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.

Abstract Age has a major effect on brain volume. However, the normative studies available are constrained by small sample sizes, restricted age coverage and significant methodological variability. These limitations introduce inconsistencies and may obscure or distort the lifespan trajectories of brain morphometry. In response, we capitalised on the resources of the Enhancing Neuroimaging Genetics through Meta-Analysis (ENIGMA) Consortium to examine the age-related morphometric trajectories of the ventricles, the basal ganglia (caudate, putamen, pallidum, and nucleus accumbens), the thalamus, hippocampus and amygdala using magnetic resonance imaging data obtained from 18,605 individuals aged 3-90 years. All subcortical structure volumes were at their maximum early in life; the volume of the basal ganglia showed a gradual monotonic decline thereafter while the volumes of the thalamus, amygdala and the hippocampus remained largely stable (with some degree of decline in thalamus) until the sixth decade of life followed by a steep decline thereafter. The lateral ventricles showed a trajectory of continuous enlargement throughout the lifespan. Significant age-related increase in inter-individual variability was found for the hippocampus and amygdala and the lateral ventricles. These results were robust to potential confounders and could be used to derive risk predictions for the early identification of diverse clinical phenotypes.

Abstract Computerized cognitive training (CCT) combined with transcranial direct current stimulation (tDCS) has showed some promise in alleviating cognitive impairments in patients with brain disorders, but the robustness and possible mechanisms are unclear. In this prospective double-blind randomized clinical trial, we investigated the feasibility and effectiveness of combining CCT and tDCS, and tested the predictive value of and training-related changes in fMRI-based brain activation during attentive performance (multiple object tracking) obtained at inclusion, before initiating training, and after the three-weeks intervention in chronic stroke patients (> 6 months since hospital admission). Patients were randomized to one of two groups, receiving CCT and either (1) tDCS targeting left dorsolateral prefrontal cortex (1 mA), or (2) sham tDCS, with 40s active stimulation (1 mA) before fade out of the current. 77 patients were enrolled in the study, 54 completed the cognitive training, and 48 completed all training and MRI sessions. We found significant improvement in performance across all trained tasks, but no additional gain of tDCS. fMRI-based brain activation showed high reliability, and higher cognitive performance was associated with increased tracking-related activation in the dorsal attention network (DAN) and default mode network (DMN) as well as anterior cingulate after compared to before the intervention. We found no significant associations between cognitive gain and brain activation measured before training or in the difference in activation after intervention. Combined, these results show significant training effects on trained cognitive tasks in stroke survivors, with no clear evidence of additional gain of concurrent tDCS.

Multimodal imaging enables sensitive measures of the architecture and integrity of the human brain, but the high-dimensional nature of advanced brain imaging features poses inherent challenges for the analyses and interpretations. Multivariate age prediction reduces the dimensionality to one biologically informative summary measure with potential for assessing deviations from normal lifespan trajectories. A number of studies documented remarkably accurate age prediction, but the differential age trajectories and the cognitive sensitivity of distinct brain tissue classes have to a lesser extent been characterized. Exploring differential brain age models driven by tissue-specific classifiers provides a hitherto unexplored opportunity to disentangle independent sources of heterogeneity in brain biology. We trained machine-learning models to estimate brain age using various combinations of FreeSurfer based morphometry and diffusion tensor imaging based indices of white matter microstructure in 612 healthy controls aged 18-87 years. To compare the tissue-specific brain ages and their cognitive sensitivity we applied each of the 11 models in an independent and cognitively well-characterized sample (n=265, 20-88 years). Correlations between true and estimated age in our test sample were highest for the most comprehensive brain morphometry (r=0.83, CI:0.78-0.86) and white matter microstructure (r=0.79, CI:0.74-0.83) models, confirming sensitivity and generalizability. The deviance from the chronological age were sensitive to performance on several cognitive tests for various models, including spatial Stroop and symbol coding, indicating poorer performance in individuals with an over-estimated age. Tissue-specific brain age models provide sensitive measures of brain integrity, with implications for the study of a range of brain disorders.

