Abstract Background Patients with major depressive disorder (MDD) exhibit concurrent deficits in sensory processing and high-order cognitive functions such as self-awareness and rumination. Connectome mapping studies have suggested a principal primary-to-transmodal gradient in functional brain networks, supporting the spectrum from sensation to cognition. However, whether this principal connectome gradient is disrupted in patients with MDD and how this disruption is associated with gene expression profiles remain unclear. Methods Using a large cohort of resting-state functional magnetic resonance imaging data from 2,234 participants (1,150 patients with MDD and 1,084 healthy controls) recruited at 10 sites, we investigated MDD-related alterations in the principal connectome gradient. We further used Neurosynth and postmortem gene expression data to assess the cognitive functions and transcriptional profiles related to the gradient alterations in MDD, respectively. Results Relative to controls, patients with MDD exhibited abnormal global topography of the principal primary-to-transmodal gradient, as indicated by reduced explanation ratio, gradient range, and gradient variation (Cohen’s d = −0.16∼-0.21). Focal alterations of gradient scores were mostly in the primary systems involved in sensory processing and in the transmodal systems implicated in high-order cognition. The transcriptional profiles explained 53.9% of the spatial variance in the altered gradient patterns, with the most correlated genes enriched in transsynaptic signaling and calcium ion binding. Conclusions These results highlight the dysfunction of the core connectome hierarchy in MDD and its linkage with gene expression profiles, providing insights into the neurobiological and molecular genetic underpinnings of sensory-cognitive deficits in this disorder.

Psychiatric disorders are a pressing public health challenge, posing a significant threat to the well-being of millions of people worldwide. Their elusive etiology, rooted in the complex interplay of genetic, environmental, and neural factors, requires innovative research approaches. The advent of advanced neuroimaging techniques and connectomics marks a transformative era, enabling researchers to delve into the structural and functional networks of the human brain. This transformation is underscored by the establishment of large brain datasets and a growing body of published findings, heralding a new era in neuroscience research that is poised to reshape our understanding of psychiatric disorders. Here, we review recent advances in connectome and neuroimaging big data in psychiatric disorders. First, we highlight several multisite neuroimaging datasets that hold immense potential for groundbreaking discoveries in understanding the intricate structural and functional network architecture of various psychiatric disorders. We then present innovative methods for multicenter and multidimensional data analysis, particularly connectome-based meta-analytic and multivariate analysis methods. Furthermore, we demonstrate the critical value of these methods in synthesizing findings from diverse published works or multisite data, and in exploring connectomic associations with demographics, symptomatology, behavioral and cognitive metrics, and genetic data in psychiatric disorders. Finally, we discuss the emerging issues and challenges that urgently need to be addressed in the field and that will shape the future trajectory of psychiatric research.

Abstract Major depressive disorder (MDD) is the most burdensome psychiatric disorder characterized by remarkably heterogeneous clinical phenotypes. It remains challenging to delineate the heterogeneity of neurobiological abnormalities underlying the clinical variance and, on this basis, to identify neurophysiological subtypes of MDD patients. Here, using a large multisite resting-state functional MRI data from 1,148 MDD patients and 1,079 healthy controls, we generated lifespan normative models of functional connectivity strengths, mapped the heterogeneity of patients’ individual deviations, and identified neurobiological MDD subtypes. MDD patients showed positive deviations mainly in the default mode and subcortical areas, and negative deviations widely distributed over the cortex. However, there was a great inter-subject heterogeneity as indicated by that no more than 3.14% of patients deviated from the normative range for any brain region. Two neurophysiological MDD subtypes were identified. Subtype 1 showed severe deviations with positive deviations in the default mode, limbic, and subcortical areas, and negative deviations in the sensorimotor, dorsal and ventral attention areas, while subtype 2 showed a moderate but conversed deviation pattern. The severe-deviation subtype had older age, higher medicated proportion, and higher Suicide item score, while the moderate-deviation subtype showed higher Work and Activities and Depressed Mood item scores. Moreover, the baseline deviations in the severe-deviation subtype were predictive of 6-month antidepressant treatment effects in a subsample. To our knowledge, the current study is the largest multisite analysis of neurophysiological MDD subtyping to date and the findings shed light on our understanding of the biological mechanisms underlying the intersubject heterogeneity of clinical phenotypes, which are informative for the development of personalized treatments for this disorder.

