Abstract Alzheimer’s disease (AD) is associated with heterogeneous atrophy patterns. We employed a semi-supervised clustering technique known as Surreal-GAN, through which we identified two dominant dimensions of brain atrophy in symptomatic mild cognitive impairment (MCI) and AD patients: the “diffuse-AD” (R1) dimension shows widespread brain atrophy, and the “MTL-AD” (R2) dimension displays focal medial temporal lobe (MTL) atrophy. Critically, only R2 was associated with widely known sporadic AD genetic risk factors (e.g., APOE ε4 ) in MCI and AD patients at baseline. We then independently detected the presence of the two dimensions in the early stages by deploying the trained model in the general population and two cognitively unimpaired cohorts of asymptomatic participants. In the general population, genome-wide association studies found 77 genes unrelated to APOE differentially associated with R1 and R2. Functional analyses revealed that these genes were overrepresented in differentially expressed gene sets in organs beyond the brain (R1 and R2), including the heart (R1) and the pituitary gland, muscle, and kidney (R2). These genes were enriched in biological pathways implicated in dendritic cells (R2), macrophage functions (R1), and cancer (R1 and R2). Several of them were “druggable genes” for cancer (R1), inflammation (R1), cardiovascular diseases (R1), and diseases of the nervous system (R2). The longitudinal progression showed that APOE ε4 , amyloid, and tau were associated with R2 at early asymptomatic stages, but this longitudinal association occurs only at late symptomatic stages in R1. Our findings deepen our understanding of the multifaceted pathogenesis of AD beyond the brain. In early asymptomatic stages, the two dimensions are associated with diverse pathological mechanisms, including cardiovascular diseases, inflammation, and hormonal dysfunction – driven by genes different from APOE – which may collectively contribute to the early pathogenesis of AD.

Abstract Determining genetic versus environmental influences on the human brain is of crucial importance to understand the healthy brain as well as in a variety of disease and disorder states. Here we propose a unique, minimal assumption, approach to investigate genetic influence on the functional connectivity of the brain using 260 subjects” (65 monozygotic (MZ) and 65 dizygotic (DZ) healthy young adult twin pairs) resting state fMRI (rsfMRI) data from the Human Connectome Project (HCP). For any given resting state connection between twin pairs, the connection strengths across pairs were subtracted from each other in both directions. By applying the F-Test for equality of variances per connection, we found that there were a number of significant connections that demonstrated greater variance among dizygotic pairs in comparison to monozygotic pairs, implying these connections were under significant genetic influence. These population (DZ-MZ) results remained true irrespective of gender, with the caveat that certain connections were significant on a gender-specific basis. This is the first study to our knowledge to assess the heritability across young healthy adults both in general and specific to gender. Population Results & Discussion At the population level, there appears to be a posterior to anterior gradient of more to less genetic influence on brain connections and networks with visual > temporal, parietal > frontal. There was a high density of genetically-influenced functional connections predominantly involving posterior regions or networks of the brain: Visual Networks (VNs - primary visual, early visual, dorsal stream and ventral stream visual cortices, MT+ complex). These posterior regions of the brain with greater genetic influence are implicated for example in visual, perceptual, dorsal (“where”) and ventral (“what”) visuospatial processing streams (VNs). There was a low-density or paucity of genetically-influenced functional connections predominantly involving anterior regions or networks of the brain comprising Task Positive Networks (TPNs): FrontoParietal Networks (FPNs - dorsolateral prefrontal, orbital and polar frontal, midcingulate, insular and frontal opercular, superior and inferior parietal cortices); FrontoTemporal Networks (FTNs - inferior frontal, posterior opercular, early auditory, auditory association cortices); Sensorimotor Networks (SMNs - premotor, somatosensory, paralobular, and motor cortices); These anterior regions of the brain with lesser genetic influence are implicated in various TPN processes; for example in high-level cognitive and affective processes such as working memory, executive function, reasoning, attentional and impulse control, emotional judgement and decision making (FPNs); language and auditory processes (FTNs); action-planning and movement processes (SMN). There was a mix of high (posterior) and low (anterior) density of genetically influenced functional connections involving the extended Default Mode Network (eDMN). Specifically, there was a high density of genetically-influenced functional connections involving predominantly posterior-medial regions of eDMN - hippocampus and precuneus/posterior cingulate cortices; There was a low density of genetically influenced connections involving anterior regions (anterior cingulate and medial prefrontal) and lateral (inferior parietal, temporoparietooccipital) regions of the eDMN. The eDMN is involved in low-level cognitive and affective processes such as those involved in episodic memory retrieval, mental imagery, introspection, rumination, evaluation of self and others. These differences in genetic influence on posterior (more) vs. anterior (less) brain regions may have implications in terms of the environmental influence (e.g., education, school and work environment, family and home environment, social interaction with friends and peers, medications, nutrition, sports and physical exercise) on posterior (less) vs. anterior (more) portions of the brain during development and later in life. Gender-Specific Results & Discussion As noted at the population level, both males and females were under extensive genetic influence in terms of network interactions involving visual cortices. In addition, males were more genetically influenced in terms of network interactions involving auditory-language related cortices compared to females. This finding suggests that males may be more functionally “hard-wired” and females may be more environmentally influenced and shaped in terms of auditory-language systems than males. As noted at the population level, both males and females were under extensive genetic influence in terms of interactions involving the eDMN which is considered a central hub of the brain for various processes such as internal monitoring, rumination and evaluation of self and others, as noted previously. In addition, males also were more genetically influenced compared to females in terms of intranetwork and internetwork interactions of eDMN and other brain regions (occipital, temporal, parietal, and frontal regions) involved in various task-oriented processes and attending to and interacting with the environment which comprise part of the Task Positive Networks (TPNs). There were also nearly five times more genetically influenced functional connections in males (310) than females (64) suggesting that male brains are more genetically influenced, i.e. functionally “hard-wired”, than females. This result suggests differences in genetic predisposition in males (more) vs. females (less) in terms of interplay of attending to task-oriented interactions with the environment (TPNs) vs. internal and external interactions with self and others (eDMN). This finding may also have implications in terms of brain plasticity differences in males (less) versus females (more) in terms of ability to react or adapt/maladapt to environmental influences (e.g. task completion demands, psychosocial stressors, positive and negative feedback, meditation, cognitive behavioral therapy, pharmacotherapy) and their overall malleability. These results reveal the similarities and differences of genetics and environmental influences on different connections, areas, and networks of the resting state functional brain in young healthy males and females with implications in development and later in life. This unique method can be applied in healthy as well as in patient populations to reveal the genetic and environmental influences on the brain. Significance There were high vs. low genetic influences on posterior vs. anterior brain regions involved in low-level visuospatial processes vs. high-level cognitive processes such as reasoning and language respectively. This finding may have implications in terms of the brain to be environmentally influenced (e.g., school, work and home environment) during development and later in life. There were nearly five times more genetically influenced functional connections in males than females in brain regions involved in task-oriented interactions with environment vs. interactions with self and others. This finding may have implications in terms of brain plasticity differences in males (less) versus females (more) in terms of ability to adapt/maladapt to environmental influences (e.g. task completion demands, psychosocial stressors, various therapies) and their overall malleability. This is the first study to our knowledge to assess the heritability across young healthy adults both in general and specific to gender.

