ABSTRACT Brain structure scaffolds intrinsic function, supporting cognition and ultimately behavioral flexibility. However, it remains unclear how a static, genetically controlled architecture supports flexible cognition and behavior. Here, we synthesize genetic, phylogenetic and cognitive analyses to understand how the macroscale organization of structure-function coupling across the cortex can inform its role in cognition. In humans, structure-function coupling was highest in regions of unimodal cortex and lowest in transmodal cortex, a pattern that was mirrored by a reduced alignment with heritable connectivity profiles. Structure-function uncoupling in non-human primates had a similar spatial distribution, but we observed an increased coupling between structure and function in association regions in macaques relative to humans. Meta-analysis suggested regions with the least genetic control (low heritable correspondence and different across primates) are linked to social cognition and autobiographical memory. Our findings establish the genetic and evolutionary uncoupling of structure and function in different transmodal systems may support the emergence of complex, culturally embedded forms of cognition.

Abstract Background While functional connectivity is widely studied, there has been little work studying functional connectivity at different spatial scales. Likewise, the relationship of functional connectivity between spatial scales is unknown. Methods We proposed an independent component analysis (ICA) - based approach to capture information at multiple model orders (component numbers) and to evaluate functional network connectivity (FNC) both within and between model orders. We evaluated the approach by studying group differences in the context of a study of resting fMRI (rsfMRI) data collected from schizophrenia (SZ) individuals and healthy controls (HC). The predictive ability of FNC at multiple spatial scales was assessed using support vector machine (SVM)-based classification. Results In addition to consistent predictive patterns at both multiple-model orders and single model orders, unique predictive information was seen at multiple-model orders and in the interaction between model orders. We observed that the FNC between model order 25 and 50 maintained the highest predictive information between HC and SZ. Results highlighted the predictive ability of the somatomotor and visual domains both within and between model orders compared to other functional domains. Also, subcortical-somatomotor, temporal-somatomotor, and temporal-subcortical FNCs had relatively high weights in predicting SZ. Conclusions In sum, multi-model order ICA provides a more comprehensive way to study FNC, produces meaningful and interesting results which are applicable to future studies. We shared the spatial templates from this work at different model orders to provide a reference for the community, which can be leveraged in regression-based or fully automated (spatially constrained) ICA approaches. Impact Statement Multi-model order ICA provides a comprehensive way to study brain functional network connectivity within and between multiple spatial scales, highlighting findings that would have been ignored in single model order analysis. This work expands upon and adds to the relatively new literature on resting fMRI-based classification and prediction. Results highlighted the differentiating power of specific intrinsic connectivity networks on classifying brain disorders of schizophrenia patients and healthy participants, at different spatial scales. The spatial templates from this work provide a reference for the community, which can be leveraged in regression-based or fully automated ICA approaches.

Abstract The structure of the brain’s cortical folds varies considerably in human populations. Specific patterns of cortical variation arise with development and aging, and cortical traits are partially influenced by genetic factors. The degree to which genetic factors affect cortical folding patterning remains unknown, yet may be estimated with large-scale in-vivo brain MRI. Using multiple MRI datasets from around the world, we estimated the reliability and heritability of sulcal morphometric characteristics including length, depth, width, and surface area, for 61 sulci per hemisphere of the human brain. Reliability was assessed across four distinct test-retest datasets. We meta-analyzed the heritability across three independent family-based cohorts (N > 3,000), and one cohort of largely unrelated individuals (N~9,000) to examine the robustness of our findings. Reliability was high (interquartile range for ICC: 0.65−0.85) for sulcal metrics. Most sulcal measures were moderately to highly heritable (heritability estimates = 0.3−0.7). These genetic influences vary regionally, with the earlier forming sulci having higher heritability estimates. The central sulcus, the subcallosal and the collateral fissure were the most highly heritable regions. For some frontal and temporal sulci, left and right genetic influences did not completely overlap, suggesting some lateralization of genetic effects on the cortex.

