Abstract Background While functional connectivity is widely studied, there has been little work studying functional connectivity at different spatial scales. Likewise, the relationship of functional connectivity between spatial scales is unknown. Methods We proposed an independent component analysis (ICA) - based approach to capture information at multiple model orders (component numbers) and to evaluate functional network connectivity (FNC) both within and between model orders. We evaluated the approach by studying group differences in the context of a study of resting fMRI (rsfMRI) data collected from schizophrenia (SZ) individuals and healthy controls (HC). The predictive ability of FNC at multiple spatial scales was assessed using support vector machine (SVM)-based classification. Results In addition to consistent predictive patterns at both multiple-model orders and single model orders, unique predictive information was seen at multiple-model orders and in the interaction between model orders. We observed that the FNC between model order 25 and 50 maintained the highest predictive information between HC and SZ. Results highlighted the predictive ability of the somatomotor and visual domains both within and between model orders compared to other functional domains. Also, subcortical-somatomotor, temporal-somatomotor, and temporal-subcortical FNCs had relatively high weights in predicting SZ. Conclusions In sum, multi-model order ICA provides a more comprehensive way to study FNC, produces meaningful and interesting results which are applicable to future studies. We shared the spatial templates from this work at different model orders to provide a reference for the community, which can be leveraged in regression-based or fully automated (spatially constrained) ICA approaches. Impact Statement Multi-model order ICA provides a comprehensive way to study brain functional network connectivity within and between multiple spatial scales, highlighting findings that would have been ignored in single model order analysis. This work expands upon and adds to the relatively new literature on resting fMRI-based classification and prediction. Results highlighted the differentiating power of specific intrinsic connectivity networks on classifying brain disorders of schizophrenia patients and healthy participants, at different spatial scales. The spatial templates from this work provide a reference for the community, which can be leveraged in regression-based or fully automated ICA approaches.

Abstract The size of the human head is determined by growth in the first years of life, while the rest of the body typically grows until early adulthood 1 . Such complex developmental processes are regulated by various genes and growth pathways 2 . Rare genetic syndromes have revealed genes that affect head size 3 , but the genetic drivers of variation in head size within the general population remain largely unknown. To elucidate biological pathways underlying the growth of the human head, we performed the largest genome-wide association study on human head size to date (N = 79,107). We identified 67 genetic loci, 50 of which are novel, and found that these loci are preferentially associated with head size and mostly independent from height. In subsequent neuroimaging analyses, the majority of genetic variants demonstrated widespread effects on the brain, whereas the effects of 17 variants could be localized to one or two specific brain regions. Through hypothesis-free approaches, we find a strong overlap of head size variants with both cancer pathways and cancer genes. Gene set analyses showed enrichment for different types of cancer and the p53, Wnt and ErbB signalling pathway. Genes overlapping or close to lead variants – such as TP53 , PTEN and APC – were enriched for genes involved in macrocephaly syndromes (up to 37-fold) and high-fidelity cancer genes (up to 9-fold), whereas this enrichment was not seen for human height variants. This indicates that genes regulating early brain and cranial growth are associated with a propensity to neoplasia later in life, irrespective of height. Our results warrant further investigations of the link between head size and cancer, as well as its clinical implications in the general population.

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 Brain functional networks identified from resting fMRI data have the potential to reveal biomarkers for brain disorders, but studies of complex mental illnesses such as schizophrenia (SZ) often yield mixed results across replication studies. This is likely due in part to the complexity of the disorder, the short data acquisition time, and the limited ability of the approaches for brain imaging data mining. Therefore, the use of analytic approaches which can both capture individual variability while offering comparability across analyses is highly preferred. Fully blind data-driven approaches such as independent component analysis (ICA) are hard to compare across studies, and approaches that use fixed atlas-based regions can have limited sensitivity to individual sensitivity. By contrast, spatially constrained ICA (scICA) provides a hybrid, fully automated solution that can incorporate spatial network priors while also adapting to new subjects. However, scICA has thus far only been used with a single spatial scale. In this work, we present an approach using scICA to extract subject-specific intrinsic connectivity networks (ICNs) from fMRI data at multiple spatial scales (ICA model orders), which also enables us to study interactions across spatial scales. We evaluate this approach using a large N (N>1,600) study of schizophrenia divided into separate validation and replication sets. A multi-scale ICN template was estimated and labeled, then used as input into spatially constrained ICA which was computed on an individual subject level. We then performed a subsequent analysis of multiscale functional network connectivity (msFNC) to evaluate the patient data, including group differences and classification. Results showed highly consistent group differences in msFNC in regions including cerebellum, thalamus, and motor/auditory networks. Importantly, multiple msFNC pairs linking different spatial scales were implicated. We also used the msFNC features as input to a classification model in cross-validated hold-out data and also in an independent test data. Visualization of predictive features was performed by evaluating their feature weights. Finally, we evaluated the relationship of the identified patterns to positive symptoms and found consistent results across datasets. The results verified the robustness of our framework in evaluating brain functional connectivity of schizophrenia at multiple spatial scales, implicated consistent and replicable brain networks, and highlighted a promising approach for leveraging resting fMRI data for brain biomarker development.

