Background: Lysergic acid diethylamide (LSD) has agonist activity at various serotonin (5-HT) and dopamine receptors. Despite the therapeutic and scientific interest in LSD, specific receptor contributions to its neurobiological effects remain unknown. Methods: We therefore conducted a double-blind, randomized, counterbalanced, cross-over studyduring which 24 healthy human participants received either (i) placebo+placebo, (ii) placebo+LSD (100 µg po), or (iii) Ketanserin, a selective 5-HT2A receptor antagonist,+LSD. We quantified resting-state functional connectivity via a data-driven global brain connectivity method and compared it to cortical gene expression maps. Results: LSD reduced associative, but concurrently increased sensory-somatomotor brain-wide and thalamic connectivity. Ketanserin fully blocked the subjective and neural LSD effects. Whole-brain spatial patterns of LSD effects matched 5-HT2A receptor cortical gene expression in humans. Conclusions: Together, these results strongly implicate the 5-HT2A receptor in LSD’s neuropharmacology. This study therefore pinpoints the critical role of 5-HT2A in LSD’s mechanism, which informs its neurobiology and guides rational development of psychedelic-based therapeutics. Funding: Funded by the Swiss National Science Foundation, the Swiss Neuromatrix Foundation, the Usona Institute, the NIH, the NIAA, the NARSAD Independent Investigator Grant, the Yale CTSA grant, and the Slovenian Research Agency. Clinical trial number: NCT02451072 .

Neuroimaging technology has experienced explosive growth and transformed the study of neural mechanisms across health and disease. However, given the diversity of sophisticated tools for handling neuroimaging data, the field faces challenges in method integration (1–3), particularly across multiple modalities and species. Specifically, researchers often have to rely on siloed approaches which limit reproducibility, with idiosyncratic data organization and limited software interoperability. To address these challenges, we have developed Quantitative Neuroimaging Environment & Toolbox (QuNex), a platform for consistent end-to-end processing and analytics. QuNex provides several novel functionalities for neuroimaging analyses, including a “turnkey” command for the reproducible deployment of custom workflows, from onboarding raw data to generating analytic features. The platform enables inter-operable integration of multi-modal, community-developed neuroimaging software through an extension framework with a software development kit (SDK) for seamless integration of community tools. Critically, it supports high-throughput, parallel processing in high-performance compute environments, either locally or in the cloud. Notably, QuNex has successfully processed over 10,000 scans across neuroimaging consortia (4), including multiple clinical datasets. Moreover, QuNex enables integration of human and non-human workflows via a cohesive translational platform. Collectively, this effort stands to significantly impact neuroimaging method integration across acquisition approaches, pipelines, datasets, computational environments, and species. Building on this platform will enable more rapid, scalable, and reproducible impact of neuroimaging technology across health and disease.

Background Ketamine has emerged as one of the most promising therapies for treatment-resistant depression. However, inter-individual variability in response to ketamine is still not well understood and it is unclear how ketamine’s molecular mechanisms connect to its neural and behavioral effects. Methods We conducted a double-blind placebo-controlled study in which 40 healthy participants received acute ketamine (initial bolus 0.23 mg/kg, continuous infusion 0.58 mg/kg/hour). We quantified resting-state functional connectivity via data-driven global brain connectivity, related it to individual ketamine-induced symptom variation, and compared it to cortical gene expression targets. Results We found that: i) both the neural and behavioral effects of acute ketamine are multi-dimensional, reflecting robust inter-individual variability; ii) ketamine’s data-driven principal neural gradient effect matched somatostatin (SST) and parvalbumin (PVALB) cortical gene expression patterns in humans, implicating the role of SST and PVALB interneurons in ketamine’s acute effects; and iii) behavioral data-driven individual symptom variation mapped onto distinct neural gradients of ketamine, which were resolvable at the single-subject level. Conclusions Collectively, these findings support the possibility for developing individually precise pharmacological biomarkers for treatment selection in psychiatry. Funding This study was supported by NIH grants DP5OD012109-01 (A.A.), 1U01MH121766 (A.A.), R01MH112746 (J.D.M.), 5R01MH112189 (A.A.), 5R01MH108590 (A.A.), NIAAA grant 2P50AA012870-11 (A.A.); NSF NeuroNex grant 2015276 (J.D.M.); Brain and Behavior Research Foundation Young Investigator Award (A.A.); SFARI Pilot Award (J.D.M., A.A.); Heffter Research Institute (Grant No. 1–190420); Swiss Neuromatrix Foundation (Grant No. 2016–0111m Grant No. 2015 – 010); Swiss National Science Foundation under the frame-work of Neuron Cofund (Grant No. 01EW1908), Usona Institute (2015 – 2056).

