Introduction Multivariate approaches have recently gained in popularity to address the physiological unspecificity of neuroimaging measures and to better characterize the complexity of biological processes underlying behavior. However, commonly used approaches are biased by the intrinsic associations between variables, or they are computationally expensive and may be more complicated to implement than standard univariate approaches. Here, we propose using the Mahalanobis distance (D2), an individual-level measure of deviation relative to a reference distribution that accounts for covariance between measures. To facilitate its use, we introduce an open-source python-based tool for computing D2 relative to a reference group or within a single individual: the MultiVariate Comparison (MVComp) toolbox (https://github.com/neuralabc/mvcomp (https://github.com/neuralabc/mvcomp)). The toolbox allows different levels of analysis (i.e., group- or subject-level), resolutions (e.g., voxel-wise, ROI-wise) and dimensions considered (e.g., combining MRI measures or WM tracts). Several example cases are presented to showcase the wide range of possible applications of MVComp and to demonstrate the functionality of the toolbox. Methods & Results The D2 framework was applied to the assessment of white matter (WM) microstructure at 1) the group-level, where D2 can be computed between a subject and a reference group to yield an individualized measure of deviation. We observed that clustering applied to D2 in the corpus callosum yields parcellations that highly resemble known topography based on neuroanatomy, suggesting that D2 provides an integrative index that meaningfully reflects the underlying microstructure. 2) At the subject level, D2 was computed between voxels to obtain a measure of (dis)similarity. The loadings of each MRI measure (i.e., its relative contribution to D2) were then extracted in voxels of interest to showcase a useful option of the MVComp toolbox. These relative contributions can provide important insights into the physiological underpinnings of differences observed. Discussion Integrative multivariate models are crucial to expand our understanding of the complex brain-behavior relationships and the multiple factors underlying disease development and progression. Our toolbox facilitates the implementation of a useful multivariate method, making it more widely accessible.

Functional magnetic resonance imaging (fMRI) is a non-invasive technique measuring brain activity by detecting blood flow changes, enabling the study of cognitive processes and brain states. However, the high dimensionality of resting-state (rs) fMRI data poses challenges for machine learning applications. Feature extraction (FE) and feature selection (FS) are critical for developing efficient machine learning models. Transforming raw data into meaningful features and selecting the most relevant ones, allows models to achieve improved generalization, accuracy, and robustness. Previous studies demonstrated the effectiveness of FE and FS methods for analyzing rs-fMRI data for Autism Spectrum Disorder (ASD) classification. In this study, we apply a random walks technique for correlation-based brain networks to extract features from rs-fMRI data, specifically the number of random walkers on each brain area. We then select significant features, i.e., brain areas with a statistically significant difference in the number of random walkers between neurotypical and ASD subjects. Our random walks-based FE and FS approach reduces the number of brain areas used in the classification and converts the functional connectivity matrix into a manageable vector, enabling faster computation. We examined 16 pipelines and tested support vector machines (SVM) and logistic regression for classification, identifying the optimal pipeline to consist of no filtering, no global signal regression (GSR), and FS, achieving a 76.54% classification accuracy with SVM. Our findings suggest that random walks capture a wide range of interactions and dynamics in brain networks, providing a deeper characterization of their structure and function, ultimately enhancing classification performance. CCS CONCEPTS Computing methodologies→Machine learning

Abstract The identification of community structure in graphs continues to attract great interest in several fields. Network neuroscience is particularly concerned with this problem considering the key roles communities play in brain processes and functionality. Most methods used for community detection in brain graphs are based on the maximization of a parameter-dependent modularity function that often obscures the physical meaning and hierarchical organization of the partitions of network nodes. In this work, we present a new method able to detect communities at different scales in a natural, unrestricted way. First, to obtain an estimation of the information flow in the network we release random walkers to freely move over it. The activity of the walkers is separated into oscillatory modes by using empirical mode decomposition. After grouping nodes by their co-occurrence at each time scale, k -modes clustering returns the desired partitions. Our algorithm was first tested on benchmark graphs with favorable performance. Next, it was applied to real and simulated anatomical and/or functional connectomes in the macaque and human brains. We found a clear hierarchical repertoire of community structures in both the anatomical and the functional networks. The observed partitions range from the evident division in two hemispheres –in which all processes are managed globally– to specialized communities seemingly shaped by physical proximity and shared function. Our results stimulate the research of hierarchical community organization in terms of temporal scales of information flow in the brain network. Highlights - Oscillatory modes of networks’ signals carry information on architectural rules. - Meaningful partitions of the brain networks are found over different temporal scales. - The multiscale organization of the brain responds to the function of its components.

