Abstract An individual’s brain-age is the difference between chronological age and age predicted from machine-learning models of brain-imaging data. Brain-age has been proposed as a biomarker of age-related deterioration of the brain. Having an older brain-age has been linked to Alzheimer’s, dementia and mortality. However, these findings are largely based on cross-sectional associations which can confuse age differences with cohort differences. To illuminate the validity of brain-age a biomarker of accelerated brain aging, a study is needed of a large cohort all born the same year who nevertheless vary on brain-age. In a population-representative 1972-73 birth cohort we measured brain-age at age 45, as well as the pace of biological aging and cognitive decline in longitudinal data from childhood to midlife (N=869). In this cohort, all chronological age 45 years, brain-age was measured reliably (ICC=.81) and ranged from 24 to 72 years. Those with older midlife brain-ages tended to have poorer cognitive function in both adulthood and childhood, as well as impaired brain health at age 3. Furthermore, those with older brain-ages had an accelerated pace of biological aging, older facial appearance and early signs of cognitive decline from childhood to midlife. These findings help to validate brain-age as a potential surrogate biomarker for midlife intervention studies that seek to measure treatment response to dementia-prevention efforts in midlife. However, the findings also caution against the assumption that brain-age scores represent only age-related deterioration of the brain as they may also index central nervous system variation present since childhood.

Summary/Abstract Background Most epigenome-wide association studies (EWAS) quantify DNA methylation (DNAm) in peripheral tissues such as whole blood to identify positions in the genome where variation is statistically associated with a trait or exposure. As whole blood comprises a mix of cell types, it is unclear whether trait-associated variation is specific to an individual cellular population. Methods We collected three peripheral tissues (whole blood, buccal and nasal epithelial cells) from thirty individuals. Whole blood samples were subsequently processed using fluorescence-activated cell sorting (FACS) to purify five constituent cell-types (monocytes, granulocytes, CD4 + T cells, CD8 + T cells, and B cells). DNAm was profiled in all eight sample-types from each individual using the Illumina EPIC array. Results We identified significant differences in both the level and variability of DNAm between different tissues and cell types, and DNAm data-derived estimates of age and smoking were found to differ dramatically across sample types from the same individual. We found that for the majority of loci variation in DNAm in individual blood cell types was only weakly predictive of variance in DNAm measured in whole blood, however, the proportion of variance explained was greater than that explained by either buccal or nasal tissues. Instead we observe that DNAm variation in whole blood is additively influenced by a combination of the major blood cell types. For a subset of sites variable DNAm detected in whole blood can be attributed to variation in a single blood cell type providing potential mechanistic insight. Conclusions We identified major differences in DNAm between blood cell types and peripheral tissues, with each sample type being characterized by a unique DNAm signature across multiple loci. Our results suggest that associations between whole blood DNAm and traits or exposures reflect differences in multiple cell types and provide important insights for the interpretation of EWAS performed in whole blood. Key Messages We identified major differences in DNA methylation between blood cell types and peripheral tissues, with each sample type being characterized by a unique DNA methylation signature across multiple loci. Estimates of DNAmAge and tobacco smoking from DNA methylation data can be highly variable across different sample types collected from the same individual at the same time. While individual blood cell types did predict more of the variation in whole blood compared to buccal epithelial and nasal epithelial cells, the percentage of variance explained was still small. Instead our data indicate that at the majority of sites, variation in multiple blood cell types additively combines to drive variation in DNA methylation in whole blood. There are subset of sites where variable DNA methylation detected in whole blood can be attributed to variation in a single blood cell type.

Abstract The field of epigenomics holds great promise in understanding and treating disease with advances in machine learning (ML) and artificial intelligence being vitally important in this pursuit. Increasingly, research now utilises DNA methylation measures at cytosine-guanine dinucleotides (CpG) to detect disease and estimate biological traits such as aging. Given the high dimensionality of DNA methylation data, feature-selection techniques are commonly employed to reduce dimensionality and identify the most important subset of features. In this study, we test and compare a range of feature-selection methods and ML algorithms in the development of a novel DNA methylation-based telomere length (TL) estimator. We found that principal component analysis in advance of elastic net regression led to the overall best performing estimator when evaluated using a nested cross-validation analysis and two independent test cohorts. In contrast, the baseline model of elastic net regression with no prior feature reduction stage performed worst - suggesting a prior feature-selection stage may have important utility. The variance in performance across tested approaches shows that estimators are sensitive to data set heterogeneity and the development of an optimal DNA methylation-based estimator should benefit from the robust methodological approach used in this study. Additionally, we observed that different DNA methylation-based TL estimators, which have few common CpGs, are associated with many of the same biological entities. Moreover, our methodology which utilises a range of feature-selection approaches and ML algorithms could be applied to other biological markers and disease phenotypes, to examine their relationship with DNA methylation and predictive value.

