Although autism spectrum disorder (ASD) is a serious lifelong condition, its underlying neural mechanism remains unclear. Recently, neuroimaging-based classifiers for ASD and typically developed (TD) individuals were developed to identify the abnormality of functional connections (FCs). Due to over-fitting and interferential effects of varying measurement conditions and demographic distributions, no classifiers have been strictly validated for independent cohorts. Here we overcome these difficulties by developing a novel machine-learning algorithm that identifies a small number of FCs that separates ASD versus TD. The classifier achieves high accuracy for a Japanese discovery cohort and demonstrates a remarkable degree of generalization for two independent validation cohorts in the USA and Japan. The developed ASD classifier does not distinguish individuals with major depressive disorder and attention-deficit hyperactivity disorder from their controls but moderately distinguishes patients with schizophrenia from their controls. The results leave open the viable possibility of exploring neuroimaging-based dimensions quantifying the multiple-disorder spectrum.

Abstract When collecting large neuroimaging data associated with psychiatric disorders, images must be acquired from multiple sites because of the limited capacity of a single site. However, site differences represent the greatest barrier when acquiring multi-site neuroimaging data. We utilized a traveling-subject dataset in conjunction with a multi-site, multi-disorder dataset to demonstrate that site differences are composed of biological sampling bias and engineering measurement bias. Effects on resting-state functional MRI connectivity because of both bias types were greater than or equal to those because of psychiatric disorders. Furthermore, our findings indicated that each site can sample only from among a subpopulation of participants. This result suggests that it is essential to collect large neuroimaging data from as many sites as possible to appropriately estimate the distribution of the grand population. Finally, we developed a novel harmonization method that removed only the measurement bias by using traveling-subject dataset and achieved the reduction of the measurement bias by 29% and the improvement of the signal to noise ratios by 40%.

Abstract The objective diagnostic and stratification biomarkers developed with resting-state functional magnetic resonance imaging (rs-fMRI) data are expected to contribute to more effective treatment for mental disorders. Unfortunately, there are currently no widely accepted biomarkers, partially due to the large variety of analysis pipelines for developing them. In this study we comprehensively evaluated analysis pipelines using a large-scale, multi-site fMRI dataset for major depressive disorder (MDD) (1162 participants from eight imaging sites). We explored the combinations of options in four subprocesses of analysis pipelines: six types of brain parcellation, four types of estimations of functional connectivity (FC), three types of site difference harmonization, and five types of machine learning methods. 360 different MDD diagnostic biomarkers were constructed using the SRPBS dataset acquired with unified protocols (713 participants from four imaging sites) as a discovery dataset and evaluated with datasets from other projects acquired with heterogeneous protocols (449 participants from four imaging sites) for independent validation. To identify the optimal options regardless of the discovery dataset, we repeated the same procedure after swapping the roles of the two datasets. We found pipelines that included Glasser’s parcellation, tangent-covariance, no harmonization, and non-sparse machine learning methods tended to result in high classification performance. The diagnosis results of the top 10 biomarkers showed high similarity, and weight similarity was also observed between eight of the biomarkers, except two that used both data-driven parcellation and FC computation. We applied the top 10 pipelines to the datasets of other mental disorders (autism spectral disorder: ASD and schizophrenia: SCZ) and eight of the ten biomarkers showed sufficient classification performances for both disorders, except two pipelines that included Pearson correlation, ComBat harmonization and random forest classifier combination. Highlights We evaluated the analysis pipelines of rsFC biomarker development. Four subprocesses in them were investigated with two multi-site datasets. Glasser’s parcellation, tangent covariance, and non-sparse methods were preferred. The weight patterns of eight of the top 10 biomarkers showed high commonality. Eight of the top 10 pipelines were successful for developing SCZ/ASD biomarkers.

