ABSTRACT Complex structural and functional changes occurring in typical and atypical development necessitate multidimensional approaches to better understand the risk of developing psychopathology. Here, we simultaneously examined structural and functional brain network patterns in relation to dimensions of psychopathology in the Adolescent Brain Cognitive Development dataset. Several components were identified, recapitulating the psychopathology hierarchy, with the general psychopathology ( p ) factor explaining most covariance with multimodal imaging features, while the internalizing, externalizing, and neurodevelopmental dimensions were each associated with distinct morphological and functional connectivity signatures. Connectivity signatures associated with the p factor and neurodevelopmental dimensions followed the sensory-to-transmodal axis of cortical organization, which is related to the emergence of complex cognition and risk for psychopathology. Results were consistent in two separate data subsamples, supporting generalizability, and robust to variations in analytical parameters. Our findings help in better understanding biological mechanisms underpinning dimensions of psychopathology, and could provide brain-based vulnerability markers.

Abstract Brain-imaging research enjoys increasing adoption of supervised machine learning for singlesubject disease classification. Yet, the success of these algorithms likely depends on population diversity, including demographic differences and other factors that may be outside of primary scientific interest. Here, we capitalize on propensity scores as a composite confound index to quantify diversity due to major sources of population stratification. We delineate the impact of population heterogeneity on the predictive accuracy and pattern stability in two separate clinical cohorts: the Autism Brain Imaging Data Exchange (ABIDE, n=297) and the Healthy Brain Network (HBN, n=551). Across various analysis scenarios, our results uncover the extent to which cross-validated prediction performances are interlocked with diversity. The instability of extracted brain patterns attributable to diversity is located preferentially to the default mode network. Our collective findings highlight the limitations of prevailing deconfounding practices in mitigating the full consequences of population diversity.

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 Objective Autism spectrum disorder (ASD) is a pervasive neurodevelopmental condition that is associated with atypical brain network organization, with prior work suggesting differential connectivity alterations with respect to functional connection length. Here, we tested whether functional connectopathy in ASD specifically relates to disruptions in long-relative to short-range functional connectivity profiles. Our approach combined functional connectomics with geodesic distance mapping, and we studied associations to macroscale networks, microarchitectural patterns, as well as socio-demographic and clinical phenotypes. Methods We studied 211 males from three sites of the ABIDE-I dataset comprising 103 participants with an ASD diagnosis (mean±SD age=20.8±8.1 years) and 108 neurotypical controls (NT, 19.2±7.2 years). For each participant, we computed cortex-wide connectivity distance (CD) measures by combining geodesic distance mapping with resting-state functional connectivity profiling. We compared CD between ASD and NT participants using surface-based linear models, and studied associations with age, symptom severity, and intelligence scores. We contextualized CD alterations relative to canonical networks and explored spatial associations with functional and microstructural cortical gradients as well as cytoarchitectonic cortical types. Results Compared to NT, ASD participants presented with widespread reductions in CD, generally indicating shorter average connection length and thus suggesting reduced long-range connectivity but increased short-range connections. Peak reductions were localized in transmodal systems ( i . e ., heteromodal and paralimbic regions in the prefrontal, temporal, and parietal and temporo-parieto-occipital cortex), and effect sizes correlated with the sensory-transmodal gradient of brain function. ASD-related CD reductions appeared consistent across inter-individual differences in age and symptom severity, and we observed a positive correlation of CD to IQ scores. Conclusions Our study showed reductions in CD as a relatively stable imaging phenotype of ASD that preferentially impacted paralimbic and heteromodal association systems. CD reductions in ASD corroborate previous reports of ASD-related imbalance between short-range overconnectivity and long-range underconnectivity.

ABSTRACT B ackground Temporal lobe epilepsy (TLE) is typically associated with pathology of the hippocampus, a key structure involved in relational memory processes, including episodic, semantic, and spatial memory. While it is widely accepted that TLE-associated hippocampal alterations may underlie global deficits in memory, it remains poorly understood whether TLE may present with shared or unique impairment across distinct relational memory domains. M ethods We administered a recently validated behavioral paradigm to evaluate episodic, semantic, and spatial memory in 20 pharmacoresistant TLE patients and 53 age- and sex-matched healthy controls. We implemented linear mixed effects models to identify memory deficits in individuals with TLE relative to controls, and used partial least squares analysis to identify factors contributing to overall variations in relational memory performance across both cohorts. R esults TLE patients showed marked impairment in episodic memory compared to controls, while spatial and semantic memory remained relatively intact. Findings were robust, with slight decreases in effect sizes after controlling for performance on executive function tests. Via partial least squares analysis, we identified group, age, and bilateral hippocampal volumes as important variables relating to relational memory impairment. C onclusion Our behavioral framework provides a granular approach for assessing relational memory deficits in people with TLE and may inform future prognostic strategies in patients with hippocampal pathology. Our work warrants further investigations into the underlying neural substrates of relational memory.

