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.

Abstract Human cognition and behaviors depend upon the brain’s functional connectomes, which vary remarkably across individuals. However, whether and how the functional connectome individual variability architecture is structurally constrained remains largely unknown. Using tractography- and morphometry-based network models, we observed the spatial convergence of structural and functional connectome individual variability, with higher variability in heteromodal association regions and lower variability in primary regions. We demonstrated that functional variability is significantly predicted by a unifying structural variability pattern and that this prediction follows a primary-to-heteromodal hierarchical axis, with higher accuracy in primary regions and lower accuracy in heteromodal regions. We further decomposed group-level connectome variability patterns into individual unique contributions and uncovered the structural-functional correspondence that is associated with individual cognitive traits. These results advance our understanding of the structural basis of individual functional variability and suggest the importance of integrating multimodal connectome signatures for individual differences in cognition and behaviors.

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 Connectome mapping studies have documented a principal primary-to-transmodal gradient in the adult brain network, capturing a functional spectrum which ranges from perception and action to abstract cognition. However, how this gradient pattern develops and whether its development is linked to cognitive growth, topological reorganization, and gene expression profiles remain largely unknown. Using longitudinal resting-state functional magnetic resonance imaging data from 305 children (ages 6-14), we describe substantial changes in the primary-to-transmodal gradient between childhood and adolescence, including emergence as the principal gradient, expansion of global topography, and focal tuning in primary and default-mode regions. These gradient changes are mediated by developmental changes in network integration and segregation, and are associated with abstract processing functions such as working memory and expression levels of calcium ion regulated exocytosis, synaptic transmission, and axon and synapse part related genes. Our findings have implications for understanding connectome maturation principles in normal development and developmental disorders. Teaser Our study reported the maturation of the core connectome gradient and its association with cognitions and genes expression.

Abstract The structural connectome (SC) is tightly coupled to the functional connectome (FC) in the human brain. Most previous related studies have modeled and analyzed SC or FC as isolated brain networks. However, challenges remain in modeling the interdependent structural-functional connectome and elucidating its cognitive implications and molecular underpinnings. Here, we present a multilayer connectome model composed of SC and FC components and further characterize their interacting topological properties. We found that the interdependent connectome is topographically heterogeneous, with the transmodal cortex exhibiting greater modular variability across layers. This spatial topography reflects cortical hierarchy and evolution and shows high test-retest reliability, reproducibility, and heritability. The interdependent connectome contributes to high-order cognitive processes and is associated with multiple neurotransmitter systems and transcriptional signatures of synaptic transmission. Our results provide insights into the nontrivial interdependencies of SC and FC, highlighting their cognitive significance and the molecular mechanisms underlying the connectome of connectomes.

Abstract Spontaneous activity of the human brain provides a window to explore intrinsic principles of functional organization. However, most studies have focused on interregional functional connectivity. The principles underlying rich repertoires of instantaneous activity remain largely unknown. We apply a novel eigen-microstate analysis to three resting-state functional MRI datasets to identify basic modes that represent fundamental activity patterns that coexist over time. We identify a few (i.e., five) leading basic modes that dominate activity fluctuations. Each of these modes exhibits a distinct functional system-dependent coactivation pattern and corresponds to specific cognitive profiles. In particular, the spatial pattern of the first leading basis mode shows the separation of activity between the default-mode and primary and attention regions. We further reconstruct individual functional connectivity as the weighted contribution of these leading basic modes based on theoretical modelling. Moreover, these leading basic modes capture sleep deprivation-induced changes in brain activity and interregional connectivity, primarily involving the default-mode and task-positive regions. Our findings reveal a dominant set of basic modes of spontaneous activity that reflect multiplexed interregional coordination and drive conventional functional connectivity, furthering the understanding of the functional significance of spontaneous brain activity.

Abstract Functional connectome gradients represent fundamental brain organizing principles. Here, we investigate the maturation of the macroscopic connectome gradients in a task-free functional MRI dataset consisting of 39 preterm and term babies aged 31-42 postmenstrual weeks and its connection with postnatal cognitive growth. We show that the principal sensorimotor-to-visual gradient is present in baby connectomes around 35.6 postmenstrual weeks and continuously develops towards a more term-like pattern. The gradient’s global topographical structure undergoes progressive maturation with age, characterized by increases in explanation ratio, gradient range and gradient variation. The development of focal gradients is mostly localized in primary regions serving sensory, motor and visual functions. Machine learning approaches revealed that the connectome gradient at birth significantly predicts individual cognitive outcomes at 2-y follow-up. These findings highlight the early emerging rules of functional connectome gradients and have implications for understanding how the connectome gradients at birth underlies cognitive growth in later life. Highlights Sensorimotor-to-visual gradient is present around 35.6 postmenstrual weeks Global gradient structure undergoes substantial changes during the third trimester Regional gradient develops mostly in primary sensory, motor, and visual regions Sensorimotor-to-visual gradient at birth predicts cognitive outcomes at age 2

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 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.

Motivation: A complex disease is usually driven by a number of genes interwoven into networks, rather than a single gene product. Network comparison or differential network analysis has become an important means of revealing the underlying mechanism of pathogenesis and identifying clinical biomarkers for disease classification. Most studies, however, are limited to network correlations that mainly capture the linear relationship among genes, or rely on the assumption of a parametric probability distribution of gene measurements. They are restrictive in real application. Results: We propose a new Joint density based non-parametric Differential Interaction Network Analysis and Classification (JDINAC) method to identify differential interaction patterns of network activation between two groups. At the same time, JDINAC uses the network biomarkers to build a classification model. The novelty of JDINAC lies in its potential to capture non-linear relations between molecular interactions using high-dimensional sparse data as well as to adjust confounding factors, without the need of the assumption of a parametric probability distribution of gene measurements. Simulation studies demonstrate that JDINAC provides more accurate differential network estimation and lower classification error than that achieved by other state-of-the-art methods. We apply JDINAC to a Breast Invasive Carcinoma dataset, which includes 114 patients who have both tumor and matched normal samples. The hub genes and differential interaction patterns identified were consistent with existing experimental studies. Furthermore, JDINAC discriminated the tumor and normal sample with high accuracy by virtue of the identified biomarkers. JDINAC provides a general framework for feature selection and classification using high-dimensional sparse omics data.