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.

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.

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 ).

Abstract Ageing is commonly associated with changes to segregation and integration of functional brain networks, but, in isolation, current network-based approaches struggle to elucidate changes across the many axes of functional organisation. However, the advent of gradient mapping techniques to neuroimaging provides a new means of studying functional organisation in a multi-dimensional connectivity space. Here, we studied ageing and behaviourally-relevant differences in a three-dimensional connectivity space using the Cambridge Centre for Ageing Neuroscience cohort (n=643). Building on gradient mapping techniques, we developed a set of measures to quantify the dispersion within and between functional communities. We detected a strong shift of the visual network across the lifespan from an extreme to a more central position in the 3D gradient space. In contrast, the dispersion distance of transmodal communities (dorsal attention, ventral attention, frontoparietal and default mode) did not change. However, these communities were increasingly dispersed with increasing age, reflecting more dissimilar functional connectivity profiles within each community. Increasing dispersion of frontoparietal and ventral attention networks, in particular, was associated negatively with cognition, measured by fluid intelligence. By using a technique that explicitly captures the ordering of functional systems in a multi-dimensional hierarchical framework, we identified behaviorally-relevant age-related differences of within and between network organisation. We propose that the study of functional gradients across the lifespan could provide insights that may facilitate the development of new strategies to maintain cognitive ability across the lifespan in health and disease.

Abstract Human brain plastically adapts to environmental demands. Here, we propose that naturally occuring plasticity in certain brain areas should be reflected by higher environmental influence and therefore lower heritability of the structure of those brain areas. Mesulam’s (1998) seminal overview proposed a hierarchy of plasticity, where higher-order multimodal areas should be more plastic than lower-order sensory areas. Using microstructural and functional gradients as proxies for Mesulam’s hierarchy, we seek to test whether these gradients predict heritability of brain structure. We test this model simultaneously across multiple measures of cortical structure and microstructure derived from structural magnet resonance imaging. We also account for multiple other explanations of heritability differences, such as signal-to-noise ratio and spatial autocorrelation. We estimated heritability of brain areas using 984 participants from the Human Connectome Project. Multi-level modelling of heritability differences demonstrated that heritability is explained by both signal quality, as well as by the primary microstructural gradient. Namely, sensory areas had higher heritability and limbic/heteromodal areas had lower heritability. Given the increasing availability of genetically informed imaging data, heritability could be a quick method assess brain plasticity. Highlights (up to 85 chars) Cortical areas vary in heritability. This is seen across structural measures. Heritability differences could be explained by plasticity, topography, or noise. We build a comprehensive model testing many explanations across 5 measures. Heritability is explained by noise and 1 st structural gradient reflecting plasticity. Heritability could be a method to study brain plasticity.

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 The vast net of fibres within and underneath the cortex is optimised to support the convergence of different levels of brain organisation. Here we propose a novel coordinate system of the human cortex based on an advanced model of its connectivity. Our approach is inspired by seminal, but so far largely neglected models of cortico-cortical wiring established by post mortem anatomical studies and capitalizes on cutting-edge neuroimaging and machine learning. The new model expands the currently prevailing diffusion MRI tractography approach by incorporation of additional features of cortical microstructure and cortico-cortical proximity. Studying several datasets, we could show that our coordinate system robustly recapitulates established sensory-limbic and anterior-posterior dimensions of brain organisation. A series of validation experiments showed that the new wiring space reflects cortical microcircuit features (including pyramidal neuron depth and glial expression) and allowed for competitive simulations of functional connectivity and dynamics across a broad range contexts (based on resting-state fMRI, task-based fMRI, and human intracranial EEG coherence). Our results advance our understanding of how cell-specific neurobiological gradients produce a hierarchical cortical wiring scheme that is concordant with increasing functional sophistication of human brain organisation. Our evaluations demonstrate the cortical wiring space bridges across scales of neural organisation and can be easily translated to single individuals.

Brain network hubs are both highly connected and highly inter-connected, forming a critical communication backbone for coherent neural dynamics. The mechanisms driving this organization are poorly understood. Using diffusion-weighted imaging in twins, we identify a major role for genes, showing that they preferentially influence connectivity strength between network hubs of the human connectome. Using transcriptomic atlas data, we show that connected hubs demonstrate tight coupling of transcriptional activity related to metabolic and cytoarchitectonic similarity. Finally, comparing over thirteen generative models of network growth, we show that purely stochastic processes cannot explain the precise wiring patterns of hubs, and that model performance can be improved by incorporating genetic constraints. Our findings indicate that genes play a strong and preferential role in shaping the functionally valuable, metabolically costly connections between connectome hubs.

A bstract Multimodal magnetic resonance imaging (MRI) has accelerated human neuroscience by fostering the analysis of brain structure, function, and connectivity across multiple scales and in living brains. The richness and complexity of multimodal neuroimaging, however, demands processing methods to integrate information across modalities and different spatial scales. Here, we present micapipe , an open processing pipeline for BIDS-conform multimodal MRI datasets. micapipe can generate i) structural connectomes derived from diffusion tractography, ii) functional connectomes derived from resting-state signal correlations, iii) geodesic distance matrices that quantify cortico-cortical proximity, and iv) microstructural profile covariance matrices that assess inter-regional similarity in cortical myelin proxies. These matrices are routinely generated across established 18 cortical parcellations (100-1000 parcels), in addition to subcortical and cerebellar parcellations. Results are represented on three different surface spaces (native, conte69, fsaverage5), and outputs are BIDS-conform. Processed outputs can be quality controlled at the individual and group level. micapipe was tested on several datasets and is available at https://github.com/MICA-MNI/micapipe , documented at https://micapipe.readthedocs.io/ , and containerized as a BIDS App http://bids-apps.neuroimaging.io/apps/ . We hope that micapipe will foster robust and integrative studies of human brain microstructure, morphology, and connectivity.

A bstract Adolescence is a critical time for the continued maturation of brain networks. Here, we assessed structural connectome development in a large longitudinal sample ranging from childhood to young adulthood. By projecting high-dimensional connectomes into compact manifold spaces, we identified a marked expansion of structural connectomes with the strongest effects in transmodal regions during adolescence. Findings reflected increased within-module connectivity together with increased segregation, indicating increasing differentiation of higher-order association networks from the rest of the brain. Projection of subcortico-cortical connectivity patterns into these manifolds showed parallel alterations in pathways centered on the caudate and thalamus. Connectome findings were contextualized via spatial transcriptome association analysis, highlighting genes enriched in cortex, thalamus, and striatum. Statistical learning of cortical and subcortical manifold features at baseline and their maturational change predicted measures of intelligence at follow-up. Our findings demonstrate that connectome manifold learning can bridge the conceptual and empirical gaps between macroscale network reconfigurations, microscale processes, and cognitive outcomes in adolescent development. I mpact Manifold learning of longitudinal brain network data provides novel insights into adolescent structural connectome maturation, and how multiple scales of cortical and subcortical organization interact in typical neurodevelopment.