Abstract Hemispheric asymmetry is a cardinal feature of human brain organization. Altered brain asymmetry has also been linked to some cognitive and neuropsychiatric disorders. Here the ENIGMA consortium presents the largest ever analysis of cerebral cortical asymmetry and its variability across individuals. Cortical thickness and surface area were assessed in MRI scans of 17,141 healthy individuals from 99 datasets worldwide. Results revealed widespread asymmetries at both hemispheric and regional levels, with a generally thicker cortex but smaller surface area in the left hemisphere relative to the right. Regionally, asymmetries of cortical thickness and/or surface area were found in the inferior frontal gyrus, transverse temporal gyrus, parahippocampal gyrus, and entorhinal cortex. These regions are involved in lateralized functions, including language and visuospatial processing. In addition to population-level asymmetries, variability in brain asymmetry was related to sex, age, and brain size (indexed by intracranial volume). Interestingly, we did not find significant associations between asymmetries and handedness. Finally, with two independent pedigree datasets ( N = 1,443 and 1,113, respectively), we found several asymmetries showing modest but highly reliable heritability. The structural asymmetries identified, and their variabilities and heritability provide a reference resource for future studies on the genetic basis of brain asymmetry and altered laterality in cognitive, neurological, and psychiatric disorders. Significance Statement Left-right asymmetry is a key feature of the human brain's structure and function. It remains unclear which cortical regions are asymmetrical on average in the population, and how biological factors such as age, sex and genetic variation affect these asymmetries. Here we describe by far the largest ever study of cerebral cortical brain asymmetry, based on data from 17,141 participants. We found a global anterior-posterior 'torque' pattern in cortical thickness, together with various regional asymmetries at the population level, which have not been previously described, as well as effects of age, sex, and heritability estimates. From these data, we have created an on-line resource that will serve future studies of human brain anatomy in health and disease.

Abstract Resting-state functional magnetic resonance imaging (rsfMRI) has shown considerable promise for improving our understanding of brain function and characterizing various mental and cognitive states in the healthy and disordered brain. However, the lack of accurate and precise estimations of comparable functional patterns across datasets, individuals, and ever-changing brain states in a way that captures both individual variation and inter-subject correspondence limits the clinical utility of rsfMRI and its application to single-subject analyses. We posit that using reliable network templates and advanced group-informed network estimation approaches to accurately and precisely obtain individualized (dynamic) networks that retain cross-subject correspondence while maintaining subject-specific information is one potential solution to overcome the aforementioned barrier when considering cross-study comparability, independence of subject-level estimates, the limited data available in single studies, and the low signal-to-noise ratio (SNR) of rsfMRI. Toward this goal, we first obtained a reliable and replicable network template. We combined rsfMRI data of over 100k individuals across private and public datasets and selected around 58k that meet quality control (QC) criteria. We then applied multi-model-order independent component analysis (ICA) and subsampling to obtain reliable canonical intrinsic connectivity networks (ICNs) across multiple spatial scales. The selected ICNs (i.e., network templates) were also successfully replicated by independently analyzing the data that did not pass the QC criteria, highlighting the robustness of our adaptive template to data quality. We next studied the feasibility of estimating the corresponding subject-specific ICNs using a multivariate-spatially constrained ICA as an example of group-informed network estimation approaches. The results highlight that several factors, including ICNs themselves, data length, and spatial resolution, play key roles in successfully estimating the ICNs at the subject level. Large-scale ICNs, in general, require less data to achieve a specific level of spatial similarity with their templates (as well as within- and between-subject spatial similarity). Moreover, increasing data length can reduce an ICN’s subject-level specificity, suggesting longer scans might not always be desirable. We also show spatial smoothing can alter results, and the positive linear relationship we observed between data length and spatial smoothness (we posit that it is at least partially due to averaging over intrinsic dynamics or individual variation) indicates the importance of considering this factor in studies such as those focused on optimizing data length. Finally, the consistency in the spatial similarity between ICNs estimated using the full-length of data and subset of it across different data lengths may suggest that the lower within-subject spatial similarity in shorter data lengths is not necessarily only defined by lower reliability in ICN estimates; rather, it can also be an indication of brain dynamics (i.e., different subsets of data may reflect different ICN dynamics), and as we increase the data length, the result approaches the average (also known as static) ICN pattern, and therefore loses its distinctiveness.

