Data analysis workflows in many scientific domains have become increasingly complex and flexible. Here we assess the effect of this flexibility on the results of functional magnetic resonance imaging by asking 70 independent teams to analyse the same dataset, testing the same 9 ex-ante hypotheses1. The flexibility of analytical approaches is exemplified by the fact that no two teams chose identical workflows to analyse the data. This flexibility resulted in sizeable variation in the results of hypothesis tests, even for teams whose statistical maps were highly correlated at intermediate stages of the analysis pipeline. Variation in reported results was related to several aspects of analysis methodology. Notably, a meta-analytical approach that aggregated information across teams yielded a significant consensus in activated regions. Furthermore, prediction markets of researchers in the field revealed an overestimation of the likelihood of significant findings, even by researchers with direct knowledge of the dataset2–5. Our findings show that analytical flexibility can have substantial effects on scientific conclusions, and identify factors that may be related to variability in the analysis of functional magnetic resonance imaging. The results emphasize the importance of validating and sharing complex analysis workflows, and demonstrate the need for performing and reporting multiple analyses of the same data. Potential approaches that could be used to mitigate issues related to analytical variability are discussed. The results obtained by seventy different teams analysing the same functional magnetic resonance imaging dataset show substantial variation, highlighting the influence of analytical choices and the importance of sharing workflows publicly and performing multiple analyses.

Abstract Genome-Wide-Association studies have involved miR-137 in schizophrenia. However, the biology underlying this statistical evidence is unclear. Statistical polygenic risk for schizophrenia is associated with working memory, while other biological evidence involves miR-137 in emotion processing. We investigated the function of miR-137 target schizophrenia risk genes in humans. We identified a prefrontal co-expression pathway of schizophrenia-associated miR-137 targets and validated the association with miR-137 expression in neuroblastoma cells. Alleles predicting greater co-expression of this pathway were associated with greater prefrontal activation during emotion processing in two independent cohorts of healthy volunteers (N 1 =222; N 2 =136). Statistical polygenic risk for schizophrenia was instead associated with prefrontal activation during working memory. A co-expression pathway links miR-137 and its target genes to emotion processing and risk for schizophrenia. Low prefrontal miR-137 expression may be related with SCZ risk via increased expression of target risk genes, itself associated with increased prefrontal activation during emotion processing.

Abstract The relationship between brain areas based on neurotransmitter receptor and transporter molecule expression patterns may provide a link between brain structure and its function. Here, we studied the organization of the receptome, a measure of regional neurotransmitter receptor/transporter molecule (NTRM) similarity, derived from in vivo PET imaging studies of 19 different receptors and transporters. Nonlinear dimensionality reduction revealed three main spatial gradients of receptor similarity in the cortex. The first gradient differentiated the somato-motor network from the remaining cortex. The second gradient spanned between temporo-occipital and frontal anchors, differentiating visual and limbic networks from attention and control networks, and the third receptome gradient was anchored between the occipital and temporal cortices. In subcortical structures, the receptome delineated a striato-thalamic axis, separating functional communities. Moreover, we observed similar organizational principles underlying receptome differentiation in cortex and subcortex, indicating a link between subcortical and cortical NTRM patterning. Overall, we found that the cortical receptome shared key organizational traits with brain structure and function. Node-level correspondence of receptor similarity to functional, microstructural, and diffusion MRI-based measures decreased along a primary-to-transmodal gradient. Compared to primary and paralimbic regions, we observed higher receptomic diversification in unimodal and heteromodal regions, possibly supporting functional flexibility. In sum, we show how receptor similarity may form an additional organizational layer of human brain architecture, bridging brain structure and function.

Abstract Humans synchronize with one another to foster successful interactions. Here, we use a multimodal data fusion approach with the aim of elucidating the neurobiological mechanisms by which interpersonal neural synchronization (INS) occurs. Our meta-analysis of 22 functional magnetic resonance imaging and 69 near-infrared spectroscopy hyperscanning experiments (740 and 3,721 subjects) revealed robust brain-regional correlates of INS in the right temporoparietal junction and left ventral prefrontal cortex. Integrating this meta-analytic information with public databases, biobehavioral and brain-functional association analyses suggested that INS involves sensory-integrative hubs with functional connections to mentalizing and attention networks. On the molecular and genetic levels, we found INS to be associated with GABAergic neurotransmission and layer IV/V neuronal circuits, protracted developmental gene expression patterns, and disorders of neurodevelopment. Although limited by the indirect nature of phenotypic-molecular association analyses, our findings generate new testable hypotheses on the neurobiological basis of INS.

