Abstract Understanding how cognitive functions emerge from brain structure depends on quantifying how discrete regions are integrated within the broader cortical landscape. Recent work established that macroscale brain organization and function can be described in a compact manner with multivariate machine learning approaches that identify manifolds often described as cortical gradients. By quantifying topographic principles of macroscale organization, cortical gradients lend an analytical framework to study structural and functional brain organization across species, throughout development and aging, and its perturbations in disease. Here, we present BrainSpace, a Python/Matlab toolbox for (i) the identification of gradients, (ii) their alignment, and (iii) their visualization. Our toolbox furthermore allows for controlled association studies between gradients with other brain-level features, adjusted with respect to null models that account for spatial autocorrelation. Validation experiments demonstrate the usage and consistency of our tools for the analysis of functional and microstructural gradients across different spatial scales.

The white matter architecture of the brain imparts a distinct signature on neuronal coactivation patterns. Interregional projections promote synchrony among distant neuronal populations, giving rise to richly patterned functional networks. A variety of statistical, communication, and biophysical models have been proposed to study the relationship between brain structure and function, but the link is not yet known. In the present report we seek to relate the structural and functional connection profiles of individual brain areas. We apply a simple multilinear model that incorporates information about spatial proximity, routing, and diffusion between brain regions to predict their functional connectivity. We find that structure–function relationships vary markedly across the neocortex. Structure and function correspond closely in unimodal, primary sensory, and motor regions, but diverge in transmodal cortex, particularly the default mode and salience networks. The divergence between structure and function systematically follows functional and cytoarchitectonic hierarchies. Altogether, the present results demonstrate that structural and functional networks do not align uniformly across the brain, but gradually uncouple in higher-order polysensory areas.

While the role of cortical microstructure in organising neural function is well established, it remains unclear how structural constraints can give rise to more flexible elements of cognition. While nonhuman primate research has demonstrated a close structure–function correspondence, the relationship between microstructure and function remains poorly understood in humans, in part because of the reliance on post mortem analyses, which cannot be directly related to functional data. To overcome this barrier, we developed a novel approach to model the similarity of microstructural profiles sampled in the direction of cortical columns. Our approach was initially formulated based on an ultra-high–resolution 3D histological reconstruction of an entire human brain and then translated to myelin-sensitive magnetic resonance imaging (MRI) data in a large cohort of healthy adults. This novel method identified a system-level gradient of microstructural differentiation traversing from primary sensory to limbic regions that followed shifts in laminar differentiation and cytoarchitectural complexity. Importantly, while microstructural and functional gradients described a similar hierarchy, they became increasingly dissociated in transmodal default mode and fronto–parietal networks. Meta-analytic decoding of these topographic dissociations highlighted involvement in higher-level aspects of cognition, such as cognitive control and social cognition. Our findings demonstrate a relative decoupling of macroscale functional from microstructural gradients in transmodal regions, which likely contributes to the flexible role these regions play in human cognition.

One paradox of autism is the co-occurrence of deficits in sensory and higher-order socio-cognitive processing. Here, we examined whether these phenotypical patterns may relate to an overarching system-level imbalance-specifically a disruption in macroscale hierarchy affecting integration and segregation of unimodal and transmodal networks. Combining connectome gradient and stepwise connectivity analysis based on task-free functional magnetic resonance imaging (fMRI), we demonstrated atypical connectivity transitions between sensory and higher-order default mode regions in a large cohort of individuals with autism relative to typically-developing controls. Further analyses indicated that reduced differentiation related to perturbed stepwise connectivity from sensory towards transmodal areas, as well as atypical long-range rich-club connectivity. Supervised pattern learning revealed that hierarchical features predicted deficits in social cognition and low-level behavioral symptoms, but not communication-related symptoms. Our findings provide new evidence for imbalances in network hierarchy in autism, which offers a parsimonious reference frame to consolidate its diverse features.

Abstract Neurodevelopmental disorders have a heritable component and are associated with region specific alterations in brain anatomy. However, it is unclear how genetic risks for neurodevelopmental disorders are translated into spatially patterned brain vulnerabilities. Here, we integrated cortical neuroimaging data from patients with neurodevelopmental disorders caused by genomic copy number variations (CNVs) and gene expression data from healthy subjects. For each of the six investigated disorders, we show that spatial patterns of cortical anatomy changes in youth are correlated with cortical spatial expression of CNV genes in neurotypical adults. By transforming normative bulk-tissue cortical expression data into cell-type expression maps, we link anatomical change maps in each analysed disorder to specific cell classes as well as the CNV-region genes they express. Our findings reveal organizing principles that regulate the mapping of genetic risks onto regional brain changes in neurogenetic disorders. Our findings will enable screening for candidate molecular mechanisms from readily available neuroimaging data.

