Alterations in white matter (WM) microstructure have been implicated in the pathophysiology of major depressive disorder (MDD). However, previous findings have been inconsistent, partially due to low statistical power and the heterogeneity of depression. In the largest multi-site study to date, we examined WM anisotropy and diffusivity in 1305 MDD patients and 1602 healthy controls (age range 12–88 years) from 20 samples worldwide, which included both adults and adolescents, within the MDD Working Group of the Enhancing Neuroimaging Genetics through Meta-Analysis (ENIGMA) consortium. Processing of diffusion tensor imaging (DTI) data and statistical analyses were harmonized across sites and effects were meta-analyzed across studies. We observed subtle, but widespread, lower fractional anisotropy (FA) in adult MDD patients compared with controls in 16 out of 25 WM tracts of interest (Cohen's d between 0.12 and 0.26). The largest differences were observed in the corpus callosum and corona radiata. Widespread higher radial diffusivity (RD) was also observed (all Cohen's d between 0.12 and 0.18). Findings appeared to be driven by patients with recurrent MDD and an adult age of onset of depression. White matter microstructural differences in a smaller sample of adolescent MDD patients and controls did not survive correction for multiple testing. In this coordinated and harmonized multisite DTI study, we showed subtle, but widespread differences in WM microstructure in adult MDD, which may suggest structural disconnectivity in MDD.

Abstract Major depressive disorder (MDD) is associated with an increased risk of brain atrophy, aging-related diseases, and mortality. We examined potential advanced brain aging in adult MDD patients, and whether this process is associated with clinical characteristics in a large multicenter international dataset. We performed a mega-analysis by pooling brain measures derived from T1-weighted MRI scans from 19 samples worldwide. Healthy brain aging was estimated by predicting chronological age (18–75 years) from 7 subcortical volumes, 34 cortical thickness and 34 surface area, lateral ventricles and total intracranial volume measures separately in 952 male and 1236 female controls from the ENIGMA MDD working group. The learned model coefficients were applied to 927 male controls and 986 depressed males, and 1199 female controls and 1689 depressed females to obtain independent unbiased brain-based age predictions. The difference between predicted “brain age” and chronological age was calculated to indicate brain-predicted age difference (brain-PAD). On average, MDD patients showed a higher brain-PAD of +1.08 (SE 0.22) years (Cohen’s d = 0.14, 95% CI: 0.08–0.20) compared with controls. However, this difference did not seem to be driven by specific clinical characteristics (recurrent status, remission status, antidepressant medication use, age of onset, or symptom severity). This highly powered collaborative effort showed subtle patterns of age-related structural brain abnormalities in MDD. Substantial within-group variance and overlap between groups were observed. Longitudinal studies of MDD and somatic health outcomes are needed to further assess the clinical value of these brain-PAD estimates.

Abstract Results of neuroimaging datasets aggregated from multiple sites may be biased by site- specific profiles in participants’ demographic and clinical characteristics, as well as MRI acquisition protocols and scanning platforms. We compared the impact of four different harmonization methods on results obtained from analyses of cortical thickness data: (1) linear mixed-effects model (LME) that models site-specific random intercepts (LME INT ), (2) LME that models both site-specific random intercepts and age-related random slopes (LME INT+SLP ), (3) ComBat, and (4) ComBat with a generalized additive model (ComBat-GAM). Our test case for comparing harmonization methods was cortical thickness data aggregated from 29 sites, which included 1,343 cases with posttraumatic stress disorder (PTSD) (6.2-81.8 years old) and 2,067 trauma-exposed controls without PTSD (6.3-85.2 years old). We found that, compared to the other data harmonization methods, data processed with ComBat-GAM were more sensitive to the detection of significant case-control differences in regional cortical thickness ( X 2 (3) = 34.339, p < 0.001), and case-control differences in age-related cortical thinning ( X 2 (3) = 15.128, p = 0.002). Specifically, ComBat-GAM led to larger effect size estimates of cortical thickness reductions (corrected p-values < 0.001 ), smaller age-appropriate declines (corrected p-values < 0.001 ), and lower female to male contrast (corrected p-values < 0.001 ) in cases compared to controls relative to other harmonization methods. Harmonization with ComBat-GAM also led to greater estimates of age-related declines in cortical thickness (corrected p-values < 0.001 ) in both cases and controls compared to other harmonization methods. Our results support the use of ComBat-GAM for harmonizing cortical thickness data aggregated from multiple sites and scanners to minimize confounds and increase statistical power.

Abstract The characteristic endogenous circadian rhythm of plasma glucocorticoid concentrations is made up from an underlying ultradian pulsatile secretory pattern. Recent evidence has indicated that this ultradian cortisol pulsatility is crucial for normal emotional response in man. In this study, we investigate the anatomical transcriptional and cell type signature of brain regions sensitive to a loss of ultradian rhythmicity in the context of emotional processing. We combine human cell type and transcriptomic atlas data of high spatial resolution with functional magnetic resonance imaging (fMRI) data. We show that the loss of cortisol ultradian rhythm alters emotional processing response in cortical brain areas that are characterized by transcriptional and cellular profiles of GABAergic function. We find that two previously identified key components of rapid non-genomic GC signaling – the ANXA1 gene and retrograde endocannabinoid signaling – show top differential expression and the most significant enrichment. Our results further indicate that specific cell types, including a specific NPY-expressing GABAergic neuronal cell type, and specific G protein signaling cascades underly the cerebral effects of a loss of ultradian cortisol rhythm. Our results provide a biological mechanistic underpinning of our fMRI findings, indicating specific cell types and cascades as a target for manipulation in future experimental studies.

