Common risk factors for psychiatric and other brain disorders are likely to converge on biological pathways influencing the development and maintenance of brain structure and function across life. Using structural MRI data from 45,615 individuals aged 3-96 years, we demonstrate distinct patterns of apparent brain aging in several brain disorders and reveal genetic pleiotropy between apparent brain aging in healthy individuals and common brain disorders.

Schizophrenia and bipolar disorder are severe and complex brain disorders characterized by substantial clinical and biological heterogeneity. However, case-control studies often ignore such heterogeneity through their focus on the average patient, which may be the core reason for a lack of robust biomarkers indicative of an individual's treatment response and outcome.To investigate the degree to which case-control analyses disguise interindividual differences in brain structure among patients with schizophrenia and bipolar disorder and to map the brain alterations linked to these disorders at the level of individual patients.This study used cross-sectional, T1-weighted magnetic resonance imaging data from participants recruited for the Thematically Organized Psychosis study from October 27, 2004, to October 17, 2012. Data were reanalyzed in 2017 and 2018. Patients were recruited from inpatient and outpatient clinics in the Oslo area of Norway, and healthy individuals from the same catchment area were drawn from the national population registry.Interindividual differences in brain structure among patients with schizophrenia and bipolar disorder. Voxel-based morphometry maps were computed, which were used for normative modeling to map the range of interindividual differences in brain structure.This study included 218 patients with schizophrenia spectrum disorders (mean [SD] age, 30 [9.3] years; 126 [57.8%] male), of whom 163 had schizophrenia (mean [SD] age, 31 [8.7] years; 105 [64.4%] male) and 190 had bipolar disorder (mean [SD] age, 34 [11.3] years; 79 [41.6%] male), and 256 healthy individuals (mean [SD] age, 34 [9.5] years; 140 [54.7%] male). At the level of the individual, deviations from the normative model were frequent in both disorders but highly heterogeneous. Overlap of more than 2% among patients was observed in only a few loci, primarily in frontal, temporal, and cerebellar regions. The proportion of alterations was associated with diagnosis and cognitive and clinical characteristics within clinical groups. Patients with schizophrenia, on average, had significantly reduced gray matter in frontal regions, cerebellum, and temporal cortex. In patients with bipolar disorder, mean deviations were primarily present in cerebellar regions.This study found that group-level differences disguised biological heterogeneity and interindividual differences among patients with the same diagnosis. This finding suggests that the idea of the average patient is a noninformative construct in psychiatry that falls apart when mapping abnormalities at the level of the individual patient. This study presents a workable route toward precision medicine in psychiatry.

We have performed a high mass and force resolution simulation of an idealized galaxy forming from dissipational collapse of gas embedded in a spherical dark matter halo. The simulation includes star formation and effects of stellar feedback. In our simulation a stellar disk forms with a surface density profile consisting of an inner exponential breaking to a steeper outer exponential. The break forms early on and persists throughout the evolution, moving outward as more gas is able to cool and add mass to the disk. The parameters of the break are in excellent agreement with observations. The break corresponds with a rapid drop in the star formation rate associated with a drop in the cooled gas surface density, but the outer exponential is populated by stars that were scattered outward on nearly circular orbits from the inner disk by spiral arms. The resulting profile and its associated break are therefore a consequence of the interplay between a radial star formation cutoff and redistribution of stellar mass by secular processes. A consequence of such evolution is a sharp change in the radial mean stellar age profile at the break radius.

Abstract Oxytocin is a neuropeptide involved in animal and human reproductive and social behavior. Three oxytocin signaling genes have been frequently implicated in human social behavior: OXT (structural gene for oxytocin), OXTR (oxytocin receptor), and CD38 (oxytocin secretion). Here, we characterized the distribution of OXT , OXTR , and CD38 mRNA across the human brain by creating voxel-by-voxel volumetric expression maps, and identified putative gene pathway interactions by comparing gene expression patterns across 20,737 genes. Expression of the three selected oxytocin pathway genes was enriched in subcortical and olfactory regions and there was high co-expression with several dopaminergic and muscarinic acetylcholine genes, reflecting an anatomical basis for critical gene pathway interactions. fMRI meta-analysis revealed that the oxytocin pathway gene maps correspond with the processing of anticipatory, appetitive, and aversive cognitive states. The oxytocin signaling system may interact with dopaminergic and muscarinic acetylcholine signaling to modulate cognitive state processes involved in complex human behaviors.

Currently, the event-related potential (ERP)-based spelling device, often referred to as P300-Speller, is the most commonly used brain–computer interface (BCI) for enhancing communication of patients with impaired speech or motor function. Among numerous improvements, a most central feature has received little attention, namely optimizing the stimulus used for eliciting ERPs. Therefore we compared P300-Speller performance with the standard stimulus (flashing characters) against performance with stimuli known for eliciting particularly strong ERPs due to their psychological salience, i.e. flashing familiar faces transparently superimposed on characters. Our results not only indicate remarkably increased ERPs in response to familiar faces but also improved P300-Speller performance due to a significant reduction of stimulus sequences needed for correct character classification. These findings demonstrate a promising new approach for improving the speed and thus fluency of BCI-enhanced communication with the widely used P300-Speller.

