Abstract A fundamental goal across the neurosciences is the characterization of relationships linking brain anatomy, functioning, and behavior. Although various MRI modalities have been developed to probe these relationships, direct comparisons of their ability to predict behavior have been lacking. Here, we compared the ability of anatomical T1, diffusion and functional MRI (fMRI) to predict behavior at an individual level. Cortical thickness, area and volume were extracted from anatomical T1 images. Diffusion Tensor Imaging (DTI) and approximate Neurite Orientation Dispersion and Density Imaging (NODDI) models were fitted to the diffusion images. The resulting metrics were projected to the Tract-Based Spatial Statistics (TBSS) skeleton. We also ran probabilistic tractography for the diffusion images, from which we extracted the stream count, average stream length, and the average of each DTI and NODDI metric across tracts connecting each pair of brain regions. Functional connectivity (FC) was extracted from both task and resting-state fMRI. Individualized prediction of a wide range of behavioral measures were performed using kernel ridge regression, linear ridge regression and elastic net regression. Consistency of the results were investigated with the Human Connectome Project (HCP) and Adolescent Brain Cognitive Development (ABCD) datasets. In both datasets, FC-based models gave the best prediction performance, regardless of regression model or behavioral measure. This was especially true for the cognitive domain. Furthermore, all modalities were able to predict cognition better than other behavioral domains. Combining all modalities improved prediction of cognition, but not other behavioral domains. Finally, across all behaviors, combining resting and task FC yielded prediction performance similar to combining all modalities. Overall, our study suggests that in the case of healthy children and young adults, behaviorally-relevant information in T1 and diffusion features might reflect a subset of the variance captured by FC. Highlights FC predicts behavior better than anatomical and diffusion features Cognition is predicted better than other behavioral domains regardless of modality Combining resting & task FC improves prediction as much as combining all modalities Findings were replicated over 3 regression models and 2 datasets

S ummary How white matter pathway integrity and neural co-activation patterns in the brain relate to complex cognitive functions remains a mystery in neuroscience. Here, we integrate neuroimaging, connectomics, and machine learning approaches to explore how multimodal brain connectivity relates to cognition. Specifically, we evaluate whether integrating functional and structural connectivity improves prediction of individual crystallised and fluid abilities in 415 unrelated healthy young adults from the Human Connectome Project. Our primary results are two-fold. First, we demonstrate that integrating functional and structural information – at both a model input or output level – significantly outperforms functional or structural connectivity alone to predict individual verbal/language skills and fluid reasoning/executive function. Second, we show that distinct pairwise functional and structural connections are important for these predictions. In a secondary analysis, we find that structural connectivity derived from deterministic tractography is significantly better than structural connectivity derived from probabilistic tractography to predict individual cognitive abilities.

Abstract A thorough understanding of sex differences, if any, that exist in the brains of healthy individuals is crucial for the study of neurological illnesses that exhibit differences in clinical and behavioural phenotypes between males and females. In this work, we evaluate sex differences in regional temporal dependence of resting-state brain activity using 195 male-female pairs (aged 22-37) from the Human Connectome Project. Male-female pairs are strictly matched for total grey matter volume. We find that males have more persistent long-range temporal dependence than females in regions within temporal, parietal, and occipital cortices. Machine learning algorithms trained on regional temporal dependence measures achieve sex classification accuracies of up to 81%. Regions with the strongest feature importance in the sex classification task included cerebellum, amygdala, frontal cortex, and occipital cortex. Additionally, we find that even after males and females are strictly matched on total grey matter volume, significant regional volumetric sex differences persist in many cortical and subcortical regions. Our results indicate males have larger cerebella, hippocampi, parahippocampi, thalami, caudates, and amygdalae while females have larger cingulates, precunei, frontal cortices, and parietal cortices. Sex classification based on regional volume achieves accuracies of up to 85%; cerebellum, cingulate cortex, and temporal cortex are the most important features. These findings highlight the important role of strict volume matching when studying brain-based sex differences. Differential patterns in regional temporal dependence between males and females identifies a potential neurobiological substrate underlying sex differences in functional brain activation patterns and the behaviours with which they correlate.

Abstract Individual differences in brain anatomy can be used to predict variability in cognitive function. Most studies to date have focused on broad population-level trends, but the extent to which the observed predictive features are shared across sexes and age groups remains to be established. While it is standard practice to account for intracranial volume (ICV) using proportion correction in both regional and whole-brain morphometric analyses, in the context of brain-behavior predictions the possible differential impact of ICV correction on anatomical features and subgroups within the population has yet to be systematically investigated. In this work, we evaluate the effect of proportional ICV correction on sex-independent and sex-specific predictive models of individual cognitive abilities across multiple anatomical properties (surface area, gray matter volume, and cortical thickness) in healthy young adults (Human Connectome Project; n=1013, 548 females) and typically developing children (Adolescent Brain Cognitive Development study; n=1823, 979 females). We demonstrate that ICV correction generally reduces predictive accuracies derived from surface area and gray matter volume, while increasing predictive accuracies based on cortical thickness in both adults and children. Furthermore, the extent to which predictive models generalize across sexes and age groups depends on ICV correction: models based on surface area and gray matter volume are more generalizable without ICV correction, while models based on cortical thickness are more generalizable with ICV correction. Finally, the observed neuroanatomical features predictive of cognitive abilities are unique across age groups regardless of ICV correction, but whether they are shared or unique across sexes (within age groups) depends on ICV correction. These findings highlight the importance of considering individual differences in ICV, and show that proportional ICV correction does not remove the effects of cranium volumes from anatomical measurements and can introduce ICV bias where previously there was none. ICV correction choices affect not just the strength of the relationships captured, but also the conclusions drawn regarding the neuroanatomical features that underlie those relationships.

