Background Alzheimer's disease is a common debilitating dementia with known heritability, for which 20 late onset susceptibility loci have been identified, but more remain to be discovered. This study sought to identify new susceptibility genes, using an alternative gene-wide analytical approach which tests for patterns of association within genes, in the powerful genome-wide association dataset of the International Genomics of Alzheimer's Project Consortium, comprising over 7 m genotypes from 25,580 Alzheimer's cases and 48,466 controls. Principal Findings In addition to earlier reported genes, we detected genome-wide significant loci on chromosomes 8 (TP53INP1, p = 1.4×10−6) and 14 (IGHV1-67 p = 7.9×10−8) which indexed novel susceptibility loci. Significance The additional genes identified in this study, have an array of functions previously implicated in Alzheimer's disease, including aspects of energy metabolism, protein degradation and the immune system and add further weight to these pathways as potential therapeutic targets in Alzheimer's disease.

Apolipoprotein E (APOE) dependent lifetime risks (LTRs) for Alzheimer Disease (AD) are currently not accurately known and odds ratios alone are insufficient to assess these risks. We calculated AD LTR in 7351 cases and 10 132 controls from Caucasian ancestry using Rochester (USA) incidence data. At the age of 85 the LTR of AD without reference to APOE genotype was 11% in males and 14% in females. At the same age, this risk ranged from 51% for APOE44 male carriers to 60% for APOE44 female carriers, and from 23% for APOE34 male carriers to 30% for APOE34 female carriers, consistent with semi-dominant inheritance of a moderately penetrant gene. Using PAQUID (France) incidence data, estimates were globally similar except that at age 85 the LTRs reached 68 and 35% for APOE 44 and APOE 34 female carriers, respectively. These risks are more similar to those of major genes in Mendelian diseases, such as BRCA1 in breast cancer, than those of low-risk common alleles identified by recent GWAS in complex diseases. In addition, stratification of our data by age groups clearly demonstrates that APOE4 is a risk factor not only for late-onset but for early-onset AD as well. Together, these results urge a reappraisal of the impact of APOE in Alzheimer disease.

One objective of modern neuroimaging is to identify markers that can aid in diagnosis, disease progression monitoring and long-term drug impact analysis. In this study, Parkinson-associated physiopathological modifications were characterized in six subcortical structures by simultaneously measuring quantitative magnetic resonance parameters sensitive to complementary tissue characteristics (i.e. volume atrophy, iron deposition and microstructural damage). Thirty patients with Parkinson's disease and 22 control subjects underwent 3-T magnetic resonance imaging with T₂*-weighted, whole-brain T₁-weighted and diffusion tensor imaging scans. The mean R₂* value, mean diffusivity and fractional anisotropy in the pallidum, putamen, caudate nucleus, thalamus, substantia nigra and red nucleus were compared between patients with Parkinson's disease and control subjects. Comparisons were also performed using voxel-based analysis of R₂*, mean diffusivity and fractional anisotropy maps to determine which subregion of the basal ganglia showed the greater difference for each parameter. Averages of each subregion were then used in a logistic regression analysis. Compared with control subjects, patients with Parkinson's disease displayed significantly higher R₂* values in the substantia nigra, lower fractional anisotropy values in the substantia nigra and thalamus, and higher mean diffusivity values in the thalamus. Voxel-based analyses confirmed these results and, in addition, showed a significant difference in the mean diffusivity in the striatum. The combination of three markers was sufficient to obtain a 95% global accuracy (area under the receiver operating characteristic curve) for discriminating patients with Parkinson's disease from controls. The markers comprising discriminating combinations were R₂* in the substantia nigra, fractional anisotropy in the substantia nigra and mean diffusivity in the putamen or caudate nucleus. Remarkably, the predictive markers involved the nigrostriatal structures that characterize Parkinson's physiopathology. Furthermore, highly discriminating combinations included markers from three different magnetic resonance parameters (R₂*, mean diffusivity and fractional anisotropy). These findings demonstrate that multimodal magnetic resonance imaging of subcortical grey matter structures is useful for the evaluation of Parkinson's disease and, possibly, of other subcortical pathologies.

