A considerable body of previous research on the prefrontal cortex (PFC) has helped characterize the regional specificity of various cognitive functions, such as cognitive control and decision making. Here we provide definitive findings on this topic, using a neuropsychological approach that takes advantage of a unique dataset accrued over several decades. We applied voxel-based lesion-symptom mapping in 344 individuals with focal lesions (165 involving the PFC) who had been tested on a comprehensive battery of neuropsychological tasks. Two distinct functional-anatomical networks were revealed within the PFC: one associated with cognitive control (response inhibition, conflict monitoring, and switching), which included the dorsolateral prefrontal cortex and anterior cingulate cortex and a second associated with value-based decision-making, which included the orbitofrontal, ventromedial, and frontopolar cortex. Furthermore, cognitive control tasks shared a common performance factor related to set shifting that was linked to the rostral anterior cingulate cortex. By contrast, regions in the ventral PFC were required for decision-making. These findings provide detailed causal evidence for a remarkable functional-anatomical specificity in the human PFC.

General intelligence (g) captures the performance variance shared across cognitive tasks and correlates with real-world success. Yet it remains debated whether g reflects the combined performance of brain systems involved in these tasks or draws on specialized systems mediating their interactions. Here we investigated the neural substrates of g in 241 patients with focal brain damage using voxel-based lesion-symptom mapping. A hierarchical factor analysis across multiple cognitive tasks was used to derive a robust measure of g. Statistically significant associations were found between g and damage to a remarkably circumscribed albeit distributed network in frontal and parietal cortex, critically including white matter association tracts and frontopolar cortex. We suggest that general intelligence draws on connections between regions that integrate verbal, visuospatial, working memory, and executive processes.

Summary People with autism spectrum disorder (ASD) have atypical gaze onto both static visual images 1,2 and dynamic videos 3,4 that could be leveraged for diagnostic purposes 5,6 . Eye tracking is important for characterizing ASD across the lifespan 7 and nowadays feasible at home (e.g., from smartphones 8 ). Yet gaze-based classification has been difficult to achieve, due to sources of variance both across and within subjects. Here we test three competing hypotheses: (a) that ASD could be successfully classified from the fact that gaze patterns are less reliable or noisier than in controls, (b) that gaze patterns are atypical and heterogeneous across ASD subjects but reliable over time within a subject, or (c) that gaze patterns are individually reliable and also homogenous among individuals with ASD. Leveraging dense eye tracking data from two different full-length television sitcom episodes in a total of over 150 subjects (N = 53 ASD, 107 controls) collected at two different sites, we demonstrate support for the second of these hypotheses. The findings pave the way for the investigation of autism subtypes, and for elucidating the specific visual features that best discriminate gaze patterns — directions that will also inform neuroimaging and genetic studies of this complex disorder.

Personality neuroscience aims to find associations between brain measures and personality traits. Findings to date have been severely limited by a number of factors, including small sample size and omission of out-of-sample prediction. We capitalized on the recent availability of a large database, together with the emergence of specific criteria for best practices in neuroimaging studies of individual differences. We analyzed resting-state functional magnetic resonance imaging data from 884 young healthy adults in the Human Connectome Project (HCP) database. We attempted to predict personality traits from the "Big Five", as assessed with the NEO-FFI test, using individual functional connectivity matrices. After regressing out potential confounds (such as age, sex, handedness and fluid intelligence), we used a cross-validated framework, together with test-retest replication (across two sessions of resting-state fMRI for each subject), to quantify how well the neuroimaging data could predict each of the five personality factors. We tested three different (published) denoising strategies for the fMRI data, two inter-subject alignment and brain parcellation schemes, and three different linear models for prediction. As measurement noise is known to moderate statistical relationships, we performed final prediction analyses using average connectivity across both imaging sessions (1 h of data), with the analysis pipeline that yielded the highest predictability overall. Across all results (test/retest; 3 denoising strategies; 2 alignment schemes; 3 models), openness to experience emerged as the only reliably predicted personality factor. Using the full hour of resting-state data and the best pipeline, we could predict openness to experience (NEOFAC_O: r=0.24, R^2 =0.024) almost as well as we could predict the score on a 24-item intelligence test (PMAT24_A_CR: r=0.26, R^2 =0.044). Other factors (extraversion, neuroticism, agreeableness and conscientiousness) yielded weaker predictions across results that were not statistically significant under permutation testing. We also derived two superordinate personality factors ("α" and "β") from a principal components analysis of the NEO-FFI factor scores, thereby reducing noise and enhancing the precision of these measures of personality. We could account for 5% of the variance in the β superordinate factor (r=0.27, R^2 =0.050), which loads highly on openness to experience. We conclude with a discussion of the potential for predicting personality from neuroimaging data and make specific recommendations for the field.

Individual people differ in their ability to reason, solve problems, think abstractly, plan and learn. A reliable measure of this general ability, also known as intelligence, can be derived from scores across a diverse set of cognitive tasks. There is great interest in understanding the neural underpinnings of individual differences in intelligence, since it is the single best predictor of long-term life success. The most replicated neural correlate of human intelligence to date is total brain volume; however, this coarse morphometric correlate says little about function. Here we ask whether measurements of the activity of the resting brain (resting-state fMRI) might also carry information about intelligence. We used the final release of the Young Adult Human Connectome Project (N=884 subjects after exclusions), providing a full hour of resting-state fMRI per subject; controlled for gender, age, and brain volume; and derived a reliable estimate of general intelligence from scores on multiple cognitive tasks. Using a cross-validated predictive framework, we predicted 20% of the variance in general intelligence in the sampled population from their resting-state connectivity matrices. Interestingly, no single anatomical structure or network was responsible or necessary for this prediction, which instead relied on redundant information distributed across the brain.

Recent studies in adult humans have reported correlations between individual differences in Social Network Index (SNI) and gray matter volume (GMV) across multiple regions of the brain. However, the cortical and subcortical loci identified are inconsistent across studies. These discrepancies might arise because different regions of interest were hypothesized and tested in different studies without controlling for multiple comparisons, and/or from insufficiently large sample sizes to fully protect against statistically unreliable findings. Here we took a data-driven approach in a pre-registered study to comprehensively investigate the relationship between SNI and GMV in every cortical and subcortical region, using three predictive modeling frameworks. We also included psychological predictors such as cognitive and emotional intelligence, personality, and mood. In a sample of healthy adults (n = 92), neither multivariate frameworks (e.g., ridge regression with cross-validation) nor univariate frameworks (e.g., univariate linear regression with cross-validation) showed a significant association between SNI and any GMV or psychological feature after multiple comparison corrections (all R-squared values less than or equal to 0.1). These results emphasize the importance of large sample sizes and hypothesis-driven studies to derive statistically reliable conclusions, and suggest that future meta-analyses will be needed to more accurately estimate the true effect sizes in this field.