Abstract Connectomics—the study of brain networks—provides a unique and valuable opportunity to study the brain. Research in human connectomics, leveraging functional and diffusion Magnetic Resonance Imaging (MRI), is a resource-intensive practice. Typical analysis routines require significant computational capabilities and subject matter expertise. Establishing a pipeline that is low-resource, easy to use, and off-the-shelf (can be applied across multifarious datasets without parameter tuning to reliably estimate plausible connectomes), would significantly lower the barrier to entry into connectomics, thereby democratizing the field by empowering a more diverse and inclusive community of connectomists. We therefore introduce ‘MRI to Graphs’ ( m2g ). To illustrate its properties, we used m2g to process MRI data from 35 different studies (≈ 6,000 scans) from 15 sites without any manual intervention or parameter tuning. Every single scan yielded an estimated connectome that adhered to established properties, such as stronger ipsilateral than contralateral connections in structural connectomes, and stronger homotopic than heterotopic correlations in functional connectomes. Moreover, the connectomes estimated by m2g are more similar within individuals than between them, suggesting that m2g preserves biological variability. m2g is portable, and can run on a single CPU with 16 GB of RAM in less than a couple hours, or be deployed on the cloud using its docker container. All code is available on https://github.com/neurodata/m2g and documentation is available on docs.neurodata.io/m2g.

Modern scientific discovery depends on collecting large heterogeneous datasets with many sources of variability, and applying domain-specific pipelines from which one can draw insight or clinical utility. For example, macroscale connectomics studies require complex pipelines to process raw functional or diffusion data and estimate connectomes. Individual studies tend to customize pipelines to their needs, raising concerns about their reproducibility, and adding to a longer list of factors that may differ across studies (including sampling, experimental design, and data acquisition protocols), resulting in failures to replicate. Mitigating these issues requires multi-study datasets and the development of pipelines that can be applied across them. We developed NeuroData's MRI to Graphs (NDMG) pipeline using several functional and diffusion studies, including the Consortium for Reliability and Reproducibility, to estimate connectomes. Without any manual intervention or parameter tuning, NDMG ran on 25 different studies (~6,000 scans) from 15 sites, with each scan resulting in a biologically plausible connectome (as assessed by multiple quality assurance metrics at each processing stage). For each study, the connectomes from NDMG are more similar within than across individuals, indicating that NDMG is preserving biological variability. Moreover, the connectomes exhibit near perfect consistency for certain connectional properties across every scan, individual, study, site, and modality; these include stronger ipsilateral than contralateral connections and stronger homotopic than heterotopic connections. Yet, the magnitude of the differences varied across individuals and studies - much more so when pooling data across sites, even after controlling for study, site, and basic demographic variables (i.e., age, sex, and ethnicity). This indicates that other experimental variables (possibly those not measured or reported) are contributing to this variability, which if not accounted for can limit the value of aggregate datasets, as well as expectations regarding the accuracy of findings and likelihood of replication. We, therefore, provide a set of principles to guide the development of pipelines capable of pooling data across studies while maintaining biological variability and minimizing measurement error. This open science approach provides us with an opportunity to understand and eventually mitigate spurious results for both past and future studies.

Cerebrovascular dysfunction following mild traumatic brain injury (mTBI) is understudied relative to other microstructural injuries, especially during neurodevelopment. The blood-oxygen level dependent response was used to investigate cerebrovascular reactivity (CVR) in response to hypercapnia following pediatric mTBI (pmTBI; ages 8–18 years), as well as pseudocontinuous arterial spin labeling to measure cerebral blood flow (CBF). Data were collected ∼1-week (N = 107) and 4 months (N = 73) post-injury. Sex- and age-matched healthy controls (HC) underwent identical examinations at comparable time points (N = 110 and N = 91). Subtle clinical and cognitive deficits existed at ∼1 week that resolved for some, but not all domains at 4 months post-injury. At both visits, pmTBI showed an increased maximal fit between end-tidal CO 2 regressor and the cerebrovascular response across multiple regions (primarily fronto-temporal), as well as increased latency to maximal fit in independent regions (primarily posterior). Hypoperfusion was also noted within the bilateral cerebellum. A biphasic relationship existed between CVR amplitude and age (i.e., positive until 14.5 years, negative thereafter) in both gray and white matter, but these neurodevelopment effects did not moderate injury effects. CVR metrics were not associated with post-concussive symptoms or cognitive deficits. In conclusion, cerebrovascular dysfunction may persist for up to four months following pmTBI.

Neuroinflammation is a key component underlying multiple neurological disorders, yet non-invasive and cost-effective assessment of in vivo neuroinflammatory processes in the central nervous system remains challenging. Diffusion weighted magnetic resonance spectroscopy (dMRS) has shown promise in addressing these challenges by measuring diffusivity properties of different neurometabolites, which can reflect cell-specific morphologies. Prior work has demonstrated dMRS utility in capturing microglial reactivity in the context of lipopolysaccharide (LPS) challenges and serious neurological disorders, detected as changes of microglial neurometabolite diffusivity properties. However, the extent to which such dMRS metrics are capable of detecting subtler and more nuanced levels of neuroinflammation in populations without overt neuropathology is unknown. Here we examined the relationship between intrinsic, gut-derived levels of systemic LPS and dMRS-based apparent diffusion coefficients (ADC) of choline, creatine, and N-acetylaspartate (NAA) in two brain regions: the thalamus and the corona radiata. Higher plasma LPS concentrations were significantly associated with increased ADC of choline and NAA in the thalamic region, with no such relationships observed in the corona radiata for any of the metabolites examined. As such, dMRS may have the sensitivity to measure microglial reactivity across populations with highly variable levels of neuroinflammation, and holds promising potential for widespread applications in both research and clinical settings.