Resting-state or intrinsic connectivity network functional magnetic resonance imaging provides a new tool for mapping large-scale neural network function and dysfunction. Recently, we showed that behavioural variant frontotemporal dementia and Alzheimer’s disease cause atrophy within two major networks, an anterior ‘Salience Network’ (atrophied in behavioural variant frontotemporal dementia) and a posterior ‘Default Mode Network’ (atrophied in Alzheimer’s disease). These networks exhibit an anti-correlated relationship with each other in the healthy brain. The two diseases also feature divergent symptom-deficit profiles, with behavioural variant frontotemporal dementia undermining social-emotional function and preserving or enhancing visuospatial skills, and Alzheimer’s disease showing the inverse pattern. We hypothesized that these disorders would exert opposing connectivity effects within the Salience Network (disrupted in behavioural variant frontotemporal dementia but enhanced in Alzheimer’s disease) and the Default Mode Network (disrupted in Alzheimer’s disease but enhanced in behavioural variant frontotemporal dementia). With task-free functional magnetic resonance imaging, we tested these ideas in behavioural variant frontotemporal dementia, Alzheimer’s disease and healthy age-matched controls (n = 12 per group), using independent component analyses to generate group-level network contrasts. As predicted, behavioural variant frontotemporal dementia attenuated Salience Network connectivity, most notably in frontoinsular, cingulate, striatal, thalamic and brainstem nodes, but enhanced connectivity within the Default Mode Network. Alzheimer’s disease, in contrast, reduced Default Mode Network connectivity to posterior hippocampus, medial cingulo-parieto-occipital regions and the dorsal raphe nucleus, but intensified Salience Network connectivity. Specific regions of connectivity disruption within each targeted network predicted intrinsic connectivity enhancement within the reciprocal network. In behavioural variant frontotemporal dementia, clinical severity correlated with loss of right frontoinsular Salience Network connectivity and with biparietal Default Mode Network connectivity enhancement. Based on these results, we explored whether a combined index of Salience Network and Default Mode Network connectivity might discriminate between the three groups. Linear discriminant analysis achieved 92% clinical classification accuracy, including 100% separation of behavioural variant frontotemporal dementia and Alzheimer’s disease. Patients whose clinical diagnoses were supported by molecular imaging, genetics, or pathology showed 100% separation using this method, including four diagnostically equivocal ‘test’ patients not used to train the algorithm. Overall, the findings suggest that behavioural variant frontotemporal dementia and Alzheimer’s disease lead to divergent network connectivity patterns, consistent with known reciprocal network interactions and the strength and deficit profiles of the two disorders. Further developed, intrinsic connectivity network signatures may provide simple, inexpensive, and non-invasive biomarkers for dementia differential diagnosis and disease monitoring.

Neurodegenerative diseases target large-scale neural networks. Four competing mechanistic hypotheses have been proposed to explain network-based disease patterning: nodal stress, transneuronal spread, trophic failure, and shared vulnerability. Here, we used task-free fMRI to derive the healthy intrinsic connectivity patterns seeded by brain regions vulnerable to any of five distinct neurodegenerative diseases. These data enabled us to investigate how intrinsic connectivity in health predicts region-by-region vulnerability to disease. For each illness, specific regions emerged as critical network "epicenters" whose normal connectivity profiles most resembled the disease-associated atrophy pattern. Graph theoretical analyses in healthy subjects revealed that regions with higher total connectional flow and, more consistently, shorter functional paths to the epicenters, showed greater disease-related vulnerability. These findings best fit a transneuronal spread model of network-based vulnerability. Molecular pathological approaches may help clarify what makes each epicenter vulnerable to its targeting disease and how toxic protein species travel between networked brain structures.

Intrinsic or resting state functional connectivity MRI and structural covariance MRI have begun to reveal the adult human brain's multiple network architectures. How and when these networks emerge during development remains unclear, but understanding ontogeny could shed light on network function and dysfunction. In this study, we applied structural covariance MRI techniques to 300 children in four age categories (early childhood, 5–8 y; late childhood, 8.5–11 y; early adolescence, 12–14 y; late adolescence, 16–18 y) to characterize gray matter structural relationships between cortical nodes that make up large-scale functional networks. Network nodes identified from eight widely replicated functional intrinsic connectivity networks served as seed regions to map whole-brain structural covariance patterns in each age group. In general, structural covariance in the youngest age group was limited to seed and contralateral homologous regions. Networks derived using primary sensory and motor cortex seeds were already well-developed in early childhood but expanded in early adolescence before pruning to a more restricted topology resembling adult intrinsic connectivity network patterns. In contrast, language, social–emotional, and other cognitive networks were relatively undeveloped in younger age groups and showed increasingly distributed topology in older children. The so-called default-mode network provided a notable exception, following a developmental trajectory more similar to the primary sensorimotor systems. Relationships between functional maturation and structural covariance networks topology warrant future exploration.