Abstract INTRODUCTION Down syndrome (DS) is associated with elevated risk for Alzheimer’s disease (AD) due to beta amyloid (Aβ) lifelong accumulation. We hypothesized that the spatial distribution of brain Aβ predicts future dementia conversion in individuals with DS. METHODS We acquired 18 F-Florbetapir PET scans from 19 nondemented individuals with DS at baseline and monitored them for four years, with five individuals transitioning to dementia. Machine learning classification determined features on 18 F-Florbetapir standardized uptake value ratio (SUVR) maps that predicted transition. RESULTS In addition to “AD signature” regions including the inferior parietal cortex, temporal lobes, and the cingulum, we found that Aβ cortical binding in the prefrontal and superior frontal cortices distinguished subjects who transitioned to dementia. Classification did well in predicting transitioners. DISCUSSION Our study suggests that specific regional profiles of brain amyloid in older adults with DS may predict cognitive decline and are informative in evaluating the risk for dementia. Highlights Regional [18F]-Florbetapir PET predicts future transition to dementia in Downs Syndrome. Increased amyloid in prefrontal, inferior parietal, superior frontal, rostral middle frontal, and posterior cingulate cortices detect transitioiners, with prefrontal and superior frontal being best overall. Amyloid PET-based classification able to discriminate between transitioners and non-transitioners.

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.

The lack of robust neuroanatomical markers of psychosis risk has been traditionally attributed to heterogeneity. A complementary hypothesis is that variation in neuroanatomical measures in the majority of individuals at psychosis risk may be nested within the range observed in healthy individuals.To quantify deviations from the normative range of neuroanatomical variation in individuals at clinical high-risk for psychosis (CHR-P) and evaluate their overlap with healthy variation and their association with positive symptoms, cognition, and conversion to a psychotic disorder.Clinical, IQ and FreeSurfer-derived regional measures of cortical thickness (CT), cortical surface area (SA), and subcortical volume (SV) from 1,340 CHR-P individuals [47.09% female; mean age: 20.75 (4.74) years] and 1,237 healthy individuals [44.70% female; mean age: 22.32 (4.95) years] from 29 international sites participating in the ENIGMA Clinical High Risk for Psychosis Working Group.For each regional morphometric measure, z-scores were computed that index the degree of deviation from the normative means of that measure in a healthy reference population (N=37,407). Average deviation scores (ADS) for CT, SA, SV, and globally across all measures (G) were generated by averaging the respective regional z-scores. Regression analyses were used to quantify the association of deviation scores with clinical severity and cognition and two-proportion z-tests to identify case-control differences in the proportion of individuals with infranormal (z<-1.96) or supranormal (z>1.96) scores.CHR-P and healthy individuals overlapped in the distributions of the observed values, regional z-scores, and all ADS vales. The proportion of CHR-P individuals with infranormal or supranormal values in any metric was low (<12%) and similar to that of healthy individuals. CHR-P individuals who converted to psychosis compared to those who did not convert had a higher percentage of infranormal values in temporal regions (5-7% vs 0.9-1.4%). In the CHR-P group, only the ADSSA showed significant but weak associations (|β|<0.09; PFDR<0.05) with positive symptoms and IQ.The study findings challenge the usefulness of macroscale neuromorphometric measures as diagnostic biomarkers of psychosis risk and suggest that such measures do not provide an adequate explanation for psychosis risk.

