The recent availability of comprehensive, brain-wide gene expression atlases such as the Allen Human Brain Atlas (AHBA) has opened new opportunities for understanding how spatial variations on molecular scale relate to the macroscopic neuroimaging phenotypes. A rapidly growing body of literature is demonstrating relationships between gene expression and diverse properties of brain structure and function, but approaches for combining expression atlas data with neuroimaging are highly inconsistent, with substantial variations in how the expression data are processed. The degree to which these methodological variations affect findings is unclear. Here, we outline a seven-step analysis pipeline for relating brain-wide transcriptomic and neuroimaging data and compare how different processing choices influence the resulting data. We suggest that studies using the AHBA should work towards a unified data processing pipeline to ensure consistent and reproducible results in this burgeoning field.

Abstract The recent availability of comprehensive, brain-wide gene expression atlases such as the Allen Human Brain Atlas (AHBA) has opened new opportunities for understanding how spatial variations on the molecular scale relate to the macroscopic neuroimaging phenotypes. A rapidly growing body of literature is demonstrating relationships between gene expression and diverse properties of brain structure and function, but approaches for combining expression atlas data with neuroimaging are highly inconsistent, with substantial variations in how the expression data are processed. The degree to which these methodological variations affect findings is unclear. Here, we outline a seven-step analysis pipeline for relating brain-wide transcriptomic and neuroimaging data and compare how different processing choices influence the resulting data. We suggest that studies using AHBA should work towards a unified data processing pipeline to ensure consistent and reproducible results in this burgeoning field.

The recent availability of whole-brain atlases of gene expression, which quantify the transcriptional activity of thousands of genes across many different brain regions, has opened new opportunities to understand how gene-expression patterns relate to spatially varying properties of brain structure and function. To aid interpretation of a given neural phenotype, gene-set enrichment analysis (GSEA) has become a standard statistical methodology to identify functionally related groups of genes, annotated using systems such as the Gene Ontology (GO), that are associated with a given phenotype. While GSEA has identified groups of genes related to diverse aspects of brain structure and function in mouse and human, here we show that these results are affected by substantial statistical biases. Quantifying the falsepositive rates of individual GO categories across an ensemble of random phenotypic maps, we found an average 875-fold inflation of significant findings relative to expectation in mouse, and a 582-fold inflation in human, with some categories being judged as significant for over 20% of random phenotypes. Concerningly, the probability of a GO category being reported as significant in the extant literature increases with its estimated false-positive rate, suggesting that published reports are strongly affected by the reporting of false-positive bias. We show that the bias is primarily driven by within-category gene–gene coexpression and spatial autocorrelation, which are not accounted for in conventional GSEA nulls, and we introduce flexible ensemble-based null models that can account for these effects. Testing a range of structural connectivity and cell density phenotypes in mouse and human, we demonstrate that many GO categories that would conventionally be judged as highly significant are in fact consistent with ensembles of random phenotypes. Our results highlight major pitfalls with applying standard GSEA to brain-wide transcriptomic data and outline solutions to this pervasive problem, which is made available as an open toolbox.

Gene expression fundamentally shapes the structural and functional architecture of the human brain. Open-access transcriptomic datasets like the Allen Human Brain Atlas provide an unprecedented ability to examine these mechanisms in vivo ; however, a lack of standardization across research groups has given rise to myriad processing pipelines for using these data. Here, we develop the abagen toolbox, an open-access software package for working with transcriptomic data, and use it to examine how methodological variability influences the outcomes of research using the Allen Human Brain Atlas. Applying three prototypical analyses to the outputs of 750,000 unique processing pipelines, we find that choice of pipeline has a large impact on research findings, with parameters commonly varied in the literature influencing correlations between derived gene expression and other imaging phenotypes by as much as ρ ≥ 1.0. Our results further reveal an ordering of parameter importance, with processing steps that influence gene normalization yielding the greatest impact on downstream statistical inferences and conclusions. The presented work and the development of the abagen toolbox lay the foundation for more standardized and systematic research in imaging transcriptomics, and will help to advance future understanding of the influence of gene expression in the human brain.

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.

Abstract Recent years have seen a surge in the use of diffusion MRI to map connectomes in humans, paralleled by a similar increase in processing and analysis choices. Yet these different steps and their effects are rarely compared systematically. Here, in a healthy young adult population (n=294), we characterized the impact of a range of analysis pipelines on one widely studied property of the human connectome; its degree distribution. We evaluated the effects of 40 pipelines (comparing common choices of parcellation, streamline seeding, tractography algorithm, and streamline propagation constraint) and 44 group-representative connectome reconstruction schemes on highly connected hub regions. We found that hub location is highly variable between pipelines. The choice of parcellation has a major influence on hub architecture, and hub connectivity is highly correlated with regional surface area in most of the assessed pipelines (ρ>0.70 in 69% of the pipelines), particularly when using weighted networks. Overall, our results demonstrate the need for prudent decision-making when processing diffusion MRI data, and for carefully considering how different processing choices can influence connectome organization. Author Summary The increasing use of diffusion MRI for mapping white matter connectivity has been matched by a similar increase in the number of ways to process the diffusion data. Here, we assess how diffusion processing affects hubs across 1760 pipeline variations. Many processing pipelines do not show a high concentration of connectivity within hubs. When present, hub location and distribution vary based on processing choices. The choice of probabilistic or deterministic tractography has a major impact on hub location and strength. Finally, node strength in weighted networks can correlate highly with node size. Overall, our results illustrate the need for prudent decision-making when processing and interpreting diffusion MRI data. Code and data availability All the data used in this study is openly available on Figshare at https://doi.org/10.26180/c.6352886.v1 . Scripts to analyze these data are available on GitHub at https://github.com/BMHLab/DegreeVariability . Competing Interests The authors declare that they have no competing interests.

