Abstract The size of the human head is determined by growth in the first years of life, while the rest of the body typically grows until early adulthood 1 . Such complex developmental processes are regulated by various genes and growth pathways 2 . Rare genetic syndromes have revealed genes that affect head size 3 , but the genetic drivers of variation in head size within the general population remain largely unknown. To elucidate biological pathways underlying the growth of the human head, we performed the largest genome-wide association study on human head size to date (N = 79,107). We identified 67 genetic loci, 50 of which are novel, and found that these loci are preferentially associated with head size and mostly independent from height. In subsequent neuroimaging analyses, the majority of genetic variants demonstrated widespread effects on the brain, whereas the effects of 17 variants could be localized to one or two specific brain regions. Through hypothesis-free approaches, we find a strong overlap of head size variants with both cancer pathways and cancer genes. Gene set analyses showed enrichment for different types of cancer and the p53, Wnt and ErbB signalling pathway. Genes overlapping or close to lead variants – such as TP53 , PTEN and APC – were enriched for genes involved in macrocephaly syndromes (up to 37-fold) and high-fidelity cancer genes (up to 9-fold), whereas this enrichment was not seen for human height variants. This indicates that genes regulating early brain and cranial growth are associated with a propensity to neoplasia later in life, irrespective of height. Our results warrant further investigations of the link between head size and cancer, as well as its clinical implications in the general population.

Chronic pain has a profound societal burden, affecting 20% to 30% of the world population,10,13,14,47 and is associated with high rates of comorbid mental health conditions, especially depression and anxiety.15 Women and people of increasing age are disproportionately affected by chronic pain,14,32 and while there are pharmacological and nonpharmacological treatments available, many individuals still do not benefit from these treatments.11,16,19,31,35,45 One significant challenge in providing effective pain-relieving treatments arises from our incomplete understanding of the mechanisms underlying the development and maintenance of chronic pain. Some of these mechanisms include changes in brain morphology and function.2,8,12,18,25,28,37 One approach to better understand these mechanisms is to combine neuroimaging studies of diverse populations with the purpose of identifying common phenotypes and neuroimaging correlates. Phenotyping to explore both similarities and heterogeneity across pain conditions is necessary to inform disease prognosis and elucidate common treatment targets. To this endeavor, the Enhancing Neuroimaging and Genetics through Meta-Analysis (ENIGMA)-Chronic Pain working group was formed in November 2022. ENIGMA-Chronic Pain has since welcomed over 70 pain investigators from all over the world, to pool and integrate existing neuroimaging and clinical data from approximately 2000 chronic pain and 4000 pain-free healthy individuals, from over 30 international and independently collected datasets. 1. What is ENIGMA? What are the aims of the ENIGMA-Chronic Pain Working Group? Founded in 2009, the aim of the ENIGMA Consortium is to address the growing replication problems in neuroimaging research. ENIGMA is a global collaboration of more than 2000 scientists from over 45 countries studying the human brain, in health and over 30 neurological, mental, and neurogenetic diseases.42 ENIGMA coordinates large-scale neuroimaging analyses, pooling existing datasets from around the world,6,34,39 actively coordinating the reuse of data, while accommodating data privacy safeguards, bringing rich resources and expertise to answer fundamental questions related to major brain disorders. By integrating available existing datasets and building on the growing infrastructure of the ENIGMA consortium, ENIGMA-Chronic Pain provides a platform and a resource to the chronic pain community allowing for data findability, accessibility, interoperability, and44 reusability—all vital aspects of reproducible research. Using a cost-effective and innovative global approach by merging the resources and data of leading chronic pain neuroimaging centers, ENIGMA-Chronic Pain offers a unique opportunity to obtain detailed, reproducible, and reliable data on brain mechanisms associated with chronic pain. ENIGMA-Chronic Pain integrates single studies of specific chronic pain conditions, including precursor data repositories (eg, OpenPain), and larger population-based biobanks with recorded indices of chronic pain (eg, UK Biobank).8 Recent advances in machine learning and artificial intelligence technologies also offer new and powerful ways to analyze these existing neuroimaging data. Through a worldwide collaboration of pain researchers and clinicians, ENIGMA-Chronic Pain will aim to (1) determine common and pain condition-specific brain correlates of chronic pain through multimodal neuroimaging (relative to pain-free healthy controls); (2) examine the interactions between chronic pain and comorbid mental health conditions on brain morphology and function; and (3) identify the roles of key sociodemographic factors and medication on brain morphology and function. 2. Determine common and pain condition-specific brain correlates of chronic pain through multimodal neuroimaging ENIGMA-Chronic Pain combines smaller datasets from heterogeneous chronic pain conditions. This approach maximizes the power of planned analyses and is necessary to identify brain correlates shared across chronic pain conditions. Through planned follow-up analyses on pooled datasets of similar pain types, pain locations across the body, or specific diagnoses, ENIGMA-Chronic Pain will identify correlates specific to the studied conditions at a larger scale than has previously been possible. ENIGMA-Chronic Pain will begin with examining brain topography of chronic pain by using common processing pipelines and software such as FreeSurfer for T1-weighted structural magnetic resonance imaging scans (sMRI)17,20,21 or Functional MRI of the Brain Software Library (FSL) for diffusion MRI (dMRI).23,38 Further to brain-wide region-of-interest analyses, investigation of multimodal correlates and brain networks of chronic pain will be conducted using whole-brain analyses, including standardized indices of functional connectivity from resting-state functional MRI (rs-fMRI) processed with ENIGMA's HALFpipe,43 voxel-based morphometry, and machine learning approaches to fuse multimodal features from sMRI, dMRI, and rs-fMRI to make diagnostic classification or prediction of a future clinical state. 