Genetic discoveries of Alzheimer's disease are the drivers of our understanding, and together with polygenetic risk stratification can contribute towards planning of feasible and efficient preventive and curative clinical trials. We first perform a large genetic association study by merging all available case-control datasets and by-proxy study results (discovery n = 409,435 and validation size n = 58,190). Here, we add six variants associated with Alzheimer's disease risk (near APP, CHRNE, PRKD3/NDUFAF7, PLCG2 and two exonic variants in the SHARPIN gene). Assessment of the polygenic risk score and stratifying by APOE reveal a 4 to 5.5 years difference in median age at onset of Alzheimer's disease patients in APOE ɛ4 carriers. Because of this study, the underlying mechanisms of APP can be studied to refine the amyloid cascade and the polygenic risk score provides a tool to select individuals at high risk of Alzheimer's disease.

A bstract Clinical neuroimaging data availability has grown substantially in the last decade, providing the potential for studying heterogeneity in clinical cohorts on a previously unprecedented scale. Normative modeling is an emerging statistical tool for dissecting heterogeneity in complex brain disorders. However, its application remains technically challenging due to medical data privacy issues and difficulties in dealing with nuisance variation, such as the variability in the image acquisition process. Here, we introduce a federated probabilistic framework using hierarchical Bayesian regression (HBR) for multi-site normative modeling. The proposed method completes the life-cycle of normative modeling by providing the possibilities to learn, update, and adapt the model parameters on decentralized neuroimaging data. Our experimental results confirm the superiority of HBR in deriving more accurate normative ranges on large multi-site neuroimaging datasets compared to the current standard methods. In addition, our approach provides the possibility to recalibrate and reuse the learned model on local datasets and even on datasets with very small sample sizes. The proposed federated framework closes the technical loop for applying normative modeling across multiple sites in a decentralized manner. This will facilitate applications of normative modeling as a medical tool for screening the biological deviations in individuals affected by complex illnesses such as mental disorders.

Abstract Background The Norwegian Mother, Father, and Child Cohort Study (MoBa) is a population-based pregnancy cohort, which includes approximately 114,500 children, 95,200 mothers, and 75,200 fathers. Genotyping of MoBa has been conducted through multiple research projects, spanning several years; using varying selection criteria, genotyping arrays, and genotyping centres. MoBa contains numerous interrelated families, which necessitated the implementation of a family-based quality control (QC) pipeline that verifies and accounts for diverse types of relatedness. Methods The MoBaPsychGen pipeline, comprising pre-imputation QC, phasing, imputation, and post-imputation QC, was developed based on current best-practice protocols and implemented to account for the complex structure of the MoBa genotype data. The pipeline includes QC on both single nucleotide polymorphism (SNP) and individual level. Phasing and imputation were performed using the publicly available Haplotype Reference Consortium release 1.1 panel as a reference. Information from the Medical Birth Registry of Norway and MoBa questionnaires were used to identify biological sex, year of birth, reported parent-offspring (PO) relationships, and multiple births (only available in the offspring generation). Results In total, 207,569 unique individuals (90% of the unique individuals included in the study) and 6,981,748 SNPs passed the MoBaPsychGen pipeline. The relatedness checks performed throughout the pipeline allowed identification of within-generation and across-generation first-degree, second-degree, and third-degree relatives. The individuals passing post-imputation QC comprised 64,471 families ranging in size from singletons to 84 unique individuals (singletons are included as families as other family members may not have been genotyped, imputed, or passed post-imputation QC). The relationships identified include 287 monozygotic twin pairs, 22,884 full siblings, 117,004 PO pairs, 23,299 second-degree relative pairs, and 10,828 third-degree relative pairs. Discussion MoBa contains a highly complex relatedness structure, with a variety of family structures including singletons, PO duos, full (mother, father, child) PO trios, nuclear families, blended families, and extended families. The availability of robustly quality-controlled genetic data for such a large cohort with a unique extended family structure will allow many novel research questions to be addressed. Furthermore, the MoBaPsychGen pipeline has potential utility in similar cohorts.

