Abstract Trait stability of measures is an essential requirement for individual differences research. Functional MRI has been increasingly used in studies that rely on the assumption of trait stability, such as attempts to relate task related brain activation to individual differences in behavior and psychopathology. However, recent research using adult samples has questioned the trait stability of task-fMRI measures, as assessed by test-retest correlations. To date, little is known about trait stability of task fMRI in children. Here, we examined within-session reliability and longitudinal stability of task-fMRI using data from the Adolescent Brain Cognitive Development (ABCD) Study using its tasks focused on reward processing, response inhibition, and working memory. We also evaluated the effects of factors potentially affecting reliability and stability. Reliability and stability [quantified via an intraclass correlation (ICC) that focuses on rank consistency] was poor in virtually all brain regions, with an average ICC of .078 and .054 for short (within-session) and long-term (between-session) ICCs, respectively, in regions of interest (ROIs) historically-recruited by the tasks. ICC values in ROIs did not exceed the ‘poor’ cut-off of .4, and in fact rarely exceeded .2 (only 5.9%). Motion had a pronounced effect on estimated ICCs, with the lowest motion quartile of participants having a mean reliability/stability three times higher (albeit still ‘poor’) than the highest motion quartile. Regions with stronger activation tended to show higher ICCs, with the absolute value of activity and reliability/stability correlating at .53. Across regions, the magnitude of age-related longitudinal (between-session) changes positively correlated with the longitudinal stability of individual differences, which suggests developmental change was not necessarily responsible for poor stability. Poor reliability and stability of task-fMRI, particularly in children, diminishes potential utility of fMRI data due to a drastic reduction of effect sizes and, consequently, statistical power for the detection of brain-behavior associations. This essential issue needs to be addressed through optimization of preprocessing pipelines and data denoising methods.

The Adolescent Brain Cognitive Development (ABCD) Study is an ongoing, nationwide study of the effects of environmental influences on behavioral and brain development in adolescents. The ABCD Study is a collaborative effort, including a Coordinating Center, 21 data acquisition sites across the United States, and a Data Analysis and Informatics Center (DAIC). The main objective of the study is to recruit and assess over eleven thousand 9-10-year-olds and follow them over the course of 10 years to characterize normative brain and cognitive development, the many factors that influence brain development, and the effects of those factors on mental health and other outcomes. The study employs state-of-the-art multimodal brain imaging, cognitive and clinical assessments, bioassays, and careful assessment of substance use, environment, psychopathological symptoms, and social functioning. The data will provide a resource of unprecedented scale and depth for studying typical and atypical development. Here, we describe the baseline neuroimaging processing and subject-level analysis methods used by the ABCD DAIC in the centralized processing and extraction of neuroanatomical and functional imaging phenotypes. Neuroimaging processing and analyses include modality-specific corrections for distortions and motion, brain segmentation and cortical surface reconstruction derived from structural magnetic resonance imaging (sMRI), analysis of brain microstructure using diffusion MRI (dMRI), task-related analysis of functional MRI (fMRI), and functional connectivity analysis of resting-state fMRI.

The human brain shows remarkable development of functional brain activity from childhood to adolescence. Here, we investigated whether electroencephalogram (EEG) recordings are suitable for predicting the age of children and adolescents. Moreover, we investigated whether over- or underestimation of age was stable over longer time periods, as stable prediction error can be interpreted as reflecting individual brain maturational level. Finally, we established whether the age-prediction error was genetically determined. Three minutes eyes-closed resting state EEG data from the longitudinal EEG studies of Netherlands Twin Register (n=836) and Washington University in St. Louis (n = 702) were used at ages 5, 7, 12, 14, 16 and 18. Longitudinal data were available within childhood and adolescence. We calculated power in 1 Hz wide bins (1 to 24 Hz). Random Forest regression and Relevance Vector Machine with 6-fold cross-validation were applied. The best mean absolute prediction error was obtained with Random Forest (1.22 years). Classification of childhood vs. adolescence reached over 94% accuracy. Prediction errors were moderately to highly stable over periods of 1.5 to 2.1 years (0.53 < r < 0.74) and signifcantly affected by genetic factors (heritability between 42% and 79%). Our results show that age prediction from low-cost EEG recordings is comparable in accuracy to those obtained with MRI. Children and adolescents showed stable over- or underestimation of their age, which means that some participants have stable brain activity patterns that reflect those of an older or younger age, and could therefore reflect individual brain maturational level. This prediction error is heritable, suggesting that genes underlie maturational level of functional brain activity. We propose that age prediction based on EEG recordings can be used for tracking neurodevelopment in typically developing children, in preterm children, and in children with neurodevelopmental disorders.

Genome-wide, polygenic risk scores (PRS) have emerged as a useful way to characterize genetic liability using genotypic data. There is growing evidence that PRS may prove useful to identify those at increased risk for developing certain diseases. The current utility of PRS in relation to alcohol use disorders (AUD) remains an open question. Using data from both a population-based sample [the FinnTwin12 (FT12) study] and a high risk sample [the Collaborative Study on the Genetics of Alcoholism (COGA)], we examined the association between PRSs derived from genome-wide association studies (GWASs) of 1) alcohol dependence/alcohol problems, 2) alcohol consumption, and 3) risky behaviors with AUD and other substance use disorder (SUD) symptoms. Individuals in the top 20%, 10%, and 5% of PRSs had increasingly greater odds of having an AUD compared to the lower end of the continuum in both COGA (80th % OR = 1.95; 90th % OR = 2.03; 95th % OR = 2.13) and FT12 (80th % OR = 1.77; 90th % OR = 2.27; 95th % OR = 2.39). Those in the top 5% reported greater levels of licit (alcohol and nicotine) and illicit (cannabis) SUD symptoms. PRSs can predict elevated risk for SUD in independent samples. However, clinical utility of these scores in their current form is modest. As these scores become more predictive of SUD, they may become useful to practitioners. Improvement in predictive ability will likely be dependent on increasing the size of well-phenotyped discovery samples.