Prior ex vivo histological postmortem studies of autism spectrum disorder (ASD) have shown gray matter microstructural abnormalities, however, in vivo examination of gray matter microstructure in ASD has remained scarce due to the relative lack of non-invasive methods to assess it. The aim of this work was to evaluate the feasibility of employing diffusional kurtosis imaging (DKI) to describe gray matter abnormalities in ASD in vivo. DKI data were examined for 16 male participants with a diagnosis of ASD and IQ>80 and 17 age- and IQ-matched male typically developing (TD) young adults 18-25 years old. Mean (MK), axial (AK), radial (RK) kurtosis and mean diffusivity (MD) metrics were calculated for lobar and sub-lobar regions of interest. Significantly decreased MK, RK, and MD were found in ASD compared to TD participants in the frontal and temporal lobes and several sub-lobar regions previously associated with ASD pathology. In ASD participants, decreased kurtosis in gray matter ROIs correlated with increased repetitive and restricted behaviors and poor social interaction symptoms. Decreased kurtosis in ASD may reflect a pathology associated with a less restrictive microstructural environment such as decreased neuronal density and size, atypically sized cortical columns, or limited dendritic arborizations.

For many traits, males show greater variability than females, with possible implications for understanding sex differences in health and disease. Here, the ENIGMA (Enhancing Neuro Imaging Genetics through Meta-Analysis) Consortium presents the largest-ever mega-analysis of sex differences in variability of brain structure, based on international data spanning nine decades of life. Subcortical volumes, cortical surface area and cortical thickness were assessed in MRI data of 16,683 healthy individuals 1-90 years old (47% females). We observed patterns of greater male than female between-subject variance for all brain measures. This pattern was stable across the lifespan for 50% of the subcortical structures, 70% of the regional area measures, and nearly all regions for thickness. Our findings that these sex differences are present in childhood implicate early life genetic or gene-environment interaction mechanisms. The findings highlight the importance of individual differences within the sexes, that may underpin sex-specific vulnerability to disorders.

Naturalistic viewing paradigms such as movies have been shown to reduce participant head motion and improve arousal during fMRI scanning relative to task-free rest, and have been used to study both functional connectivity and task-evoked BOLD-signal changes. These task-evoked changes result in cortical activity that is synchronized across subjects and involves large areas of the cortex, and it is unclear whether individual differences in functional connectivity are enhanced or diminished under such naturalistic conditions. This work first aims to characterize variability in functional connectivity (FC) across two distinct movie conditions and eyes-open rest (n=34 healthy adults, 2 scan sessions each). At the whole-brain level, we found that movies have higher intra- and inter-subject correlations in cluster-wise FC relative to rest. The anatomical distribution of inter-subject variability was similar across conditions, with higher variability occurring at the lateral prefrontal lobes and temporoparietal junctions. Second, we used an unsupervised test-retest matching (or “finger- printing”) algorithm that identifies individual subjects from within a group based on functional connectivity patterns, quantifying the accuracy of the algorithm across the three conditions. We also evaluated the impact of parcellation resolution, scan duration, and number of edges on observed inter-individual differences. The movies and resting state all enabled identification of individual subjects based on FC matrices, with accuracies between 62 and 100%. Overall, pairings involving movies outperformed rest, and the more social and faster-paced movie attained 100% accuracy. When the parcellation resolution, scan duration and number of edges used were increased, accuracies improved across conditions, and the pattern of movies>rest was preserved. These results suggest that using dynamic stimuli such as movies enhances the detection of FC patterns that are distinct at the individual level.