Abstract Numerous brain disorders demonstrate structural brain abnormalities, which are thought to arise from molecular perturbations or connectome miswiring. The unique and shared contributions of these molecular and connectomic vulnerabilities to brain disorders remain unknown, and has yet to be studied in a single multi-disorder framework. Using MRI morphometry from the ENIGMA consortium, we construct maps of cortical abnormalities for thirteen neurodevelopmental, neurological, and psychiatric disorders from N = 21 000 patients and N = 26 000 controls, collected using a harmonized processing protocol. We systematically compare cortical maps to multiple micro-architectural measures, including gene expression, neurotransmitter density, metabolism, and myelination (molecular vulnerability), as well as global connectomic measures including number of connections, centrality, and connection diversity (connectomic vulnerability). We find that regional molecular vulnerability and macroscale brain network architecture interact to drive the spatial patterning of cortical abnormalities in multiple disorders. Local attributes, particularly neurotransmitter receptor profiles, constitute the best predictors of both disorder-specific cortical morphology and cross-disorder similarity. Finally, we find that cross-disorder abnormalities are consistently subtended by a small subset of network epicentres in bilateral sensory-motor, medial temporal lobe, precuneus, and superior parietal cortex. Collectively, our results highlight how local biological attributes and global connectivity jointly shape cross-disorder cortical abnormalities.

Schizophrenia (SZ) is a complex psychiatric disorder that is currently defined by symptomatic and behavioral, rather than biological, criteria. Neuroimaging is an appealing avenue for SZ biomarker development, as several neuroimaging-based studies comparing individuals with SZ to healthy controls (HC) have shown measurable group differences in brain structure, as well as functional brain alterations in both static and dynamic functional network connectivity (sFNC and dFNC, respectively). The recently proposed filter-banked connectivity (FBC) method extends the standard dFNC sliding-window approach to estimate FNC within an arbitrary number of distinct frequency bands. The initial implementation used a set of filters spanning the full connectivity spectral range, providing a unified approach to examine both sFNC and dFNC in a single analysis. Initial FBC results found that individuals with SZ spend more time in a less structured, more disconnected low-frequency (i.e., static) FNC state than HC, as well as preferential SZ occupancy in high-frequency connectivity states, suggesting a frequency-specific component underpinning the functional dysconnectivity observed in SZ. Building on these findings, we sought to link such frequency-specific patterns of FNC to covarying data-driven structural brain networks in the context of SZ. Specifically, we employ a multi-set canonical correlation analysis + joint independent components analysis (mCCA + jICA) data fusion framework to study the connection between grey matter volume (GMV) maps and FBC states across the full connectivity frequency spectrum. Our multimodal analysis identified two joint sources that captured co-varying patterns of frequency-specific functional connectivity and alterations in GMV with significant group differences in loading parameters between the SZ group and HC. The first joint source linked frequency-modulated connections between the subcortical and sensorimotor networks and GMV alterations in the frontal and temporal lobes, while the second joint source identified a relationship between low-frequency cerebellar-sensorimotor connectivity and structural changes in both the cerebellum and motor cortex. Together, these results show a strong connection between cortico-subcortical functional connectivity at both high and low frequencies and alterations in cortical GMV that may be relevant to the pathogenesis and pathophysiology of SZ.

Abstract Despite increasing interest in the dynamics of functional brain networks, most studies focus on the changing relationships over time between spatially static networks or regions. Here we propose an approach to study dynamic spatial brain networks in human resting state functional magnetic resonance imaging (rsfMRI) data and evaluate the temporal changes in the volumes of these 4D networks. Our results show significant volumetric coupling (i.e., synchronized shrinkage and growth) between networks during the scan, that we refer to as dynamic spatial network connectivity (dSNC). We find that several features of such dynamic spatial brain networks are associated with cognition, with higher dynamic variability in these networks and higher volumetric coupling between network pairs positively associated with cognitive performance. We show that these networks are modulated differently in individuals with schizophrenia versus typical controls, resulting in network growth or shrinkage, as well as altered focus of activity within a network. Schizophrenia also shows lower spatial dynamical variability in several networks, and lower volumetric coupling between pairs of networks, thus upholding the role of dynamic spatial brain networks in cognitive impairment seen in schizophrenia. Our data show evidence for the importance of studying the typically overlooked voxel‐wise changes within and between brain networks.