The regional distribution of white matter (WM) abnormalities in schizophrenia remains poorly understood, and reported disease effects on the brain vary widely between studies. In an effort to identify commonalities across studies, we perform what we believe is the first ever large-scale coordinated study of WM microstructural differences in schizophrenia. Our analysis consisted of 2359 healthy controls and 1963 schizophrenia patients from 29 independent international studies; we harmonized the processing and statistical analyses of diffusion tensor imaging (DTI) data across sites and meta-analyzed effects across studies. Significant reductions in fractional anisotropy (FA) in schizophrenia patients were widespread, and detected in 20 of 25 regions of interest within a WM skeleton representing all major WM fasciculi. Effect sizes varied by region, peaking at (d=0.42) for the entire WM skeleton, driven more by peripheral areas as opposed to the core WM where regions of interest were defined. The anterior corona radiata (d=0.40) and corpus callosum (d=0.39), specifically its body (d=0.39) and genu (d=0.37), showed greatest effects. Significant decreases, to lesser degrees, were observed in almost all regions analyzed. Larger effect sizes were observed for FA than diffusivity measures; significantly higher mean and radial diffusivity was observed for schizophrenia patients compared with controls. No significant effects of age at onset of schizophrenia or medication dosage were detected. As the largest coordinated analysis of WM differences in a psychiatric disorder to date, the present study provides a robust profile of widespread WM abnormalities in schizophrenia patients worldwide. Interactive three-dimensional visualization of the results is available at www.enigma-viewer.org .

Considerable uncertainty exists about the defining brain changes associated with bipolar disorder (BD). Understanding and quantifying the sources of uncertainty can help generate novel clinical hypotheses about etiology and assist in the development of biomarkers for indexing disease progression and prognosis. Here we were interested in quantifying case–control differences in intracranial volume (ICV) and each of eight subcortical brain measures: nucleus accumbens, amygdala, caudate, hippocampus, globus pallidus, putamen, thalamus, lateral ventricles. In a large study of 1710 BD patients and 2594 healthy controls, we found consistent volumetric reductions in BD patients for mean hippocampus (Cohen’s d=−0.232; P=3.50 × 10−7) and thalamus (d=−0.148; P=4.27 × 10−3) and enlarged lateral ventricles (d=−0.260; P=3.93 × 10−5) in patients. No significant effect of age at illness onset was detected. Stratifying patients based on clinical subtype (BD type I or type II) revealed that BDI patients had significantly larger lateral ventricles and smaller hippocampus and amygdala than controls. However, when comparing BDI and BDII patients directly, we did not detect any significant differences in brain volume. This likely represents similar etiology between BD subtype classifications. Exploratory analyses revealed significantly larger thalamic volumes in patients taking lithium compared with patients not taking lithium. We detected no significant differences between BDII patients and controls in the largest such comparison to date. Findings in this study should be interpreted with caution and with careful consideration of the limitations inherent to meta-analyzed neuroimaging comparisons.

Significance Despite widespread applications, the origins of functional connectivity remain elusive. Here we analyze human functional neuroimaging data. We decompose resting-state functional connectivity across time to assess the contributions of moment-to-moment activity cofluctuations to the overall connectivity pattern. We show that functional connectivity is driven by a small number of high-amplitude frames. We show that these frames are underpinned by a specific mode of brain activity; that the topography of this mode gets modulated during in-scanner tasks; and that high-amplitude frames encode personalized, subject-specific information. In summary, our parameter-free method provides an exact mathematical link between functional connectivity and frame-wise cofluctuations, creating opportunities for studying both static and time-varying functional brain networks.

Resting-state functional connectivity is typically modeled as the correlation structure of whole-brain regional activity. It is studied widely, both to gain insight into the brain’s intrinsic organization but also to develop markers sensitive to changes in an individual’s cognitive, clinical, and developmental state. Despite this, the origins and drivers of functional connectivity, especially at the level of densely sampled individuals, remain elusive. Here, we leverage novel methodology to decompose functional connectivity into its precise framewise contributions. Using two dense sampling datasets, we investigate the origins of individualized functional connectivity, focusing specifically on the role of brain network “events” – short-lived and peaked patterns of high-amplitude cofluctuations. Here, we develop a statistical test to identify events in empirical recordings. We show that the patterns of cofluctuation expressed during events are repeated across multiple scans of the same individual and represent idiosyncratic variants of template patterns that are expressed at the group level. Lastly, we propose a simple model of functional connectivity based on event cofluctuations, demonstrating that group-averaged cofluctuations are suboptimal for explaining participant-specific connectivity. Our work complements recent studies implicating brief instants of high-amplitude cofluctuations as the primary drivers of static, whole-brain functional connectivity. Our work also extends those studies, demonstrating that cofluctuations during events are individualized, positing a dynamic basis for functional connectivity.