Abstract Difficulties in advancing effective patient-specific therapies for psychiatric disorders highlight a need to develop a stable neurobiologically-grounded mapping between neural and symptom variation. This gap is particularly acute for psychosis-spectrum disorders (PSD). Here, in a sample of 436 cross-diagnostic PSD patients, we derived and replicated a dimensionality-reduced symptom space across hallmark psychopathology symptoms and cognitive deficits. In turn, these symptom axes mapped onto distinct, reproducible brain maps. Critically, we found that multivariate brain-behavior mapping techniques (e.g. canonical correlation analysis) do not produce stable results. Instead, we show that a univariate brain-behavioral space (BBS) can resolve stable individualized prediction. Finally, we show a proof-of-principle framework for relating personalized BBS metrics with molecular targets via serotonin and glutamate receptor manipulations and gene expression maps. Collectively, these results highlight a stable and data-driven BBS mapping across PSD, which offers an actionable path that can be iteratively optimized for personalized clinical biomarker endpoints.

Understanding complex systems such as the human brain requires characterization of the system's architecture across multiple levels of organization - from neurons, to local circuits, to brain regions, and ultimately large-scale brain networks. Here we focus on characterizing the human brain's comprehensive large-scale network organization, as it provides an overall framework for the organization of all other levels. We leveraged the Human Connectome Project dataset to identify network communities across cortical regions, replicating well-known networks and revealing several novel but robust networks, including a left-lateralized language network. We expanded these cortical networks to subcortex, revealing 288 highly-organized subcortical segments that take part in forming whole-brain functional networks. This whole-brain network atlas - released as an open resource for the neuroscience community - places all brain structures across both cortex and subcortex in a single large-scale functional framework, substantially advancing existing atlases to provide a brain-wide functional network characterization in humans.

Neural activity and behavior manifest a dual nature of state and trait dynamics, exhibiting variations within and between individuals. However, the joint properties of neural state-trait variation and how they map onto individual behavior remain understudied. To address this gap, we quantify moment-to-moment changes in brain-wide co-activation patterns derived from resting-state functional magnetic resonance imaging. We identify reproducible spatio-temporal features of co-activation patterns at the single subject level. We demonstrate that a joint analysis of state-trait neural variations and feature reduction reveal general motifs of individual differences, encompassing state-specific and state-general neural features that exhibit day-to-day variability. The principal neural variations co-vary with the principal variations of behavioral phenotypes, highlighting cognitive function, emotion regulation, alcohol and substance use. Person-specific probability of occupying a particular co-activation pattern is reproducible and associated with neural and behavioral features. This combined analysis of state-trait variations holds promise for developing reproducible neuroimaging markers of individual life functional outcome.

Lysergic acid diethylamide (LSD) is a psychedelic drug with predominantly agonist activity at various serotonin (5-HT) and dopamine receptors. Despite the therapeutic and scientific interest in LSD, the specific receptor contributions to its neurobiological effects remain largely unknown. To address this knowledge gap, we conducted a double-blind, randomized, counterbalanced, cross-over study during which 24 healthy participants received either i) placebo+placebo, ii) placebo+LSD (100 microgram po), or iii) ketanserin, a selective 5-HT2A receptor antagonist. Here we focus on resting-state fMRI, a measure of spontaneous neural fluctuations that can map functional brain connectivity. We collected resting-state data 75 and 300 minutes after LSD/placebo administration. We quantified resting-state functional connectivity via a fully data-driven global brain connectivity (GBC) method to comprehensively map LSD neuropharmacological effects. LSD administration caused widespread GBC alterations that followed a specific topography: LSD reduced connectivity in associative areas, but concurrently increased connectivity across sensory and somatomotor areas. The 5-HT2A receptor antagonist, ketanserin, fully blocked the subjective and neural LSD effects. We show that whole-brain data-driven spatial patterns of LSD effects matched 5-HT2A receptor cortical gene expression in humans, which along with ketanserin effects, strongly implicates the 5-HT2A receptor in LSD's neuropharmacology. Critically, the LSD-induced subjective effects were associated with somatomotor networks GBC changes. These data-driven neuropharmacological results pinpoint the critical role of 5-HT2A in LSD's mechanism, which informs its neurobiology and guides rational development of psychedelic-based therapeutics