Background: Data-driven approaches can capture behavioral and biological variation currently unaccounted for by contemporary diagnostic categories, thereby enhancing the ability of neurobiological studies to characterize brain-behavior relationships. Methods: A community-ascertained sample of individuals (N=347, ages 18-59) completed a battery of behavioral measures, psychiatric assessment, and resting state functional magnetic resonance imaging (R-fMRI) in a cross-sectional design. Bootstrap-based exploratory factor analysis was applied to 49 phenotypic subscales from 10 measures. Hybrid Hierarchical Clustering was applied to resultant factor scores to identify nested groups. Adjacent groups were compared via independent samples t-tests and chi-square tests of factor scores, syndrome scores, and psychiatric prevalence. Multivariate Distance Matrix Regression examined functional connectome differences between adjacent groups. Results: Reduction yielded six factors, which explained 77.8% and 65.4% of the variance in exploratory and constrained exploratory models, respectively. Hybrid Hierarchical Clustering of these 6 factors identified 2, 4, and 8 nested groups (i.e., phenotypic communities). At the highest clustering level, the algorithm differentiated functionally adaptive and maladaptive groups. At the middle clustering level, groups were separated by problem type (maladaptive groups; internalizing vs. externalizing problems) and behavioral type (adaptive groups; sensation-seeking vs. extraverted/emotionally stable). Unique phenotypic profiles were also evident at the lowest clustering level. Group comparisons exhibited significant differences in intrinsic functional connectivity at the highest clustering level in somatomotor, thalamic, basal ganglia, and limbic networks. Conclusions: Data-driven approaches for identifying homogenous subgroups, spanning typical function to dysfunction not only yielded clinically meaningful groups, but captured behavioral and neurobiological variation among healthy individuals as well.

Standard brain templates and growth charts provide an invaluable resource for basic science research, with the eventual goal of contributing to the clinical care of neuropsychiatric conditions. Here, we report on a protocol to generate MRI brain templates in children and adolescents at one-year intervals from 6-to-18 years of age, with their corresponding growth charts, using a large-scale neuroimaging data resource (948 brain images from China and United States). To assure that the brain templates and growth charts are reliable and accurate, we developed a refined pipeline consisting of template construction, image registration, brain area labeling and growth chart modeling. The pipeline comprises multiple modular workflows that can be used for multiple applications. In our approach, population- and age-specific templates were first constructed to avoid systemic bias in registration. Brain areas were then labeled based on the appropriate templates, and their morphological metrics were extracted for modeling associated growth curves. We implemented warp cost as a function of age differences between individual brains and template brains. A strong U-shaped cost function was revealed, indicating larger age differences are associated with greater registration errors. This validates the necessity of age-specific reference templates in pediatric brain imaging studies. Growth chart analyses revealed preferential shape differences between Chinese and US samples in lateral frontal and parietal areas, aspects of cortex which are most variable across individuals with regard to structure and function as well as associated behavioral performance. This growth distinction is largely driven by neurodevelopmental differences between Chinese and US age-specific brain templates. The pipeline together with the brain templates and charts are publicly available and integrated into the Connectome Computation System.

Technological and methodological innovations are equipping researchers with unprecedented capabilities for detecting and characterizing pathologic processes in the developing human brain. As a result, ambitions to achieve clinically useful tools to assist in the diagnosis and management of mental health and learning disorders are gaining momentum. To this end, it is critical to accrue large-scale multimodal datasets that capture a broad range of commonly encountered clinical psychopathology. The Child Mind Institute has launched the Healthy Brain Network (HBN), an ongoing initiative focused on creating and sharing a biobank of data from 10,000 New York area participants (ages 5-21). The HBN Biobank houses data about psychiatric, behavioral, cognitive, and lifestyle phenotypes, as well as multimodal brain imaging (resting and naturalistic viewing fMRI, diffusion MRI, morphometric MRI), electroencephalography, eye-tracking, voice and video recordings, genetics, and actigraphy. Here, we present the rationale, design and implementation of HBN protocols. We describe the first data release (n = 664) and the potential of the biobank to advance related areas (e.g., biophysical modeling, voice analysis).

Children with the autosomal dominant single gene disorder, neurofibromatosis type 1 (NF1), display multiple structural and functional changes in the central nervous system, resulting in neuropsychological cognitive abnormalities. Here we assessed the pathological functional organization that may underlie the behavioral impairments in NF1 using resting-state functional connectivity MRI. Coherent spontaneous fluctuations in the fMRI signal across the entire brain were used to interrogate the pattern of functional organization of corticocortical and corticostriatal networks in both NF1 pediatric patients and mice with a heterozygous mutation in the Nf1 gene (Nf1+/-). Children with NF1 demonstrated abnormal organization of cortical association networks and altered posterior-anterior functional connectivity in the default network. Examining the contribution of the striatum revealed that corticostriatal functional connectivity was altered. NF1 children demonstrated reduced functional connectivity between striatum and the frontoparietal network and increased striatal functional connectivity with the limbic network. Awake passive mouse functional connectivity MRI in Nf1+/- mice similarly revealed reduced posterior-anterior connectivity along the cingulate cortex as well as disrupted corticostriatal connectivity. The striatum of Nf1+/- mice showed increased functional connectivity to somatomotor and frontal cortices and decreased functional connectivity to the auditory cortex. Collectively, these results demonstrate similar alterations across species, suggesting that NF1 pathogenesis is linked to striatal dysfunction and disrupted corticocortical connectivity in the default network.

