Abstract Background Understanding the neurodegenerative mechanisms underlying cognitive declines in the general population may facilitate early detection of adverse health outcomes in late life. This study investigates biological pathways shared between brain morphometry, ageing, and cognitive ability. Methods We develop Genomic Principal Components Analysis (genomic PCA) to model general dimensions of variance in brain morphometry within brain networks at the level of their underlying genetic architecture. With genomic PCA we extract genetic principal components (PCs) that index global dimensions of genetic variance across phenotypes (unlike ancestral PCs that index genetic similarity between participants). Genomic PCA is applied to genome-wide association data for 83 brain regions which we calculated in 36,778 participants of the UK Biobank cohort. Using linkage disequilibrium score regression, we estimate genetic overlap between brain networks and indices of cognitive ability and brain ageing. Results A genomic principal component (PC) representing brain-wide dimensions of shared genetic architecture accounted for 40% of the genetic variance across 83 individual brain regions. Genomic PCs corresponding to canonical brain networks accounted for 47-65% of the genetic variance in the corresponding brain regions. These genomic PCs were negatively associated with brain age ( r g = −0.34). Loadings of individual brain regions on the whole-brain genomic PC corresponded to sensitivity of a corresponding region to age ( r = - 0.27). We identified positive genetic associations between genomic PCs of brain morphometry and general cognitive ability ( r g = 0.17-0.21). Conclusion These results demonstrate substantial shared genetic etiology between connectome-wide dimensions of brain morphometry, ageing, and cognitive ability, which will help guide investigations into risk factors and potential interventions of ageing-related cognitive decline.

Sex differences in the human brain are of interest, for example because of sex differences in the observed prevalence of psychiatric disorders and in some psychological traits. We report the largest single-sample study of structural and functional sex differences in the human brain (2,750 female, 2,466 male participants; 44-77 years). Males had higher volumes, surface areas, and white matter fractional anisotropy; females had thicker cortices and higher white matter tract complexity. There was considerable distributional overlap between the sexes. Subregional differences were not fully attributable to differences in total volume or height. There was generally greater male variance across structural measures. Functional connectome organization showed stronger connectivity for males in unimodal sensorimotor cortices, and stronger connectivity for females in the default mode network. This large-scale study provides a foundation for attempts to understand the causes and consequences of sex differences in adult brain structure and function.

Polygenic scores are a popular tool for prediction of complex traits. However, prediction estimates in samples of unrelated participants can include effects of population stratification, assortative mating and environmentally mediated parental genetic effects, a form of genotype-environment correlation (rGE). Comparing genome-wide polygenic score (GPS) predictions in unrelated individuals with predictions between siblings in a within-family design is a powerful approach to identify these different sources of prediction. Here, we compared within- to between-family GPS predictions of eight life outcomes (anthropometric, cognitive, personality and health) for eight corresponding GPSs. The outcomes were assessed in up to 2,366 dizygotic (DZ) twin pairs from the Twins Early Development Study from age 12 to age 21. To account for family clustering, we used mixed-effects modelling, simultaneously estimating within- and between-family effects for target- and cross-trait GPS prediction of the outcomes. There were three main findings: (1) DZ twin GPS differences predicted DZ differences in height, BMI, intelligence, educational achievement and ADHD symptoms; (2) target and cross-trait analyses indicated that GPS prediction estimates for cognitive traits (intelligence and educational achievement) were on average 60% greater between families than within families, but this was not the case for non-cognitive traits; and (3) this within- and between-family difference for cognitive traits disappeared after controlling for family socio-economic status (SES), suggesting that SES is a source of between-family prediction through rGE mechanisms. These results provide novel insights into the patterns by which rGE contributes to GPS prediction, while ruling out confounding due to population stratification and assortative mating.