Abstract Our motor system uses sensory feedback to keep behavioral performance in desired status. From this view, motor fluctuation is not simply ‘noise’ inevitably caused in the nervous system, but should provide a role in generating variations to explore better outcomes via their sensory feedback. Vocal control system offers a good model to investigate such adaptive sensory-motor interactions. The pitch, or fundamental frequency (FF), of voice is adaptively regulated by hearing its auditory feedback to compensate FF deviations. Animal studies, particularly for songbirds, have demonstrated that the variability in vocal features contributes to the adaptive control, although the same issue in human vocalizations has remained unclear. Here, we tested whether and how the motor variability contributes to adaptive control of vocal FF in humans. We measured the amount of compensatory vocal responses against FF shifts in the auditory feedback, and quantified the motor variability as amplitudes of spontaneous FF fluctuations during no shift vocalizations. The result showed a positive correlation between the ratio of compensation and the spontaneous vocal variability. Further analysis indicated that this correlation was due to slowly fluctuating components (<5 Hz) of the variability, but not fast fluctuations (6-30 Hz), which is likely to reflect controllability from the central nervous system. Moreover, the compensatory responses consisted of the same frequency range with the slow component in the spontaneous variability. These findings consistently demonstrated that the spontaneous motor variability predicts the adaptive control in vocal FF, supporting the motor exploration hypothesis. Significance statement We regulate our own vocalization by hearing own voice. This fact is typically observed as canceling-out (compensatory) responses in vocalized pitch when artificial pitch shifts were induced in the auditory feedback of own voice. Interestingly, the amount of such compensation widely ranges among talkers from perfect cancellation to almost nothing. Here we demonstrated that participants who spontaneously exhibited larger fluctuations showed greater amounts of the compensation against feedbacked pitch shifts. Our in-depth analyses showed that slowly fluctuating components in spontaneous pitch variability are specifically correlated with the compensation ratios, and was shared in the compensatory response as a dominant component. These findings support the idea that such variability contributes to generating motor explorations to find better outcomes in motor controls.

Past neuroimaging studies have reported that aberrant functional connectivity (FC) underlying auditory verbal hallucinations (AVHs) in schizophrenia is highly distributed over multiple functional networks. There is thus a need for exploratory approaches without limiting analysis to particular seed regions or functional networks, to identify FC alterations underlying AVH. We applied a multi-voxel pattern analysis (MVPA) of FC together with a series of post-hoc FC analyses to resting-state fMRI data acquired from 25 patients with schizophrenia and 25 matched healthy controls. First, the MVPA revealed multiple clusters exhibiting altered FC patterns in schizophrenia. Subsequent multiple linear regression analysis using scores of these clusters identified that FC alteration in the right cerebellum crus I was significantly associated with the severity of AVH. Furthermore, post-hoc FC analysis with the right crus I as a seed revealed significant FC alterations with regions distributed across multiple functional networks, including speech, default-mode, thalamus, and cerebellum. Subsequent linear regression analyses further demonstrated that, among these regions, only reduced FC in the left precuneus was significantly associated with the severity of AVH. Our unbiased exploratory analysis of FC data revealed a novel evidence for the crucial role of FC between cerebellar and default-mode networks in AVH.

Aim: Prior structural MRI studies demonstrated atypical gray matter characteristics in siblings of individuals with autism spectrum disorder (ASD). However, they did not clarify which aspect of gray matter presents the endophenotype. Further, because they did not enroll siblings of TD people, they underestimated the difference between individuals with ASD and their unaffected siblings. The current study aimed to solve these questions. Methods: We recruited 30 pairs of adult male siblings (15 of them have an ASD endophenotype, other 15 pairs not) and focused on four gray matter parameters: cortical volume and three surface-based parameters (cortical thickness, fractal dimension, and sulcal depth [SD]). First, we sought to identify a pattern of an ASD endophenotype, comparing the four parameters. Then, we compared individuals with ASD and their unaffected siblings in the cortical parameters to identify neural correlates for the clinical diagnosis accounting for the difference between TD siblings. Results: A sparse logistic regression with a leave-one-pair-out cross-validation showed the highest accuracy for the identification of an ASD endophenotype (73.3%) with the SD compared with the other three parameters. A bootstrapping analysis accounting for the difference in the SD between TD siblings showed a significantly large difference between individuals with ASD and their unaffected siblings in six out of 68 regions-of-interest accounting for multiple comparisons. Conclusions: This proof-of-concept study suggests that an ASD endophenotype emerges in SD and that neural correlates for the clinical diagnosis can be dissociated from the endophenotype when we accounted for the difference between TD siblings.

