Common risk factors for psychiatric and other brain disorders are likely to converge on biological pathways influencing the development and maintenance of brain structure and function across life. Using structural MRI data from 45,615 individuals aged 3-96 years, we demonstrate distinct patterns of apparent brain aging in several brain disorders and reveal genetic pleiotropy between apparent brain aging in healthy individuals and common brain disorders.

In neurodegeneration research, normalization of regional volumes by intracranial volume (ICV) is important to estimate the extent of disease-driven atrophy. There is little agreement as to whether raw volumes, volume-to-ICV fractions or regional volumes from which the ICV factor has been regressed out should be used for volumetric brain imaging studies. Using multiple regional cortical and subcortical volumetric measures generated by Freesurfer (51 in total), the main aim of this study was to elucidate the implications of these adjustment approaches. Magnetic resonance imaging (MRI) data were analyzed from two large cohorts, the population-based PIVUS cohort (N = 406, all subjects age 75) and the Alzheimer disease Neuroimaging Initiative (ADNI) cohort (N = 724). Further, we studied whether the chosen ICV normalization approach influenced the relationship between hippocampus and cognition in the three diagnostic groups of the ADNI cohort (Alzheimer's disease, mild cognitive impairment, and healthy individuals). The ability of raw vs. adjusted hippocampal volumes to predict diagnostic status was also assessed. In both cohorts raw volumes correlate positively with ICV, but do not scale directly proportionally with it. The correlation direction is reversed for all volume-to-ICV fractions, except the lateral and third ventricles. Most gray matter fractions are larger in females, while lateral ventricle fractions are greater in males. Residual correction effectively eliminated the correlation between the regional volumes and ICV and removed gender differences. The association between hippocampal volumes and cognition was not altered by ICV normalization. Comparing prediction of diagnostic status using the different approaches, small but significant differences were found. The choice of normalization approach should be carefully considered when designing a volumetric brain imaging study.

Context

 Blood-based analytes may be indicators of pathological processes in Alzheimer disease (AD). 

Objective

 To identify plasma proteins associated with AD pathology using a combined proteomic and neuroimaging approach. 

Design

 Discovery-phase proteomics to identify plasma proteins associated with correlates of AD pathology. Confirmation and validation using immunodetection in a replication set and an animal model. 

Setting

 A multicenter European study (AddNeuroMed) and the Baltimore Longitudinal Study of Aging. 

Participants

 Patients with AD, subjects with mild cognitive impairment, and healthy controls with standardized clinical assessments and structural neuroimaging. 

Main Outcome Measures

 Association of plasma proteins with brain atrophy, disease severity, and rate of clinical progression. Extension studies in humans and transgenic mice tested the association between plasma proteins and brain amyloid. 

Results

 Clusterin/apolipoprotein J was associated with atrophy of the entorhinal cortex, baseline disease severity, and rapid clinical progression in AD. Increased plasma concentration of clusterin was predictive of greater fibrillar amyloid-β burden in the medial temporal lobe. Subjects with AD had increased clusterin messenger RNA in blood, but there was no effect of single-nucleotide polymorphisms in the gene encoding clusterin with gene or protein expression.APP/PS1transgenic mice showed increased plasma clusterin, age-dependent increase in brain clusterin, as well as amyloid and clusterin colocalization in plaques. 

Conclusions

 These results demonstrate an important role of clusterin in the pathogenesis of AD and suggest that alterations in amyloid chaperone proteins may be a biologically relevant peripheral signature of AD.

To compare the diagnostic accuracy of CSF biomarkers and amyloid PET for diagnosing early-stage Alzheimer disease (AD).From the prospective, longitudinal BioFINDER study, we included 122 healthy elderly and 34 patients with mild cognitive impairment who developed AD dementia within 3 years (MCI-AD). β-Amyloid (Aβ) deposition in 9 brain regions was examined with [18F]-flutemetamol PET. CSF was analyzed with INNOTEST and EUROIMMUN ELISAs. The results were replicated in 146 controls and 64 patients with MCI-AD from the Alzheimer's Disease Neuroimaging Initiative study.The best CSF measures for identifying MCI-AD were Aβ42/total tau (t-tau) and Aβ42/hyperphosphorylated tau (p-tau) (area under the curve [AUC] 0.93-0.94). The best PET measures performed similarly (AUC 0.92-0.93; anterior cingulate, posterior cingulate/precuneus, and global neocortical uptake). CSF Aβ42/t-tau and Aβ42/p-tau performed better than CSF Aβ42 and Aβ42/40 (AUC difference 0.03-0.12, p<0.05). Using nonoptimized cutoffs, CSF Aβ42/t-tau had the highest accuracy of all CSF/PET biomarkers (sensitivity 97%, specificity 83%). The combination of CSF and PET was not better than using either biomarker separately.Amyloid PET and CSF biomarkers can identify early AD with high accuracy. There were no differences between the best CSF and PET measures and no improvement when combining them. Regional PET measures were not better than assessing the global Aβ deposition. The results were replicated in an independent cohort using another CSF assay and PET tracer. The choice between CSF and amyloid PET biomarkers for identifying early AD can be based on availability, costs, and doctor/patient preferences since both have equally high diagnostic accuracy.This study provides Class III evidence that amyloid PET and CSF biomarkers identify early-stage AD equally accurately.

