As the size of functional and structural MRI datasets expands, it becomes increasingly important to establish a baseline from which diagnostic relevance may be determined, a processing strategy that efficiently prepares data for analysis, and a statistical approach that identifies important effects in a manner that is both robust and reproducible. In this paper, we introduce a multivariate analytic approach that optimizes sensitivity and reduces unnecessary testing. We demonstrate the utility of this mega-analytic approach by identifying the effects of age and gender on the resting-state networks (RSNs) of 603 healthy adolescents and adults (mean age: 23.4 years, range: 12-71 years). Data were collected on the same scanner, preprocessed using an automated analysis pipeline based in SPM, and studied using group independent component analysis. RSNs were identified and evaluated in terms of three primary outcome measures: time course spectral power, spatial map intensity, and functional network connectivity. Results revealed robust effects of age on all three outcome measures, largely indicating decreases in network coherence and connectivity with increasing age. Gender effects were of smaller magnitude but suggested stronger intra-network connectivity in females and more inter-network connectivity in males, particularly with regard to sensorimotor networks. These findings, along with the analysis approach and statistical framework described here, provide a useful baseline for future investigations of brain networks in health and disease.

What are the genetic and neural components that support adaptive learning from positive and negative outcomes? Here, we show with genetic analyses that three independent dopaminergic mechanisms contribute to reward and avoidance learning in humans. A polymorphism in the DARPP-32 gene, associated with striatal dopamine function, predicted relatively better probabilistic reward learning. Conversely, the C957T polymorphism of the DRD2 gene, associated with striatal D2 receptor function, predicted the degree to which participants learned to avoid choices that had been probabilistically associated with negative outcomes. The Val/Met polymorphism of the COMT gene, associated with prefrontal cortical dopamine function, predicted participants' ability to rapidly adapt behavior on a trial-to-trial basis. These findings support a neurocomputational dissociation between striatal and prefrontal dopaminergic mechanisms in reinforcement learning. Computational maximum likelihood analyses reveal independent gene effects on three reinforcement learning parameters that can explain the observed dissociations.

Abstract Resting-state functional magnetic resonance imaging (rsfMRI) has shown considerable promise for improving our understanding of brain function and characterizing various mental and cognitive states in the healthy and disordered brain. However, the lack of accurate and precise estimations of comparable functional patterns across datasets, individuals, and ever-changing brain states in a way that captures both individual variation and inter-subject correspondence limits the clinical utility of rsfMRI and its application to single-subject analyses. We posit that using reliable network templates and advanced group-informed network estimation approaches to accurately and precisely obtain individualized (dynamic) networks that retain cross-subject correspondence while maintaining subject-specific information is one potential solution to overcome the aforementioned barrier when considering cross-study comparability, independence of subject-level estimates, the limited data available in single studies, and the low signal-to-noise ratio (SNR) of rsfMRI. Toward this goal, we first obtained a reliable and replicable network template. We combined rsfMRI data of over 100k individuals across private and public datasets and selected around 58k that meet quality control (QC) criteria. We then applied multi-model-order independent component analysis (ICA) and subsampling to obtain reliable canonical intrinsic connectivity networks (ICNs) across multiple spatial scales. The selected ICNs (i.e., network templates) were also successfully replicated by independently analyzing the data that did not pass the QC criteria, highlighting the robustness of our adaptive template to data quality. We next studied the feasibility of estimating the corresponding subject-specific ICNs using a multivariate-spatially constrained ICA as an example of group-informed network estimation approaches. The results highlight that several factors, including ICNs themselves, data length, and spatial resolution, play key roles in successfully estimating the ICNs at the subject level. Large-scale ICNs, in general, require less data to achieve a specific level of spatial similarity with their templates (as well as within- and between-subject spatial similarity). Moreover, increasing data length can reduce an ICN’s subject-level specificity, suggesting longer scans might not always be desirable. We also show spatial smoothing can alter results, and the positive linear relationship we observed between data length and spatial smoothness (we posit that it is at least partially due to averaging over intrinsic dynamics or individual variation) indicates the importance of considering this factor in studies such as those focused on optimizing data length. Finally, the consistency in the spatial similarity between ICNs estimated using the full-length of data and subset of it across different data lengths may suggest that the lower within-subject spatial similarity in shorter data lengths is not necessarily only defined by lower reliability in ICN estimates; rather, it can also be an indication of brain dynamics (i.e., different subsets of data may reflect different ICN dynamics), and as we increase the data length, the result approaches the average (also known as static) ICN pattern, and therefore loses its distinctiveness.

Abstract Recent microbiome-brain axis findings have shown evidence of the modulation of microbiome community as an environmental mediator in brain function and psychiatric illness. This work is focused on the role of the microbiome in understanding a rarely investigated environmental involvement in schizophrenia (SZ), especially in relation to brain circuit dysfunction. We leveraged high throughput microbial 16s rRNA sequencing and functional neuroimaging techniques to enable the delineation of microbiome-brain network links in SZ. N=213 SZ and healthy control (HC) subjects were assessed for the oral microbiome. Among them, 139 subjects were scanned by resting-state functional magnetic resonance imaging (rsfMRI) to derive brain functional connectivity. We found a significant microbiome compositional shift in SZ beta diversity (weighted UniFrac distance, p= 6×10 −3 ; Bray-Curtis distance p = 0.021). Fourteen microbial species involving pro-inflammatory and neurotransmitter signaling and H 2 S production, showed significant abundance alterations in SZ. Multivariate analysis revealed one pair of microbial and functional connectivity components showing a significant correlation of 0.46. Thirty five percent of microbial species and 87.8% of brain functional network connectivity from each component also showed significant differences between SZ and HC with strong performance in classifying SZ from HC, with an area under curve (AUC) = 0.84 and 0.87, respectively. The results suggest a potential link between oral microbiome dysbiosis and brain functional connectivity alteration in relation to SZ, possibly through immunological and neurotransmitter signaling pathways and the hypothalamic-pituitary-adrenal axis, supporting for future work in characterizing the role of oral microbiome in mediating effects on SZ brain functional activity.

