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.

Background and objectives: Cognitive deficits in MS are common, also early in the disease course. We aimed to identify if estimated brain age from MRI could serve as an imaging marker for early cognitive symptoms in a longitudinal MS study. Methods: A group of 76 MS patients (mean age 34 years, 71% females, 96% relapsing-remitting) was examined 1, 2 and 5 years after diagnosis. A machine-learning model using Freesurfer-processed T1-weighted brain MRI data from 3208 healthy controls, was applied to develop a prediction model for brain age. The difference between estimated and chronological brain age was calculated (brain age gap). Tests of memory, attention and executive functions were performed. Associations between brain age gap and cognitive performance were assessed using linear mixed effects (LME) models and corrected for multiple testing. Results: LME models revealed a significant association between the Color Naming condition of Color-Word Interference Test and brain age gap (t=2.84, p=0.005). Conclusions: In this study, decreased information processing speed correlated with increased brain age gap. Our findings suggest that brain age estimation using MRI provides a useful semi-automated approach applying machine learning for individual level brain phenotyping and correlates with information processing speed in the early course of MS.

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.