Abstract Age has a major effect on brain volume. However, the normative studies available are constrained by small sample sizes, restricted age coverage and significant methodological variability. These limitations introduce inconsistencies and may obscure or distort the lifespan trajectories of brain morphometry. In response, we capitalised on the resources of the Enhancing Neuroimaging Genetics through Meta-Analysis (ENIGMA) Consortium to examine the age-related morphometric trajectories of the ventricles, the basal ganglia (caudate, putamen, pallidum, and nucleus accumbens), the thalamus, hippocampus and amygdala using magnetic resonance imaging data obtained from 18,605 individuals aged 3-90 years. All subcortical structure volumes were at their maximum early in life; the volume of the basal ganglia showed a gradual monotonic decline thereafter while the volumes of the thalamus, amygdala and the hippocampus remained largely stable (with some degree of decline in thalamus) until the sixth decade of life followed by a steep decline thereafter. The lateral ventricles showed a trajectory of continuous enlargement throughout the lifespan. Significant age-related increase in inter-individual variability was found for the hippocampus and amygdala and the lateral ventricles. These results were robust to potential confounders and could be used to derive risk predictions for the early identification of diverse clinical phenotypes.

Abstract Normative modelling is an emerging technique for parsing heterogeneity in clinical cohorts. This can be implemented in practice using hierarchical Bayesian regression, which provides an elegant probabilistic solution to handle site variation in a federated learning framework. However, applications of this method to date have employed a Gaussian assumption, which may be restrictive in some applications. We have extended the hierarchical Bayesian regression framework to flexibly model non-Gaussian data with heteroskdastic skewness and kurtosis. To this end, we employ a flexible distribution from the sinh-arcsinh (SHASH) family, and introduce a novel reparameterisation that is more suitable for Markov chain Monte Carlo sampling than existing variants. Using a large neuroimaging dataset collected at 82 different sites, we show that the results achieved with this extension are better than a warped Bayesian linear regression baseline model on most datasets. We also demonstrate that the attained flexibility is essential for accurately modelling highly nonlinear relationships between aging and imaging derived phenotypes, which shows that the extension is important for pushing the field of normative modelling forward. All methods described here are available in the open-source pcntoolkit . Highlights We extended the Hierarchical Bayesian Regression framework for normative modelling Our extension allows modelling data with heteroskedastic skewness and kurtosis We developed a reparameterization of the SHASH distribution, suitable for sampling We provide the first implementation of the SHASH distribution in a fully Bayesian framework Results show that the extension outperforms current methods on various measures

Abstract The linear mixed-effects model (LME) is a versatile approach to account for dependence among observations. Many large-scale neuroimaging datasets with complex designs have increased the need for LME, however LME has seldom been used in whole-brain imaging analyses due to its heavy computational requirements. In this paper, we introduce a fast and efficient mixed-effects algorithm (FEMA) that makes whole-brain vertex-wise, voxel-wise, and connectome-wide LME analyses in large samples possible. We validate FEMA with extensive simulations, showing that the estimates of the fixed effects are equivalent to standard maximum likelihood estimates but obtained with orders of magnitude improvement in computational speed. We demonstrate the applicability of FEMA by studying the cross-sectional and longitudinal effects of age on region-of-interest level and vertex-wise cortical thickness, as well as connectome-wide functional connectivity values derived from resting state functional MRI, using longitudinal imaging data from the Adolescent Brain Cognitive Development SM Study release 4.0. Our analyses reveal distinct spatial patterns for the annualized changes in vertex-wise cortical thickness and connectome-wide connectivity values in early adolescence, highlighting a critical time of brain maturation. The simulations and application to real data show that FEMA enables advanced investigation of the relationships between large numbers of neuroimaging metrics and variables of interest while considering complex study designs, including repeated measures and family structures, in a fast and efficient manner. The source code for FEMA is available via: https://github.com/cmig-research-group/cmig_tools/ .