Abstract Cortical thickness, surface area and volumes (MRI cortical measures) vary with age and cognitive function, and in neurological and psychiatric diseases. We examined heritability, genetic correlations and genome-wide associations of cortical measures across the whole cortex, and in 34 anatomically predefined regions. Our discovery sample comprised 22,822 individuals from 20 cohorts within the Cohorts for Heart and Aging Research in Genomic Epidemiology (CHARGE) consortium and the United Kingdom Biobank. Significant associations were replicated in the Enhancing Neuroimaging Genetics through Meta-analysis (ENIGMA) consortium, and their biological implications explored using bioinformatic annotation and pathway analyses. We identified genetic heterogeneity between cortical measures and brain regions, and 161 genome-wide significant associations pointing to wnt/β-catenin, TGF-β and sonic hedgehog pathways. There was enrichment for genes involved in anthropometric traits, hindbrain development, vascular and neurodegenerative disease and psychiatric conditions. These data are a rich resource for studies of the biological mechanisms behind cortical development and aging.

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

A balanced excitation-inhibition ratio (E/I ratio) is critical for healthy brain function. Normative development of cortex-wide E/I ratio remains unknown. Here, we noninvasively estimate a putative marker of whole-cortex E/I ratio by fitting a large-scale biophysically plausible circuit model to resting-state functional MRI (fMRI) data. We first confirm that our model generates realistic brain dynamics in the Human Connectome Project. Next, we show that the estimated E/I ratio marker is sensitive to the gamma-aminobutyric acid (GABA) agonist benzodiazepine alprazolam during fMRI. Alprazolam-induced E/I changes are spatially consistent with positron emission tomography measurement of benzodiazepine receptor density. We then investigate the relationship between the E/I ratio marker and neurodevelopment. We find that the E/I ratio marker declines heterogeneously across the cerebral cortex during youth, with the greatest reduction occurring in sensorimotor systems relative to association systems. Importantly, among children with the same chronological age, a lower E/I ratio marker (especially in the association cortex) is linked to better cognitive performance. This result is replicated across North American (8.2 to 23.0 y old) and Asian (7.2 to 7.9 y old) cohorts, suggesting that a more mature E/I ratio indexes improved cognition during normative development. Overall, our findings open the door to studying how disrupted E/I trajectories may lead to cognitive dysfunction in psychopathology that emerges during youth.

Abstract Importance The lack of robust neuroanatomical markers of psychosis risk has been traditionally attributed to heterogeneity. A complementary hypothesis is that variation in neuroanatomical measures in the majority of individuals at psychosis risk may be nested within the range observed in healthy individuals. Objective To quantify deviations from the normative range of neuroanatomical variation in individuals at clinical high-risk for psychosis (CHR-P) and evaluate their overlap with healthy variation and their association with positive symptoms, cognition, and conversion to a psychotic disorder. Design, Setting, and Participants Clinical, IQ and FreeSurfer-derived regional measures of cortical thickness (CT), cortical surface area (SA), and subcortical volume (SV) from 1,340 CHR-P individuals [47.09% female; mean age: 20.75 (4.74) years] and 1,237 healthy individuals [44.70% female; mean age: 22.32 (4.95) years] from 29 international sites participating in the ENIGMA Clinical High Risk for Psychosis Working Group. Main Outcomes and Measures For each regional morphometric measure, z-scores were computed that index the degree of deviation from the normative means of that measure in a healthy reference population (N=37,407). Average deviation scores (ADS) for CT, SA, SV, and globally across all measures (G) were generated by averaging the respective regional z-scores. Regression analyses were used to quantify the association of deviation scores with clinical severity and cognition and two-proportion z-tests to identify case-control differences in the proportion of individuals with infranormal (z<-1.96) or supranormal (z>1.96) scores. Results CHR-P and healthy individuals overlapped in the distributions of the observed values, regional z-scores, and all ADS vales. The proportion of CHR-P individuals with infranormal or supranormal values in any metric was low (<12%) and similar to that of healthy individuals. CHR-P individuals who converted to psychosis compared to those who did not convert had a higher percentage of infranormal values in temporal regions (5-7% vs 0.9-1.4%). In the CHR-P group, only the ADS SA showed significant but weak associations (|β|<0.09; P FDR <0.05) with positive symptoms and IQ. Conclusions and Relevance The study findings challenge the usefulness of macroscale neuromorphometric measures as diagnostic biomarkers of psychosis risk and suggest that such measures do not provide an adequate explanation for psychosis risk. Key points Question Is the risk of psychosis associated with brain morphometric changes that deviate significantly from healthy variation? Findings In this study of 1340 individuals high-risk for psychosis (CHR-P) and 1237 healthy participants, individual-level variation in macroscale neuromorphometric measures of the CHR-P group was largely nested within healthy variation and was not associated with the severity of positive psychotic symptoms or conversion to a psychotic disorder. Meaning The findings suggest the macroscale neuromorphometric measures have limited utility as diagnostic biomarkers of psychosis risk.

