Abstract Over the past decade, there has been an abundance of research on the difference between age and age predicted using brain features, which is commonly referred to as the “brain age gap”. Researchers have identified that the brain age gap, as a linear transformation of an out-of-sample residual, is dependent on age. As such, any group differences on the brain age gap could simply be due to group differences on age. To mitigate the brain age gap’s dependence on age, it has been proposed that age be regressed out of the brain age gap. If this modified brain age gap (MBAG) is treated as a corrected deviation from age, model accuracy statistics such as R 2 will be artificially inflated. Given the limitations of proposed brain age analyses, further theoretical work is warranted to determine the best way to quantify deviation from normality. Highlights The brain age gap is an out-of-sample residual, and as such varies as a function of age. A recently proposed modification of the brain age gap, designed to mitigate the dependence on age, results in inflated model accuracy statistics if used incorrectly. Given these limitations, we suggest that new methods should be developed to quantify deviation from normal developmental and aging trajectories.

ABSTRACT The Brain Imaging Data Structure (BIDS) is a specification accompanied by a software ecosystem that was designed to create reproducible and automated workflows for processing neuroimaging data. BIDS Apps flexibly build workflows based on the metadata detected in a dataset. However, even BIDS valid metadata can include incorrect values or omissions that result in inconsistent processing across sessions. Additionally, in large-scale, heterogeneous neuroimaging datasets, hidden variability in metadata is difficult to detect and classify. To address these challenges, we created a Python-based software package titled “Curation of BIDS” (CuBIDS), which provides an intuitive workflow that helps users validate and manage the curation of their neuroimaging datasets. CuBIDS includes a robust implementation of BIDS validation that scales to large samples and incorporates DataLad––a version control software package for data––to ensure reproducibility and provenance tracking throughout the entire curation process. CuBIDS provides tools to help users perform quality control on their images’ metadata and identify unique combinations of imaging parameters. Users can then execute BIDS Apps on a subset of participants that represent the full range of acquisition parameters that are present, accelerating pipeline testing on large datasets. HIGHLIGHTS CuBIDS is a workflow and software package for curating BIDS data. CuBIDS summarizes the heterogeneity in a BIDS dataset. CuBIDS prepares BIDS data for successful preprocessing pipeline runs. CuBIDS helps users perform metadata-based quality control.

Abstract Schizophrenia is marked by deficits in facial affect processing associated with abnormalities in GABAergic circuitry, deficits also found in first-degree relatives. Facial affect processing involves a distributed network of brain regions including limbic regions like amygdala and visual processing areas like fusiform cortex. Pharmacological modulation of GABAergic circuitry using benzodiazepines like alprazolam can be useful for studying this facial affect processing network and associated GABAergic abnormalities in schizophrenia. Here, we use pharmacological modulation and computational modeling to study the contribution of GABAergic abnormalities toward emotion processing deficits in schizophrenia. Specifically, we apply principles from network control theory to model persistence energy – the control energy required to maintain brain activation states – during emotion identification and recall tasks, with and without administration of alprazolam, in a sample of first-degree relatives and healthy controls. Here, persistence energy quantifies the magnitude of theoretical external inputs during the task. We find that alprazolam increases persistence energy in relatives but not in controls during threatening face processing, suggesting a compensatory mechanism given the relative absence of behavioral abnormalities in this sample of unaffected relatives. Further, we demonstrate that regions in the fusiform and occipital cortices are important for facilitating state transitions during facial affect processing. Finally, we uncover spatial relationships (i) between regional variation in differential control energy (alprazolam versus placebo) and (ii) both serotonin and dopamine neurotransmitter systems, indicating that alprazolam may exert its effects by altering neuromodulatory systems. Together, these findings reveal differences in emotion-processing circuitry associated with genetic vulnerability to schizophrenia.

