Abstract There is significant interest in using brain imaging data to predict non-brain-imaging phenotypes in individual participants. However, most prediction studies are underpowered, relying on less than a few hundred participants, leading to low reliability and inflated prediction performance. Yet, small sample sizes are unavoidable when studying clinical populations or addressing focused neuroscience questions. Here, we propose a simple framework – “meta-matching” – to translate predictive models from large-scale datasets to new unseen non-brain-imaging phenotypes in boutique studies. The key observation is that many large-scale datasets collect a wide range inter-correlated phenotypic measures. Therefore, a unique phenotype from a boutique study likely correlates with (but is not the same as) some phenotypes in some large-scale datasets. Meta-matching exploits these correlations to boost prediction in the boutique study. We applied meta-matching to the problem of predicting non-brain-imaging phenotypes using resting-state functional connectivity (RSFC). Using the UK Biobank (N = 36,848), we demonstrated that meta-matching can boost the prediction of new phenotypes in small independent datasets by 100% to 400% in many scenarios. When considering relative prediction performance, meta-matching significantly improved phenotypic prediction even in samples with 10 participants. When considering absolute prediction performance, meta-matching significantly improved phenotypic prediction when there were least 50 participants. With a growing number of large-scale population-level datasets collecting an increasing number of phenotypic measures, our results represent a lower bound on the potential of meta-matching to elevate small-scale boutique studies.

Abstract A fundamental goal across the neurosciences is the characterization of relationships linking brain anatomy, functioning, and behavior. Although various MRI modalities have been developed to probe these relationships, direct comparisons of their ability to predict behavior have been lacking. Here, we compared the ability of anatomical T1, diffusion and functional MRI (fMRI) to predict behavior at an individual level. Cortical thickness, area and volume were extracted from anatomical T1 images. Diffusion Tensor Imaging (DTI) and approximate Neurite Orientation Dispersion and Density Imaging (NODDI) models were fitted to the diffusion images. The resulting metrics were projected to the Tract-Based Spatial Statistics (TBSS) skeleton. We also ran probabilistic tractography for the diffusion images, from which we extracted the stream count, average stream length, and the average of each DTI and NODDI metric across tracts connecting each pair of brain regions. Functional connectivity (FC) was extracted from both task and resting-state fMRI. Individualized prediction of a wide range of behavioral measures were performed using kernel ridge regression, linear ridge regression and elastic net regression. Consistency of the results were investigated with the Human Connectome Project (HCP) and Adolescent Brain Cognitive Development (ABCD) datasets. In both datasets, FC-based models gave the best prediction performance, regardless of regression model or behavioral measure. This was especially true for the cognitive domain. Furthermore, all modalities were able to predict cognition better than other behavioral domains. Combining all modalities improved prediction of cognition, but not other behavioral domains. Finally, across all behaviors, combining resting and task FC yielded prediction performance similar to combining all modalities. Overall, our study suggests that in the case of healthy children and young adults, behaviorally-relevant information in T1 and diffusion features might reflect a subset of the variance captured by FC. Highlights FC predicts behavior better than anatomical and diffusion features Cognition is predicted better than other behavioral domains regardless of modality Combining resting & task FC improves prediction as much as combining all modalities Findings were replicated over 3 regression models and 2 datasets

Abstract Large-scale biophysical circuit models can provide mechanistic insights into the fundamental micro-scale and macro-scale properties of brain organization that shape complex patterns of spontaneous brain activity. By allowing local synaptic properties to vary across brain regions, recent large-scale circuit models have demonstrated better fit to empirical observations, such as inter-regional synchrony averaged over several minutes, i.e. static functional connectivity (FC). However, most previous models do not capture how inter-regional synchrony patterns vary over timescales of seconds, i.e., time-varying FC dynamics. Here we developed a spatially-heterogeneous large-scale dynamical circuit model that allowed for variation in local circuit properties across the human cortex. We showed that parameterizing local circuit properties with both anatomical and functional gradients was necessary for generating realistic static and dynamical properties of resting-state fMRI activity. Furthermore, empirical and simulated FC dynamics demonstrated remarkably similar sharp transitions in FC patterns, suggesting the existence of multiple attractors. We found that time-varying regional fMRI amplitude tracked multi-stability in FC dynamics. Causal manipulation of the large-scale circuit model suggested that sensory-motor regions were a driver of FC dynamics. Finally, the spatial distribution of sensory-motor drivers matched the principal gradient of gene expression that encompassed certain interneuron classes, suggesting that heterogeneity in excitation-inhibition balance might shape multi-stability in FC dynamics.