ABSTRACT Background Psychiatric neuroimaging typically proceeds with one of two approaches: encoding models, which aim to model neural mechanisms, or decoding models, which aim to predict behavioral or clinical characteristics from brain imaging data. In this study, we seek to combine these aims by developing interpretable decoding models that offer both accurate prediction and novel neural insights. We demonstrate the effectiveness of this combined approach in a case study of chronic marijuana use. Methods Chronic marijuana (MJ) users (n=195) and non-using healthy controls (n=128) completed a cue-elicited craving task during functional magnetic resonance imaging. Linear machine learning methods were used to classify individuals into chronic MJ users and non-users based on task-evoked, whole-brain functional connectivity. We then used graph theoretic analyses to identify ‘predictive functional connectivities’ among brain regions that contributed most substantially to the classification of chronic marijuana use. Results We obtained high (~80% out-of-sample) accuracy across four different classification models, demonstrating that task-evoked, whole-brain functional connectivity can successfully differentiate chronic marijuana users from non-users. Subsequent network analyses revealed key predictive regions (e.g., anterior cingulate cortex, dorsolateral prefrontal cortex, and precuneus) that are often implicated in neuroimaging studies of substance use disorders, as well as some key exceptions. We also identified a core set of networks of brain regions that contributed to successful classification, comprised of many of the same predictive regions. Conclusions Our dual aims of accurate prediction and interpretability were successful, producing a predictive model that also provides interpretability at the neural level. This novel approach may complement other predictive-exploratory approaches for a more complete understanding of neural mechanisms in drug use and other neuropsychiatric disorders.

Recent microbiome-brain axis findings have shown evidence of the modulation of microbiome community as an environmental mediator in brain function and psychiatric illness. This work is focused on the role of the microbiome in understanding a rarely investigated environmental involvement in schizophrenia (SZ), especially in relation to brain circuit dysfunction. We leveraged high throughput microbial 16s rRNA sequencing and functional neuroimaging techniques to enable the delineation of microbiome-brain network links in SZ. N = 213 SZ and healthy control subjects were assessed for the oral microbiome. Among them, 139 subjects were scanned by resting-state functional magnetic resonance imaging (rsfMRI) to derive brain functional connectivity. We found a significant microbiome compositional shift in SZ beta diversity (weighted UniFrac distance, p = 6 × 10

As the most widely used illicit drug, the basis of the fastest growing major industry in the US, and as a source of numerous under-studied psychoactive compounds, understanding the psychological and physiological effects of Cannabis is essential. The National Institute on Drug Abuse (NIDA) is designated as the sole legal producer of Cannabis for use in US research studies. We sought to compare the chemical profiles of Cannabis varieties that are available to consumers in states that have state-legalized use versus what is available to researchers interested in studying the plant and its effects. Our results demonstrate that the federally produced Cannabis has significantly less variety and lower concentrations of cannabinoids. Current research, which has focused on material that is far less diverse and less potent than that used by the public, limits our understanding of the plants chemical, biological, psychological, medical, and pharmacological properties. Investigation is urgently needed on the diverse forms of Cannabis used by the public in state-legal markets.

Recent studies have shown a critical role of the gastrointestinal microbiome in brain and behavior via the complex gut−microbiome−brain axis, however, the influence of the oral microbiome in neurological processes is much less studied, especially in response to the stimuli in the oral microenvironment such as smoking. Additionally, given the complex structural and functional networks in brain system, our knowledge about the relationship between microbiome and brain function in specific brain circuits is still very limited. In this pilot work, we leveraged next generation microbial sequencing with functional neuroimaging techniques to enable the delineation of microbiome-brain network links as well as their relationship to cigarette smoking. Thirty smokers and 30 age- and sex- matched non-smokers were recruited for measuring both microbial community and brain functional networks. Statistical analyses were performed to demonstrate the influence of smoking on the abundance of the constituents within the oral microbial community and functional network connectivity among brain regions as well as the associations between microbial shifts and the brain functional network connectivity alternations. Compared to non-smokers, we found a significant decrease in beta diversity (p = 6×10-3) in smokers and identified several classes (Betaproteobacteria, Spirochaetia, Synergistia, and Mollicutes) as having significant alterations in microbial abundance. Taxonomic analyses demonstrate that the microbiota with altered abundance are mainly involved in pathways related to cell processes, DNA repair, immune system, and neurotransmitters signaling. One brain functional network connectivity component was identified to have a significant difference between smokers and nonsmokers (p = 0.033), mainly including connectivity between brain default network and other task positive networks. The brain functional component was also significantly associated with some smoking related oral microbiota, suggesting a potential link between smoking-induced oral microbiome dysbiosis and brain functional connectivity, possibly through immunological and neurotransmitter signaling pathways. This work is the first attempt to link oral microbiome and brain functional networks, and provides support for future work in characterizing the role of oral microbiome in mediating smoking effects on brain activity.