Genome-wide association studies of brain imaging phenotypes are mainly performed in European populations, but other populations are severely under-represented. Here, we conducted Chinese-alone and cross-ancestry genome-wide association studies of 3,414 brain imaging phenotypes in 7,058 Chinese Han and 33,224 white British participants. We identified 38 new associations in Chinese-alone analyses and 486 additional new associations in cross-ancestry meta-analyses at P < 1.46 × 10

Deep learning models have been developed for various predictions in glioma; yet, they were constrained by manual segmentation, task-specific design, or a lack of biological interpretation. Herein, we aimed to develop an end-to-end multi-task deep learning (MDL) pipeline that can simultaneously predict molecular alterations and histological grade (auxiliary tasks), as well as prognosis (primary task) in gliomas. Further, we aimed to provide the biological mechanisms underlying the model's predictions. We collected multiscale data including baseline MRI images from 2776 glioma patients across two private (FAHZU and HPPH, n = 1931) and three public datasets (TCGA, n = 213; UCSF, n = 410; and EGD, n = 222). We trained and internally validated the MDL model using our private datasets, and externally validated it using the three public datasets. We used the model-predicted deep prognosis score (DPS) to stratify patients into low-DPS and high-DPS subtypes. Additionally, a radio-multiomics analysis was conducted to elucidate the biological basis of the DPS. In the external validation cohorts, the MDL model achieved average areas under the curve of 0.892–0.903, 0.710–0.894, and 0.850–0.879 for predicting IDH mutation status, 1p/19q co-deletion status, and tumor grade, respectively. Moreover, the MDL model yielded a C-index of 0.723 in the TCGA and 0.671 in the UCSF for the prediction of overall survival. The DPS exhibits significant correlations with activated oncogenic pathways, immune infiltration patterns, specific protein expression, DNA methylation, tumor mutation burden, and tumor-stroma ratio. Accordingly, our work presents an accurate and biologically meaningful tool for predicting molecular subtypes, tumor grade, and survival outcomes in gliomas, which provides personalized clinical decision-making in a global and non-invasive manner.

Depression is a neurodevelopmental disorder that exhibits progressive gray matter volume (GMV) atrophy. Research indicates that brain development is influential in depression-induced GMV alterations. However, the interaction between depression and age of onset is not well understood by the underlying molecular and neuropathological mechanisms. Thus, 152 first-episode depression individuals and matched 130 healthy controls (HCs) were recruited to undergo T1-weighted high-resolution magnetic resonance imaging for this study. By two-way ANOVA, age and diagnosis were used as factors when analyzing the interaction of GMV in the participants. Then, spatial correlations between neurotransmitter maps and factor-related volume maps are established. Results illustrate a pronounced antagonistic interaction between depression and age of onset in the right insula, superior temporal gyrus, anterior cingulate gyrus, and orbitofrontal gyrus. Depression-caused reductions in GMV are mainly distributed in thalamic-limbic-cortical regions, regardless of age. For the main effect of age, adults exhibit brain atrophy in frontal, cerebellum, parietal, and temporal lobe structures. Cross-modal correlations showed that GMV changes in the interactive regions were linked with the serotonergic system and dopaminergic systems. Summarily, our results reveal the interaction between depression and age of onset in neurobiological mechanisms, which provide hints for future treatment of different ages of depression.

The functional connectome of the human brain represents the fundamental network architecture of neural activity, but its normative growth trajectory over the life course remains unknown. Here, we aggregate the largest, quality-controlled multimodal neuroimaging dataset across 119 global sites, including 33,809 task-free fMRI and structural MRI scans of 32,328 individuals aged from 32 postmenstrual weeks to 80 years old. The lifespan growth charts of the connectome are quantified at the whole cortex, system, and regional levels using generalized additive models for location, scale, and shape. We find critical inflection points in the nonlinear growth trajectories of the whole-brain functional connectome, notably peaking in the fourth decade of life. After establishing the first fine-grained, lifespan-spanning suite of system-level brain atlases, we generate person-specific parcellation maps and further elucidate distinct timelines of maturation for functional segregation within various subsystems. We identify a spatiotemporal gradient axis that governs the life-course growth of regional connectivity, transitioning from primary sensory cortices to higher-order association regions. Using the connectome-based normative model, we demonstrate substantial individual heterogeneities at the network level in patients with autism spectrum disorder and patients with major depressive disorder, respectively. Our findings shed light on the functional connectome9s life-course evolution, serving as normative references for understanding network growth principles of the human brain and assessing individual variations of patients with neuropsychiatric conditions.

Hippocampal sclerosis (HS) is a prevalent cause of temporal lobe epilepsy (TLE). However, up to 30% of individuals with TLE present negative magnetic resonance imaging (MRI) findings. A comprehensive grasp of the similarities and differences in brain activity among distinct TLE subtypes holds significant clinical and scientific importance.

Motivation: The emergence of MR fingerprinting (MRF) technology enables accurate T1 and T2 relaxation time quantification. However, the impact of metal implants on quantitative imaging remains unclear, hindering postoperative and clinical MRI scans. Goal(s): To assess how craniofacial metal implants affect T1 and T2 relaxation time quantification using MRF at 3T. Approach: We conducted experiments on standardized MRI phantoms (ISMRM/NIST) with cranial implants using MRF and traditional T1/T2 mapping sequences. Results: Aneurysm clips had no significant impact on MRF, while cranial plates/screws exhibited mild abnormalities. Galvanized steel strips caused substantial signal anomalies. Impact: Highlighting the importance of considering the influence of metal implants on quantitative MRI results, impacting the accuracy of diagnoses. This research opens the door to further investigations into the development of metal-insensitive MRI sequences.