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.

Subcortical brain structures are integral to motion, consciousness, emotions and learning. We identified common genetic variation related to the volumes of the nucleus accumbens, amygdala, brainstem, caudate nucleus, globus pallidus, putamen and thalamus, using genome-wide association analyses in almost 40,000 individuals from CHARGE, ENIGMA and UK Biobank. We show that variability in subcortical volumes is heritable, and identify 48 significantly associated loci (40 novel at the time of analysis). Annotation of these loci by utilizing gene expression, methylation and neuropathological data identified 199 genes putatively implicated in neurodevelopment, synaptic signaling, axonal transport, apoptosis, inflammation/infection and susceptibility to neurological disorders. This set of genes is significantly enriched for Drosophila orthologs associated with neurodevelopmental phenotypes, suggesting evolutionarily conserved mechanisms. Our findings uncover novel biology and potential drug targets underlying brain development and disease. Genome-wide analysis identifies variants associated with the volume of seven different subcortical brain regions defined by magnetic resonance imaging. Implicated genes are involved in neurodevelopmental and synaptic signaling pathways.

Abstract Results of neuroimaging datasets aggregated from multiple sites may be biased by site- specific profiles in participants’ demographic and clinical characteristics, as well as MRI acquisition protocols and scanning platforms. We compared the impact of four different harmonization methods on results obtained from analyses of cortical thickness data: (1) linear mixed-effects model (LME) that models site-specific random intercepts (LME INT ), (2) LME that models both site-specific random intercepts and age-related random slopes (LME INT+SLP ), (3) ComBat, and (4) ComBat with a generalized additive model (ComBat-GAM). Our test case for comparing harmonization methods was cortical thickness data aggregated from 29 sites, which included 1,343 cases with posttraumatic stress disorder (PTSD) (6.2-81.8 years old) and 2,067 trauma-exposed controls without PTSD (6.3-85.2 years old). We found that, compared to the other data harmonization methods, data processed with ComBat-GAM were more sensitive to the detection of significant case-control differences in regional cortical thickness ( X 2 (3) = 34.339, p < 0.001), and case-control differences in age-related cortical thinning ( X 2 (3) = 15.128, p = 0.002). Specifically, ComBat-GAM led to larger effect size estimates of cortical thickness reductions (corrected p-values < 0.001 ), smaller age-appropriate declines (corrected p-values < 0.001 ), and lower female to male contrast (corrected p-values < 0.001 ) in cases compared to controls relative to other harmonization methods. Harmonization with ComBat-GAM also led to greater estimates of age-related declines in cortical thickness (corrected p-values < 0.001 ) in both cases and controls compared to other harmonization methods. Our results support the use of ComBat-GAM for harmonizing cortical thickness data aggregated from multiple sites and scanners to minimize confounds and increase statistical power.

ABSTRACT Background Several studies have evaluated whether depressed persons have older appearing brains than their nondepressed peers. However, the estimated neuroimaging-derived “brain age gap” has varied from study to study, likely driven by differences in training and testing sample (size), age range, and used modality/features. To validate our previously developed ENIGMA brain age model and the identified brain age gap, we aim to replicate the presence and effect size estimate previously found in the largest study in depression to date (N=2,126 controls & N=2,675 cases; +1.08 years [SE 0.22], Cohen’s d=0.14, 95% CI: 0.08-0.20), in independent cohorts that were not part of the original study. Methods A previously trained brain age model ( www.photon-ai.com/enigma_brainage ) based on 77 FreeSurfer brain regions of interest was used to obtain unbiased brain age predictions in 751 controls and 766 persons with depression (18-75 years) from 13 new cohorts collected from 20 different scanners. Results Our ENIGMA MDD brain age model generalized reasonably well to controls from the new cohorts (predicted age vs. age: r = 0.73, R 2 =0.47, MAE=7.50 years), although the performance varied from cohort to cohort. In these new cohorts, on average, depressed persons showed a significantly higher brain age gap of +1 year (SE 0.35) (Cohen’s d□=□□.15, 95% CI: 0.05–0.25) compared with controls, highly similar to our previous finding. Conclusions This study further validates our previously developed ENIGMA brain age algorithm. Importantly, we replicated the brain age gap in depression with a comparable effect size. Thus, two large-scale independent mega-analyses across in total 32 cohorts and >3,400 patients and >2,800 controls worldwide show reliable but subtle effects of brain aging in adult depression.

