Biomarkers have transformed modern medicine but remain largely elusive in psychiatry, partly because there is a weak correspondence between diagnostic labels and their neurobiological substrates. Like other neuropsychiatric disorders, depression is not a unitary disease, but rather a heterogeneous syndrome that encompasses varied, co-occurring symptoms and divergent responses to treatment. By using functional magnetic resonance imaging (fMRI) in a large multisite sample (n = 1,188), we show here that patients with depression can be subdivided into four neurophysiological subtypes ('biotypes') defined by distinct patterns of dysfunctional connectivity in limbic and frontostriatal networks. Clustering patients on this basis enabled the development of diagnostic classifiers (biomarkers) with high (82-93%) sensitivity and specificity for depression subtypes in multisite validation (n = 711) and out-of-sample replication (n = 477) data sets. These biotypes cannot be differentiated solely on the basis of clinical features, but they are associated with differing clinical-symptom profiles. They also predict responsiveness to transcranial magnetic stimulation therapy (n = 154). Our results define novel subtypes of depression that transcend current diagnostic boundaries and may be useful for identifying the individuals who are most likely to benefit from targeted neurostimulation therapies.

Abstract Over the past few decades, neuroimaging has become a ubiquitous tool in basic research and clinical studies of the human brain. However, no reference standards currently exist to quantify individual differences in neuroimaging metrics over time, in contrast to growth charts for anthropometric traits such as height and weight 1 . Here we assemble an interactive open resource to benchmark brain morphology derived from any current or future sample of MRI data ( http://www.brainchart.io/ ). With the goal of basing these reference charts on the largest and most inclusive dataset available, acknowledging limitations due to known biases of MRI studies relative to the diversity of the global population, we aggregated 123,984 MRI scans, across more than 100 primary studies, from 101,457 human participants between 115 days post-conception to 100 years of age. MRI metrics were quantified by centile scores, relative to non-linear trajectories 2 of brain structural changes, and rates of change, over the lifespan. Brain charts identified previously unreported neurodevelopmental milestones 3 , showed high stability of individuals across longitudinal assessments, and demonstrated robustness to technical and methodological differences between primary studies. Centile scores showed increased heritability compared with non-centiled MRI phenotypes, and provided a standardized measure of atypical brain structure that revealed patterns of neuroanatomical variation across neurological and psychiatric disorders. In summary, brain charts are an essential step towards robust quantification of individual variation benchmarked to normative trajectories in multiple, commonly used neuroimaging phenotypes.

Abstract Background Recent studies have reported significant advances in modeling the biological basis of heterogeneity in major depressive disorder (MDD), but investigators have also identified important technical challenges, including scanner-related artifacts, a propensity for multivariate models to overfit, and a need for larger samples with deeper clinical phenotyping. The goals of this work were to develop and evaluate dimensional and categorical solutions to parsing heterogeneity in depression that are stable and generalizable in a large, deeply phenotyped, single-site sample. Methods We used regularized canonical correlation analysis (RCCA) to identify data-driven brain-behavior dimensions explaining individual differences in depression symptom domains in a large, single-site dataset comprising clinical assessments and resting state fMRI data for N=328 patients with MDD and N=461 healthy controls. We examined the stability of clinical loadings and model performance in held-out data. Finally, hierarchical clustering on these dimensions was used to identify categorical depression subtypes Results The optimal RCCA model yielded three robust and generalizable brain-behavior dimensions explaining individual differences in depressed mood and anxiety, anhedonia, and insomnia. Hierarchical clustering identified four depression subtypes, each with distinct clinical symptom profiles, abnormal RSFC patterns, and antidepressant responsiveness to repetitive transcranial magnetic stimulation. Conclusions Our results define dimensional and categorical solutions to parsing neurobiological heterogeneity in MDD that are stable, generalizable, and capable of predicting treatment outcomes, each with distinct advantages in different contexts. They also provide additional evidence that RCCA and hierarchical clustering are effective tools for investigating associations between functional connectivity and clinical symptoms.

White matter hyperintensities (WMH) are linked to cognitive control; however, the structural and functional mechanisms are largely unknown. We investigated the relationship between WMH-associated disruptions of structural connectivity, resting state functional connectivity (RSFC), and cognitive control in older adults. Fifty-eight cognitively-healthy older adults completed cognitive control tasks, structural MRI, and resting state fMRI scans. We estimated inferred, WMH-related disruptions in structural connectivity between pairs of subcortical and cortical regions by overlaying each participant's WMH mask on a normative tractogram dataset. For region-pairs in which structural disconnection was associated with cognitive control, we calculated RSFC between nodes in those same regions. WMH-related structural disconnection and RSFC in the cognitive control network and default mode network were both associated with poorer cognitive inhibition. These regionally-specific, WMH-related structural and functional changes were more strongly associated with cognitive inhibition compared to standard rating of WMH burden. Our findings highlight the role of circuit-level disruptions to the cognitive control network and default mode network that are related to WMH and impact cognitive control in aging.### Competing Interest StatementG.S. Alexopoulos has served on the speakers’ bureaus of Allergan, Otsuka, and Takeda-Lundbeck and on advisory groups for Janssen and Eisai. Drs. Jaywant, Dunlop, Victoria, Oberlin, Lynch, Kuceyeski, Respino, Hoptman, Scult, Liston, O’Dell, and Gunning report no financial disclosures.

Over the past 25 years, neuroimaging has become a ubiquitous tool in basic research and clinical studies of the human brain. However, there are no reference standards against which to anchor measures of individual differences in brain morphology, in contrast to growth charts for traits such as height and weight. Here, we built an interactive online resource (www.brainchart.io) to quantify individual differences in brain structure from any current or future magnetic resonance imaging (MRI) study, against models of expected age-related trends. With the goal of basing these on the largest and most inclusive dataset, we aggregated MRI data spanning 115 days post-conception through 100 postnatal years, totaling 122,123 scans from 100,071 individuals in over 100 studies across 6 continents. When quantified as centile scores relative to the reference models, individual differences show high validity with non-MRI brain growth estimates and high stability across longitudinal assessment. Centile scores helped identify previously unreported brain developmental milestones and demonstrated increased genetic heritability compared to non-centiled MRI phenotypes. Crucially for the study of brain disorders, centile scores provide a standardised and interpretable measure of deviation that reveals new patterns of neuroanatomical differences across neurological and psychiatric disorders emerging during development and ageing. In sum, brain charts for the human lifespan are an essential first step towards robust, standardised quantification of individual variation and for characterizing deviation from age-related trends. Our global collaborative study provides such an anchorpoint for basic neuroimaging research and will facilitate implementation of research-based standards in clinical studies.