A balanced excitation-inhibition ratio (E/I ratio) is critical for healthy brain function. Normative development of cortex-wide E/I ratio remains unknown. Here we non-invasively estimate a putative marker of whole-cortex E/I ratio by fitting a large-scale biophysically-plausible circuit model to resting-state functional MRI (fMRI) data. We first confirm that our model generates realistic brain dynamics in the Human Connectome Project. Next, we show that the estimated E/I ratio marker is sensitive to the GABA-agonist benzodiazepine alprazolam during fMRI. Alprazolam-induced E/I changes are spatially consistent with positron emission tomography measurement of benzodiazepine receptor density. We then investigate the relationship between the E/I ratio marker and neurodevelopment. We find that the E/I ratio marker declines heterogeneously across the cerebral cortex during youth, with the greatest reduction occurring in sensorimotor systems relative to association systems. Importantly, among children with the same chronological age, a lower E/I ratio marker (especially in association cortex) is linked to better cognitive performance. This result is replicated across North American (8.2 to 23.0 years old) and Asian (7.2 to 7.9 years old) cohorts, suggesting that a more mature E/I ratio indexes improved cognition during normative development. Overall, our findings open the door to studying how disrupted E/I trajectories may lead to cognitive dysfunction in psychopathology that emerges during youth.

Abstract When individual subjects are imaged with multiple modalities, biological information is present not only within each modality, but also between modalities – that is, in how modalities covary at the voxel level. Previous studies have shown that local covariance structures between modalities, or intermodal coupling (IMCo), can be summarized for two modalities, and that two-modality IMCo reveals otherwise undiscovered patterns in neurodevelopment and certain diseases. However, previous IMCo methods are based on the slopes of local weighted linear regression lines, which are inherently asymmetric and limited to the two-modality setting. Here, we present a generalization of IMCo estimation which uses local covariance decompositions to define a symmetric, voxel-wise coupling coefficient that is valid for two or more modalities. We use this method to study coupling between cerebral blood flow, amplitude of low frequency fluctuations, and local connectivity in 803 subjects ages 8 through 22. We demonstrate that coupling is spatially heterogeneous, varies with respect to age and sex in neurodevelopment, and reveals patterns that are not present in individual modalities. As availability of multi-modal data continues to increase, principal-component-based IMCo (pIMCo) offers a powerful approach for summarizing relationships between multiple aspects of brain structure and function. An R package for estimating pIMCo is available at: https://github.com/hufengling/pIMCo .

Abstract Cortical variations in cytoarchitecture form a sensory-fugal axis that systematically shapes regional profiles of extrinsic connectivity. Additionally, this axis is thought to guide signal propagation and integration across the cortical hierarchy. While human neuroimaging work has shown that this axis constrains local properties of the human connectome, it remains unclear whether it also shapes the asymmetric signaling that arises from higher-order connectome topology. Here, we used network control theory to examine the amount of energy required to propagate dynamics across the sensory-fugal axis. Our results revealed an asymmetry in this energy indicating that bottom-up transitions were easier to complete compared to top-down transitions. Supporting analyses demonstrated that this asymmetry was underpinned by a connectome topology that is wired to support efficient bottom-up signaling. Finally, we found that this asymmetry correlated with changes in intrinsic neuronal timescales and lessened throughout youth. Our results show that cortical variation in cytoarchitecture may guide the formation of macroscopic connectome topology.

Abstract Mechanisms underpinning age-related variations in cortical thickness in the human brain remain poorly understood. We investigated whether inter-regional age-related variations in cortical thinning (in a multicohort neuroimaging dataset from the ENIGMA Lifespan Working Group totalling 14,248 individuals, aged 4-89 years) depended on cell-specific marker gene expression levels. We found differences amidst early-life (<20 years), mid-life (20-60 years), and late-life (>60 years) in the patterns of association between inter-regional profiles of cortical thickness and expression profiles of marker genes for CA1 and S1 pyramidal cells, astrocytes, and microglia. Gene ontology and enrichment analyses indicated that each of the three life-stages was associated with different biological processes and cellular components: synaptic modeling in early life, neurotransmission in mid-life, and neurodegeneration in late-life. These findings provide mechanistic insights into age-related cortical thinning during typical development and aging.