Abstract Genome-Wide Association studies have typically been limited to single phenotypes, given that high dimensional phenotypes incur a large multiple comparisons burden: ~1 million tests across the genome times the number of phenotypes. Recent work demonstrates that a Multivariate Omnibus Statistic Test (MOSTest) is well powered to discover genomic effects distributed across multiple phenotypes. Applied to cortical brain MRI morphology measures, MOSTest has resulted in a drastic improvement in power to discover loci when compared to established approaches (min-P). One question that arises is how well these discovered loci replicate in independent data. Here we perform 10 times cross validation within 35,644 individuals from UK Biobank for imaging measures of cortical area, thickness and sulcal depth (>1,000 dimensionality for each). By deploying a replication method that aggregates discovered effects distributed across multiple phenotypes, termed PolyVertex Score (PVS), we demonstrate a higher replication yield and comparable replication rate of discovered loci for MOSTest (# replicated loci: 348-845, replication rate: 94-95%) in independent data when compared with the established min-P approach (# replicated loci: 31-68, replication rate: 65-80%). An out-of-sample replication of discovered loci was conducted with a sample of 8,336 individuals from the Adolescent Brain Cognitive Development ® (ABCD) study, who are on average 50 years younger than UK Biobank individuals. We observe a higher replication yield and comparable replication rate of MOSTest compared to min-P. This finding underscores the importance of using well-powered multivariate techniques for both discovery and replication of high dimensional phenotypes in Genome-Wide Association studies.

Abstract Unveiling the details of white matter (WM) maturation throughout ageing is a fundamental question for understanding the ageing brain. In an extensive comparison of brain age predictions and age- associations of WM features from different diffusion approaches, we analysed UK Biobank diffusion Magnetic Resonance Imaging (dMRI) data across midlife and older age ( N = 35,749, 44.6 to 82.8 years of age). Conventional and advanced dMRI approaches were consistent in predicting brain age. WM-age associations indicate a steady microstructure degeneration with increasing age from midlife to older ages. Brain age was estimated best when combining diffusion approaches, showing different aspects of WM contributing to brain age. Fornix was found as the central region for brain age predictions across diffusion approaches in complement to forceps minor as another important region. These regions exhibited a general pattern of positive associations with age for intra axonal water fractions, axial, radial diffusivities and negative relationships with age for mean diffusivities, fractional anisotropy, kurtosis. We encourage the application of multiple dMRI approaches for detailed insights into WM, and the further investigation of fornix and forceps as potential biomarkers of brain age and ageing.

A bstract It is increasingly recognized that multiple psychiatric conditions are underpinned by shared neural pathways, affecting similar brain systems. Here, we assessed i) shared dimensions of alterations in cortical morphology across six major psychiatric conditions (autism spectrum disorder, attention deficit/hyperactivity disorder, major depression, obsessive-compulsive disorder, bipolar disorder, schizophrenia) and ii) carried out a multiscale neural contextualization, by cross-referencing shared anomalies against cortical myeloarchitecture and cytoarchitecture, as well as connectome and neurotransmitter organization. Pooling disease-related effects on MRI-based cortical thickness measures across six ENIGMA working groups, including a total of 28,546 participants (12,876 patients and 15,670 controls), we computed a shared disease dimension on cortical morphology using principal component analysis that described a sensory-fugal pattern with paralimbic regions showing the most consistent abnormalities across conditions. The shared disease dimension was closely related to cortical gradients of microstructure and intrinsic connectivity, as well as neurotransmitter systems, specifically serotonin and dopamine. Our findings embed the shared effects of major psychiatric conditions on brain structure in multiple scales of brain organization and may provide novel insights into neural mechanisms into transdiagnostic vulnerability.

Abstract Personality and cognition are heritable mental traits, and their genetic determinants may be distributed across interconnected brain functions. However, previous studies have employed univariate approaches which reduce complex traits to summary measures. We applied the “pleiotropy-informed” multivariate omnibus statistical test (MOSTest) to genome-wide association studies (GWAS) of 35 item and task-level measures of neuroticism and cognition from the UK Biobank (n=336,993). We identified 431 significant genetic loci and found evidence of abundant pleiotropy across personality and cognitive domains. Functional characterisation implicated genes with significant tissue-specific expression in all tested brain tissues and enriched in brain-specific gene-sets. We conditioned independent GWAS of the Big 5 personality traits and cognition on our multivariate findings, which boosted genetic discovery in other personality traits and improved polygenic prediction. These findings advance our understanding of the polygenic architecture of complex mental traits, indicating a prominence of pleiotropic genetic effects across higher-order domains of mental function. Graphical abstract