Abstract The complex connectivity of nervous systems is thought to have been shaped by competitive selection pressures to minimize wiring costs and support adaptive function. Accordingly, recent modeling work indicates that stochastic processes, shaped by putative trade-offs between the cost and value of each connection, can successfully reproduce many topological properties of macroscale human connectomes measured with diffusion magnetic resonance imaging. Here, we derive a new formalism with the aim to more accurately capture the competing pressures of wiring cost minimization and topological complexity. We further show that model performance can be improved by accounting for developmental changes in brain geometry and associated wiring costs, and by using inter-regional transcriptional or microstructural similarity rather than topological wiring-rules. However, all models struggled to capture topologies spatial embedding. Our findings highlight an important role for genetics in shaping macroscale brain connectivity and indicate that stochastic models offer an incomplete account of connectome organization.

Abstract Human brain organisation emerges from the coordinated transcription of thousands of genes, and the first principal component (C1) of spatial whole genome expression was shown to reflect cortical hierarchy. Here, optimised processing of the Allen Human Brain Atlas revealed two new components of brain transcription, C2 and C3, which were distinctively enriched for neuronal, metabolic and immune processes, cell-types and cytoarchitecture, and genetic variants associated with intelligence. Using additional datasets (PsychENCODE, Allen Cell Atlas, and BrainSpan), we found that C1-C3 represent generalisable transcriptional programmes that are coordinated within cells, and differentially phased during foetal and postnatal development. Autism spectrum disorder and schizophrenia were specifically associated with C1/C2 and C3, respectively, across neuroimaging, gene expression, and genome-wide association studies. Evidence converged especially in support of C3 as a normative transcriptional programme for adolescent brain development, which can lead to atypical supragranular brain connectivity in people at high genetic risk for schizophrenia.

Abstract Attention network theory proposes three distinct types of attention - alerting, orienting, and control - that are supported by separate brain networks and modulated by different neurotransmitters, i.e., noradrenaline, acetylcholine, and dopamine. Here, we explore the extent of cortical, genetic, and molecular dissociation of these three attention systems using multimodal neuroimaging. We evaluated the spatial overlap between fMRI activation maps from the attention network test (ANT) and cortex-wide gene expression data from the Allen Human Brain Atlas. The goal was to identify genes associated with each of the attention networks in order to determine whether specific groups of genes were co-expressed with the corresponding attention networks. Furthermore, we analysed publicly available PET-maps of neurotransmitter receptors and transporters to investigate their spatial overlap with the attention networks. Our analyses revealed a substantial number of genes (3871 for alerting, 6905 for orienting, 2556 for control) whose cortex-wide expression co-varied with the activation maps, prioritizing several molecular functions such as the regulation of protein biosynthesis, phosphorylation, and receptor binding. Contrary to the hypothesized associations, the ANT activation maps neither aligned with the distribution of noradrenaline, acetylcholine, and dopamine receptor and transporter molecules, nor with transcriptomic profiles that would suggest clearly separable networks. Independence of the attention networks appeared additionally constrained by a high level of spatial dependency between the network maps. Future work may need to re-conceptualize the attention networks in terms of their segregation and re-evaluate the presumed independence at the neural and neurochemical level.

Abstract Asymmetries of the cerebral cortex are found across diverse phyla and are particularly pronounced in humans, with important implications for brain function and disease. However, many prior studies have confounded asymmetries due to size with those due to shape. Here, we introduce a novel approach to characterize asymmetries of the whole cortical shape, independent of size, across different spatial frequencies using magnetic resonance imaging data in three independent datasets. We find that cortical shape asymmetry is highly individualized and robust, akin to a cortical fingerprint, and identifies individuals more accurately than size-based descriptors, such as cortical thickness and surface area, or measures of inter-regional functional coupling of brain activity. Individual identifiability is optimal at coarse spatial scales (∼37 mm wavelength), and shape asymmetries show scale-specific associations with sex and cognition, but not handedness. While unihemispheric cortical shape shows significant heritability at coarse scales (∼65 mm wavelength), shape asymmetries are determined primarily by subject-specific environmental effects. Thus, coarse-scale shape asymmetries are highly personalized, sexually dimorphic, linked to individual differences in cognition, and are primarily driven by stochastic environmental influences.