A balanced excitation-inhibition ratio (E/I ratio) is critical for healthy brain function. Normative development of cortex-wide E/I ratio remains unknown. Here we non-invasively estimate a putative marker of whole-cortex E/I ratio by fitting a large-scale biophysically-plausible circuit model to resting-state functional MRI (fMRI) data. We first confirm that our model generates realistic brain dynamics in the Human Connectome Project. Next, we show that the estimated E/I ratio marker is sensitive to the GABA-agonist benzodiazepine alprazolam during fMRI. Alprazolam-induced E/I changes are spatially consistent with positron emission tomography measurement of benzodiazepine receptor density. We then investigate the relationship between the E/I ratio marker and neurodevelopment. We find that the E/I ratio marker declines heterogeneously across the cerebral cortex during youth, with the greatest reduction occurring in sensorimotor systems relative to association systems. Importantly, among children with the same chronological age, a lower E/I ratio marker (especially in association cortex) is linked to better cognitive performance. This result is replicated across North American (8.2 to 23.0 years old) and Asian (7.2 to 7.9 years old) cohorts, suggesting that a more mature E/I ratio indexes improved cognition during normative development. Overall, our findings open the door to studying how disrupted E/I trajectories may lead to cognitive dysfunction in psychopathology that emerges during youth.

Abstract Resting-state fMRI is commonly used to derive brain parcellations, which are widely used for dimensionality reduction and interpreting human neuroscience studies. We previously developed a model that integrates local and global approaches for estimating areal-level cortical parcellations. The resulting local-global parcellations are often referred to as the Schaefer parcellations. However, the lack of homotopic correspondence between left and right Schaefer parcels has limited their use for brain lateralization studies. Here, we extend our previous model to derive homotopic areal-level parcellations. Using resting-fMRI and task-fMRI across diverse scanners, acquisition protocols, preprocessing and demographics, we show that the resulting homotopic parcellations are as homogeneous as the Schaefer parcellations, while being more homogeneous than five publicly available parcellations. Furthermore, weaker correlations between homotopic parcels are associated with greater lateralization in resting network organization, as well as lateralization in language and motor task activation. Finally, the homotopic parcellations agree with the boundaries of a number of cortical areas estimated from histology and visuotopic fMRI, while capturing sub-areal (e.g., somatotopic and visuotopic) features. Overall, these results suggest that the homotopic local- global parcellations represent neurobiologically meaningful subdivisions of the human cerebral cortex and will be a useful resource for future studies. Multi-resolution parcellations estimated from 1479 participants are publicly available (GITHUB_LINK).

ABSTRACT Background Large-scale neuronal network breakdown underlies memory impairment in Alzheimer’s disease (AD). However, the differential trajectories of the relationships between network organization and memory across pathology and cognitive stages in AD remain elusive. We determined whether and how the influences of individual-level structural and metabolic covariance network integrity on memory varied with amyloid pathology across clinical stages without assuming a constant relationship. Methods 708 participants from the Alzheimer’s Disease Neuroimaging Initiative were studied. Individual-level structural and metabolic covariance scores in higher-level cognitive and hippocampal networks were derived from magnetic resonance imaging and [ 18 F]fluorodeoxyglucose positron emission tomography using seed-based partial least square analyses. The non-linear associations between network scores and memory across cognitive stages in each pathology group were examined using sparse varying coefficient modelling. Results We showed that the associations of memory with structural and metabolic networks in the hippocampal and default mode regions exhibited pathology-dependent differential trajectories across cognitive stages using sparse varying coefficient modelling. In amyloid pathology group, there was an early influence of hippocampal structural network deterioration on memory impairment in the preclinical stage, and a biphasic influence of the angular gyrus-seeded default mode network metabolism on memory in both preclinical and dementia stages. In non-amyloid pathology groups, in contrast, the trajectory of the hippocampus-memory association was opposite and weaker overall, while no metabolism covariance networks were related to memory. Key findings were replicated in a larger cohort of 1280 participants. Conclusions Our findings highlight potential windows of early intervention targeting network breakdown at the preclinical AD stage.