Abstract Individual differences in brain anatomy can be used to predict variability in cognitive function. Most studies to date have focused on broad population-level trends, but the extent to which the observed predictive features are shared across sexes and age groups remains to be established. While it is standard practice to account for intracranial volume (ICV) using proportion correction in both regional and whole-brain morphometric analyses, in the context of brain-behavior predictions the possible differential impact of ICV correction on anatomical features and subgroups within the population has yet to be systematically investigated. In this work, we evaluate the effect of proportional ICV correction on sex-independent and sex-specific predictive models of individual cognitive abilities across multiple anatomical properties (surface area, gray matter volume, and cortical thickness) in healthy young adults (Human Connectome Project; n=1013, 548 females) and typically developing children (Adolescent Brain Cognitive Development study; n=1823, 979 females). We demonstrate that ICV correction generally reduces predictive accuracies derived from surface area and gray matter volume, while increasing predictive accuracies based on cortical thickness in both adults and children. Furthermore, the extent to which predictive models generalize across sexes and age groups depends on ICV correction: models based on surface area and gray matter volume are more generalizable without ICV correction, while models based on cortical thickness are more generalizable with ICV correction. Finally, the observed neuroanatomical features predictive of cognitive abilities are unique across age groups regardless of ICV correction, but whether they are shared or unique across sexes (within age groups) depends on ICV correction. These findings highlight the importance of considering individual differences in ICV, and show that proportional ICV correction does not remove the effects of cranium volumes from anatomical measurements and can introduce ICV bias where previously there was none. ICV correction choices affect not just the strength of the relationships captured, but also the conclusions drawn regarding the neuroanatomical features that underlie those relationships.

Across the transition from childhood to adolescence the human brain experiences profound functional changes, shifting from an organizational framework anchored within somatosensory/motor and visual regions into one that is balanced through interactions with later-maturing aspects of association cortex 1–3 . Here, we provide consistent evidence linking this profile of large-scale functional reorganization to the development of attention network connectivity across independent datasets 4,5 . We demonstrate that maturational changes in cortical organization are preferential to the salience/ventral attention network 6–9 with heightened degree centrality and within-network connectivity, while connectivity within these network-linked vertices predicts cognitive ability such as fluid intelligence, perceptual reasoning and verbal ability 10 . Maturational refinement of the attention network closely links to the transition in cortical hierarchy, children with low ventral attention network connectivity exhibit adolescent-like topographical profiles, suggesting attentional systems may be critically important for understanding how brain functions are refined across development. These data highlight a core role for attention networks in supporting age-dependent shifts in cortical organization and cognition across childhood and adolescence, with the pruning in its between-network functional connections reflecting intricate interactions across multiple systems, rather than the segregation of an isolated network. The development of cortical hierarchy in children is driven by the ventral attention network, and the refinement of network connectivity within this system is linked to an accelerated pattern of cortical maturation.

Human cortex is patterned by a complex and interdigitated web of large-scale functional networks. Recent methodological breakthroughs reveal variation in the size, shape, and spatial topography of cortical networks across individuals. While spatial network organization emerges across development, is stable over time, and predictive of behavior, it is not yet clear to what extent genetic factors underlie inter-individual differences in network topography. Here, leveraging a novel non-linear multi-dimensional estimation of heritability, we provide evidence that individual variability in the size and topographic organization of cortical networks are under genetic control. Using twin and family data from the Human Connectome Project (n=1,023), we find increased variability and reduced heritability in the size of heteromodal association networks (h2: M=0.33, SD=0.071), relative to unimodal sensory/motor cortex (h2: M=0.44, SD=0.051). We then demonstrate that the spatial layout of cortical networks is influenced by genetics, using our multi-dimensional estimation of heritability (h2-multi; M=0.14, SD=0.015). However, topographic heritability did not differ between heteromodal and unimodal networks. Genetic factors had a regionally variable influence on brain organization, such that the heritability of network topography was greatest in prefrontal, precuneus, and posterior parietal cortex. Taken together, these data are consistent with relaxed genetic control of association cortices relative to primary sensory/motor regions, and have implications for understanding population-level variability in brain functioning, guiding both individualized prediction and the interpretation of analyses that integrate genetics and neuroimaging.

Hemispheric specialization is a fundamental feature of human brain organization. However, it is not yet clear to what extent the lateralization of specific cognitive processes may be evident throughout the broad functional architecture of cortex. While the majority of people exhibit left-hemispheric language dominance, a substantial minority of the population shows reverse lateralization. Using twin and family data from the Human Connectome Project, we provide evidence that atypical language dominance is associated with global shifts in cortical organization. Individuals with atypical language organization exhibited corresponding hemispheric differences in the macroscale functional gradients that situate discrete large-scale networks along a continuous spectrum, extending from unimodal through association territories. Analyses revealed that both language lateralization and gradient asymmetries are, in part, driven by genetic factors. These findings pave the way for a deeper understanding of the origins and relationships linking population-level variability in hemispheric specialization and global properties of cortical organization.

