Background: Fatigue and depression are frequent and often co-occurring symptoms in multiple sclerosis (MS). Resting-state functional magnetic resonance imaging (rs-fMRI) represents a promising tool for disentangling differential associations between depression and fatigue and brain network function and connectivity. In this study we tested for associations between symptoms of fatigue and depression and DMN connectivity in patients with MS. Materials and methods: Seventy-four MS patients were included on average 14 months after diagnosis. They underwent MRI scanning of the brain including rs-fMRI, and symptoms of fatigue and depression were assessed with Fatigue Severity Scale (FSS) and Beck Depression Inventory II (BDI). A principal component analysis (PCA) on FSS and BDI scores was performed, and the component scores were analysed using linear regression models to test for associations with default mode network (DMN) connectivity. Results: We observed higher DMN connectivity with higher scores on the primary principal component reflecting common symptom burden for fatigue and depression (Cohen's f2=0.075, t=2.17, p=0.03). The secondary principal component reflecting a pattern of low fatigue scores with high scores of depression was associated with lower DMN connectivity (Cohen's f2=0.067, t=-2.1, p=0.04). Using continuous mean scores of FSS we also observed higher DMN connectivity with higher symptom burden (t=3.1, p=0.003), but no significant associations between continuous sum scores of BDI and DMN connectivity (t=0.8, p=0.4). Conclusion: Multivariate decomposition of FSS and BDI data supported both overlapping and unique manifestation of fatigue and depression in MS patients. Rs-fMRI analyses showed that symptoms of fatigue and depression was reflected in altered DMN connectivity, and that higher DMN activity was seen in MS patients with fatigue even with low depression scores.

Multiple sclerosis (MS) is an inflammatory disorder of the central nervous system. By combining longitudinal MRI-based brain morphometry and brain age estimation using machine learning, we tested the hypothesis that MS patients have higher brain age relative to chronological age than healthy controls (HC) and that longitudinal rate of brain aging in MS patients is associated with clinical course. Seventy-six MS patients, 71 % females and mean age 34.8 years (range 21-49) at inclusion, were examined with brain MRI at three time points with a mean total follow up period of 4.4 years. A machine learning model was applied on an independent training set of 3208 HC, estimating individual brain age and calculating the difference between estimated brain age and chronological age, termed brain age gap (BAG). We also assessed the longitudinal change rate in BAG in MS individuals. We used additional cross-sectional MRI data from 235 HC for case-control comparison. MS patients showed increased BAG (4.4 ±6.6 years) compared to HC (Cohen′s D = 0.69, p = 4.0 x 10-6). Longitudinal estimates of BAG in MS patients suggested an accelerated rate of brain aging corresponding to an annual increase of 0.41 (±1.23) years compared to chronological aging for the MS patients (p = 0.008). On average, patients with MS have significantly higher BAG compared to HC and accelerated rate of brain aging compared to chronological aging. Brain age estimation represents a promising method for evaluation of brain changes in MS, with potential for predicting future outcome and guide treatment.

Brainstem regions support critical bodily functions, yet their genetic architectures and involvement in brain disorders remain understudied. Here, we examined volumes of brainstem structures using magnetic resonance imaging in 43,353 individuals. In 27,034 genotyped healthy participants, we identified 16 genetic loci associated with whole brainstem volume and 10, 23, 3, and 9 loci associated with volumes of the midbrain, pons, superior cerebellar peduncle, and medulla oblongata, respectively. These loci were mapped to 305 genes, including genes linked to brainstem development and common brain disorders. We detected genetic overlap between the brainstem volumes and eight psychiatric and neurological disorders. Using imaging data from 16,319 additional individuals, we observed differential volume alterations in schizophrenia, bipolar disorder, multiple sclerosis, mild cognitive impairment, dementia, and Parkinson's disease. Together, our results provide new insights into the genetic underpinnings of brainstem structures and support their involvement in common brain disorders.

Numerous genetic and environmental factors contribute to psychiatric disorders and other brain disorders. Common risk factors likely converge on biological pathways regulating the optimization of brain structure and function across the lifespan. Here, using structural magnetic resonance imaging and machine learning, we estimated the gap between brain age and chronological age in 36,891 individuals aged 3 to 96 years, including individuals with different brain disorders. We show that several disorders are associated with accentuated brain aging, with strongest effects in schizophrenia, multiple sclerosis and dementia, and document differential regional patterns of brain age gaps between disorders. In 16,269 healthy adult individuals, we show that brain age gap is heritable with a polygenic architecture overlapping those observed in common brain disorders. Our results identify brain age gap as a genetically modulated trait that offers a window into shared and distinct mechanisms in different brain disorders.