Resting-state functional MRI (R-fMRI) studies have demonstrated widespread alterations in brain function in patients with major depressive disorder (MDD). However, a clear and consistent conclusion regarding a repeatable pattern of MDD-relevant alterations is still limited due to the scarcity of large-sample, multisite datasets. Here, we address this issue by including a large R-fMRI dataset with 1,434 participants (709 patients with MDD and 725 healthy controls) from five centers in China. Individual functional activity maps that represent very local to long-range connections are computed using the amplitude of low-frequency fluctuations, regional homogeneity and distance-related functional connectivity strength. The reproducibility analyses involve different statistical strategies, global signal regression, across-center consistency, clinical variables, and sample size. We observed significant hypoactivity in the orbitofrontal, sensorimotor, and visual cortices and hyperactivity in the frontoparietal cortices in MDD patients compared to the controls. These alterations are not affected by different statistical analysis strategies, global signal regression and medication status and are generally reproducible across centers. However, these between-group differences are partially influenced by the episode status and the age of disease onset in patients, and the brain-clinical variable relationship exhibits poor cross-center reproducibility. Bootstrap analyses reveal that at least 400 subjects in each group are required to replicate significant alterations (an extent threshold of P<.05 and a height threshold of P<.001) at 50% reproducibility. Together, these results highlight reproducible patterns of functional alterations in MDD and relevant influencing factors, which provides crucial guidance for future neuroimaging studies of this disorder.

Abstract The accumulation of multisite large-sample MRI datasets collected by large brain research projects in the last decade has provided a critical resource for understanding the neurobiological mechanisms underlying cognitive functions and brain disorders. However, the significant site effects, observed in the imaging data and their derived structural and functional features, has prevented the derivation of consistent findings across different studies. The development of harmonization methods that can effectively eliminate complex site effects while maintaining biological characteristics in neuroimaging data has become a vital and urgent requirement for multisite imaging studies. Here, we proposed a deep learning-based framework to harmonize imaging data from pairs of sites, in which site factors and brain features can be disentangled and encoded. We trained the proposed framework with a publicly available traveling-subject dataset from SRPBS and harmonized the gray matter volume maps from eight source sites to a target site. The proposed framework significantly eliminated inter-site differences in gray matter volume. The embedded encoders successfully captured both the abstract texture of site factors and the concrete brain features. Moreover, the proposed framework exhibited outstanding performance relative to conventional statistical harmonization methods in site effect removal, data distribution homogenization, and intra-subject similarity improvement. Together, the proposed method offers a powerful and interpretable deep learning-based harmonization framework for multisite neuroimaging data that could enhance reliability and reproducibility in multisite studies for brain development and brain disorders.

Porcine deltacoronavirus (PDCoV) is an emerging enteric pathogen that causes substantial economic losses in the swine industry worldwide. The PDCoV NS6 protein is an accessory protein that plays a pivotal role in the viral life cycle and immune evasion. However, the functions of NS6 and its role in PDCoV pathogenesis remain largely unknown. In this study, we prepared a monoclonal antibody (mAb) 5-A11 that specifically recognizes the PDCoV NS6 protein. The mAb 5-A11 exhibited high specificity for PDCoV, with no cross-reactivity with several major porcine pathogenic viruses. Furthermore, the epitope recognized by mAb 5-A11 was precisely mapped to residues 70EYGSIYGKDFI80 of the NS6 protein using Western blot analysis. Notably, this epitope is highly conserved among different PDCoV isolates. Substantial variations were observed when comparing this epitope with the corresponding regions in the NS6 proteins of other δ coronaviruses, suggesting potential differences in the structure, function, and antigenicity of their NS6 proteins. Our findings provide valuable tools and insights for further elucidating the functions of the NS6 protein and its role in PDCoV pathogenesis, as well as for developing diagnostic and therapeutic strategies against PDCoV infection.