The white matter architecture of the human brain undergoes substantial development throughout childhood and adolescence, allowing for more efficient signaling between brain regions that support executive function. Increasingly, the field understands grey matter development as a spatially and temporally coordinated mechanism that follows hierarchically organized gradients of change. While white matter development also appears asynchronous, previous studies have largely relied on anatomical atlases to characterize white matter tracts, precluding a direct assessment of how white matter structure is spatially and temporally coordinated. Here, we leveraged advances in diffusion modeling and unsupervised machine learning to delineate white matter fiber covariance networks comprised of structurally similar areas of white matter in a cross-sectional sample of 939 youth aged 8-22 years. We then evaluated associations between fiber covariance network structural properties with both age and executive function using generalized additive models. The identified fiber covariance networks aligned with the known architecture of white matter while simultaneously capturing novel spatial patterns of coordinated maturation. Fiber covariance networks showed heterochronous increases in fiber density and cross section that generally followed hierarchically organized temporal patterns of cortical development, with the greatest increases in unimodal sensorimotor networks and the most prolonged increases in superior and anterior transmodal networks. Notably, we found that executive function was associated with structural features of limbic and association networks. Taken together, this study delineates data-driven patterns of white matter network development that support cognition and align with major axes of brain maturation.

Network control theory (NCT) is a simple and powerful tool for studying how network topology informs and constrains dynamics. Compared to other structure-function coupling approaches, the strength of NCT lies in its capacity to predict the patterns of external control signals that may alter dynamics in a desired way. We have extensively developed and validated the application of NCT to the human structural connectome. Through these efforts, we have studied (i) how different aspects of connectome topology affect neural dynamics, (ii) whether NCT outputs cohere with empirical data on brain function and stimulation, and (iii) how NCT outputs vary across development and correlate with behavior and mental health symptoms. In this protocol, we introduce a framework for applying NCT to structural connectomes following two main pathways. Our primary pathway focuses on computing the control energy associated with transitioning between specific neural activity states. Our second pathway focuses on computing average controllability , which indexes nodes' general capacity to control dynamics. We also provide recommendations for comparing NCT outputs against null network models. Finally, we support this protocol with a Python-based software package called network control theory for python (nctpy) .

Abstract Both psychiatric vulnerability and cortical structure are shaped by the cumulative effect of common genetic variants across the genome. However, the shared genetic underpinnings between psychiatric disorders and brain structural phenotypes, such as thickness and surface area of the cerebral cortex, remains elusive. In this study, we employed pleiotropy-informed conjunctional false discovery rate analysis to investigate shared loci across genome-wide association scans of regional cortical thickness, surface area, and seven psychiatric disorders in approximately 700,000 individuals of European ancestry. Aggregating regional measures, we identified 50 genetic loci shared between psychiatric disorders and surface area, as well as 26 genetic loci shared with cortical thickness. Risk alleles exhibited bidirectional effects on both cortical thickness and surface area, such that some risk alleles for each disorder increased regional brain size while other risk alleles decreased regional brain size. Due to bidirectional effects, in many cases we observed extensive pleiotropy between an imaging phenotype and a psychiatric disorder even in the absence of a significant genetic correlation between them. The impact of genetic risk for psychiatric disorders on regional brain structure did exhibit a consistent pattern across highly comorbid psychiatric disorders, with 80% of the genetic loci shared across multiple disorders displaying consistent directions of effect. Cortical patterning of genetic overlap revealed a hierarchical genetic architecture, with the association cortex and sensorimotor cortex representing two extremes of shared genetic influence on psychiatric disorders and brain structural variation. Integrating multi-scale functional annotations and transcriptomic profiles, we observed that shared genetic loci were enriched in active genomic regions, converged on neurobiological and metabolic pathways, and showed differential expression in postmortem brain tissue from individuals with psychiatric disorders. Cumulatively, these findings provide a significant advance in our understanding of the overlapping polygenic architecture between psychopathology and cortical brain structure.