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.

Abstract As very large studies of complex neuroimaging phenotypes become more common, human quality assessment of MRI-derived data remains one of the last major bottlenecks. Few attempts have so far been made to address this issue with machine learning. In this work, we optimize predictive models of quality for meshes representing deep brain structure shapes. We use standard vertex-wise and global shape features computed homologously across 19 cohorts and over 7500 human-rated subjects, training kernelized Support Vector Machine and Gradient Boosted Decision Trees classifiers to detect meshes of failing quality. Our models generalize across datasets and diseases, reducing human workload by 30-70%, or equivalently hundreds of human rater hours for datasets of comparable size, with recall rates approaching inter-rater reliability.

Investigators in neuroscience have turned to Big Data to address replication and reliability issues by increasing sample sizes, statistical power, and representativeness of data. These efforts unveil new questions about integrating data arising from distinct sources and instruments. We focus on the most frequently assessed cognitive domain - memory testing - and demonstrate a process for reliable data harmonization across three common measures. We aggregated global raw data from 53 studies totaling N = 10,505 individuals. A mega-analysis was conducted using empirical bayes harmonization to remove site effects, followed by linear models adjusting for common covariates. A continuous item response theory (IRT) model estimated each individual's latent verbal learning ability while accounting for item difficulties. Harmonization significantly reduced inter-site variance while preserving covariate effects, and our conversion tool is freely available online. This demonstrates that large-scale data sharing and harmonization initiatives can address reproducibility and integration challenges across the behavioral sciences.

The progression of Parkinson's disease (PD) is associated with microstructural alterations in neural pathways, contributing to both motor and cognitive decline. However, conflicting findings have emerged due to the use of heterogeneous methods in small studies. Here we performed a large diffusion MRI study in PD, integrating data from 17 cohorts worldwide, to identify stage-specific profiles of white matter differences. Diffusion-weighted MRI data from 1654 participants diagnosed with PD (age: 20–89 years; 33% female) and 885 controls (age: 19–84 years; 47% female) were analyzed using the ENIGMA-DTI protocol to evaluate white matter microstructure. Skeletonized maps of fractional anisotropy (FA) and mean diffusivity (MD) were compared across Hoehn and Yahr (HY) disease groups and controls to reveal the profile of white matter alterations at different stages. We found an enhanced, more widespread pattern of microstructural alterations with each stage of PD, with eventually lower FA and higher MD in almost all regions of interest: Cohen's d effect sizes reached d = −1.01 for FA differences in the fornix at PD HY Stage 4/5. The early PD signature in HY stage 1 included higher FA and lower MD across the entire white matter skeleton, in a direction opposite to that typical of other neurodegenerative diseases. FA and MD were associated with motor and non-motor clinical dysfunction. While overridden by degenerative changes in the later stages of PD, early PD is associated with paradoxically higher FA and lower MD in PD, consistent with early compensatory changes associated with the disorder.

Abstract Persistent sensorimotor impairments after stroke can negatively impact quality of life. The hippocampus is involved in sensorimotor behavior but has not been widely studied within the context of post-stroke upper limb sensorimotor impairment. The hippocampus is vulnerable to secondary degeneration after stroke, and damage to this region could further weaken sensorimotor circuits, leading to greater chronic sensorimotor impairment. The purpose of this study was to investigate the cross-sectional association between non-lesioned hippocampal volume and upper limb sensorimotor impairment in people with chronic stroke. We hypothesized that smaller ipsilesional hippocampal volumes would be associated with worse upper-limb sensorimotor impairment. Cross-sectional T1-weighted brain MRIs were pooled from 357 participants at the chronic stage after stroke (>180 days post-stroke) compiled from 18 research cohorts worldwide in the ENIGMA Stroke Recovery Working Group (age: median = 61 years, interquartile range = 18, range = 23-93; 135 women and 222 men). Sensorimotor impairment was estimated from the Fugl-Meyer Assessment of Upper Extremity scores. Robust mixed-effects linear models were used to test associations between post-stroke sensorimotor impairment and hippocampal volumes (ipsilesional and contralesional separately; Bonferroni-corrected, p - value < 0.025), controlling for age, sex, lesion volume, and lesioned hemisphere. We also performed an exploratory analysis to test whether sex differences influence the relationship between sensorimotor impairment and hippocampal volume. Upper limb sensorimotor impairment was positively associated with ipsilesional ( p = 0.005; d = 0.33) but not contralesional ( p = 0.96; d = 0.01) hippocampal volume, such that impairment was worse for participants with smaller ipsilesional hippocampal volume. This association remained significant independent of lesion volume or other covariates ( p = 0.001; d = 0.36). Evidence indicates an interaction between sensorimotor impairment and sex for both ipsilesional ( p = 0.008; d = −0.29) and contralesional ( p = 0.006; d = −0.30) hippocampal volumes, whereby women showed progressively worsening sensorimotor impairment with smaller hippocampal volumes compared to men. The present study has identified a novel association between chronic post-stroke sensorimotor impairment and ipsilesional, but not contralesional, hippocampal volume. This finding was not due to lesion size and may be stronger in women. We also provide supporting evidence that smaller hippocampal volume post-stroke is likely a consequence of ipsilesional damage, which could provide a link between vascular disease and other disorders, such as dementia.