Aims: Several factors are known to increase risk for cerebrovascular disease and dementia, but there is limited evidence on associations between multiple vascular risk factors (VRFs) and detailed aspects of brain macro- and microstructure in large community-dwelling populations across middle- and older age. Methods and Results: Associations between VRFs (smoking, hypertension, pulse pressure, diabetes, hypercholersterolaemia, BMI, and waist-hip ratio) and both global and regional brain structural and diffusion MRI markers were examined in UK Biobank (N = 9722, age range 44-77 years). A larger number of VRFs was associated with greater brain atrophy, lower grey matter volume, and poorer white matter health. Effect sizes were small (brain structural R2 ≤ 1.8%). Higher aggregate vascular risk was related to multiple regional MRI hallmarks associated with dementia risk: lower frontal and temporal cortical volumes, lower subcortical volumes, higher white matter hyperintensity volumes, and poorer white matter microstructure in association and thalamic pathways. Smoking pack years, hypertension and diabetes showed the most consistent associations across all brain measures. Hypercholesterolaemia was not uniquely associated with any MRI marker. Conclusion: Higher levels of VRFs were associated with poorer brain health across grey and white matter macro- and microstructure. Effects are mainly additive, converging upon frontal and temporal cortex, subcortical structures, and specific classes of white matter fibres. Though effect sizes were small, these results emphasise the vulnerability of brain health to vascular factors even in relatively healthy middle and older age, and the potential to partly ameliorate cognitive decline by addressing these malleable risk factors.

General cognitive function is a prominent human trait associated with many important life outcomes including longevity. The substantial heritability of general cognitive function is known to be polygenic, but it has had little explication in terms of the contributing genetic variants. Here, we combined cognitive and genetic data from the CHARGE and COGENT consortia, and UK Biobank (total N=280,360; age range = 16 to 102). We found 9,714 genome-wide significant SNPs (P<5 x 10-8) in 99 independent loci. Most showed clear evidence of functional importance. Among many novel genes associated with general cognitive function were SGCZ, ATXN1, MAPT, AUTS2, and P2RY6. Within the novel genetic loci were variants associated with neurodegenerative disorders, neurodevelopmental disorders, physical and psychiatric illnesses, brain structure, and BMI. Gene-based analyses found 536 genes significantly associated with general cognitive function; many were highly expressed in the brain, and associated with neurogenesis and dendrite gene sets. Genetic association results predicted up to 4% of general cognitive function variance in independent samples. There was significant genetic overlap between general cognitive function and information processing speed, as well as many health variables including longevity.

Abstract Background Poorer self-rated health (SRH) predicts worse health outcomes, even when adjusted for objective measures of disease at time of rating. Twin studies indicate SRH has a heritability of up to 60% and that its genetic architecture may overlap with that of personality and cognition. Methods We carried out a genome-wide association study (GWAS) of SRH on 111 749 members of the UK Biobank sample. Univariate genome-wide complex trait analysis (GCTA)-GREML analyses were used to estimate the proportion of variance explained by all common autosomal SNPs for SRH. Linkage Disequilibrium (LD) score regression and polygenic risk scoring, two complementary methods, were used to investigate pleiotropy between SRH in UK Biobank and up to 21 health-related and personality and cognitive traits from published GWAS consortia. Results The GWAS identified 13 independent signals associated with SRH, including several in regions previously associated with diseases or disease-related traits. The strongest signal was on chromosome 2 (rs2360675, p = 1.77x10-10) close to KLF7, which has previously been associated with obesity and type 2 diabetes. A second strong peak was identified on chromosome 6 in the major histocompatibility region (rs76380179, p = 6.15x10-10). The proportion of variance in SRH that was explained by all common genetic variants was 13%. Polygenic scores for the following traits and disorders were associated with SRH: cognitive ability, education, neuroticism, BMI, longevity, ADHD, major depressive disorder, schizophrenia, lung function, blood pressure, coronary artery disease, large vessel disease stroke, and type 2 diabetes. Conclusions Individual differences in how people respond to a single item on SRH are partly explained by their genetic propensity to many common psychiatric and physical disorders and psychological traits.

The causes of the known associations between poorer cognitive function and many adverse neuropsychiatric outcomes, poorer physical health, and earlier death remain unknown. We used linkage disequilibrium regression and polygenic profile scoring to test for shared genetic aetiology between cognitive functions and neuropsychiatric disorders and physical health. Using information provided by many published genome-wide association study consortia, we created polygenic profile scores for 24 vascular-metabolic, neuropsychiatric, physiological-anthropometric, and cognitive traits in the participants of UK Biobank, a very large population-based sample (N = 112 151). Pleiotropy between cognitive and health traits was quantified by deriving genetic correlations using summary genome-wide association study statistics applied to the method of linkage disequilibrium regression. Substantial and significant genetic correlations were observed between cognitive test scores in the UK Biobank sample and many of the mental and physical health-related traits and disorders assessed here. In addition, highly significant associations were observed between the cognitive test scores in the UK Biobank sample and many polygenic profile scores, including coronary artery disease, stroke, Alzheimer's disease, schizophrenia, autism, major depressive disorder, BMI, intracranial volume, infant head circumference, and childhood cognitive ability. Where disease diagnosis was available for UK Biobank participants we were able to show that these results were not confounded by those who had the relevant disease. These findings indicate that a substantial level of pleiotropy exists between cognitive abilities and many human mental and physical health disorders and traits and that it can be used to predict phenotypic variance across samples.

