Among ‘big data’ initiatives, the ENIGMA ( E nhancing N euroImaging G enetics through M eta- A nalysis) Consortium—a worldwide alliance of over 2,000 scientists diversified into over 50 Working Groups—has yielded some of the largest studies of the healthy and diseased brain. Integration of multisite datasets to assess transdiagnostic similarities and differences and to contextualize findings with respect to neural organization, however, have been limited. Here, we introduce the ENIGMA Toolbox, a Python/Matlab ecosystem for ( i ) accessing 100+ ENIGMA datasets, facilitating cross-disorder analysis, ( ii ) visualizing data on brain surfaces, and ( iii ) contextualizing findings at the microscale ( postmortem cytoarchitecture and gene expression) and macroscale (structural and functional connectomes). Our Toolbox equips scientists with tutorials to explore molecular, histological, and network correlates of noninvasive neuroimaging markers of brain disorders. Moreover, our Toolbox bridges the gap between standardized data processing protocols and analytic workflows and facilitates cross-consortia initiatives. The Toolbox is documented and openly available at http://enigma-toolbox.readthedocs.io . Abstract Figure

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 Real-time fMRI neurofeedback is an increasingly popular neuroimaging technique that allows an individual to gain control over his/her own brain signals, which can lead to improvements in behavior in healthy participants as well as to improvements of clinical symptoms in patient populations. However, a considerably large ratio of participants undergoing neurofeedback training do not learn to control their own brain signals and, consequently, do not benefit from neurofeedback interventions, which limits clinical efficacy of neurofeedback interventions. As neurofeedback success varies between studies and participants, it is important to identify factors that might influence neurofeedback success. Here, for the first time, we employed a big data machine learning approach to investigate the influence of 20 different design-specific (e.g. activity vs. connectivity feedback), region of interest-specific (e.g. cortical vs. subcortical) and subject-specific factors (e.g. age) on neurofeedback performance and improvement in 608 participants from 28 independent experiments. With a classification accuracy of 60% (considerably different from chance level), we identified two factors that significantly influenced neurofeedback performance: Both the inclusion of a pre-training no-feedback run before neurofeedback training and neurofeedback training of patients as compared to healthy participants were associated with better neurofeedback performance. The positive effect of pre-training no-feedback runs on neurofeedback performance might be due to the familiarization of participants with the neurofeedback setup and the mental imagery task before neurofeedback training runs. Better performance of patients as compared to healthy participants might be driven by higher motivation of patients, higher ranges for the regulation of dysfunctional brain signals, or a more extensive piloting of clinical experimental paradigms. Due to the large heterogeneity of our dataset, these findings likely generalize across neurofeedback studies, thus providing guidance for designing more efficient neurofeedback studies specifically for improving clinical neurofeedback-based interventions. To facilitate the development of data-driven recommendations for specific design details and subpopulations the field would benefit from stronger engagement in Open Science and data sharing.

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 Schizophrenia is widely recognized as a neurodevelopmental disorder. Abnormal cortical development may by revealed using polygenic risk scoring for schizophrenia (PRS-SCZ). We assessed PRS-SCZ and cortical morphometry in typically developing children (3–21 years) using whole genome genotyping and T1-weighted MRI (n=390) from the Pediatric Imaging, Neurocognition and Genetics (PING) cohort. We contextualise the findings using (i) age-matched transcriptomics, (ii) histologically-defined cytoarchitectural types and functionally-defined networks, (iii) case-control differences of schizophrenia and other major psychiatric disorders. Higher PRS-SCZ was associated with greater cortical thickness, which was most prominent in areas with heightened gene expression of dendrites and synapses. PRS-SCZ related increases in vertex-wise cortical thickness were especially focused in the ventral attention network, while koniocortical type cortex (i.e. primary sensory areas) was relatively conserved from PRS-SCZ related differences. The large-scale pattern of cortical thickness increases related to PRS-SCZ mirrored the pattern of cortical thinning in schizophrenia and mood-related psychiatric disorders. Age group models illustrate a possible trajectory from PRS-SCZ associated cortical thickness increases in early childhood towards thinning in late adolescence, which resembles the adult brain phenotype of schizophrenia. Collectively, combining imaging-genetics with multi-scale mapping, our work provides novel insight into how genetic risk for schizophrenia impacts the cortex early in life.

Background There is growing recognition that connectome architecture shapes cortical and sub-cortical grey matter atrophy across a spectrum of neurological and psychiatric diseases. Whether connectivity contributes to tissue volume loss in schizophrenia in the same manner remains unknown.Methods Here we relate tissue volume loss in patients with schizophrenia to patterns of structural and functional connectivity. Grey matter deformation was estimated in a sample of N = 133 individuals with chronic schizophrenia (48 female, 34.7 ± 12.9 years) and N = 113 controls (64 female, 23.5 ± 8.4 years). Deformation-based morphometry (DBM) was used to estimate cortical and subcortical grey matter deformation from T1-weighted MR images. Structural and functional connectivity patterns were derived from an independent sample of N = 70 healthy participants using diffusion spectrum imaging and resting-state functional MRI.Results We find that regional deformation is correlated with the deformation of structurally- and functionally-connected neighbours. Distributed deformation patterns are circumscribed by specific functional systems (the ventral attention network) and cytoarchitectonic classes (limbic class), with an epicenter in the anterior cingulate cortex.Conclusions Altogether, the present study demonstrates that brain tissue volume loss in schizophrenia is conditioned by structural and functional connectivity, accounting for 25-35% of regional variance in deformation.