Network models of communication, e.g. shortest paths, diffusion, navigation, have become useful tools for studying structure-function relationships in the brain. These models generate estimates of communication efficiency between all pairs of brain regions, which can then be linked to the correlation structure of recorded activity, i.e. functional connectivity (FC). At present, however, communication models have a number of limitations, including difficulty adjudicating between models and the absence of a generic framework for modeling multiple interacting communication policies at the regional level. Here, we present a framework that allows us to incorporate multiple region-specific policies and fit them to empirical estimates of FC. Briefly, we show that many communication policies, including shortest paths and greedy navigation, can be modeled as biased random walks, enabling these policies to be incorporated into the same multi-policy communication model alongside unbiased processes, e.g. diffusion. We show that these multi-policy models outperform existing communication measures while yielding neurobiologically interpretable regional preferences. Further, we show that these models explain the majority of variance in time-varying patterns of FC. Collectively, our framework represents an advance in network-based communication models and establishes a strong link between these patterns and FC. Our findings open up many new avenues for future inquiries and present a flexible framework for modeling anatomically-constrained communication.

Many studies have shown that the human endocrine system modulates brain function, reporting associations between fluctuations in hormone concentrations and both brain activity and connectivity. However, how hormonal fluctuations impact fast changes in brain network structure over short timescales remains unknown. Here, we leverage “edge time series” analysis to investigate the relationship between high-amplitude network states and quotidian variation in sex steroid and gonadotropic hormones in a single individual sampled over the course of two endocrine states, across a natural menstrual cycle and under a hormonal regimen. We find that the frequency of high-amplitude network states are associated with follicle-stimulating and luteinizing hormone, but not the sex hormones estradiol and progesterone. Nevertheless, we show that scan-to-scan variation in the co-fluctuation patterns expressed during network states are robustly linked with the concentration of all four hormones, positing a network-level target of hormonal control. We conclude by speculating on the role of hormones in shaping ongoing brain dynamics.

The human connectome is the set of physical pathways linking brain regions to one another. Empirical and in silico studies have demonstrated that the structure of this network helps shape patterns of functional coupling between brain regions. To better understand this link between structure and function, a growing number of studies have derived geometric, dynamic, and topological predictors from structural connectivity in order to make predictions about correlation structure. These studies, however, have typically focused on global (whole-brain) predictions using a restricted set of predictors. Here, we investigate a wide range of predictors and shift focus onto predictions of local (regional) patterns of functional coupling. We show that, globally, no individual predictor performs well and, that even the best predictors are largely driven by their ability to predict functional coupling between directly connected regions. We then use the same predictors to make predictions of local coupling and find marked improvement. Notably, the most predictable local FC is linked to sensorimotor regions, which are best predicted by measures based on topological similarity, mean first passage times of random walkers, and the brain’s embedding in Euclidean space. We then show that by combining the predictive power of more than one predictor using multi-linear models, we can further improve local predictions. Finally, we investigate how global and local structure-function coupling differences across the human lifespan. We find that, globally, the magnitude of coupling decreases with biological age, which is paralleled by an increase in the number of multi-step pathways. We also show that, locally, structure-function coupling is preserved in higher order cognitive systems, but preferentially decreases with age in sensorimotor systems. Our results illuminate the heterogeneous landscape of structure-function coupling across the cerebral cortex and help clarify its differences with age.

Group-level studies do not capture individual differences in network organization, an important prerequisite for understanding neural substrates shaping behavior and for developing interventions in clinical conditions. Recent studies have employed “fingerprinting” analyses on functional connectivity to identify subjects’ idiosyncratic features. Here, we develop a complementary approach based on an edge-centric model of functional connectivity, which focuses on the co-fluctuations of edges. We first show whole-brain edge functional connectivity (eFC) to be a robust substrate that improves identifiability over nodal FC (nFC) across different datasets and parcellations. Next, we characterized subjects’ identifiability at different spatial scales, from single nodes to the level of functional systems and clusters using k-means clustering. Across spatial scales, we find that heteromodal brain regions exhibit consistently greater identifiability than unimodal, sensorimotor, and limbic regions. Lastly, we show that identifiability can be further improved by reconstructing eFC using specific subsets of its principal components. In summary, our results highlight the utility of the edge-centric network model for capturing meaningful subject-specific features and sets the stage for future investigations into individual differences using edge-centric models.

ABSTRACT Edge time series decompose FC into its framewise contributions. Previous studies have focused on characterizing the properties of high-amplitude frames, including their cluster structure. Less is known about middle- and low-amplitude co-fluctuations. Here, we address those questions directly, using data from two dense-sampling studies: the MyConnectome project and Midnight Scan Club. We develop a hierarchical clustering algorithm to group peak co-fluctuations of all magnitudes into nested and multi-scale clusters based on their pairwise concordance. At a coarse scale, we find evidence of three large clusters that, collectively, engage virtually all canonical brain systems. At finer scales, however, each cluster is dissolved, giving way to increasingly refined patterns of co-fluctuations involving specific sets of brain systems. We also find an increase in global co-fluctuation magnitude with hierarchical scale. Finally, we comment on the amount of data needed to estimate co-fluctuation pattern clusters and implications for brain-behavior studies. Collectively, the findings reported here fill several gaps in current knowledge concerning the heterogeneity and richness of co-fluctuation patterns as estimated with edge time series while providing some practical guidance for future studies.