The advent of simultaneously collected imaging-genetics data in large study cohorts provides an unprecedented opportunity to assess the causal effect of brain imaging traits on externally measured experimental results (e.g., cognitive tests) by treating genetic variants as instrumental variables. However, classic Mendelian Randomization methods are limited when handling high-throughput imaging traits as exposures to identify causal effects. We propose a new Mendelian Randomization framework to jointly select instrumental variables and imaging exposures, and then estimate the causal effect of multivariable imaging data on the outcome. We validate the proposed method with extensive data analyses and compare it with existing methods. We further apply our method to evaluate the causal effect of white matter microstructure integrity on cognitive function. The findings suggest that our method achieved better performance regarding sensitivity, bias, and false discovery rate compared to individually assessing the causal effect of a single exposure and jointly assessing the causal effect of multiple exposures without dimension reduction. Our application results indicated that WM measures across different tracts have a joint causal effect that significantly impacts the cognitive function among the participants from the UK Biobank.

Abstract Brain functional networks identified from resting fMRI data have the potential to reveal biomarkers for brain disorders, but studies of complex mental illnesses such as schizophrenia (SZ) often yield mixed results across replication studies. This is likely due in part to the complexity of the disorder, the short data acquisition time, and the limited ability of the approaches for brain imaging data mining. Therefore, the use of analytic approaches which can both capture individual variability while offering comparability across analyses is highly preferred. Fully blind data-driven approaches such as independent component analysis (ICA) are hard to compare across studies, and approaches that use fixed atlas-based regions can have limited sensitivity to individual sensitivity. By contrast, spatially constrained ICA (scICA) provides a hybrid, fully automated solution that can incorporate spatial network priors while also adapting to new subjects. However, scICA has thus far only been used with a single spatial scale. In this work, we present an approach using scICA to extract subject-specific intrinsic connectivity networks (ICNs) from fMRI data at multiple spatial scales (ICA model orders), which also enables us to study interactions across spatial scales. We evaluate this approach using a large N (N>1,600) study of schizophrenia divided into separate validation and replication sets. A multi-scale ICN template was estimated and labeled, then used as input into spatially constrained ICA which was computed on an individual subject level. We then performed a subsequent analysis of multiscale functional network connectivity (msFNC) to evaluate the patient data, including group differences and classification. Results showed highly consistent group differences in msFNC in regions including cerebellum, thalamus, and motor/auditory networks. Importantly, multiple msFNC pairs linking different spatial scales were implicated. We also used the msFNC features as input to a classification model in cross-validated hold-out data and also in an independent test data. Visualization of predictive features was performed by evaluating their feature weights. Finally, we evaluated the relationship of the identified patterns to positive symptoms and found consistent results across datasets. The results verified the robustness of our framework in evaluating brain functional connectivity of schizophrenia at multiple spatial scales, implicated consistent and replicable brain networks, and highlighted a promising approach for leveraging resting fMRI data for brain biomarker development.

Abstract Local variation in cortical architecture is highly heritable and distinct genes are associated with specific cortical regions. Total surface area has been shown to be genetically correlated with complex cognitive capacities, suggesting cortical brain structure is a viable endophenotype linking genes to behavior. However, to what extend local brain structure has a genetic association with cognitive and emotional functioning is incompletely understood. Here, we study the genetic correlation between personality traits and local cortical structure in a large-scale twin sample (Human Connectome Project, n=1106, 22-37y). We found a genetic overlap between personality traits and local cortical structure in 10 of 17 observed phenotypic associations in predominantly frontal cortices. To evaluate the robustness of observed personality-brain associations we studied two independent age-matched samples (GSP: n=926, age=19-35y, eNKI: n=210, age: 19-39y). We observed anecdotal to moderate evidence for a successful replication of the negative association between surface area in medial prefrontal cortex and Neuroticism in both samples. Quantitative functional decoding indicated this region is implicated in emotional and socio-cognitive functional processes. In sum, our observations suggest that associations between local brain structure and personality are, in part, under genetic control. However, associations are weak and only the relation between frontal surface area and Neuroticism was consistently observed across three independent samples of young adults.

