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.

Abstract Acute ischemic stroke affects men and women differently in many ways. In particular, women are oftentimes reported to experience a higher acute stroke severity than men. Here, we derived a low-dimensional representation of anatomical stroke lesions and designed a sex-aware Bayesian hierarchical modelling framework for a large-scale, well phenotyped stroke cohort. This framework was tailored to carefully estimate possible sex differences in lesion patterns explaining acute stroke severity (NIHSS) in 1,058 patients (39% female). Anatomical regions known to subserve motor and language functions emerged as relevant regions for both men and women. Female patients, however, presented a more widespread pattern of stroke severity-relevant lesions than male patients. Furthermore, particularly lesions in the posterior circulation of the left hemisphere underlay a higher stroke severity exclusively in women. These sex-sensitive lesion pattern effects could be discovered and subsequently robustly replicated in two large independent, multisite lesion datasets. The constellation of findings has several important conceptual and clinical implications: 1) suggesting sex-specific functional cerebral asymmetries, and 2) motivating a sex-stratified approach to management of acute ischemic stroke. To go beyond sex-averaged stroke research, future studies should explicitly test whether acute therapies administered on the basis of sex-specific cutoff volumes of salvageable tissue will lead to improved outcomes in women after acute ischemic stroke.

Joint analysis of data from multiple studies in collaborative efforts strengthens scientific evidence, with the gold standard approach being the pooling of individual participant data (IPD). However, sharing IPD often has legal, ethical, and logistic constraints for sensitive or high-dimensional data, such as in clinical trials, observational studies, and large-scale omics studies. Therefore, meta-analysis of study-level effect estimates is routinely done, but this compromises on statistical power, accuracy, and flexibility. Here we propose a novel meta-analytical approach, named partial derivatives meta-analysis, that is mathematically equivalent to using IPD, yet only requires the sharing of aggregate data. It not only yields identical results as pooled IPD analyses, but also allows post-hoc adjustments for covariates and stratification without the need for site-specific re-analysis. Thus, in case that IPD cannot be shared, partial derivatives meta-analysis still produces gold standard results, which can be used to better inform guidelines and policies on clinical practice.

White matter hyperintensity (WMH) burden is a critically important cerebrovascular phenotype linked to prediction of diagnosis and prognosis of diseases, such as acute ischemic stroke (AIS). However, current approaches to its quantification on clinical MRI often rely on time intensive manual delineation of the disease on T2 fluid attenuated inverse recovery (FLAIR), which hinders high-throughput analyses such as genetic discovery. In this work, we present a fully automated pipeline for quantification of WMH in clinical large-scale studies of AIS. The pipeline incorporates automated brain extraction, intensity normalization and WMH segmentation using spatial priors. We first propose a brain extraction algorithm based on a fully convolutional deep learning architecture, specifically designed for clinical FLAIR images. We demonstrate that our method for brain extraction outperforms two commonly used and publicly available methods on clinical quality images in a set of 144 subject scans across 12 acquisition centers, based on dice coefficient (median 0.95; inter-quartile range 0.94-0.95) and Pearson correlation of total brain volume (r=0.90). Subsequently, we apply it to the large-scale clinical multi-site MRI-GENIE study (N=2783) and identify a decrease in total brain volume of -2.4cc/year. Additionally, we show that the resulting total brain volumes can successfully be used for quality control of image preprocessing. Finally, we obtain WMH volumes by building on an existing automatic WMH segmentation algorithm that delineates and distinguishes between different cerebrovascular pathologies. The learning method mimics expert knowledge of the spatial distribution of the WMH burden using a convolutional auto-encoder. This enables successful computation of WMH volumes of 2,533 clinical AIS patients. We utilize these results to demonstrate the increase of WMH burden with age (0.950 cc/year) and show that single site estimates can be biased by the number of subjects recruited.

Atrial fibrillation is a prevalent arrhythmia associated with a five-fold increased risk of ischemic stroke, and specifically the cardioembolic stroke subtype. Genome-wide association studies of these traits have yielded overlapping risk loci, but genome-wide investigation of genetic susceptibility shared between stroke and atrial fibrillation is lacking. Comparing the genetic architectures of the two diseases could inform whether cardioembolic strokes are driven by inherited atrial fibrillation susceptibility, and may help elucidate ischemic stroke mechanisms. Here, we analyze genome-wide genotyping data and estimate SNP-based heritability in atrial fibrillation and cardioembolic stroke to be nearly identical (20.0% and 19.5%, respectively). Further, we find that the traits are genetically correlated (r=0.77 for SNPs with p < 4.4 x 10-4 in a previous atrial fibrillation meta-analysis). Clinical studies are warranted to assess whether genetic susceptibility to atrial fibrillation can be leveraged to improve the diagnosis and care of ischemic stroke patients.