Abstract Stroke patients commonly suffer from post stroke fatigue (PSF). Despite a general consensus that brain perturbations constitute a precipitating event in the multifactorial etiology of PSF, the specific predictive value of conventional lesion characteristics such as size and localization remain unclear. The current study represents a novel approach to assess the neural correlates of PSF in chronic stroke patients. While previous research has focused primarily on lesion location or size, with mixed or inconclusive results, we targeted the extended structural network implicated by the lesion, and evaluated the added explanatory value of a disconnectivity approach with regards to the brain correlates of PSF. To this end, we estimated individual brain disconnectome maps in 84 stroke survivors in the chronic phase (≥ 3 months post stroke) using information about lesion location and normative white matter pathways obtained from 170 healthy individuals. PSF was measured by the Fatigue Severity Scale (FSS). Voxel wise analyses using non-parametric permutation-based inference were conducted on disconnectome maps to estimate regional effects of disconnectivity. Associations between PSF and global disconnectivity and clinical lesion characteristics were tested by linear models, and we estimated Bayes factor to quantify the evidence for the null and alternative hypotheses, respectively. The results revealed no significant associations between PSF and disconnectome measures or lesion characteristics, with moderate evidence in favor of the null hypothesis. These results suggest that symptoms of post-stroke fatigue are not simply explained by lesion characteristics or brain disconnectome measures in stroke patients in a chronic phase, and are discussed in light of methodological considerations.

Sensitivity to external demands is essential for adaptation to dynamic environments, but comes at the cost of increased risk of adverse outcomes when facing poor environmental conditions. Here, we apply a novel methodology to perform genome-wide association analysis of mean and variance in nine key brain features (accumbens, amygdala, caudate, hippocampus, pallidum, putamen, thalamus, intracranial volume and cortical thickness), integrating genetic and neuroanatomical data from a large lifespan sample (n=25,575 individuals; 8 to 89 years, mean age 51.9 years). We identify genetic loci associated with phenotypic variability in cortical thickness, thalamus, pallidum, and intracranial volumes. The variance-controlling loci included genes with a documented role in brain and mental health and were not associated with the mean anatomical volumes. This proof-of-principle of the hypothesis of a genetic regulation of brain volume variability contributes to establishing the genetic basis of phenotypic variance (i.e., heritability), allows identifying different degrees of brain robustness across individuals, and opens new research avenues in the search for mechanisms controlling brain and mental health.

The hippocampus is a heterogeneous structure, comprising histologically distinguishable subfields. These subfields are differentially involved in memory consolidation, spatial navigation and pattern separation, complex functions often impaired in individuals with brain disorders characterized by reduced hippocampal volume, including Alzheimer's disease (AD) and schizophrenia. Given the structural and functional heterogeneity of the hippocampal formation, we sought to characterize the subfields' genetic architecture. T1-weighted brain scans (n=21297, 16 cohorts) were processed with the hippocampal subfields algorithm in FreeSurfer v6.0. We ran a genome-wide association analysis on each subfield, covarying for total hippocampal volume. We further calculated the single nucleotide polymorphism (SNP)-based heritability of twelve subfields, as well as their genetic correlation with each other, with other structural brain features, and with AD and schizophrenia. All outcome measures were corrected for age, sex, and intracranial volume. We found 15 unique genome-wide significant loci across six subfields, of which eight had not been previously linked to the hippocampus. Top SNPs were mapped to genes associated with neuronal differentiation, locomotor behaviour, schizophrenia and AD. The volumes of all the subfields were estimated to be heritable (h2 from .14 to .27, all p< 1x10-16) and clustered together based on their genetic correlations compared to other structural brain features. There was also evidence of genetic overlap of subicular subfield volumes with schizophrenia. We conclude that hippocampal subfields have partly distinct genetic determinants associated with specific biological processes and traits. Taking into account this specificity may increase our understanding of hippocampal neurobiology and associated pathologies.