Background: Major depressive disorder (MDD) is associated with an increased risk of brain atrophy, aging-related diseases, and mortality. We examined potential advanced brain aging in MDD patients, and whether this process is associated with clinical characteristics in a large multi-center international dataset. Methods: We performed a mega-analysis by pooling brain measures derived from T1-weighted MRI scans from 29 samples worldwide. Normative brain aging was estimated by predicting chronological age (10-75 years) from 7 subcortical volumes, 34 cortical thickness and 34 surface area, lateral ventricles and total intracranial volume measures separately in 1,147 male and 1,386 female controls from the ENIGMA MDD working group. The learned model parameters were applied to 1,089 male controls and 1,167 depressed males, and 1,326 female controls and 2,044 depressed females to obtain independent unbiased brain-based age predictions. The difference between predicted brain age and chronological age was calculated to indicate brain predicted age difference (brain-PAD). Findings: On average, MDD patients showed a higher brain-PAD of +0.90 (SE 0.21) years (Cohen's d=0.12, 95% CI 0.06-0.17) compared to controls. Relative to controls, first-episode and currently depressed patients showed higher brain-PAD (+1.2 [0.3] years), and the largest effect was observed in those with late-onset depression (+1.7 [0.7] years). In addition, higher brain-PAD was associated with higher self-reported depressive symptomatology (b=0.05, p=0.004). Interpretation: This highly powered collaborative effort showed subtle patterns of abnormal structural brain aging in MDD. Substantial within-group variance and overlap between groups were observed. Longitudinal studies of MDD and somatic health outcomes are needed to further assess the predictive value of these brain-PAD estimates.

Abstract Background Current clinical assessments of Posttraumatic stress disorder (PTSD) rely solely on subjective symptoms and experiences reported by the patient, rather than objective biomarkers of the illness. Recent advances in data-driven computational approaches have been helpful in devising tools to objectively diagnose psychiatric disorders. Here we aimed to classify individuals with PTSD versus controls using heterogeneous brain datasets from the ENIGMA-PGC PTSD Working group. Methods We analyzed brain MRI data from 3,527 structural-MRI; 2,502 resting state-fMRI; and 1,953 diffusion-MRI. First, we identified the brain features that best distinguish individuals with PTSD from controls (TEHC and HC) using traditional machine learning methods. Second, we assessed the utility of the denoising variational autoencoder (DVAE) and evaluated its classification performance. Third, we assessed the generalizability and reproducibility of both models using leave-one-site-out cross-validation procedure for each modality. Results We found lower performance in classifying PTSD vs. controls with data from over 20 sites (60% test AUC for s-MRI, 59% for rs-fMRI and 56% for d-MRI), as compared to other studies run on single-site data. The performance increased when classifying PTSD from HC without trauma history across all three modalities (75% AUC). The classification performance remained intact when applying the DVAE framework, which reduced the number of features. Finally, we found that the DVAE framework achieved better generalization to unseen datasets compared with the traditional machine learning frameworks, albeit performance was slightly above chance. Conclusion Our findings highlight the promise offered by machine learning methods for the diagnosis of patients with PTSD. The utility of brain biomarkers across three MRI modalities and the contribution of DVAE models for improving generalizability offers new insights into neural mechanisms involved in PTSD. Significance ⍰ Classifying PTSD from trauma-unexposed healthy controls (HC) using three imaging modalities performed well (∼75% AUC), but performance suffered markedly when classifying PTSD from trauma-exposed healthy controls (TEHC) using three imaging modalities (∼60% AUC). ⍰ Using deep learning for feature reduction (denoising variational auto-encoder; DVAE) dramatically reduced the number of features with no concomitant performance degradation. ⍰ Utilizing denoising variational autoencoder (DVAE) models improves generalizability across heterogeneous multi-site data compared with the traditional machine learning frameworks

PTSD and depression commonly co-occur and have been associated with smaller hippocampal volumes compared to healthy and trauma-exposed controls. However, the hippocampus is heterogeneous, with subregions that may be uniquely affected in individuals with PTSD and depression. We used random effects regressions and a harmonized neuroimaging protocol based on FreeSurfer (v6.0) to identify sub-structural hippocampal markers of current PTSD (C-PTSD), depression, and the interaction of these conditions across 31 cohorts worldwide (N=3,115; Mage=38.9, SD=13.9 years). Secondary analyses tested these associations by sex and after modeling the simultaneous effects of remitted PTSD, childhood trauma, mild traumatic brain injury, and alcohol use disorder on hippocampal subfields. A significant negative main effect of depression (n=800, vs. no depression, n=1456) was observed in the hippocampal tail (beta=-0.13) and CA1 (beta=-0.09) after adjusting for covariates and multiple testing (FDR-adjusted p-values (q)=0.028). A main effect of C-PTSD (n=1042, vs. control, n=1359) was not significant, but an interaction between C-PTSD and depression was significant in the CA1 (beta=-0.24, q=0.044). Pairwise comparisons revealed significantly smaller CA1 volumes in individuals with C-PTSD+Depression than controls (beta=-0.12, q=0.012), C-PTSD-only (beta=-0.17, q=0.001), and Depression-only (beta=-0.18, q=0.023). Follow-up analyses revealed sex effects in the hippocampal tail of depressed females, and an interaction effect of C-PTSD and depression in the fimbria of males. Collectively our results suggest that depression is a stronger predictor of hippocampal volumetry than PTSD, particularly in the CA1, and provide compelling evidence of distinct and more pronounced hippocampal phenotypes in comorbid PTSD and depression compared to either condition alone.