A bstract It is increasingly recognized that multiple psychiatric conditions are underpinned by shared neural pathways, affecting similar brain systems. Here, we assessed i) shared dimensions of alterations in cortical morphology across six major psychiatric conditions (autism spectrum disorder, attention deficit/hyperactivity disorder, major depression, obsessive-compulsive disorder, bipolar disorder, schizophrenia) and ii) carried out a multiscale neural contextualization, by cross-referencing shared anomalies against cortical myeloarchitecture and cytoarchitecture, as well as connectome and neurotransmitter organization. Pooling disease-related effects on MRI-based cortical thickness measures across six ENIGMA working groups, including a total of 28,546 participants (12,876 patients and 15,670 controls), we computed a shared disease dimension on cortical morphology using principal component analysis that described a sensory-fugal pattern with paralimbic regions showing the most consistent abnormalities across conditions. The shared disease dimension was closely related to cortical gradients of microstructure and intrinsic connectivity, as well as neurotransmitter systems, specifically serotonin and dopamine. Our findings embed the shared effects of major psychiatric conditions on brain structure in multiple scales of brain organization and may provide novel insights into neural mechanisms into transdiagnostic vulnerability.

Abstract With the increasing availability of large-scale multimodal neuroimaging datasets, it is necessary to develop data fusion methods which can extract cross-modal features. A general framework, multidataset independent subspace analysis (MISA), has been developed to encompass multiple blind source separation approaches and identify linked cross-modal sources in multiple datasets. In this work we utilized the multimodal independent vector analysis model in MISA to directly identify meaningful linked features across three neuroimaging modalities — structural magnetic resonance imaging (MRI), resting state functional MRI and diffusion MRI — in two large independent datasets, one comprising of control subjects and the other including patients with schizophrenia. Results show several linked subject profiles (the sources/components) that capture age-associated decline, schizophrenia-related biomarkers, sex effects, and cognitive performance. For sources associated with age, both shared and modality-specific brain-age deltas were evaluated for association with non-imaging variables. In addition, each set of linked sources reveals a corresponding set of multi-tissue spatial patterns that can be studied jointly.

Abstract Spontaneous neural activity coherently relays information across the brain. Several efforts have been made to understand how spontaneous neural activity evolves at the macro-scale level as measured by resting-state functional magnetic resonance imaging (rsfMRI). Previous studies observe the global patterns and flow of information in rsfMRI using methods such as sliding window or temporal lags. However, to our knowledge, no studies have examined spatial propagation patterns evolving with time across multiple overlapping 4D networks. Here, we propose a novel approach to study how dynamic states of the brain networks spatially propagate and evaluate whether these propagating states contain information relevant to mental illness. We implement a lagged windowed correlation approach to capture voxel-wise network-specific spatial propagation patterns in dynamic states. Results show systematic spatial state changes over time, which we confirmed are replicable across multiple scan sessions using human connectome project data. We observe networks varying in propagation speed; for example, the default mode network (DMN) propagates slowly and remains positively correlated to blood oxygenation level-dependent (BOLD) signal for 6-8 seconds, whereas the visual network propagates much quicker. We also show that summaries of network specific propagative patterns are linked to schizophrenia. More specifically, we find significant group differences in multiple dynamic parameters between schizophrenia patients and controls within four large-scale networks: default mode, temporal lobe, subcortical, and visual network. Individuals with schizophrenia spend more time in certain propagating states. In summary, this study introduces a promising general approach to exploring the spatial propagation in dynamic states of brain networks and their associated complexity and reveals novel insights into the neurobiology of schizophrenia.

Abstract Background Brain imaging data collected from individuals are highly complex with unique variation; however, such variation is typically ignored in approaches that focus on group averages or even supervised prediction. State-of-the-art methods for analyzing dynamic functional network connectivity (dFNC) subdivide the entire time course into several (possibly overlapping) connectivity states (i.e., sliding window clusters). Though, such an approach does not factor in the homogeneity of underlying data and may end up with a less meaningful subgrouping of the dataset. Methods Dynamic-N-way tri-clustering (dNTiC) incorporates a homogeneity benchmark to approximate clusters that provide a more apples-to-apples comparison between groups within analogous subsets of time-space and subjects. dNTiC sorts the dFNC states by maximizing similarity across individuals and minimizing variance among the pairs of components within a state. Results Resulting tri-clusters show significant differences between schizophrenia (SZ) and healthy control (HC) in distinct brain regions. Compared to HC, SZ in most tri-clusters show hypoconnectivity (low positive) among subcortical, default mode, cognitive control but hyper-connectivity (high positive) between sensory networks. In tri-cluster 3, HC subjects show significantly stronger connectivity among sensory networks and anticorrelation between subcortical and sensory networks compared to SZ. Results also provide statistically significant difference in reoccurrence time between SZ and HC subjects for two distinct dFNC states. Conclusions Outcomes emphasize the utility of the proposed method for characterizing and leveraging variance within high-dimensional data to enhance the interpretability and sensitivity of measurements in the study of a heterogeneous disorder like schizophrenia and in unconstrained experimental conditions such as resting fMRI.