Quantifying the microstructural properties of the human brain's connections is necessary for understanding normal ageing and disease states. We examined brain white matter MRI data in 3,513 generally healthy people aged 45-75 years from the UK Biobank sample. Using conventional water diffusion measures and newer, as-yet rarely-studied indices from neurite orientation dispersion and density imaging (NODDI), we document large age differences in white matter microstructure. Mean diffusivity was the most age-sensitive diffusion measure, with negative age associations strongest in the thalamic radiation and association fibres. Inter-individual differences in white matter microstructure across brain tracts become increasingly correlated in older age. This connectivity 'de-differentiation' may reflect an age-related aggregation of systemic detrimental effects on the brain. We report several other novel results, including comparative age associations with volumetric indices and associations with hemisphere and sex. Results from this unusually large, single-scanner sample provide one of the most definitive characterisations to date of age differences in major white matter tracts in the human brain.

Whole-brain structural networks can be constructed using diffusion MRI and probabilistic tractography. However, measurement noise and the probabilistic nature of the tracking procedure result in an unknown proportion of spurious white matter connections. Faithful disentanglement of spurious and genuine connections is hindered by a lack of comprehensive anatomical information at the network-level. Therefore, network thresholding methods are widely used to remove ostensibly false connections, but it is not yet clear how different thresholding strategies affect basic network properties and their associations with meaningful demographic variables, such as age. In a sample of 3,153 generally healthy volunteers from the UK Biobank Imaging Study (aged 44-77 years), we constructed 85 x 85 node whole-brain structural networks and applied two principled network thresholding approaches (consistency and proportional thresholding). These were applied over a broad range of threshold levels across six alternative network weightings (streamline count, fractional anisotropy, mean diffusivity and three novel weightings from neurite orientation dispersion and density imaging) and for four common network measures (mean edge weight, characteristic path length, network efficiency and network clustering coefficient). We compared network measures against age associations and found that the most commonly-used level of proportional-thresholding from the literature (retaining 68.7% of all possible connections) yielded significantly weaker age-associations (0.070 ≤ |β| ≤ 0.406) than the consistency-based approach which retained only 30% of connections (0.140 ≤ |β| ≤ 0.409). However, we determined that the stringency of the threshold was a stronger determinant of the network-age association than the choice of threshold method and the two thresholding approaches identified a highly overlapping set of connections (ICC = 0.84) when matched at a plausible level of network sparsity (70%). Generally, more stringent thresholding resulted in more age-sensitive network measures in five of the six network weightings, except at the highest levels of sparsity (>90%), where crucial connections were then removed. At two commonly-used threshold levels, the age-associations of the connections that were discarded (mean β ≤ |0.068|) were significantly smaller in magnitude than the corresponding age-associations of the connections that were retained (mean β ≤ |0.219|, p < 0.001, uncorrected). Given histological evidence of widespread degeneration of structural brain connectivity with increasing age, these results indicate that stringent thresholding methods may be most accurate in identifying true white matter connections.

Abstract Genome-wide association (GWA) studies have uncovered DNA variants associated with individual differences in general cognitive ability ( g ), but these are far from capturing heritability estimates obtained from twin studies. A major barrier to finding more of this ‘missing heritability’ is assessment – the use of diverse measures across GWA studies as well as time and cost of assessment. In a series of four studies, we created a 15-minute (40-item), online, gamified measure of g that is highly reliable (alpha = .78; two-week test-retest reliability = .88), psychometrically valid and scalable; we called this new measure Pathfinder. In a fifth study, we administered this measure to 4,751 young adults from the Twins Early Development Study. This novel g measure, which also yields reliable verbal and nonverbal scores, correlated substantially with standard measures of g collected at previous ages (r ranging from .42 at age 7 to .57 at age 16). Pathfinder showed substantial twin heritability (.57, 95% CIs = .43, .68) and SNP heritability (.37, 95% CIs = .04, .70). A polygenic score computed from GWA studies of five cognitive and educational traits accounted for 12% of the variation in g , the strongest DNA-based prediction of g to date. Widespread use of this engaging new measure will advance research not only in genomics but throughout the biological, medical, and behavioural sciences.