A bstract Autism spectrum disorder (ASD) is one of the most common neurodevelopmental diagnoses. Although incompletely understood, structural and functional network alterations are increasingly recognized to be at the core of the condition. We utilized multimodal imaging and connectivity modeling to study structure-function coupling in ASD, and probed mono- and polysynaptic mechanisms on structurally-governed network function. We examined multimodal magnetic resonance imaging data in 47 ASD and 37 neurotypical controls from the Autism Brain Imaging Data Exchange (ABIDE) II initiative. We predicted intrinsic functional connectivity from structural connectivity data in each participant using a Riemannian optimization procedure that varies the times that simulated signals can unfold along tractography-derived personalized connectomes. In both ASD and neurotypical controls, we observed improved structure-function prediction at longer diffusion time scales, indicating better modeling of brain function when polysynaptic mechanisms are accounted for. Prediction improvements were marked in transmodal association systems, such as the default mode network, in both controls and ASD. Improvements were, however, lower in ASD in a polysynaptic regime at higher simulated diffusion times. Regional differences followed a sensory-to-transmodal cortical hierarchy, with an increased gap between groups in transmodal compared to sensory/motor systems. Multivariate associative techniques revealed that structure-function differences reflected inter-individual differences in autistic symptoms and verbal as well as non-verbal intelligence. Our network modeling approach sheds light on atypical structure-function coupling in autism, and suggests that polysynaptic network mechanisms are implicated in the condition and can help explain its wide range of associated symptoms.

Abstract The manner through which individual differences in brain network organization track population-level behavioral variability is a fundamental question in systems neuroscience. Recent work suggests that resting-state and task-state functional connectivity can predict specific traits at the individual level. However, the focus of most studies on single behavioral traits has come at the expense of capturing broader relationships across behaviors. Here, we utilized a large-scale dataset of 1858 typically developing children to estimate whole-brain functional network organization that is predictive of individual differences in cognition, impulsivity-related personality, and mental health during rest and task states. Predictive network features were distinct across the broad behavioral domains: cognition, personality and mental health. On the other hand, traits within each behavioral domain were predicted by highly similar network features. This is surprising given decades of research emphasizing that distinct brain networks support different mental processes. Although tasks are known to modulate the functional connectome, we found that predictive network features were similar between resting and task states. Overall, our findings reveal shared brain network features that account for individual variation within broad domains of behavior in childhood, yet are unique to different behavioral domains.

Abstract Social imitation increases well-being and closeness by mechanisms that remain poorly understood. We propose that imitation impacts behavioural states in part by modulating post-imitation mind-wandering. The human mind wanders spontaneously and frequently, revisiting the past and imagining the future of self and of others. External and internal factors can influence wandering spontaneous thoughts, whose content predicts subsequent emotional states. In 43 young subjects, we find that imitating the arm movements of an actor alters the dynamics and the content of subsequent resting-state spontaneous thoughts. Imitation-sensitive features of spontaneous thoughts correlate with both behavioural states and salivary oxytocin levels. EEG microstate analysis reveals that global patterns of correlated neuronal activity predict imitation-induced changes in spontaneous thoughts. Thus, imitation can modulate ongoing activity in specific neural networks to change spontaneous thought patterns as a function of oxytocin levels, and to ultimately orchestrate behavioural states.

Sleep is essential for optimal functioning and health. Interconnected to multiple biological, psychological and socio-environmental factors (i.e., biopsychosocial factors), the multidimensional nature of sleep is rarely capitalized on in research. Here, we deployed a data-driven approach to identify sleep-biopsychosocial profiles that linked self-reported sleep patterns to inter-individual variability in health, cognition, and lifestyle factors in 770 healthy young adults. We uncovered five profiles, including two profiles reflecting general psychopathology associated with either reports of general poor sleep or an absence of sleep complaints (i.e., sleep resilience) respectively. The three other profiles were driven by sedative-hypnotics-use and social satisfaction, sleep duration and cognitive performance, and sleep disturbance linked to cognition and mental health. Furthermore, identified sleep-biopsychosocial profiles displayed unique patterns of brain network organization. In particular, somatomotor network connectivity alterations were involved in the relationships between sleep and biopsychosocial factors. These profiles can potentially untangle the interplay between individuals' variability in sleep, health, cognition and lifestyle - equipping research and clinical settings to better support individual's well-being.

Background: There is considerable interest in a dimensional transdiagnostic approach to psychiatry. Most transdiagnostic studies have derived factors based only on clinical symptoms, which might miss possible links between psychopathology, cognitive processes and personality traits. Furthermore, many psychiatric studies focus on higher-order association brain networks, thus neglecting the potential influence of huge swaths of the brain. Methods: A multivariate data-driven approach (partial least squares; PLS) was utilized to identify latent components linking a large set of clinical, cognitive and personality measures to whole-brain resting-state functional connectivity (RSFC) patterns across 224 participants. The participants were either healthy (N=110) or diagnosed with bipolar disorder (N=40), attention-deficit/hyperactivity disorder (N=37), schizophrenia (N=29) or schizoaffective disorder (N=8). In contrast to traditional case-control analyses, the diagnostic categories were not utilized in the PLS analysis, but were helpful for interpreting the components. Results: Our analyses revealed three latent components corresponding to general psychopathology, cognitive dysfunction and impulsivity. Each component was associated with a unique whole-brain RSFC signature and shared across all participants. The components were robust across multiple control analyses and replicated using independent task functional magnetic resonance imaging data from the same participants. Strikingly, all three components featured connectivity alterations within the somatosensory-motor network, and its connectivity with subcortical structures and cortical executive networks. Conclusions: We identified three distinct dimensions with dissociable (but overlapping) whole-brain RSFC signatures across healthy individuals and individuals with psychiatric illness, providing potential intermediate phenotypes that span across diagnostic categories. Our results suggest expanding the focus of psychiatric neuroscience beyond higher-order brain networks.