3. Examine the interactions between chronic pain and comorbid mental health conditions on brain morphology and function Chronic pain is often accompanied by comorbid mental health conditions that can prevent treatment success.46 For example, 5% to 85% of individuals with chronic pain (depending on the study populations and settings) experience depression.1,9 The ENIGMA Consortium has extensively investigated the detailed brain and genetic markers of most common mental health conditions and reported alterations in brain regions similar to those commonly reported in smaller chronic pain studies.4,36 Evidence for shared or specific brain mechanisms between chronic pain and depression and anxiety is now growing,33,40,49,50 but no definite conclusion can be drawn from these smaller studies. Using advanced statistical models, our unique sample size, and availability of indices of comorbid mental health conditions, the pooled dataset from ENIGMA-Chronic Pain will aim to disentangle the fine morphological and functional brain alterations across all pain conditions, but also within specific pain types. This approach will contribute to identify plausible targets for more effective treatments for people living with both chronic pain and these comorbid conditions. 4. Examine the roles of key sociodemographic factors and medication on brain morphology and function Sex and age are key factors that can influence the transition to chronic pain.48 Women have greater prevalence rates for chronic pain conditions compared with men and experience more frequent, intense, and longer-lasting pain across the lifespan.14,24,30 These sex-specific differences can affect treatment choice, side effect profiles, and therapeutic responses.3 Although incompletely understood, many processes including genetic,29 neuroendocrine/neuroimmune,26 or brain-based differences,22 contribute to sex differences observed in chronic pain. Chronic pain is also highly prevalent in people of increasing age,14 along with other age-related pathologies, but the relationship between increasing age and chronic pain on brain morphology and function is still to be clearly determined. The inclusion of studies with comorbidity information that may inform causal modeling (eg, traumatic injuries, repetitive stress injuries, osteoporosis, metabolic disorders like diabetes, etc.) will clarify some of the brain–body connections at play. Existing preliminary evidence for the influence of these key sociodemographic factors needs further replication and refinement using large datasets. Another critical factor impacting brain morphology and function in chronic pain is the use of various types of pharmacological treatments,27 including tricyclic antidepressants, serotonin–norepinephrine reuptake inhibitors, antiepileptics, nonsteroidal anti-inflammatory drugs, and benzodiazepines.11,35 Using the available and detailed medication information recorded within ENIGMA-Chronic Pain, the aim of this study is to determine the variations in brain morphology and function associated with specific pharmacological treatment categories or combinations of thereof. 5. ENIGMA-Chronic Pain: expanding to other imaging modalities ENIGMA-Chronic Pain builds on the experience of the Consortium to host the largest and most comprehensive dataset for neuroimaging studies of chronic pain. In addition to sMRI, dMRI, and rs-fMRI data, ENIGMA-Chronic Pain will leverage the contribution of chronic pain researchers and clinicians with data and expertise in other neuroimaging modalities, including resting-state electroencephalography (EEG), task-based fMRI and EEG, event-related potentials, magnetoencephalography, functional near-infrared spectroscopy, and magnetic resonance spectroscopy. In addition, the aim of ENIGMA-Chronic Pain is to include neuromodulation studies, such as repetitive transcranial magnetic resonance stimulation, TMS-EEG, transcranial direct current stimulation, or transcranial alternating current stimulation studies, to examine potential causal associations.7 Finally, following work from the ENIGMA-Clinical Endpoint working group,41 a long-term goal includes building a framework of standardized questionnaires and tools for future research, to be applied to most, if not all, chronic pain conditions and to integrate genetics data to better understand the relationship between genetic and environmental risks on brain phenotypes of chronic pain overall and for available subtypes. 6. Conclusions ENIGMA-Chronic Pain will establish the largest worldwide platform for neuroimaging data dedicated to chronic pain research. This approach enables large-scale collaborative opportunities to identify the common and specific brain correlates of chronic pain conditions, as well as the role of mental health comorbidities, key sociodemographic factors, and pharmacological treatment on these alterations. This initiative will provide invaluable new knowledge based on adequately powered neuroimaging datasets. Future aims of the working group could include extending the scope to the earliest periods of the human lifespan, leveraging neonatal MRI and EEG datasets with pain-relevant paradigms,5 to investigate the potential developmental origins of chronic pain susceptibility in later years. Last, we extend the call to additional groups to join, contribute their expertise, and share their neuroimaging, genetic, psychological, and clinical data from healthy controls and individuals with chronic pain (see information and contact details on https://enigma.ini.usc.edu/ongoing/enigma-chronic-pain/). Through the inclusion of most, if not all, chronic pain neuroimaging research groups, we hope to grow the working group and thereby fulfill its goals. Conflict of interest statement None of the authors declare any conflicts of interest. The views expressed in this article are those of the authors and do not necessarily reflect the position or policy of the Department of Veterans Affairs or the United States government, or those of the NHS, the NIHR, or the Department of Health from the United Kingdom.