The complex biological mechanisms underlying human brain aging remain incompletely understood, involving multiple body organs and chronic diseases. In this study, we used multimodal magnetic resonance imaging and artificial intelligence to examine the genetic architecture of the brain age gap (BAG) derived from gray matter volume (GM-BAG, N=31,557 European ancestry), white matter microstructure (WM-BAG, N=31,674), and functional connectivity (FC-BAG, N=32,017). We identified sixteen genomic loci that reached genome-wide significance (P-value<5x10-8). A gene-drug-disease network highlighted genes linked to GM-BAG for treating neurodegenerative and neuropsychiatric disorders and WM-BAG genes for cancer therapy. GM-BAG showed the highest heritability enrichment for genetic variants in conserved regions, whereas WM-BAG exhibited the highest heritability enrichment in the 59 untranslated regions; oligodendrocytes and astrocytes, but not neurons, showed significant heritability enrichment in WM and FC-BAG, respectively. Mendelian randomization identified potential causal effects of several exposure variables on brain aging, such as type 2 diabetes on GM-BAG (odds ratio=1.05 [1.01, 1.09], P-value=1.96x10-2) and AD on WM-BAG (odds ratio=1.04 [1.02, 1.05], P-value=7.18x10-5). Overall, our results provide valuable insights into the genetics of human brain aging, with clinical implications for potential lifestyle and therapeutic interventions. All results are publicly available at the MEDICINE knowledge portal: https://labs.loni.usc.edu/medicine.

Abstract Disease heterogeneity is a significant obstacle to understanding pathological processes and delivering precision diagnostics and treatment. Clustering methods have gained popularity for stratifying patients into subpopulations (i.e., subtypes) of brain diseases using imaging data. However, unsupervised clustering approaches are often confounded by anatomical and functional variations not related to a disease or pathology of interest. Semi-supervised clustering techniques have been proposed to overcome this and, therefore, capture disease-specific patterns more effectively. An additional limitation of both unsupervised and semi-supervised conventional machine learning methods is that they typically model, learn and infer from data using a basis of feature sets pre-defined at a fixed anatomical or functional scale (e.g., atlas-based regions of interest). Herein we propose a novel method, “Multi-scAle heteroGeneity analysIs and Clustering” (MAGIC), to depict the multi-scale presentation of disease heterogeneity, which builds on a previously proposed semi-supervised clustering method, HYDRA. It derives multi-scale and clinically interpretable feature representations and exploits a double-cyclic optimization procedure to effectively drive identification of inter-scale-consistent disease subtypes. More importantly, to understand the conditions under which the clustering model can estimate true heterogeneity related to diseases, we conducted extensive and systematic semi-simulated experiments to evaluate the proposed method on a sizeable healthy control sample from the UK Biobank (N=4403). We then applied MAGIC to imaging data from Alzheimer’s disease (ADNI, N =1728) and schizophrenia (PHENOM, N =1166) patients to demonstrate its potential and challenges in dissecting the neuroanatomical heterogeneity of common brain diseases. Taken together, we aim to provide guidance regarding when such analyses can succeed or should be taken with caution. The code of the proposed method is publicly available at https://github.com/anbai106/MAGIC . Highlights We propose a novel multi-scale semi-supervised clustering method, termed MAGIC, to disentangle the heterogeneity of brain diseases. We perform extensive semi-simulated experiments on large control samples (UK Biobank, N =4403) to precisely quantify performance under various conditions, including varying degrees of brain atrophy, different levels of heterogeneity, overlapping disease subtypes, class imbalance, and varying sample sizes. We apply MAGIC to MCI and Alzheimer’s disease (ADNI, N =1728) and schizophrenia (PHENOM, N =1166) patients to dissect their neuroanatomical heterogeneity, providing guidance regarding the use of the semi-simulated experiments to validate the subtypes found in actual clinical applications. Graphical abstract