Despite the substantial heritability of antisocial behavior (ASB), specific genetic variants robustly associated with the trait have not been identified. The present study by the Broad Antisocial Behavior Consortium (BroadABC) meta-analyzed data from 25 discovery samples (N=85,359) and five independent replication samples (N = 8,058) with genotypic data and broad measures of ASB. We identified the first significant genetic associations with broad ASB, involving common intronic variants in the forkhead box protein P2 (FOXP2) gene (lead SNP rs12536335, P = 6.32 x 10-10). Furthermore, we observed intronic variation in Foxp2 and one of its targets (Cntnap2) distinguishing a mouse model of pathological aggression (BALB/cJ mice) from controls (the BALB/cByJ strain). The SNP-based heritability of ASB was 8.4% (s.e.= 1.2%). Polygenic-risk-score (PRS) analyses in independent samples revealed that the genetic risk for ASB was associated with several antisocial outcomes across the lifespan, including diagnosis of conduct disorder, official criminal convictions, and trajectories of antisocial development. We found substantial positive genetic correlations between ASB and depression (rg = 0.63), smoking (rg = 0.54) and insomnia (rg = 0.47) as well as negative correlations with indicators of life history (age at first birth (rg = -0.58), fathers age at death (rg = -0.54)) and years of schooling (rg = -0.46). Our findings provide a starting point towards identifying critical biosocial risk mechanisms for the development of ASB.

Abstract DNA methylation profiles of aggressive behavior may capture lifetime cumulative effects of genetic, stochastic, and environmental influences associated with aggression. Here, we report the first large meta-analysis of epigenome-wide association studies (EWAS) of aggressive behavior (N=15,324 participants). In peripheral blood samples of 14,434 participants from 18 cohorts with mean ages ranging from 7 to 68 years, 13 methylation sites were significantly associated with aggression (alpha=1.2×10 −7 ; Bonferroni correction). In cord blood samples of 2,425 children from five cohorts with aggression assessed at mean ages ranging from 4 to 7 years, 83% of these sites showed the same direction of association with childhood aggression ( r =0.74, p=0.006) but no epigenome-wide significant sites were found. Top-sites (48 at a false discovery rate of 5% in the peripherl blood meta-analysis or in a combined meta-analysis of peripheral blood and cord blood) have been associated with chemical exposures, smoking, cognition, metabolic traits, and genetic variation (mQTLs). Three genes whose expression levels were associated with top-sites were previously linked to schizophrenia and general risk tolerance. At six CpGs, DNA methylation variation in blood mirrors variation in the brain. On average 44% (range=3-82%) of the aggression–methylation association was explained by current and former smoking and BMI. These findings point at loci that are sensitive to chemical exposures with potential implications for neuronal functions. We hope these results to be a starting point for studies leading to applications as peripheral biomarkers and to reveal causal relationships with aggression and related traits.

Transdiagnostic research has identified a general psychopathology factor – often called the ‘ p ’ factor – that accounts for shared variation across internalizing, externalizing, and thought disorders in diverse samples. It has been argued that the p factor may reflect dysfunctional thinking present in serious mental illness. In support of this, we previously used a theory-free, data-driven multimodal neuroimaging approach to find that higher p factor scores are associated with structural alterations within a cerebello-thalamo-cortical circuit (CTCC) and visual association cortex, both of which are important for monitoring and coordinating information processing in the service of executive control. Here we attempt to replicate these associations by conducting region-of-interest analyses of CTCC and visual association cortex using data from 875 members of the Dunedin Longitudinal Study, a five-decade study of a population-representative birth cohort now 45 years old. We further sought to replicate a more recent report that p factor scores can be predicted by patterns of distributed cerebellar morphology as estimated through independent component analysis. We successfully replicated associations between higher p factor scores and both reduced grey matter volume of the visual association cortex and fractional anisotropy of pontine white matter pathways within the CTCC. In contrast, we failed to replicate prior associations between cerebellar structure and p factor scores. Collectively, our findings encourage further focus on the CTCC and visual association cortex as core neural substrates and potential biomarkers of general psychopathology.