Background: Genome-wide association studies have identified multiple loci associated with stroke. However, the specific stroke subtypes affected, and whether loci influence both ischaemic and haemorrhagic stroke, remains unknown. For loci associated with stroke, we aimed to infer the combination of stroke subtypes likely to be affected, and in doing so assess the extent to which such loci have homogeneous effects across stroke subtypes. Methods: We performed Bayesian multinomial regression in 16,664 stroke cases and 32,792 controls of European ancestry to determine the most likely combination of stroke subtypes affected for loci with published genome-wide stroke associations, using model selection. Cases were subtyped under two commonly used stroke classification systems, Trial of Org 10172 Acute Stroke Treatment (TOAST) and Causative Classification of Stroke (CCS). All individuals had genotypes imputed to the Haplotype Reference Consortium 1.1 Panel. Results: Sixteen loci were considered for analysis. Seven loci influenced both haemorrhagic and ischaemic stroke, three of which influenced ischaemic and haemorrhagic subtypes under both TOAST and CCS. Under CCS, 4 loci influenced both small vessel stroke and intracerebral haemorrhage. An EDNRA locus demonstrated opposing effects on ischaemic and haemorrhagic stroke. No loci were predicted to influence all stroke subtypes in the same direction and only one locus (12q24) was predicted to influence all ischaemic stroke subtypes. Conclusions: Heterogeneity in the influence of stroke-associated loci on stroke subtypes is pervasive, reflecting differing causal pathways. However, overlap exists between haemorrhagic and ischaemic stroke, which may reflect shared pathobiology predisposing to small vessel arteriopathy. Stroke is a complex, heterogeneous disorder requiring tailored analytic strategies to decipher genetic mechanisms.

ABSTRACT Background and purpose Cerebral small vessel disease (SVD) is characterized by a wide range of focal and global brain changes. We used automated MRI segmentation to quantify multiple types of SVD brain changes and examined their individual and combined predictive value on cognitive and functional abilities. Methods MRI scans of 560 subjects of the Leukoaraiosis and Disability Study (LADIS) were analyzed using automated atlas- and convolutional neural network-based segmentation methods yielding volumetric measures of white matter hyperintensities (WMH), lacunes, cortical infarcts, enlarged perivascular spaces and regional brain atrophy. The subjects were followed up with annual neuropsychological examinations for 3 years and evaluation of instrumental activities of daily living for 7 years. Results The strongest predictors of cognitive performance and functional outcome over time were total volumes of WMH, grey matter (GM) and hippocampi (p<0.001 for global cognitive function, processing speed, executive functions and memory; and p<0.001 for poor functional outcome). Volumes of lacunes, cortical infarcts and EVPS were significantly associated with part of the outcome measures, but their contribution was weaker. In a multivariable linear mixed model, volumes of WMH, lacunes, GM and hippocampi remained as independent predictors of cognitive impairment. A combined measure of these markers based on z-scores strongly predicted cognitive and functional outcomes (p<0.001) even above the contribution of the individual brain changes. Conclusions Global burden of SVD-related brain changes as quantified by automated image segmentation is a powerful predictor of long-term cognitive decline and functional disability. A combined measure of WMH, lacunar, GM and hippocampal volumes could be used as an imaging identification model of vascular cognitive impairment.