Between-individual variability in brain structure is determined by gene-environment interactions, possibly reflecting differential sensitivity to environmental and genetic perturbations. Magnetic resonance imaging (MRI) studies have revealed thinner cortices and smaller subcortical volumes in patients with schizophrenia. However, group-level comparisons may mask considerable within-group heterogeneity, which has largely remained unnoticed in the literature.To compare brain structural variability between individuals with schizophrenia and healthy controls and to test whether respective variability reflects the polygenic risk score (PRS) for schizophrenia in an independent sample of healthy controls.This case-control and polygenic risk analysis compared MRI-derived cortical thickness and subcortical volumes between healthy controls and patients with schizophrenia across 16 cohorts and tested for associations between PRS and MRI features in a control cohort from the UK Biobank. Data were collected from October 27, 2004, through April 12, 2018, and analyzed from December 3, 2017, through August 1, 2018.Mean and dispersion parameters were estimated using double generalized linear models. Vertex-wise analysis was used to assess cortical thickness, and regions-of-interest analyses were used to assess total cortical volume, total surface area, and white matter, subcortical, and hippocampal subfield volumes. Follow-up analyses included within-sample analysis, test of robustness of the PRS threshold, population covariates, outlier removal, and control for image quality.A comparison of 1151 patients with schizophrenia (mean [SD] age, 33.8 [10.6] years; 68.6% male [n = 790] and 31.4% female [n = 361]) with 2010 healthy controls (mean [SD] age, 32.6 [10.4] years; 56.0% male [n = 1126] and 44.0% female [n = 884]) revealed higher heterogeneity in schizophrenia for cortical thickness and area (t = 3.34), cortical (t = 3.24) and ventricle (t range, 3.15-5.78) volumes, and hippocampal subfields (t range, 2.32-3.55). In the UK Biobank sample of 12 490 participants (mean [SD] age, 55.9 [7.5] years; 48.2% male [n = 6025] and 51.8% female [n = 6465]), higher PRS was associated with thinner frontal and temporal cortices and smaller left CA2/3 (t = -3.00) but was not significantly associated with dispersion.This study suggests that schizophrenia is associated with substantial brain structural heterogeneity beyond the mean differences. These findings may reflect higher sensitivity to environmental and genetic perturbations in patients, supporting the heterogeneous nature of schizophrenia. A higher PRS was associated with thinner frontotemporal cortices and smaller hippocampal subfield volume, but not heterogeneity. This finding suggests that brain variability in schizophrenia results from interactions between environmental and genetic factors that are not captured by the PRS. Factors contributing to heterogeneity in frontotemporal cortices and hippocampus are key to furthering our understanding of how genetic and environmental factors shape brain biology in schizophrenia.

Abstract Brain morphology has been shown to be highly heritable, yet only a small portion of the heritability is explained by the genetic variants discovered so far. Here we exploit the distributed nature of genetic effects across the brain and apply the Multivariate Omnibus Statistical Test (MOSTest) to genome-wide association studies (GWAS) of vertex-wise structural magnetic resonance imaging (MRI) cortical measures from N=35,657 participants in the UK Biobank. We identified 695 loci for cortical surface area and 539 for cortical thickness, in total 780 unique genetic loci associated with cortical morphology. This reflects an approximate 10-fold increase compared to the commonly applied univariate GWAS methods. Power analysis indicates that applying MOSTest to vertex-wise structural MRI data triples the effective sample size compared to conventional univariate GWAS approaches. Functional follow up including gene-based analyses implicate 10% of all protein-coding genes and point towards pathways involved in neurogenesis and cell differentiation.

Abstract Estimating age based on neuroimaging-derived data has become a popular approach to developing markers for brain integrity and health. While a variety of machine-learning algorithms can provide accurate predictions of age based on brain characteristics, there is significant variation in model accuracy reported across studies. We predicted age based on neuroimaging data in two population-based datasets, and assessed the effects of age range, sample size, and age-bias correction on the model performance metrics r, R 2 , Root Mean Squared Error (RMSE), and Mean Absolute Error (MAE). The results showed that these metrics vary considerably depending on cohort age range; r and R 2 values are lower when measured in samples with a narrower age range. RMSE and MAE are also lower in samples with a narrower age range due to smaller errors/brain age delta values when predictions are closer to the mean age of the group. Across subsets with different age ranges, performance metrics improve with increasing sample size. Performance metrics further vary depending on prediction variance as well as mean age difference between training and test sets, and age-bias corrected metrics indicate high accuracy - also for models showing poor initial performance. In conclusion, performance metrics used for evaluating age prediction models depend on cohort and study-specific data characteristics, and cannot be directly compared across different studies. Since age-bias corrected metrics in general indicate high accuracy, even for poorly performing models, inspection of uncorrected model results provides important information about underlying model attributes such as prediction variance.