ABSTRACT The distribution of brain aerobic glycolysis (AG) in normal young adults correlates spatially with amyloid-beta (Aβ) deposition in individuals with dementia of the Alzheimer type (DAT) and asymptomatic individuals with brain amyloid deposition. Brain AG decreases with age but the functional significance of this decrease with regard to the development of DAT symptomatology is poorly understood. Using PET measurements of regional blood flow, oxygen consumption and glucose utilization—from which we derive AG—we find that cognitive impairment is strongly associated with loss of the typical youthful pattern of AG. In contrast, amyloid positivity without cognitive impairment was associated with preservation of youthful brain AG, which was even higher than that seen in typical, cognitively unimpaired, amyloid negative adults. Similar findings were not seen for blood flow nor oxygen consumption. Finally, in cognitively unimpaired adults, white matter hyperintensity burden was found to be specifically associated with decreased youthful brain AG. Our results implicate preserved AG as a factor in brain resilience to amyloid pathology and suggest that white matter disease may be a cause and/or consequence of this impaired resilience.

Abstract Purpose Metabolic connectivity (MC) has been previously proposed as the covariation of static [ 18 F]FDG PET images across participants, which we call across-individual MC (ai-MC). In few cases, MC has also been inferred from dynamic [ 18 F]FDG signals, similarly to fMRI functional connectivity (FC), which we term within-individual MC (wi-MC). The validity and interpretability of both MC approaches is an important open issue. Here we reassess this topic, aiming to 1) develop a novel methodology for wi-MC estimation; 2) compare ai-MC maps obtained using different [ 18 F]FDG parameters ( K 1 , i.e. tracer transport rate, k 3 , i.e. phosphorylation rate, K i , i.e. tracer uptake rate, and the standardized uptake value ratio, SUVR ); 3) assess the interpretability of ai-MC and wi-MC in comparison to structural and functional connectivity (FC) measures. Methods We analyzed dynamic [ 18 F]FDG data from 54 healthy adults using kinetic modelling to quantify the macro- and microparameters describing the tracer behavior (i.e. K i , K 1 , k 3 ). We also calculated SUVR . From the across-individual correlation of SUVR, K i , K 1 , k 3 , we obtained four different ai-MC matrices. A new approach based on Euclidean distance was developed to calculate wi-MC from PET time-activity curves. Results We identified Euclidean similarity as the most appropriate metric to calculate wi-MC. ai-MC networks changed with different [ 18 F]FDG parameters ( k 3 MC vs. SUVR MC, r = 0.44). We found that wi-MC and ai-MC matrices are dissimilar (maximum r = 0.37), and that the match with FC is higher for wi-MC (Dice similarity: 0.47-0.63) than for ai-MC (0.24-0.39). Conclusion Our data demonstrate that individual-level MC from dynamic [ 18 F]FDG data using Euclidean similarity is feasible and yields interpretable matrices that bear similarity to resting-state fMRI FC measures.