Abstract Introduction Cortical thickness (CT) and surface area (SA) are established biomarkers of brain pathology in posttraumatic stress disorder (PTSD). Structural covariance networks (SCN) constructed from CT and SA may represent developmental associations, or unique interactions between brain regions, possibly influenced by a common causal antecedent. The ENIGMA-PGC PTSD Working Group aggregated PTSD and control subjects’ data from 29 cohorts in five countries (n=3439). Methods Using Destrieux Atlas, we built SCNs and compared centrality measures between PTSD subjects and controls. Centrality is a graph theory measure derived using SCN. Results Notable nodes with higher CT-based centrality in PTSD compared to controls were left fusiform gyrus, left superior temporal gyrus, and right inferior temporal gyrus. We found sex-based centrality differences in bilateral frontal lobe regions, left anterior cingulate, left superior occipital cortex and right ventromedial prefrontal cortex (vmPFC). Comorbid PTSD and MDD showed higher CT-based centrality in the right anterior cingulate gyrus, right parahippocampal gyrus and lower SA-based centrality in left insular gyrus. Conclusion Unlike previous studies with smaller sample sizes (≤318), our study found differences in centrality measures using a sample size of 3439 subjects. This is the first cross-sectional study to examine SCN interactions with age, sex, and comorbid MDD. Although limited to group level inferences, centrality measures offer insights into a node’s relationship to the entire functional connectome unlike approaches like seed-based connectivity or independent component analysis. Nodes having higher centrality have greater structural or functional connections, lending them invaluable for translational treatments like neuromodulation.

Subcortical brain structures are integral to motion, consciousness, emotions, and learning. We identified common genetic variation related to the volumes of nucleus accumbens, amygdala, brainstem, caudate nucleus, globus pallidus, putamen, and thalamus, using genome-wide association analyses in over 40,000 individuals from CHARGE, ENIGMA and the UK-Biobank. We show that variability in subcortical volumes is heritable, and identify 25 significantly associated loci (20 novel). Annotation of these loci utilizing gene expression, methylation, and neuropathological data identified 62 candidate genes implicated in neurodevelopment, synaptic signaling, axonal transport, apoptosis, and susceptibility to neurological disorders. This set of genes is significantly enriched for Drosophila orthologs associated with neurodevelopmental phenotypes, suggesting evolutionarily conserved mechanisms. Our findings uncover novel biology and potential drug targets underlying brain development and disease.

Abstract Social anxiety disorder (SAD) has been associated with alterations in amygdala and hippocampal volume but there is mixed evidence for the direction of volumetric alterations. Additionally, little is known about the involvement of the distinct subfields in the pathophysiology of SAD. Volumetric data from a large multi-centre sample of 107 adult individuals with SAD and 140 healthy controls (HCs) was segmented using FreeSurfer to produce 9 amygdala and 12 hippocampal subfield volumes. Volumes were compared between groups using linear mixed-effects models adjusted for age, age-squared, sex, site and whole amygdala and hippocampal volumes. Subgroup analyses examined subfield volumes in relation to comorbid anxiety disorder, and comorbid major depressive disorder (MDD), psychotropic medication status, and symptom severity. In the full sample, SAD was associated with smaller amygdala volumes in the basal ( d=- 0.32, p FDR =0.022), accessory basal ( d=- 0.42, p FDR =0.005) and corticoamygdaloid transition area ( d=- 0.37, p FDR =0.014), and larger hippocampal volume in the CA3 ( d= 0.34, p FDR =0.024), CA4 ( d= 0.44, p FDR =0.007), dentate gyrus ( d= 0.35, p FDR =0.022) and molecular layer ( d= 0.28, p FDR = 0.033), compared to HCs. SAD without comorbid anxiety, in addition, demonstrated smaller lateral amygdala ( d=- 0.30, p FDR =0.037) and hippocampal amygdala transition area ( d=- 0.33, p FDR =0.027) relative to HCs. In SAD without comorbid MDD, only the smaller accessory basal amygdala remained significant ( d=- 0.41, p FDR =0.017). No association was found between subfield volume and medication status or symptom severity. In conclusion, we observed distinct patterns of volumetric differences across specific amygdala and hippocampal subfields, regions that are associated with sensory information processing, threat evaluation and fear generalization. These findings suggest a possible disruption in information flow between the amygdala and hippocampal formation for fear processing in SAD.