Abstract Alzheimer’s disease and related dementias is a major public health burden – compounding over upcoming years due to longevity. Recently, clinical evidence hinted at the experience of social isolation in expediting dementia onset. In 502,506 UK Biobank participants and 30,097 participants from the Canadian Longitudinal Study of Aging, we revisited traditional risk factors for developing dementia in the context of loneliness and lacking social support. Across these measures of subjective and objective social deprivation, we have identified strong links between individuals’ social capital and various indicators of Alzheimer’s disease and related dementias risk, which replicated across both population cohorts. The quality and quantity of daily social encounters had deep connections with key aetiopathological factors, which represent 1) personal habits and lifestyle factors, 2) physical health, 3) mental health, and 4) societal and external factors. Our population-scale assessment suggest that social lifestyle determinants are linked to most neurodegeneration risk factors, highlighting them promising targets for preventive clinical action.

Molecular mechanisms enabling pathology-induced neuronal dysfunction in Alzheimer9s disease (AD) remain elusive. Here, we use mechanistic computational models to infer the combined influence of PET-measured Abeta and tau burdens on fMRI-derived neuronal activity and to subsequently identify the transcriptomic spatial correlates of AD pathophysiology. Our results reveal overrepresented genes and biological processes that participate in synaptic degeneration and interact with Abeta and tau deposits. Furthermore, we confirmed the central role of the immune system and neuroinflammatory pathways within AD pathogenesis; microglia were significantly enriched in the gene set associated with Abeta and tau synergistic influences on neuronal activity. Lastly, our computational approach unveiled drug candidates with the potential to halt or reduce the observed pathological effects on neuronal activity, including existing medication for cancer, immune disorders, and cardiovascular diseases, many currently under clinical evaluation in AD. Overall, these findings support the notion that the AD brain experiences functional changes intricately associated with a diverse spectrum of molecular processes.

Multivariate approaches have recently gained in popularity to address the physiological unspecificity of neuroimaging metrics and to better characterize the complexity of biological processes underlying behavior. However, commonly used approaches are biased by the intrinsic associations between variables, or they are computationally expensive and may be more complicated to implement than standard univariate approaches. Here, we propose using the Mahalanobis distance (D2), an individual-level measure of deviation relative to a reference distribution that accounts for covariance between metrics. To facilitate its use, we introduce an open-source python-based tool for computing D2 relative to a reference group or within a single individual: the MultiVariate Comparison (MVComp) toolbox. The toolbox allows different levels of analysis (i.e., group- or subject-level), resolutions (e.g., voxel-wise, ROI-wise) and dimensions considered (e.g., combining MRI metrics or WM tracts). Several example cases are presented to showcase the wide range of possible applications of MVComp and to demonstrate the functionality of the toolbox. The D2 framework was applied to the assessment of white matter (WM) microstructure at 1) the group-level, where D2 can be computed between a subject and a reference group to yield an individualized measure of deviation. We observed that clustering applied to D2 in the corpus callosum yields parcellations that highly resemble known topography based on neuroanatomy, suggesting that D2 provides an integrative index that meaningfully reflects the underlying microstructure. 2) At the subject level, D2 was computed between voxels to obtain a measure of (dis)similarity. The loadings of each MRI metric (i.e., its relative contribution to D2) were then extracted in voxels of interest to showcase a useful option of the MVComp toolbox. These relative contributions can provide important insights into the physiological underpinnings of differences observed. Integrative multivariate models are crucial to expand our understanding of the complex brain-behavior relationships and the multiple factors underlying disease development and progression. Our toolbox facilitates the implementation of a useful multivariate method, making it more widely accessible.

Abstract Neuronal dysfunction and cognitive deterioration in Alzheimer’s disease (AD) are likely caused by multiple pathophysiological factors. However, evidence in humans remains scarce, necessitating improved non-invasive techniques and integrative mechanistic models. Here, we introduce personalized brain activity models incorporating functional MRI, amyloid-β (Aβ) and tau-PET from AD-related participants (N=132). Within the model assumptions, electrophysiological activity is mediated by toxic protein deposition. Our integrative subject-specific approach uncovers key patho-mechanistic interactions, including synergistic Aβ and tau effects on cognitive impairment and neuronal excitability increases with disease progression. The data-derived neuronal excitability values strongly predict clinically relevant AD plasma biomarker concentrations (p-tau217, p-tau231, p-tau181, GFAP). Furthermore, our results reproduce hallmark AD electrophysiological alterations (theta band activity enhancement and alpha reductions) which occur with Aβ-positivity and after limbic tau involvement. Microglial activation influences on neuronal activity are less definitive, potentially due to neuroimaging limitations in mapping neuroprotective vs detrimental phenotypes. Mechanistic brain activity models can further clarify intricate neurodegenerative processes and accelerate preventive/treatment interventions.

