 0.58 mg/kg/hour). We quantified resting-state functional connectivity via data-driven global brain connectivity, related it to individual ketamine-induced symptom variation, and compared it to cortical gene expression targets. Results We found that: i) both the neural and behavioral effects of acute ketamine are multi-dimensional, reflecting robust inter-individual variability; ii) ketamine’s data-driven principal neural gradient effect matched somatostatin (SST) and parvalbumin (PVALB) cortical gene expression patterns in humans, implicating the role of SST and PVALB interneurons in ketamine’s acute effects; and iii) behavioral data-driven individual symptom variation mapped onto distinct neural gradients of ketamine, which were resolvable at the single-subject level. Conclusions Collectively, these findings support the possibility for developing individually precise pharmacological biomarkers for treatment selection in psychiatry. Funding This study was supported by NIH grants DP5OD012109-01 (A.A.), 1U01MH121766 (A.A.), R01MH112746 (J.D.M.), 5R01MH112189 (A.A.), 5R01MH108590 (A.A.), NIAAA grant 2P50AA012870-11 (A.A.); NSF NeuroNex grant 2015276 (J.D.M.); Brain and Behavior Research Foundation Young Investigator Award (A.A.); SFARI Pilot Award (J.D.M., A.A.); Heffter Research Institute (Grant No. 1–190420); Swiss Neuromatrix Foundation (Grant No. 2016–0111m Grant No. 2015 – 010); Swiss National Science Foundation under the frame-work of Neuron Cofund (Grant No. 01EW1908), Usona Institute (2015 – 2056).

Abstract Psychoactive drugs can transiently perturb brain physiology while preserving brain structure. The role of physiological state in shaping neural function can therefore be investigated through neuroimaging of pharmacologically-induced effects. This paradigm has revealed that neural and experiential effects of lysergic acid diethylamide (LSD) are attributable to its agonist activity at the serotonin-2A receptor. Here, we integrate brainwide transcriptomics with biophysically-based large-scale circuit modeling to simulate acute neuromodulatory effects of LSD on human cortical dynamics. Our model captures the topographic effects of LSD-induced changes in cortical BOLD functional connectivity. These findings suggest that serotonin-2A-mediated modulation of pyramidal cell gain is the circuit mechanism through which LSD alters cortical functional topography. Individual-subject fitting reveals that the model captures patterns of individual neural differences in drug response that predict altered states of consciousness. This work establishes a framework for linking molecular-level manipulations to salient changes in brain function, with implications for precision medicine.

Abstract Difficulties in advancing effective patient-specific therapies for psychiatric disorders highlight a need to develop a stable neurobiologically-grounded mapping between neural and symptom variation. This gap is particularly acute for psychosis-spectrum disorders (PSD). Here, in a sample of 436 cross-diagnostic PSD patients, we derived and replicated a dimensionality-reduced symptom space across hallmark psychopathology symptoms and cognitive deficits. In turn, these symptom axes mapped onto distinct, reproducible brain maps. Critically, we found that multivariate brain-behavior mapping techniques (e.g. canonical correlation analysis) do not produce stable results. Instead, we show that a univariate brain-behavioral space (BBS) can resolve stable individualized prediction. Finally, we show a proof-of-principle framework for relating personalized BBS metrics with molecular targets via serotonin and glutamate receptor manipulations and gene expression maps. Collectively, these results highlight a stable and data-driven BBS mapping across PSD, which offers an actionable path that can be iteratively optimized for personalized clinical biomarker endpoints.

The large-scale organization of dynamical neural activity across cortex emerges through long-range interactions among local circuits. We hypothesized that large-scale dynamics are also shaped by heterogeneity of intrinsic local properties across cortical areas. One key axis along which microcircuit properties are specialized relates to hierarchical levels of cortical organization. We developed a large-scale dynamical circuit model of human cortex that incorporates heterogeneity of local synaptic strengths, following a hierarchical axis inferred from MRI-derived T1w/T2w mapping, and fit the model using multimodal neuroimaging data. We found that incorporating hierarchical heterogeneity substantially improves the model fit to fMRI-measured resting-state functional connectivity and captures sensory-association organization of multiple fMRI features. The model predicts hierarchically organized high-frequency spectral power, which we tested with resting-state magnetoencephalography. These findings suggest circuit-level mechanisms linking spatiotemporal levels of analysis and highlight the importance of local properties and their hierarchical specialization on the large-scale organization of human cortical dynamics.

Understanding complex systems such as the human brain requires characterization of the system's architecture across multiple levels of organization - from neurons, to local circuits, to brain regions, and ultimately large-scale brain networks. Here we focus on characterizing the human brain's comprehensive large-scale network organization, as it provides an overall framework for the organization of all other levels. We leveraged the Human Connectome Project dataset to identify network communities across cortical regions, replicating well-known networks and revealing several novel but robust networks, including a left-lateralized language network. We expanded these cortical networks to subcortex, revealing 288 highly-organized subcortical segments that take part in forming whole-brain functional networks. This whole-brain network atlas - released as an open resource for the neuroscience community - places all brain structures across both cortex and subcortex in a single large-scale functional framework, substantially advancing existing atlases to provide a brain-wide functional network characterization in humans.

Abstract Associations between datasets can be discovered through multivariate methods like Canonical Correlation Analysis (CCA) or Partial Least Squares (PLS). A requisite property for interpretability and generalizability of CCA/PLS solutions is stability of feature patterns driving an association. However, stability of CCA/PLS in high-dimensional datasets is questionable, as found in empirical characterizations. To study these issues in a systematic manner, we developed a generative modeling framework to simulate synthetic datasets, parameterized by dimensionality, variance structure, and association strength. We found that when sample size is relatively small, but comparable to typical studies, CCA/PLS associations are highly unstable and inaccurate; both in their magnitude and importantly in the latent pattern underlying the discovered association. We confirmed these trends across two neuroimaging modalities, functional and diffusion MRI, and in independent datasets, Human Connectome Project (n ≈ 1000) and UK Biobank (n ≈ 20000) and found that only the latter comprised sufficient samples for stable mappings between imaging-derived and behavioral features. We further developed a power calculator to provide sample sizes required for stability and reliability of multivariate analyses for future studies.

Neural activity and behavior manifest a dual nature of state and trait dynamics, exhibiting variations within and between individuals. However, the joint properties of neural state-trait variation and how they map onto individual behavior remain understudied. To address this gap, we quantify moment-to-moment changes in brain-wide co-activation patterns derived from resting-state functional magnetic resonance imaging. We identify reproducible spatio-temporal features of co-activation patterns at the single subject level. We demonstrate that a joint analysis of state-trait neural variations and feature reduction reveal general motifs of individual differences, encompassing state-specific and state-general neural features that exhibit day-to-day variability. The principal neural variations co-vary with the principal variations of behavioral phenotypes, highlighting cognitive function, emotion regulation, alcohol and substance use. Person-specific probability of occupying a particular co-activation pattern is reproducible and associated with neural and behavioral features. This combined analysis of state-trait variations holds promise for developing reproducible neuroimaging markers of individual life functional outcome.