Human brain morphology undergoes complex changes over the lifespan. Despite recent progress in tracking brain development via normative models, current knowledge of underlying biological mechanisms is highly limited. We demonstrate that human cortical thickness development and aging trajectories unfold along patterns of molecular and cellular brain organization, traceable from population-level to individual developmental trajectories. During childhood and adolescence, cortex-wide spatial distributions of dopaminergic receptors, inhibitory neurons, glial cell populations, and brain-metabolic features explain up to 50% of the variance associated with a lifespan model of regional cortical thickness trajectories. In contrast, modeled cortical thickness change patterns during adulthood are best explained by cholinergic and glutamatergic neurotransmitter receptor and transporter distributions. These relationships are supported by developmental gene expression trajectories and translate to individual longitudinal data from over 8000 adolescents, explaining up to 59% of developmental change at cohort- and 18% at single-subject level. Integrating neurobiological brain atlases with normative modeling and population neuroimaging provides a biologically meaningful path to understand brain development and aging in living humans.

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.

Human brain morphology undergoes complex changes over the lifespan. Despite recent progress in tracking brain development via normative models, current knowledge of underlying biological mechanisms is highly limited. We demonstrate that human cerebral cortex development unfolds along patterns of molecular and cellular brain organization, traceable from population-level to individual developmental trajectories. During childhood and adolescence, cortex-wide spatial distributions of dopaminergic receptors, inhibitory neurons, glial cell populations, and brain-metabolic features explain up to 50% of variance associated with regional cortical thickness trajectories. Adult cortical change patterns are best explained by cholinergic and glutamatergic neurotransmission. These relationships are supported by developmental gene expression trajectories and translate to longitudinal data from over 8,000 adolescents, explaining up to 59% of developmental change at population- and 18% at single-subject level. Integrating multilevel brain atlases with normative modeling and population neuroimaging provides a biologically meaningful path to understand typical and atypical brain development in living humans.

Data analysis workflows in many scientific domains have become increasingly complex and flexible. To assess the impact of this flexibility on functional magnetic resonance imaging (fMRI) results, the same dataset was independently analyzed by 70 teams, testing nine ex-ante hypotheses. The flexibility of analytic approaches is exemplified by the fact that no two teams chose identical workflows to analyze the data. This flexibility resulted in sizeable variation in hypothesis test results, even for teams whose statistical maps were highly correlated at intermediate stages of their analysis pipeline. Variation in reported results was related to several aspects of analysis methodology. Importantly, meta-analytic approaches that aggregated information across teams yielded significant consensus in activated regions across teams. Furthermore, prediction markets of researchers in the field revealed an overestimation of the likelihood of significant findings, even by researchers with direct knowledge of the dataset. Our findings show that analytic flexibility can have substantial effects on scientific conclusions, and demonstrate factors related to variability in fMRI. The results emphasize the importance of validating and sharing complex analysis workflows, and demonstrate the need for multiple analyses of the same data. Potential approaches to mitigate issues related to analytical variability are discussed.

Abstract Changes in spontaneous brain activity at rest provide rich information about behavior and cognition. The mathematical properties of resting-state functional magnetic resonance imaging (rsfMRI) are a depiction of brain function and are frequently used to predict cognitive phenotypes. Individual characteristics such as age, gender, and total intracranial volume (TIV) play an important role in predictive modeling of rsfMRI (for example, as “confounders” in many cases). It is unclear, however, to what extent rsfMRI carries independent information from the individual characteristics that is able to predict cognitive phenotypes. Here, we used predictive modeling to thoroughly examine the predictability of four cognitive phenotypes in 20,000 healthy UK Biobank subjects. We extracted common rsfMRI features of functional brain connectivity (FC) and temporal complexity (TC). We assessed the ability of these features to predict outcomes in the presence and absence of age, gender, and TIV. Additionally, we assessed the predictiveness of age, gender, and TIV only. We find TC and FC features to perform comparably with regard to predicting cognitive phenotypes. As compared to rsfMRI features, individual characteristics provide systematically better predictions with smaller sample sizes and, to some extent, in larger cohorts. It is also consistent across different levels of inherent temporal noise in rsfMRI. Our results suggest that when the objective is to perform cognitive predictions as opposed to understanding the relationship between brain and behavior, individual characteristics are more applicable than rsfMRI features.

Summary The balance of excitation and inhibition is a key functional property of cortical microcircuits which changes through the lifespan. Adolescence is considered a crucial period for the maturation of excitation-inhibition balance. This has been primarily observed in animal studies, yet human in vivo evidence on adolescent maturation of the excitation-inhibition balance at the individual level is limited. Here, we developed an individualized in vivo marker of regional excitation-inhibition balance in human adolescents, estimated using large-scale simulations of biophysical network models fitted to resting-state functional magnetic resonance imaging data from two independent cross-sectional (N = 752) and longitudinal (N = 149) cohorts. We found a widespread relative increase of inhibition in association cortices paralleled by a relative age-related increase of excitation, or lack of change, in sensorimotor areas across both datasets. This developmental pattern co-aligned with multiscale markers of sensorimotor-association differentiation. The spatial pattern of excitation-inhibition development in adolescence was robust to inter-individual variability of structural connectomes and modeling configurations. Notably, we found that alternative simulation-based markers of excitation-inhibition balance show a variable sensitivity to maturational change. Taken together, our study highlights an increase of inhibition during adolescence in association areas using cross sectional and longitudinal data, and provides a robust computational framework to estimate microcircuit maturation in vivo at the individual level.