Abstract Background Care management of Parkinson’s disease (PD) patients currently remains symptomatic, especially because diagnosis relying on the expression of the cardinal motor symptoms is made too late. Detecting PD earlier therefore represents a key step for developing therapies able to delay or slow down its progression. Methods We investigated metabolic markers in three different animal models of PD, mimicking different phases of the disease assessed by behavioral and histological evaluation, and in 2 cohorts of de novo PD patients (n = 95). Serum and brain tissue samples were analyzed by nuclear magnetic resonance spectroscopy and data submitted to advanced multivariate statistics. Results Our translational strategy reveals common metabolic dysregulations in serum of the different animal models and PD patients. Some of them were mirrored in the tissue samples, possibly reflecting pathophysiological mechanisms associated with PD development. Interestingly, some metabolic dysregulations appeared before motor symptom emergence, and could represent early biomarkers of PD. Finally, we built a composite biomarker with a combination of 6 metabolites. This biomarker discriminated animals mimicking PD from controls, even from the first, non-motor signs and very interestingly, also discriminated PD patients from healthy subjects. Conclusion From our translational study which included three animal models and two PD patient cohorts, we propose a promising composite biomarker exhibiting a high level of predictivity for PD diagnosis in its early phase, before motor symptoms appearance. Fundings ANR, DOPALCOMP, Institut National de la Santé et de la Recherche Médicale, Grenoble Alpes University.

Abstract Structural neuroimaging data have been used to compute an estimate of the biological age of the brain (brain‐age) which has been associated with other biologically and behaviorally meaningful measures of brain development and aging. The ongoing research interest in brain‐age has highlighted the need for robust and publicly available brain‐age models pre‐trained on data from large samples of healthy individuals. To address this need we have previously released a developmental brain‐age model. Here we expand this work to develop, empirically validate, and disseminate a pre‐trained brain‐age model to cover most of the human lifespan. To achieve this, we selected the best‐performing model after systematically examining the impact of seven site harmonization strategies, age range, and sample size on brain‐age prediction in a discovery sample of brain morphometric measures from 35,683 healthy individuals (age range: 5–90 years; 53.59% female). The pre‐trained models were tested for cross‐dataset generalizability in an independent sample comprising 2101 healthy individuals (age range: 8–80 years; 55.35% female) and for longitudinal consistency in a further sample comprising 377 healthy individuals (age range: 9–25 years; 49.87% female). This empirical examination yielded the following findings: (1) the accuracy of age prediction from morphometry data was higher when no site harmonization was applied; (2) dividing the discovery sample into two age‐bins (5–40 and 40–90 years) provided a better balance between model accuracy and explained age variance than other alternatives; (3) model accuracy for brain‐age prediction plateaued at a sample size exceeding 1600 participants. These findings have been incorporated into CentileBrain ( https://centilebrain.org/#/brainAGE2 ), an open‐science, web‐based platform for individualized neuroimaging metrics.