Data sharing is increasingly recommended as a means of accelerating science by facilitating collaboration, transparency, and reproducibility. While few oppose data sharing philosophically, a range of barriers deter most researchers from implementing it in practice (e.g., workforce and infrastructural demands, sociocultural and privacy concerns, lack of standardization). To justify the significant effort required for sharing data (e.g., organization, curation, distribution), funding agencies, institutions, and investigators need clear evidence of benefit. Here, using the International Neuroimaging Data-sharing Initiative, we present a brain imaging case study that provides direct evidence of the impact of open sharing on data use and resulting publications over a seven-year period (2010-2017). We dispel the myth that scientific findings using shared data cannot be published in high-impact journals and demonstrate rapid growth in the publication of such journal articles, scholarly theses, and conference proceedings. In contrast to commonly used 'pay to play' models, we demonstrate that openly shared data can increase the scale (i.e., sample size) of scientific studies conducted by data contributors, and can recruit scientists from a broader range of disciplines. These findings suggest the transformative power of data sharing for accelerating science and underscore the need for the scientific ecosystem to embrace the challenge of implementing data sharing universally.

Cortical development is characterized by distinct spatial and temporal patterns of maturational changes across various cortical shape measures. There is a growing interest in summarizing complex developmental patterns into a single index, which can be used to characterize an individual′s brain age. We conducted this study with two primary aims. First, we sought to quantify covariation patterns for a variety of cortical shape measures, including cortical thickness, gray matter volume, surface area, mean curvature, and travel depth, as well as white matter volume, and subcortical gray matter volume. We examined these measures in a sample of 869 participants aged 5-18 from the Healthy Brain Network (HBN) neurodevelopmental cohort using the Joint and Individual Variation Explained (Lock et al., 2013) method. We validated our results in an independent dataset from the Nathan Kline Institute - Rockland Sample (NKI-RS; N=210) and found remarkable consistency for some covariation patterns. Second, we assessed whether covariation patterns in the brain can be used to accurately predict a person′s chronological age. Using ridge regression, we showed that covariation patterns can predict chronological age with high accuracy, reflected by our ability to cross-validate our model in an independent sample with a correlation coefficient of 0.84 between chronologic and predicted age. These covariation patterns also predicted sex with high accuracy (AUC=0.85), and explained a substantial portion of variation in full scale intelligence quotient (R2=0.10). In summary, we found significant covariation across different cortical shape measures and subcortical gray matter volumes. In addition, each shape measure exhibited distinct covariations that could not be accounted for by other shape measures. These covariation patterns accurately predicted chronological age, sex and general cognitive ability. In a subset of NKI-RS, test-retest (<1 month apart, N=120) and longitudinal scans (1.22 ± 0.29 years apart, N=77) were available, allowing us to demonstrate high reliability for the prediction models obtained and the ability to detect subtle differences in the longitudinal scan interval among participants (median and median absolute deviation of absolute differences between predicted age difference and real age difference = 0.53 ± 0.47 years, r=0.24, p-value=0.04).

Brain iron plays key roles in catecholaminergic neurotransmitter synthesis and early life brain development. It is also central to cellular energetics and neurotransmitter metabolism throughout the lifespan. Disturbances in brain iron have been implicated in a growing number of psychiatric and late-life neurodegenerative disorders. Additionally, brain iron accumulations are thought to play a deleterious role in neuroinflammatory processes in later life. Despite its importance, the role of brain iron in development, aging, and psychiatric disorders remains comparatively understudied. This is partly due to technical challenges inherent in implementation and analysis of formal iron imaging protocols and practical constraints on scan session durations. Here, we introduce a method to estimate relative brain iron concentrations that is 1) computationally simple, 2) shows excellent correspondence with formal iron imaging in-vivo, 3) replicates clinically-relevant findings from formal iron imaging, 4) yields novel insights into brain iron and cognition across the lifespan, and 5) leverages a widely available and frequently shared brain imaging modality: functional MRI. The computationally simple nature of the measure, coupled with the availability of fMRI datasets across the lifespan and disorders, has the potential to transform our understanding of the complex and critical relationship between iron and brain health.