The blood-brain barrier (BBB) plays a pivotal role in protecting the central nervous system (CNS), shielding it from potential harmful entities. A natural decline of BBB function with aging has been reported in both animal and human studies, which may contribute to cognitive decline and neurodegenerative disorders. Limited data also suggest that being female may be associated with protective effects on BBB function. Here we investigated age and sex-dependent trajectories of perfusion and BBB water exchange rate (kw) across the lifespan in 186 cognitively normal participants spanning the ages of 8 to 92 years old, using a novel non-invasive diffusion prepared pseudo-continuous arterial spin labeling (DP-pCASL) MRI technique. We found that the pattern of BBB kw decline with aging varies across brain regions. Moreover, results from our novel DP-pCASL technique revealed a remarkable decline in BBB kw beginning in the early 60s, which was more pronounced in males. In addition, we observed sex differences in parietotemporal and hippocampal regions. Our findings provide in vivo results demonstrating sex differences in the decline of BBB function with aging, which may serve as a foundation for future investigations into perfusion and BBB function in neurodegenerative and other brain disorders.

Abstract With the increasing availability of large-scale multimodal neuroimaging datasets, it is necessary to develop data fusion methods which can extract cross-modal features. A general framework, multidataset independent subspace analysis (MISA), has been developed to encompass multiple blind source separation approaches and identify linked cross-modal sources in multiple datasets. In this work we utilized the multimodal independent vector analysis model in MISA to directly identify meaningful linked features across three neuroimaging modalities — structural magnetic resonance imaging (MRI), resting state functional MRI and diffusion MRI — in two large independent datasets, one comprising of control subjects and the other including patients with schizophrenia. Results show several linked subject profiles (the sources/components) that capture age-associated decline, schizophrenia-related biomarkers, sex effects, and cognitive performance. For sources associated with age, both shared and modality-specific brain-age deltas were evaluated for association with non-imaging variables. In addition, each set of linked sources reveals a corresponding set of multi-tissue spatial patterns that can be studied jointly.

Abstract Despite increasing interest in the dynamics of functional brain networks, most studies focus on the changing relationships over time between spatially static networks or regions. Here we propose an approach to study dynamic spatial brain networks in human resting state functional magnetic resonance imaging (rsfMRI) data and evaluate the temporal changes in the volumes of these 4D networks. Our results show significant volumetric coupling (i.e., synchronized shrinkage and growth) between networks during the scan, that we refer to as dynamic spatial network connectivity (dSNC). We find that several features of such dynamic spatial brain networks are associated with cognition, with higher dynamic variability in these networks and higher volumetric coupling between network pairs positively associated with cognitive performance. We show that these networks are modulated differently in individuals with schizophrenia versus typical controls, resulting in network growth or shrinkage, as well as altered focus of activity within a network. Schizophrenia also shows lower spatial dynamical variability in several networks, and lower volumetric coupling between pairs of networks, thus upholding the role of dynamic spatial brain networks in cognitive impairment seen in schizophrenia. Our data show evidence for the importance of studying the typically overlooked voxel‐wise changes within and between brain networks.

Structural and functional characteristics of the cortex systematically vary along global axes as a function of cytoarchitecture, gene expression, and connectivity. The topology of the cerebral cortex has been proposed to be a prerequisite for the emergence of human cognition and explain both the impact and progression of pathology. However, the neurogenetic origin of these organizational axes in humans remains incompletely understood. To address this gap in the literature our current study assessed macro scale cortical organization through an unsupervised machine learning analysis of cortical thickness covariance patterns and used converging methods to evaluate its genetic basis. In a large-scale sample of twins (n=899) we found structural covariance of thickness to be organized along both an anterior-to-posterior and inferior-to-superior axes. We found that both axes showed a high degree of correspondence in pairs of identical twins, suggesting a strong heritable component in humans. Furthermore, comparing these dimensions in macaques and humans highlighted similar organizational principles in both species demonstrating that these axes of cortical organization are phylogenetically conserved within primate species. Finally, we found that in both humans and macaques the inferior-superior dimension of cortical organization was aligned with the predictions of the dual-origin theory, highlighting the possibility that the macroscale organization of primate brain structure is subject to multiple distinct neurodevelopmental trajectories. Together, our study establishes the genetic basis of natural axes in the cerebral cortex along which structure is organized and so provides important insights into the organization of human cognition that will inform both our understanding of how structure guides function and for the progression of pathology in diseases.