Computer-aided diagnosis of Alzheimer's disease (AD) is a rapidly developing field of neuroimaging with strong potential to be used in practice. In this context, assessment of models' robustness to noise and imaging protocol differences together with post-processing and tuning strategies are key tasks to be addressed in order to move towards successful clinical applications. In this study, we investigated the efficacy of Random Forest classifiers trained using different structural MRI measures, with and without neuroanatomical constraints in the detection and prediction of AD in terms of accuracy and between-cohort robustness. From The ADNI database, 185 AD, and 225 healthy controls (HC) were randomly split into training and testing datasets. 165 subjects with mild cognitive impairment (MCI) were distributed according to the month of conversion to dementia (4-year follow-up). Structural 1.5-T MRI-scans were processed using Freesurfer segmentation and cortical reconstruction. Using the resulting output, AD/HC classifiers were trained. Training included model tuning and performance assessment using out-of-bag estimation. Subsequently the classifiers were validated on the AD/HC test set and for the ability to predict MCI-to-AD conversion. Models' between-cohort robustness was additionally assessed using the AddNeuroMed dataset acquired with harmonized clinical and imaging protocols. In the ADNI set, the best AD/HC sensitivity/specificity (88.6%/92.0% - test set) was achieved by combining cortical thickness and volumetric measures. The Random Forest model resulted in significantly higher accuracy compared to the reference classifier (linear Support Vector Machine). The models trained using parcelled and high-dimensional (HD) input demonstrated equivalent performance, but the former was more effective in terms of computation/memory and time costs. The sensitivity/specificity for detecting MCI-to-AD conversion (but not AD/HC classification performance) was further improved from 79.5%/75%-83.3%/81.3% by a combination of morphometric measurements with ApoE-genotype and demographics (age, sex, education). When applied to the independent AddNeuroMed cohort, the best ADNI models produced equivalent performance without substantial accuracy drop, suggesting good robustness sufficient for future clinical implementation.

Abstract Introduction This study investigated the diagnostic and disease‐monitoring potential of plasma biomarkers in mild cognitive impairment (MCI) and Alzheimer's disease (AD) dementia and cognitively unimpaired (CU) individuals. Methods Plasma was analyzed using Simoa assays from 99 CU, 107 MCI, and 103 AD dementia participants. Results Phosphorylated‐tau181 (P‐tau181), neurofilament light, amyloid‐β (Aβ42/40), Total‐tau and Glial fibrillary acidic protein were altered in AD dementia but P‐tau181 significantly outperformed all biomarkers in differentiating AD dementia from CU (area under the curve [AUC] = 0.91). P‐tau181 was increased in MCI converters compared to non‐converters. Higher P‐tau181 was associated with steeper cognitive decline and gray matter loss in temporal regions. Longitudinal change of P‐tau181 was strongly associated with gray matter loss in the full sample and with Aβ measures in CU individuals. Discussion P‐tau181 detected AD at MCI and dementia stages and was strongly associated with cognitive decline and gray matter loss. These findings highlight the potential value of plasma P‐tau181 as a non‐invasive and cost‐effective diagnostic and prognostic biomarker in AD.

The brain is a large-scale complex network whose workings rely on the interaction between its various regions. In the past few years, the organization of the human brain network has been studied extensively using concepts from graph theory, where the brain is represented as a set of nodes connected by edges. This representation of the brain as a connectome can be used to assess important measures that reflect its topological architecture. We have developed a freeware MatLab-based software (BRAPH–BRain Analysis using graPH theory) for connectivity analysis of brain networks derived from structural magnetic resonance imaging (MRI), functional MRI (fMRI), positron emission tomography (PET) and electroencephalogram (EEG) data. BRAPH allows building connectivity matrices, calculating global and local network measures, performing non-parametric permutations for group comparisons, assessing the modules in the network, and comparing the results to random networks. By contrast to other toolboxes, it allows performing longitudinal comparisons of the same patients across different points in time. Furthermore, even though a user-friendly interface is provided, the architecture of the program is modular (object-oriented) so that it can be easily expanded and customized. To demonstrate the abilities of BRAPH, we performed structural and functional graph theory analyses in two separate studies. In the first study, using MRI data, we assessed the differences in global and nodal network topology in healthy controls, patients with amnestic mild cognitive impairment, and patients with Alzheimer's disease. In the second study, using resting-state fMRI data, we compared healthy controls and Parkinson's patients with mild cognitive impairment.

Abstract Blood proteins and their complexes have become the focus of a great deal of interest in the context of their potential as biomarkers of Alzheimer's disease (AD). We used a SOMAscan assay for quantifying 1001 proteins in blood samples from 331 AD, 211 controls, and 149 mild cognitive impaired (MCI) subjects. The strongest associations of protein levels with AD outcomes were prostate‐specific antigen complexed to α1‐antichymotrypsin (AD diagnosis), pancreatic prohormone (AD diagnosis, left entorhinal cortex atrophy, and left hippocampus atrophy), clusterin (rate of cognitive decline), and fetuin B (left entorhinal atrophy). Multivariate analysis found that a subset of 13 proteins predicted AD with an accuracy of area under the curve of 0.70. Our replication of previous findings provides further evidence that levels of these proteins in plasma are truly associated with AD. The newly identified proteins could be potential biomarkers and are worthy of further investigation.

Abstract Background The study aimed to validate previously discovered plasma biomarkers associated with AD, using a design based on imaging measures as surrogate for disease severity and assess their prognostic value in predicting conversion to dementia. Methods Three multicenter cohorts of cognitively healthy elderly, mild cognitive impairment (MCI), and AD participants with standardized clinical assessments and structural neuroimaging measures were used. Twenty‐six candidate proteins were quantified in 1148 subjects using multiplex (xMAP) assays. Results Sixteen proteins correlated with disease severity and cognitive decline. Strongest associations were in the MCI group with a panel of 10 proteins predicting progression to AD (accuracy 87%, sensitivity 85%, and specificity 88%). Conclusions We have identified 10 plasma proteins strongly associated with disease severity and disease progression. Such markers may be useful for patient selection for clinical trials and assessment of patients with predisease subjective memory complaints.