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 Introduction Neuroimaging measurements of brain structural integrity are thought to be surrogates for brain health, but precise assessments require dedicated advanced image acquisitions. By means of describing the texture of conventional images beyond what meets the naked eye, radiomic analyses hold potential for evaluating brain health. We sought to: 1) evaluate this novel approach to assess brain structural integrity by predicting white matter hyperintensities burdens (WMH) and 2) uncover associations between predictive radiomic features and patients’ clinical phenotypes. Methods Our analyses were based on a multi-site cohort of 4,163 acute ischemic strokes (AIS) patients with T2-FLAIR MR images and corresponding deep-learning-generated total brain and WMH segmentation. Radiomic features were extracted from normal-appearing brain tissue (brain mask–WMH mask). Radiomics-based prediction of personalized WMH burden was done using ElasticNet linear regression. We built a radiomic signature of WMH with the most stable selected features predictive of WMH burden and then related this signature to clinical variables (age, sex, hypertension (HTN), atrial fibrillation (AF), diabetes mellitus (DM), coronary artery disease (CAD), and history of smoking) using canonical correlation analysis. Results Radiomic features were highly predictive of WMH burden (R 2 =0.855±0.011). Seven pairs of canonical variates (CV) significantly correlated the radiomics signature of WMH and clinical traits with respective canonical correlations of 0.81, 0.65, 0.42, 0.24, 0.20, 0.15, and 0.15 (FDR-corrected p-values CV1-6 <.001, p-value CV7 =.012). The clinical CV1 was mainly influenced by age, CV2 by sex, CV3 by history of smoking and DM, CV4 by HTN, CV5 by AF and DM, CV6 by CAD, and CV7 by CAD and DM. Conclusion Radiomics extracted from T2-FLAIR images of AIS patients capture microstructural damage of the cerebral parenchyma and correlate with clinical phenotypes. Further research could evaluate radiomics to predict the progression of WMH. Research in context Evidence before this study We did a systematic review on PubMed until December 1, 2020, for original articles and reviews in which radiomics were used to characterize stroke or cerebrovascular diseases. Radiomic analyses cover a broad ensemble of high-throughput quantification methods applicable to digitalized medical images that extract high-dimensional data by describing a given region of interest by its size, shape, histogram, and relationship between voxels. We used the search terms “radiomics” or “texture analysis”, and “stroke”, “cerebrovascular disease”, “small vessel disease”, or “white matter hyperintensities”. Our research identified 24 studies, 18 studying radiomics of stroke lesions and 6 studying cerebrovascular diseases. All the latter six studies were based on MRI (T1-FLAIR, dynamic contrast-enhanced imaging, T1 & T2-FLAIR, T2-FLAIR post-contrast, T2-FLAIR, and T2-TSE images). Four studies were describing small vessel disease, and two were predicting longitudinal progression of WMH. The average sample size was small with 96 patients included (maximum: 204). One study on 141 patients identified 7 T1-FLAIR radiomic features correlated with cardiovascular risk factors (age and hyperlipidemia) using univariate correlations. All studies were monocentric and performed on a single MRI scanner. Added value of this study To date and to the best of our knowledge, this is the largest radiomics study performed on cerebrovascular disease or any topic, and one of the very few to include a great diversity of participating sites with diverse clinical MRI scanners. This study is the first one to establish a radiomic signature of WMH and to interpret its relationship with common cardiovascular risk factors. Our findings add to the body of evidence that damage caused by small vessel disease extend beyond the visible white matter hyperintensities, but the added value resides in the detection of that subvisible damage on routinely acquired T2-FLAIR imaging. It also suggests that cardiovascular phenotypes might manifest in distinct textural patterns detectable on conventional clinical-grade T2-FLAIR images. Implications of all the available evidence Assessing brain structural integrity has implications for treatment selection, follow-up, prognosis, and recovery prediction in stroke patients but also other neurological disease populations. Measuring cerebral parenchymal structural integrity usually requires advanced imaging such as diffusion tensor imaging or functional MRI. Translation of those neuroimaging biomarkers remains uncommon in clinical practice mainly because of their time-consuming and costly acquisition. Our study provides a potential novel solution to assess brains’ structural integrity applicable to standard, routinely acquired T2-FLAIR imaging. Future research could, for instance, benchmark this radiomics approach against diffusion or functional MRI metrics in the prediction of cognitive or functional outcomes after stroke.

Subcortical brain structures are integral to motion, consciousness, emotions, and learning. We identified common genetic variation related to the volumes of nucleus accumbens, amygdala, brainstem, caudate nucleus, globus pallidus, putamen, and thalamus, using genome-wide association analyses in over 40,000 individuals from CHARGE, ENIGMA and the UK-Biobank. We show that variability in subcortical volumes is heritable, and identify 25 significantly associated loci (20 novel). Annotation of these loci utilizing gene expression, methylation, and neuropathological data identified 62 candidate genes implicated in neurodevelopment, synaptic signaling, axonal transport, apoptosis, and susceptibility to neurological disorders. This set of genes is significantly enriched for Drosophila orthologs associated with neurodevelopmental phenotypes, suggesting evolutionarily conserved mechanisms. Our findings uncover novel biology and potential drug targets underlying brain development and disease.