Neurofeedback training has been shown to influence behavior in healthy participants as well as to alleviate clinical symptoms in neurological, psychosomatic, and psychiatric patient populations. However, many real-time fMRI neurofeedback studies report large inter-individual differences in learning success. The factors that cause this vast variability between participants remain unknown and their identification could enhance treatment success. Thus, here we employed a meta-analytic approach including data from 24 different neurofeedback studies with a total of 401 participants, including 140 patients, to determine whether levels of activity in target brain regions during pre-training functional localizer or no-feedback runs (i.e., self-regulation in the absence of neurofeedback) could predict neurofeedback learning success. We observed a slightly positive correlation between pre-training activity levels during a functional localizer run and neurofeedback learning success, but we were not able to identify common brain-based success predictors across our diverse cohort of studies. Therefore, advances need to be made in finding robust models and measures of general neurofeedback learning, and in increasing the current study database to allow for investigating further factors that might influence neurofeedback learning.

Abstract Pathologic perturbations in schizophrenia have been suggested to propagate via the functional and structural connectome across the lifespan. Yet how the connectome guides early cortical reorganization of developing schizophrenia remains unknown. Here, we used early-onset schizophrenia (EOS) as a neurodevelopmental disease model to investigate putative early pathologic origins that propagate through the functional and structural connectome. We compared 95 patients with antipsychotic-naïve first-episode EOS and 99 typically developing controls (7–17 years of age, 120 females). Whereas patients showed widespread cortical thickness reductions, thickness increases were observed in primary cortical areas. Using normative connectomics models, we found that epicenters of thickness reductions were situated in association regions linked to language, affective, and cognitive functions, while epicenters of increased thickness in EOS were located in sensorimotor regions subserving visual, somatosensory, and motor functions. Using post-mortem transcriptomic data of six donors, we observed that the epicenter map differentiated oligodendrocyte-related transcriptional changes at its sensory apex and the association end was related to expression of excitatory/inhibitory neurons. More generally, we observed that the epicenter map was associated with neurodevelopmental disease gene dysregulation and human accelerated region genes, suggesting potential shared genetic determinants across various neurodevelopmental disorders. Taken together, our results underscore the developmentally rooted pathologic origins of schizophrenia and their transcriptomic overlap with other neurodevelopmental diseases.

The hippocampus has a unique microarchitecture, is situated at the nexus of multiple macroscale functional networks, contributes to numerous cognitive as well as affective processes, and is highly susceptible to brain pathology across common disorders. These features make the hippocampus a model to understand how brain structure covaries with function, in both health and disease. Here, we introduce HippoMaps, an open access toolbox and online data warehouse for the mapping and contextualization of hippocampal data in the human brain (http://hippomaps.readthedocs.io). HippoMaps capitalizes on a novel hippocampal unfolding approach as well as shape intrinsic registration capabilities to allow for cross-subject and cross-modal data aggregation. We initialize this repository with data spanning 3D post-mortem histology, ex-vivo 9.4 Tesla MRI, as well as in-vivo structural MRI and resting-state functional MRI (rsfMRI) obtained at 3 and 7 Tesla, together with intracranial encephalography (iEEG) recordings in epilepsy patients. HippoMaps also contains validated tools for spatial map association analysis in the hippocampus that correct for autocorrelation. All code and data are compliant with community standards, and comprehensive online tutorials facilitate broad adoption. Applications of this work span methodologies and modalities, spatial scales, as well as clinical and basic research contexts, and we encourage community feedback and contributions in the spirit of open and iterative scientific resource development.

Abstract Schizophrenia is a multifaceted disorder associated with structural brain heterogeneity. Recent research underscored that profound understanding of structural brain heterogeneity is relevant to identify illness subtypes as well as informative biomarkers. However, our understanding of structural heterogeneity in schizophrenia is still limited. This comprehensive meta-analysis therefore investigated and compared the variability of multimodal structural brain measures for white and gray matter in individuals with schizophrenia and healthy controls. Using the ENIGMA dataset of MRI-based brain measures from 22 sites, we examined variability in cortical thickness, surface area, folding index, subcortical volume and fractional anisotropy, both at regional and global level. At the regional level, we found that schizophrenia patients are distinguished by higher heterogeneity in the frontotemporal network with regard to multimodal structural measures. Multimodal heterogeneity in these regions potentially implies different sub-types that share impaired frontotemporal interaction as a core feature of schizophrenia. At the global level, the Person-Based Similarity Index (PBSI) analysis surprisingly revealed that schizophrenia patients are distinguished by a significantly higher homogeneity of the folding index, implying that certain gyrification attributes represent a uniform aspect of schizophrenia across subtypes. These findings underscore the importance of studying structural brain variability for a more holistic understanding of schizophrenia’s neurobiology, potentially facilitating the identification of illness subtypes and informative biomarkers. These findings could guide future investigations and tailor precision medicine approaches for schizophrenia.