Summary While the role of cortical microstructure in organising neural function is well established, it remains unclear how structural constraints can give rise to more flexible elements of cognition. While non-human primate research has demonstrated a close structure-function correspondence, the relationship between microstructure and function remains poorly understood in humans, in part because of the reliance on post mortem analyses which cannot be directly related to functional data. To overcome this barrier, we developed a novel approach to model the similarity of microstructural profiles sampled in the direction of cortical columns. Our approach was initially formulated based on an ultra-high-resolution 3D histological reconstruction of an entire human brain and then translated to myelin-sensitive MRI data in a large cohort of healthy adults. This novel method identified a system-level gradient of microstructural differentiation traversing from primary sensory to limbic regions that followed shifts in laminar differentiation and cytoarchitectural complexity. Importantly, while microstructural and functional gradients described a similar hierarchy, they became increasingly dissociated in transmodal default mode and fronto-parietal networks. Meta analytic decoding of these topographic dissociations highlighted involvement in higher-level aspects of cognition such as cognitive control and social cognition. Our findings demonstrate a relative decoupling of macroscale functional from microstructural gradients in transmodal regions, which likely contributes to the flexible role these regions play in human cognition.

Abstract Understanding how higher order cognitive function emerges from the underlying brain structure depends on quantifying how the behaviour of discrete regions are integrated within the broader cortical landscape. Recent work has established that this macroscale brain organization and function can be quantified in a compact manner through the use of multivariate machine learning approaches that identify manifolds often described as cortical gradients. By quantifying topographic principles of macroscale organization, cortical gradients lend an analytical framework to study structural and functional brain organization across species, throughout development and aging, and its perturbations in disease. More generally, its macroscale perspective on brain organization offers novel possibilities to investigate the complex relationships between brain structure, function, and cognition in a quantified manner. Here, we present a compact workflow and open-access toolbox that allows for (i) the identification of gradients (from structural or functional imaging data), (ii) their alignment (across subjects or modalities), and (iii) their visualization (in embedding or cortical space). Our toolbox also allows for controlled association studies between gradients with other brain-level features, adjusted with respect to several null models that account for spatial autocorrelation. The toolbox is implemented in both Python and Matlab, programming languages widely used by the neuroimaging and network neuroscience communities. Several use-case examples and validation experiments demonstrate the usage and consistency of our tools for the analysis of functional and microstructural gradients across different spatial scales.

Abstract Neurodevelopmental disorders are highly heritable and associated with spatially-selective disruptions of brain anatomy. The logic that translates genetic risks into spatially patterned brain vulnerabilities remains unclear but is a fundamental question in disease pathogenesis. Here, we approach this question by integrating (i) in vivo neuroimaging data from patient subgroups with known causal genomic copy number variations (CNVs), and (ii) bulk and single-cell gene expression data from healthy cortex. First, for each of six different CNV disorders, we show that spatial patterns of cortical anatomy change in youth are correlated with spatial patterns of expression for CNV region genes in bulk cortical tissue from typically-developing adults. Next, by transforming normative bulk-tissue cortical expression data into cell-type expression maps, we further link each disorder’s anatomical change map to specific cell classes and specific CNV-region genes that these cells express. Finally, we establish convergent validity of this “transcriptional vulnerability model” by inter-relating patient neuroimaging data with measures of altered gene expression in both brain and blood-derived patient tissue. Our work clarifies general biological principles that govern the mapping of genetic risks onto regional brain disruption in neurodevelopmental disorders. We present new methods that can harness these principles to screen for potential cellular and molecular determinants of disease from readily available patient neuroimaging data.

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

A bstract Multimodal neuroimaging grants a powerful window into the structure and function of the human brain at multiple scales. Recent methodological and conceptual advances have enabled investigations of the interplay between large-scale spatial trends (also referred to as gradients) in brain microstructure and connectivity, offering an integrative framework to study multiscale brain organization. Here, we share a multimodal MRI dataset for Microstructure-Informed Connectomics (MICA-MICs) acquired in 50 healthy adults (23 women; 29.54±5.62 years) who underwent high-resolution T1-weighted MRI, myelin-sensitive quantitative T1 relaxometry, diffusion-weighted MRI, and resting-state functional MRI at 3 Tesla. In addition to raw anonymized MRI data, this release includes brain-wide connectomes derived from i) resting-state functional imaging, ii) diffusion tractography, iii) microstructure covariance analysis, and iv) geodesic cortical distance, gathered across multiple parcellation scales. Alongside, we share large-scale gradients estimated from each modality and parcellation scale. Our dataset will facilitate future research examining the coupling between brain microstructure, connectivity, and macroscale function. MICA-MICs is available on the Canadian Open Neuroscience Platform’s data portal ( https://portal.conp.ca ).