Functional connectivity (FC) of blood-oxygen-level-dependent (BOLD) fMRI time series can be estimated using methods that differ in sensitivity to the temporal order of time points (static vs. dynamic) and the number of regions considered in estimating a single edge (bivariate vs. multivariate). Previous research suggests that dynamic FC explains variability in FC fluctuations and behavior beyond static FC. Our aim was to systematically compare methods on both dimensions. We compared five FC methods: Pearson's/full correlation (static, bivariate), lagged correlation (dynamic, bivariate), partial correlation (static, multivariate) and multivariate AR model with and without self-connections (dynamic, multivariate). We compared these methods by (i) assessing similarities between FC matrices, (ii) by comparing node centrality measures, and (iii) by comparing the patterns of brain-behavior associations. Although FC estimates did not differ as a function of sensitivity to temporal order, we observed differences between the multivariate and bivariate FC methods. The dynamic FC estimates were highly correlated with the static FC estimates, especially when comparing group-level FC matrices. Similarly, there were high correlations between the patterns of brain-behavior associations obtained using the dynamic and static FC methods. We conclude that the dynamic FC estimates represent information largely similar to that of the static FC.

Resting-state functional connectivity (FC) has received considerable attention in the study of brain-behavior associations. However, the low generalizability of brain-behavior studies is a common challenge due to the limited sample- to-feature ratio. In this study, we aimed to improve the generalizability of brain-behavior associations in resting-state FC by focusing on diverse and stable edges, i.e., edges that show both high between-subject and low within-subject variability. We used resting-state data from 1003 participants with multiple fMRI sessions from the Human Connectome Project to group FC edges in terms of between-subject and within-subject variability. We found that resting-state FC variability was dominated by stable individual factors. Furthermore, diverse and stable edges were primarily part of heteromodal associative networks, and we showed that diverse stable regions are associated with a domain-general cognitive core. We used canonical correlation analysis (CCA) combined with feature selection and principal component analysis (PCA) to investigate the impact of edge selection on the strength and generalizability of brain-behavior associations. Surprisingly, selection based on edge stability did not significantly affect the results, but diverse edges were more informative than uniform edges in two of the three parcellations tested. Regardless, using all edges resulted in the highest strength and generalizability of canonical correlations. Our simulations suggest that under certain circumstances a combination of feature selection and PCA could improve the generalizability of the results, depending on the sample size and the information value of the features. The lack of improvement in generalizability with selection of stable edges may be due to unreliable estimation of within-subject edge variability or because within-subject edge variability is not related to the information value of the edges for brain-behavior associations. In other words, unstable edges may be equally informative as stable ones.

Abstract Cognitive dysfunction is a core feature of many brain disorders such as schizophrenia (SZ), and has been linked to both aberrant brain functional connectivity (FC) and aberrant cognitive brain activations. We propose that aberrant network activity flow over FC pathways leads to altered cognitive activations that produce cognitive dysfunction in SZ. We tested this hypothesis using activity flow mapping – an approach that models the movement of task-related activity between brain regions as a function of FC. Using fMRI data from SZ individuals and healthy controls during a working memory task, we found that activity flow models accurately predict aberrant cognitive activations across multiple brain networks. Within the same framework, we simulated a connectivity-based clinical intervention, predicting specific treatments that normalized brain activations and behavior in independent patients. Our results suggest that dysfunctional task-evoked activity flow is a large-scale network mechanism contributing to the emergence of cognitive dysfunction in SZ.