Schizophrenia (SZ) and bipolar disorder (BD) share numerous clinical and biological features as well as environmental risk factors that may be associated with altered DNA methylation. In this study we sought to construct a Poly-Methylomic Profile Score (PMPS) for SZ, representing the degree of epigenome-wide methylation according to previously published findings; we then examined its association with SZ and BD in an independent sample. DNA methylation for 57 SZ, 59 BD cases and 55 healthy controls (HCs) was quantified using the Illumina 450K methylation beadchip. We constructed five PMPSs for different p-value thresholds using summary statistics reported in a large epigenome-wide schizophrenia case-control association study, weighted by individual CpG effect sizes. All SZ PMPSs were significantly elevated in SZ cases relative to HCs, with the score calculated at the most stringent threshold accounting for the greatest amount of variance in SZ (compared to other PMPSs derived at more inclusive p-value thresholds). However, none of the PMPSs were associated with BD, or a combined cohort of BD and SZ cases relative to HCs. Results demonstrating elevated PMPSs in SZ relative to BD did not survive correction for multiple testing. PMPSs were also not associated with positive or negative symptom severity. That this SZ-derived PMPSs was elevated among SZ, but not BD participants, suggests that epigenome-wide methylation patterns associated with schizophrenia may represent distinct pathophysiology that is yet to be elucidated. Whether this PMPS may be associated with neuroanatomical or other biological endophenotypes relevant to SZ and/or BD remains to be determined.

The cerebral cortex underlies our complex cognitive capabilities, yet we know little about the specific genetic loci influencing human cortical structure. To identify genetic variants, including structural variants, impacting cortical structure, we conducted a genome-wide association meta-analysis of brain MRI data from 51,662 individuals. We analysed the surface area and average thickness of the whole cortex and 34 regions with known functional specialisations. We identified 255 nominally significant loci ( P ≤ 5 × 10−8); 199 survived multiple testing correction ( P ≤ 8.3 × 10−10; 187 surface area; 12 thickness). We found significant enrichment for loci influencing total surface area within regulatory elements active during prenatal cortical development, supporting the radial unit hypothesis. Loci impacting regional surface area cluster near genes in Wnt signalling pathways, known to influence progenitor expansion and areal identity. Variation in cortical structure is genetically correlated with cognitive function, Parkinson’s disease, insomnia, depression and ADHD.One Sentence Summary Common genetic variation is associated with inter-individual variation in the structure of the human cortex, both globally and within specific regions, and is shared with genetic risk factors for some neuropsychiatric disorders.