Abstract Background Individual differences in functional brain connectivity can be used to predict both the presence of psychiatric illness and variability in associated behaviors. However, despite evidence for sex differences in functional network connectivity and in the prevalence, presentation, and trajectory of psychiatric illnesses, the extent to which disorder-relevant aspects of network connectivity are shared or unique across the sexes remains to be determined. Methods In this work, we used predictive modelling approaches to evaluate whether shared or unique functional connectivity correlates underlie the expression of psychiatric illness-linked behaviors in males and females in data from the Adolescent Brain Cognitive Development study (n=5260; 2571 females). Results We demonstrate that functional connectivity profiles predict individual differences in externalizing behaviors in males and females, but only predict internalizing behaviors in females. Furthermore, models trained to predict externalizing behaviors in males generalize to predict internalizing behaviors in females, and models trained to predict internalizing behaviors in females generalize to predict externalizing behaviors in males. Finally, the neurobiological correlates of many behaviors are largely shared within and across sexes: functional connections within and between heteromodal association networks including default, limbic, control, and dorsal attention networks are associated with internalizing and externalizing behaviors as well as attentional deficits. Conclusions Taken together, these findings suggest that shared neurobiological patterns may manifest as distinct behaviors across the sexes. These results highlight the need to consider factors beyond just neurobiology in the diagnosis and treatment of psychiatric illnesses.

Abstract Brain maturation studies typically examine relationships linking a single morphometric feature with aspects of cognition, behavior, age, or other demographic characteristics. However, the coordinated spatiotemporal arrangement of morphological features across development and their associations with behavior are unclear. Here, we examine covariation across multiple cortical features (cortical thickness [CT], surface area [SA], local gyrification index [GI], and mean curvature [MC]) using magnetic resonance images from the long-running National Institute of Mental Health developmental cohort (ages 5-25). Neuroanatomical covariance was examined using non-negative matrix factorization (NMF), which decomposes covariance resulting in a parts-based representation. Cross-sectionally, we identified six components of covariation which demonstrate differential contributions of CT, GI, and SA in hetero- vs. unimodal areas. We sought to use this technique longitudinally to examine covariance in rates of change, which highlighted a preserved SA in unimodal areas and changes in CT and GI in heteromodal areas. Using behavioral partial least squares (PLS), we identified a single latent variable (LV; 96 % covariance explained) that recapitulated patterns of reduced CT, GI, and SA that are generally related to older age, with limited contributions of IQ and SES. Longitudinally, PLS revealed three LVs that demonstrated a nuanced developmental pattern that highlighted a higher rate of maturational change in SA and CT in higher IQ and SES females. This novel characterization of brain maturation provides an important understanding of the interdependencies between morphological measures, their coordinated development, and their relationship to biological sex, cognitive ability, and the resources of the local environment. Significance The complex anatomy of the cortical sheet is best characterized using multiple morphometric characteristics. We expanded on recent developments in matrix factorization to identify spatial patterns of covariance across the cortical sheet. Using a large, well-characterized dataset, we examined the differential contributions of neuroanatomical features to cortical covariation in a single analytical framework using both cross-sectional and longitudinal data. We identified dominant modes of covariance between cortical morphometric features and their coordinated pattern of change, demonstrating sexually differentiated patterns and a strong association with variability in age, socioeconomic status, and cognitive ability. This novel characterization of cortical morphometry provides an important understanding of the interdependencies between neuroanatomical measures in the brain and behavioral development context.

Abstract The complexity of social interactions is a defining property of the human species. Many social neuroscience experiments have sought to map ‘perspective taking’, ‘empathy’, and other canonical psychological constructs to distinguishable brain circuits. This predominant research paradigm was seldom complemented by bottom-up studies of the unknown sources of variation that add up to measures of social brain structure; perhaps due to a lack of large population datasets. We aimed at a systematic de-construction of social brain morphology into its elementary building blocks in the UK Biobank cohort (n=~10,000). Coherent patterns of structural co-variation were explored within a recent atlas of social brain locations, enabled through translating autoencoder algorithms from deep learning. The artificial neural networks learned rich subnetwork representations that became apparent from social brain variation at population scale. The learned subnetworks carried essential information about the co-dependence configurations between social brain regions, with the nucleus accumbens, medial prefrontal cortex, and temporoparietal junction embedded at the core. Some of the uncovered subnetworks contributed to predicting examined social traits in general, while other subnetworks helped predict specific facets of social functioning, such as feelings of loneliness. Our population-level evidence indicates that hidden subsystems of the social brain underpin interindividual variation in dissociable aspects of social lifestyle.