The achievement of improved subjective well-being (SWB) is a worldwide issue. Prior studies using self-report questionnaires have demonstrated that better social relationships (SR) form the foundation for better SWB. To confirm the relationships with objective measure and investigate the biological underpinning, we conducted connectome-based prediction modeling with a 10-fold cross-validation, utilizing resting state functional magnetic resonance imaging data (n = 761). Two aspects of SWB (life satisfaction and positive affect) were successfully predicted using SR-related functional connections (FCs). The models also showed good prediction performance in a validation sample (n = 91), suggesting that our models are generalizable. All six aspects of SR considered were related to different sets of FCs with minimal overlap in edge level. The contributions of these FC sets to the two aspects of SWB were substantially different. In the future, effort should be made to improve all aspects of SR to achieve better SWB.

Although the relationship between schizophrenia spectrum disorder (SSD) and autism spectrum disorder (ASD) has long been debated, it has not yet been fully elucidated. To address this issue, we took advantage of dual (ASD and SSD) classifiers that discriminate patients from their controls based on resting state brain functional connectivity. An SSD classifier using sophisticated machine-learning algorithms that automatically selected SSD-specific functional connections was applied to Japanese datasets including adult patients with SSD in a chronic stage. We demonstrated good performance of the SSD classification for independent validation cohorts. The generalizability was tested by USA and European cohorts in a chronic stage, and one USA cohort including first episode schizophrenia. The specificity was tested by two adult Japanese cohorts of ASD and major depressive disorder, and one European cohort of attention-deficit hyperactivity disorder. The weighted linear summation of the functional connections of the classifier constituted the biological dimensions representing neural liability to the disorders. Our previously developed robust ASD classifier constituted the ASD dimension. Distributions of individuals with SSD, ASD and healthy controls were examined on the SSD and ASD biological dimensions. The SSD and ASD populations exhibited overlapping but asymmetrical patterns on the two biological dimensions. That is, the SSD population showed increased liability on the ASD dimension, but not vice versa. Furthermore, the two dimensions were correlated within the ASD population but not the SSD population. Using the two biological dimensions based on resting-state functional connectivity enabled us to quantify and visualize the relationships between SSD and ASD.

Paternal- and maternal-child relationships are associated with partly distinct psychobehavioral problems, which often manifest differently between boys and girls. In order to understand neural mechanisms underlying complicated mappings between child-parent relationship and adolescents' problems, we used a dataset of early adolescents (N=93) and separately estimated the effects of paternal- and maternal-child relationships on resting-state functional connectivity and problems in boys and girls. General linear models identified the effects of paternal- and maternal-child relationships in different sets of functional connectivity, which we termed functional brain connectomes associated with paternal- and maternal-child relationship (FBCp and FBCm), respectively. Subsequent connectome-based models using these FBCs significantly predicted aggressive behaviors only for boys and internalizing problems selectively only girls. Lastly, a causal discovery method identified causal paths from daughter-mother relationship to FBCm, and then to daughter's internalizing problems. These observations highlight sex-dependent mechanisms linking child-parent relationship, brain, and psychobehavioral problems in early adolescence.

Abstract Many studies have highlighted the difficulty inherent to the clinical application of fundamental neuroscience knowledge based on machine learning techniques. It is difficult to generalize machine learning brain markers to the data acquired from independent imaging sites, mainly due to large site differences in functional magnetic resonance imaging. We address the difficulty of finding a generalizable major depressive disorder (MDD) brain network markers which would distinguish patients from healthy controls (a classifier) or would predict symptom severity (a prediction model) based on resting state functional connectivity patterns. For the discovery dataset with 713 participants from 4 imaging sites, we removed site differences using our recently developed harmonization method and developed a machine learning MDD brain network markers. The classifier achieved 70% generalization accuracy, and the prediction model moderately well predicted symptom severity for an independent validation dataset with 449 participants from 4 different imaging sites. Finally, we found common 2 functional connections between those related to MDD diagnosis and those related to depression symptoms. The successful generalization to the perfectly independent dataset acquired from multiple imaging sites is novel and ensures scientific reproducibility and clinical applicability.