Abstract Background Current clinical assessments of Posttraumatic stress disorder (PTSD) rely solely on subjective symptoms and experiences reported by the patient, rather than objective biomarkers of the illness. Recent advances in data-driven computational approaches have been helpful in devising tools to objectively diagnose psychiatric disorders. Here we aimed to classify individuals with PTSD versus controls using heterogeneous brain datasets from the ENIGMA-PGC PTSD Working group. Methods We analyzed brain MRI data from 3,527 structural-MRI; 2,502 resting state-fMRI; and 1,953 diffusion-MRI. First, we identified the brain features that best distinguish individuals with PTSD from controls (TEHC and HC) using traditional machine learning methods. Second, we assessed the utility of the denoising variational autoencoder (DVAE) and evaluated its classification performance. Third, we assessed the generalizability and reproducibility of both models using leave-one-site-out cross-validation procedure for each modality. Results We found lower performance in classifying PTSD vs. controls with data from over 20 sites (60% test AUC for s-MRI, 59% for rs-fMRI and 56% for d-MRI), as compared to other studies run on single-site data. The performance increased when classifying PTSD from HC without trauma history across all three modalities (75% AUC). The classification performance remained intact when applying the DVAE framework, which reduced the number of features. Finally, we found that the DVAE framework achieved better generalization to unseen datasets compared with the traditional machine learning frameworks, albeit performance was slightly above chance. Conclusion Our findings highlight the promise offered by machine learning methods for the diagnosis of patients with PTSD. The utility of brain biomarkers across three MRI modalities and the contribution of DVAE models for improving generalizability offers new insights into neural mechanisms involved in PTSD. Significance ⍰ Classifying PTSD from trauma-unexposed healthy controls (HC) using three imaging modalities performed well (∼75% AUC), but performance suffered markedly when classifying PTSD from trauma-exposed healthy controls (TEHC) using three imaging modalities (∼60% AUC). ⍰ Using deep learning for feature reduction (denoising variational auto-encoder; DVAE) dramatically reduced the number of features with no concomitant performance degradation. ⍰ Utilizing denoising variational autoencoder (DVAE) models improves generalizability across heterogeneous multi-site data compared with the traditional machine learning frameworks

Abstract While schizophrenia is considered a prototypical network disorder characterized by widespread brain-morphological alterations, it still remains unclear whether distributed structural alterations robustly reflect underlying network layout. Here, we tested whether large-scale structural alterations in schizophrenia relate to normative structural and functional connectome architecture, and systematically evaluated robustness and generalizability of these network-level alterations. Leveraging anatomical MRI scans from 2,439 adults with schizophrenia and 2,867 healthy controls from 26 ENIGMA sites and normative data from the Human Connectome Project (n=207), we evaluated structural alterations of schizophrenia against two network susceptibility models: i) hub vulnerability, which examines associations between regional network centrality and magnitude of disease-related alterations; ii) epicenter mapping, which identify regions whose typical connectivity profile most closely resembles the disease-related morphological alterations. To assess generalizability and specificity, we contextualized the influence of site, disease stages, and individual clinical factors and compared network associations of schizophrenia with that found in affective disorders. Schizophrenia-related structural alterations co-localized with interconnected functional and structural hubs and harbored temporo-paralimbic and frontal epicenters. Findings were robust across sites and related to individual symptom profiles. We observed localized unique epicenters for first-episode psychosis and early stages, and transmodal epicenters that were shared across first-episode to chronic stages. Moreover, transdiagnostic comparisons revealed overlapping epicenters in schizophrenia and bipolar, but not major depressive disorder, yielding insights in pathophysiological continuity within the schizophrenia-bipolar-spectrum. In sum, cortical alterations over the course of schizophrenia robustly follow brain network architecture, emphasizing marked hub susceptibility and temporo-frontal epicenters at both the level of the group and the individual. Subtle variations of epicenters across disease stages suggest interacting pathological processes, while associations with patient-specific symptoms support additional inter-individual variability of hub vulnerability and epicenters in schizophrenia. Our work contributes to recognizing potentially common pathways to better understand macroscale structural alterations, and inter-individual variability in schizophrenia.

Abstract Schizophrenia is a multifaceted disorder associated with structural brain heterogeneity. Recent research underscored that profound understanding of structural brain heterogeneity is relevant to identify illness subtypes as well as informative biomarkers. However, our understanding of structural heterogeneity in schizophrenia is still limited. This comprehensive meta-analysis therefore investigated and compared the variability of multimodal structural brain measures for white and gray matter in individuals with schizophrenia and healthy controls. Using the ENIGMA dataset of MRI-based brain measures from 22 sites, we examined variability in cortical thickness, surface area, folding index, subcortical volume and fractional anisotropy, both at regional and global level. At the regional level, we found that schizophrenia patients are distinguished by higher heterogeneity in the frontotemporal network with regard to multimodal structural measures. Multimodal heterogeneity in these regions potentially implies different sub-types that share impaired frontotemporal interaction as a core feature of schizophrenia. At the global level, the Person-Based Similarity Index (PBSI) analysis surprisingly revealed that schizophrenia patients are distinguished by a significantly higher homogeneity of the folding index, implying that certain gyrification attributes represent a uniform aspect of schizophrenia across subtypes. These findings underscore the importance of studying structural brain variability for a more holistic understanding of schizophrenia’s neurobiology, potentially facilitating the identification of illness subtypes and informative biomarkers. These findings could guide future investigations and tailor precision medicine approaches for schizophrenia.