Abstract A thorough understanding of sex-independent and sex-specific neurobiological features that underlie cognitive abilities in healthy individuals is essential for the study of neurological illnesses in which males and females differentially experience and exhibit cognitive impairment. Here, we evaluate sex-independent and sex-specific relationships between functional connectivity and individual cognitive abilities in 392 healthy young adults (196 males) from the Human Connectome Project. First, we establish that sex-independent models comparably predict crystallised abilities in males and females, but more accurately predict fluid abilities in males. Second, we demonstrate sex-specific models comparably predict crystallised abilities within and between sexes, and generally fail to predict fluid abilities in either sex. Third, we reveal that largely overlapping connections between visual, dorsal attention, ventral attention, and temporal parietal networks are associated with better performance on crystallised and fluid cognitive tests in males and females, while connections within visual, somatomotor, and temporal parietal networks are associated with poorer performance. Together, our findings suggest that shared neurobiological features of the functional connectome underlie crystallised and fluid abilities across the sexes.

Sex and gender are associated with human behavior throughout the life span and across health and disease, but whether they are associated with similar or distinct neural phenotypes is unknown. Here, we demonstrate that, in children, sex and gender are uniquely reflected in the intrinsic functional connectivity of the brain. Somatomotor, visual, control, and limbic networks are preferentially associated with sex, while network correlates of gender are more distributed throughout the cortex. These results suggest that sex and gender are irreducible to one another not only in society but also in biology.

Abstract Background Individual differences in functional brain connectivity can be used to predict both the presence of psychiatric illness and variability in associated behaviors. However, despite evidence for sex differences in functional network connectivity and in the prevalence, presentation, and trajectory of psychiatric illnesses, the extent to which disorder-relevant aspects of network connectivity are shared or unique across the sexes remains to be determined. Methods In this work, we used predictive modelling approaches to evaluate whether shared or unique functional connectivity correlates underlie the expression of psychiatric illness-linked behaviors in males and females in data from the Adolescent Brain Cognitive Development study (n=5260; 2571 females). Results We demonstrate that functional connectivity profiles predict individual differences in externalizing behaviors in males and females, but only predict internalizing behaviors in females. Furthermore, models trained to predict externalizing behaviors in males generalize to predict internalizing behaviors in females, and models trained to predict internalizing behaviors in females generalize to predict externalizing behaviors in males. Finally, the neurobiological correlates of many behaviors are largely shared within and across sexes: functional connections within and between heteromodal association networks including default, limbic, control, and dorsal attention networks are associated with internalizing and externalizing behaviors as well as attentional deficits. Conclusions Taken together, these findings suggest that shared neurobiological patterns may manifest as distinct behaviors across the sexes. These results highlight the need to consider factors beyond just neurobiology in the diagnosis and treatment of psychiatric illnesses.

Internalizing and externalizing traits are two distinct classes of behaviors in psychiatry. However, whether shared or unique brain network features predict internalizing and externalizing behaviors in children and adults remain poorly understood. Using a sample of 2262 children from the Adolescent Brain Cognitive Development (ABCD) study and 752 adults from the Human Connectome Project (HCP), we show that network features predicting internalizing and externalizing behavior are, at least in part, dissociable in children, but not in adults. In ABCD children, traits within internalizing and externalizing behavioral categories are predicted by more similar network features concatenated across task and resting states than those between different categories. We did not observe this pattern in HCP adults. Distinct network features predict internalizing and externalizing behaviors in ABCD children and HCP adults. These data reveal shared and unique brain network features accounting for individual variation within broad internalizing and externalizing categories across developmental stages.

Abstract Sex differences in effective brain connectivity in emotional intelligence, emotional regulation, and stimuli-induced negative emotions have been highlighted in previous research. However, to our knowledge, no research has yet investigated the sex-specific effective connectivity related to negative emotions in healthy population during resting-state. The goal of this study is to find the association between sex-specific resting-state effective brain connectivity and basic negative emotions. For this, we have employed the NIH emotion battery of the three self-reported, basic negative emotions — anger-affect, fear-affect, and sadness which we divided into high, moderate, and low emotion scores in each. The dataset comprises 1079 subjects (584 females) from HCP Young Adults. We selected large-scale resting-state brain networks important for emotional processing namely default mode, executive, and salience networks. We employed subject-level analysis using spectral dynamic causal modelling and group-level association analyses using parametric empirical Bayes. We report association of the self-connection of left hippocampus in females in high anger-affect, fear-affect, and sadness, whereas in males we found involvement of dorsal anterior cingulate cortex (dACC) in all three negative emotions - association of right amygdala to dACC in high anger-affect, association of the self-connection of dACC in high fear-affect, and association of dACC to left hippocampus in high sadness. Our findings primarily revealed the effective brain connectivity that is related to the higher levels of negative emotions that may lead to psychiatric disorders if not regulated. Sex-specific therapies and interventions that target psychopathology can be more beneficial when informed by the sex-specific resting-state effective connectivity.

The functional properties of the human brain arise, in part, from the vast assortment of cell types that pattern the cortex. The cortical sheet can be broadly divided into distinct networks, which are further embedded into processing streams, or gradients, that extend from unimodal systems through higher-order association territories. Here, using transcriptional data from the Allen Human Brain Atlas, we demonstrate that imputed cell type distributions are spatially coupled to the functional organization of cortex, as estimated through fMRI. Cortical cellular profiles follow the macro-scale organization of the functional gradients as well as the associated large-scale networks. Distinct cellular fingerprints were evident across networks, and a classifier trained on post-mortem cell-type distributions was able to predict the functional network allegiance of cortical tissue samples. These data indicate that the in vivo organization of the cortical sheet is reflected in the spatial variability of its cellular composition.