A growing number of studies have examined alterations in white matter organization in people with posttraumatic stress disorder (PTSD) using diffusion MRI (dMRI), but the results have been mixed, which may be partially due to relatively small sample sizes among studies. Altered structural connectivity may be both a neurobiological vulnerability for, and a result of, PTSD. In an effort to find reliable effects, we present a multi-cohort analysis of dMRI metrics across 3,049 individuals from 28 cohorts currently participating in the PGC-ENIGMA PTSD working group (a joint partnership between the Psychiatric Genomics Consortium and the Enhancing NeuroImaging Genetics through Meta-Analysis consortium). Comparing regional white matter metrics across the full brain in 1,446 individuals with PTSD and 1,603 controls (2152 males/897 females) between ages 18-83, 92% of whom were trauma-exposed, we report associations between PTSD and disrupted white matter organization measured by lower fractional anisotropy (FA) in the tapetum region of the corpus callosum (Cohens d=-0.12, p=0.0021). The tapetum connects the left and right hippocampus, structures for which structure and function have been consistently implicated in PTSD. Results remained significant/similar after accounting for the effects of multiple potentially confounding variables: childhood trauma exposure, comorbid depression, history of traumatic brain injury, current alcohol abuse or dependence, and current use of psychotropic medications. Our results show that PTSD may be associated with alterations in the broader hippocampal network.

PTSD and depression commonly co-occur and have been associated with smaller hippocampal volumes compared to healthy and trauma-exposed controls. However, the hippocampus is heterogeneous, with subregions that may be uniquely affected in individuals with PTSD and depression. We used random effects regressions and a harmonized neuroimaging protocol based on FreeSurfer (v6.0) to identify sub-structural hippocampal markers of current PTSD (C-PTSD), depression, and the interaction of these conditions across 31 cohorts worldwide (N=3,115; Mage=38.9, SD=13.9 years). Secondary analyses tested these associations by sex and after modeling the simultaneous effects of remitted PTSD, childhood trauma, mild traumatic brain injury, and alcohol use disorder on hippocampal subfields. A significant negative main effect of depression (n=800, vs. no depression, n=1456) was observed in the hippocampal tail (beta=-0.13) and CA1 (beta=-0.09) after adjusting for covariates and multiple testing (FDR-adjusted p-values (q)=0.028). A main effect of C-PTSD (n=1042, vs. control, n=1359) was not significant, but an interaction between C-PTSD and depression was significant in the CA1 (beta=-0.24, q=0.044). Pairwise comparisons revealed significantly smaller CA1 volumes in individuals with C-PTSD+Depression than controls (beta=-0.12, q=0.012), C-PTSD-only (beta=-0.17, q=0.001), and Depression-only (beta=-0.18, q=0.023). Follow-up analyses revealed sex effects in the hippocampal tail of depressed females, and an interaction effect of C-PTSD and depression in the fimbria of males. Collectively our results suggest that depression is a stronger predictor of hippocampal volumetry than PTSD, particularly in the CA1, and provide compelling evidence of distinct and more pronounced hippocampal phenotypes in comorbid PTSD and depression compared to either condition alone.

Abstract Background Current clinical assessments of Posttraumatic stress disorder (PTSD) rely solely on subjective symptoms and experiences reported by the patient, rather than objective biomarkers of the illness. Recent advances in data-driven computational approaches have been helpful in devising tools to objectively diagnose psychiatric disorders. Here we aimed to classify individuals with PTSD versus controls using heterogeneous brain datasets from the ENIGMA-PGC PTSD Working group. Methods We analyzed brain MRI data from 3,527 structural-MRI; 2,502 resting state-fMRI; and 1,953 diffusion-MRI. First, we identified the brain features that best distinguish individuals with PTSD from controls (TEHC and HC) using traditional machine learning methods. Second, we assessed the utility of the denoising variational autoencoder (DVAE) and evaluated its classification performance. Third, we assessed the generalizability and reproducibility of both models using leave-one-site-out cross-validation procedure for each modality. Results We found lower performance in classifying PTSD vs. controls with data from over 20 sites (60% test AUC for s-MRI, 59% for rs-fMRI and 56% for d-MRI), as compared to other studies run on single-site data. The performance increased when classifying PTSD from HC without trauma history across all three modalities (75% AUC). The classification performance remained intact when applying the DVAE framework, which reduced the number of features. Finally, we found that the DVAE framework achieved better generalization to unseen datasets compared with the traditional machine learning frameworks, albeit performance was slightly above chance. Conclusion Our findings highlight the promise offered by machine learning methods for the diagnosis of patients with PTSD. The utility of brain biomarkers across three MRI modalities and the contribution of DVAE models for improving generalizability offers new insights into neural mechanisms involved in PTSD. Significance ⍰ Classifying PTSD from trauma-unexposed healthy controls (HC) using three imaging modalities performed well (∼75% AUC), but performance suffered markedly when classifying PTSD from trauma-exposed healthy controls (TEHC) using three imaging modalities (∼60% AUC). ⍰ Using deep learning for feature reduction (denoising variational auto-encoder; DVAE) dramatically reduced the number of features with no concomitant performance degradation. ⍰ Utilizing denoising variational autoencoder (DVAE) models improves generalizability across heterogeneous multi-site data compared with the traditional machine learning frameworks