Identifying brain biomarkers of disease risk is a growing priority in neuroscience. The ability to identify meaningful biomarkers is limited by measurement reliability; unreliable measures are unsuitable for predicting clinical outcomes. Measuring brain activity using task-fMRI is a major focus of biomarker development; however, the reliability of task-fMRI has not been systematically evaluated. We present converging evidence demonstrating poor reliability of task-fMRI measures. First, a meta-analysis of 90 experiments (N=1,008) revealed poor overall reliability (mean ICC=.397). Second, the test-retest reliabilities of activity in a priori regions of interest across 11 common fMRI tasks collected in the context of the Human Connectome Project (N=45) and the Dunedin Study (N=20) were poor (ICCs=.067-.485). Collectively, these findings demonstrate that common task-fMRI measures are not currently suitable for brain biomarker discovery or individual differences research. We review how this state of affairs came to be and highlight avenues for improving task-fMRI reliability.

People's life chances can be predicted by their neighborhoods. This observation is driving efforts to improve lives by changing neighborhoods. Some neighborhood effects may be causal, supporting neighborhood-level interventions. Other neighborhood effects may reflect selection of families with different characteristics into different neighborhoods, supporting interventions that target families/individuals directly. To test how selection affects different neighborhood-linked problems, we linked neighborhood data with genetic, health, and social-outcome data for >7,000 European-descent UK and US young people in the E-Risk and Add Health Studies. We tested selection/concentration of genetic risks for obesity, schizophrenia, teen-pregnancy, and poor educational outcomes in high-risk neighborhoods, including genetic analysis of neighborhood mobility. Findings argue against genetic selection/concentration as an explanation for neighborhood gradients in obesity and mental-health problems, suggesting neighborhoods may be causal. In contrast, modest genetic selection/concentration was evident for teen-pregnancy and poor educational outcomes, suggesting neighborhood effects for these outcomes should be interpreted with care.

ABSTRACT Although higher-order cognitive and lower-order sensorimotor abilities are generally regarded as distinct and studied separately, there is evidence that they not only covary but also that this covariation increases across the lifespan. This pattern has been leveraged in clinical settings where a simple assessment of sensory or motor ability (e.g., hearing, gait speed) can forecast age-related cognitive decline and risk for dementia. However, the brain mechanisms underlying cognitive, sensory, and motor covariation are largely unknown. Here, we examined whether such covariation in midlife reflects variability in common versus distinct neocortical networks using individualized maps of functional topography derived from BOLD fMRI data collected in 769 45-year old members of a population-representative cohort. Analyses revealed that variability in basic motor but not hearing ability reflected individual differences in the functional topography of neocortical networks typically supporting cognitive ability. These patterns suggest that covariation in motor and cognitive abilities in midlife reflects convergence of function in higher-order neocortical networks and that gait speed may not be simply a measure of physical function but rather an integrative index of nervous system health.

White matter hyperintensities (WMHs) proliferate as the brain ages and are associated with increased risk for cognitive decline as well as Alzheimer’s disease and related dementias. As such, WMHs have been targeted as a surrogate biomarker in intervention trials with older adults. However, it is unclear at what stage of aging WMHs begin to relate to cognition and if they may be a viable target for early prevention. In a population-representative birth cohort of 843 45-year-olds we measured WMHs using T2-weighted MRI, and we assessed cognitive decline from childhood to midlife. We found that WMHs were common at age 45 and that WMH volume was modestly associated with both lower childhood (ß=-0.08, p =0.013) and adult IQ (ß=-0.15, p <0.001). Moreover, WMH volume was associated with greater cognitive decline from childhood to midlife (ß=-0.09, p <0.001). Our results demonstrate that a link between WMHs and early signs of cognitive decline is detectable decades before clinical symptoms of dementia emerge. Thus, WMHs may be a useful surrogate biomarker for identifying individuals in midlife at risk for future accelerated cognitive decline and selecting participants for dementia prevention trials.