Cognitive deficits are important predictors for outcome, independence and quality of life after stroke, but often remain unnoticed and unattended because other impairments are more evident. Computerized cognitive training (CCT) is among the candidate interventions that may alleviate cognitive difficulties, but the evidence supporting its feasibility and effectiveness is scarce, partly due to the lack of tools for outcome prediction and monitoring. Magnetic resonance imaging (MRI) provides candidate markers for disease monitoring and outcome prediction. By integrating information not only about lesion extent and localization, but also regarding the integrity of the unaffected parts of the brain, advanced MRI provides relevant information for developing better prediction models in order to tailor cognitive intervention for patients, especially in a chronic phase.Using brain age prediction based on MRI based brain morphometry and machine learning, we tested the hypotheses that stroke patients with a younger-appearing brain relative to their chronological age perform better on cognitive tests and benefit more from cognitive training compared to patients with an older-appearing brain. In this randomized double-blind study, 54 patients who suffered mild stroke (>6 months since hospital admission, NIHSS<7 at hospital discharge) underwent 3-weeks CCT and MRI before and after the intervention. In addition, patients were randomized to one of two groups receiving either active or sham transcranial direct current stimulation (tDCS). We tested for main effects of brain age gap (estimated age – chronological age) on cognitive performance, and associations between brain age gap and task improvement. Finally, we tested if longitudinal changes in brain age gap during the intervention were sensitive to treatment response. Briefly, our results suggest that longitudinal brain age prediction based on automated brain morphometry is feasible and reliable in stroke patients. However, no significant association between brain age and both performance and response to cognitive training were found.

A cerebral stroke is characterized by compromised brain function due to an interruption in cerebrovascular blood supply. Although stroke incurs focal damage determined by the vascular territory affected, clinical symptoms commonly involve multiple functions and cognitive faculties that are insufficiently explained by the focal damage alone. Functional connectivity (FC) refers to the synchronous activity between spatially remote brain regions organized in a network of interconnected brain regions. Functional magnetic resonance imaging (fMRI) has advanced this system-level understanding of brain function, elucidating the complexity of stroke outcomes, as well as providing information useful for prognostic and rehabilitation purposes.We tested for differences in brain network connectivity between a group of patients with minor ischemic strokes in sub-acute phase (n=44) and matched controls (n=100). As neural network configuration is dependent on cognitive effort, we obtained fMRI data during rest and two load levels of a multiple object tacking (MOT) task. Network nodes and time-series were estimated using independent component analysis (ICA) and dual regression, with network edges defined as the partial temporal correlations between node pairs. The full set of edgewise FC went into a cross-validated regularized linear discriminant analysis (rLDA) to classify groups and cognitive load.MOT task performance and cognitive tests revealed no significant group differences. While multivariate machine learning revealed high sensitivity to experimental condition, with classification accuracies between rest and attentive tracking approaching 100%, group classification was at chance level, with negligible differences between conditions. Repeated measures ANOVA showed significantly stronger synchronization between a temporal node and a sensorimotor node in patients across conditions. Overall, the results revealed high sensitivity of FC indices to task conditions, and suggest relatively small brain network-level disturbances after clinically mild strokes.

Attentional deficits following stroke are common and pervasive, and are important predictors for functional recovery. Attentional functions comprise a set of specific cognitive processes allowing to attend, filter and select among a continuous stream of stimuli. These mechanisms are fundamental for more complex cognitive functions such as learning, planning and cognitive control, all crucial for daily functioning, including social interactions. The distributed functional neuroanatomy of these processes is a likely explanation for the high prevalence of attentional impairments following stroke, and underscores the importance of a clinical implementation of computational approaches allowing for sensitive and specific modeling of attentional sub-processes. The Theory of Visual Attention (TVA) offers a theoretical, computational, neuronal and practical framework to assess the efficiency of visual selection performance and parallel processing of multiple objects. Here, using a whole-report experimental paradigm in a cross-sectional case-control comparison and in six repeated assessments over the course of a three-week intensive computerized cognitive training (CCT) intervention in chronic stroke patients (> 6 months since hospital admission, NIHSS < 7 at hospital discharge), we assessed the sensitivity and reliability of TVA parameters reflecting short-term memory capacity (K), processing speed (C) and perceptual threshold (t0). Cross-sectional group comparisons documented lower short-term memory capacity, slower processing speed and higher perceptual threshold in patients compared to age-matched healthy controls. Further, longitudinal analyses revealed high reliability of the TVA parameters in stroke patients, and higher processing speed at baseline was associated with larger cognitive benefits of the CCT. The results support the feasibility, reliability and sensitivity of TVA-based assessment of attentional functions in chronic stroke patients.