Applications of graph theory to the connectome have inspired several models of how neural signaling unfolds atop its structure. Analytic measures derived from these communication models have mainly been used to extract global characteristics of brain networks, obscuring potentially informative interregional relationships. Here we develop a simple standardization method to investigate polysynaptic communication pathways between pairs of cortical regions. This procedure allows us to determine which pairs of nodes are topologically closer and which are further than expected on the basis of their degree. We find that communication pathways delineate canonical functional systems. Relating nodal communication capacity to meta-analytic probabilistic patterns of functional specialization, we also show that areas that are most closely integrated within the network are associated with higher-order cognitive functions. We find that these regions’ proclivity towards functional integration could naturally arise from the brain’s anatomical configuration through evenly distributed connections among multiple specialized communities. Throughout, we consider two increasingly constrained null models to disentangle the effects of the network’s topology from those passively endowed by spatial embedding. Altogether, the present findings uncover relationships between polysynaptic communication pathways and the brain’s functional organization across multiple topological levels of analysis and demonstrate that network integration facilitates cognitive integration.

Abstract Amyloid-beta (Aβ) deposition is one of the hallmark pathologies in both sporadic Alzheimer’s disease (sAD) and autosomal dominant Alzheimer’s disease (ADAD), the latter of which is caused by mutations in genes involved in Aβ processing. Despite Aβ deposition being a centerpiece to both sAD and ADAD, some differences between these AD subtypes have been observed with respect to the spatial pattern of Aβ. Previous work has shown that the spatial pattern of Aβ in individuals spanning the sAD spectrum can be reproduced with high accuracy using an epidemic spreading model (ESM), which simulates the diffusion of Aβ across neuronal connections and is constrained by individual rates of Aβ production and clearance. However, it has not been investigated whether Aβ deposition in the rarer ADAD can be modeled in the same way, and if so, how congruent the spreading patterns of Aβ across sAD and ADAD are. We leverage the ESM as a data-driven approach to probe individual-level variation in the spreading patterns of Aβ across three different large-scale imaging datasets (2 SAD, 1 ADAD). We applied the ESM separately to the Alzheimer’s Disease Neuroimaging initiative (N=737), the Open Access Series of Imaging Studies (N=510), and the Dominantly Inherited Alzheimer’s Network (N=249), the latter two of which were processed using an identical pipeline. We assessed inter- and intra-individual model performance in each dataset separately, and further identified the most likely epicenter of Aβ spread for each individual. Using epicenters defined in previous work in sAD, the ESM provided moderate prediction of the regional pattern of Aβ deposition across all three datasets. We further find that, while the most likely epicenter for most Aβ-positive subjects overlaps with the default mode network, 13% of ADAD individuals were best characterized by a striatal origin of Aβ spread. These subjects were also distinguished by being younger than ADAD subjects with a DMN Aβ origin, despite having a similar estimated age of symptom onset. Together, our results suggest that most ADAD patients express Aβ spreading patters similar to those of sAD, but that there may be a subset of ADAD patients with a separate, striatal phenotype.

Abstract For over a century, brain research narrative has mainly centered on neuron cells. Accordingly, most whole-brain neurodegenerative studies focus on neuronal dysfunction and their selective vulnerability, while we lack comprehensive analyses of other major cell-types’ contribution. By unifying spatial gene expression, structural MRI, and cell deconvolution, here we describe how the human brain distribution of canonical cell-types extensively predicts tissue damage in thirteen neurodegenerative conditions, including early- and late-onset Alzheimer’s disease, Parkinson’s disease, dementia with Lewy bodies, amyotrophic lateral sclerosis, mutations in presenilin-1, and three clinical variants of frontotemporal lobar degeneration (behavioural variant, semantic and non-fluent primary progressive aphasia) along with associated 3-repeat and 4-repeat tauopathies and TDP43 proteinopathies types A and C. We reconstructed comprehensive whole-brain reference maps of cellular abundance for six major cell-types and identified characteristic axes of spatial overlapping with atrophy. Our results support the strong mediating role of non-neuronal cells, primarily microglia and astrocytes, in spatial vulnerability to tissue loss in neurodegeneration, with distinct and shared across-disorders pathomechanisms. These observations provide critical insights into the multicellular pathophysiology underlying spatiotemporal advance in neurodegeneration. Notably, they also emphasize the need to exceed the current neuro-centric view of brain diseases, supporting the imperative for cell-specific therapeutic targets in neurodegeneration.