Whole-brain anatomical connectivity in living humans can be modeled as a network with diffusion-MRI and tractography. Network nodes are associated with distinct grey-matter regions, while white-matter fiber bundles serve as interconnecting network links. However, the lack of a gold standard for regional parcellation in brain MRI makes the definition of nodes arbitrary, meaning that network nodes are defined using templates employing either random or anatomical parcellation criteria. Consequently, the number of nodes included in networks studied by different authors has varied considerably, from less than 100 up to more than 104. Here, we systematically and quantitatively assess the behavior, structure and topological attributes of whole-brain anatomical networks over a wide range of nodal scales, a variety of grey-matter parcellations as well as different diffusion-MRI acquisition protocols. We show that simple binary decisions about network organization, such as whether small-worldness or scale-freeness is evident, are unaffected by spatial scale, and that the estimates of various organizational parameters (e.g. small-worldness, clustering, path length, and efficiency) are consistent across different parcellation scales at the same resolution (i.e. the same number of nodes). However, these parameters vary considerably as a function of spatial scale; for example small-worldness exhibited a difference of 95% between the widely-used automated anatomical labeling (AAL) template (∼ 100 nodes) and a 4000-node random parcellation (σAAL = 1.9 vs. σ4000 = 53.6 ± 2.2). These findings indicate that any comparison of network parameters across studies must be made with reference to the spatial scale of the nodal parcellation.

Cannabis is the most widely used illicit drug in the developed world. Despite this, there is a paucity of research examining its long-term effect on the human brain.To determine whether long-term heavy cannabis use is associated with gross anatomical abnormalities in 2 cannabinoid receptor-rich regions of the brain, the hippocampus and the amygdala.Cross-sectional design using high-resolution (3-T) structural magnetic resonance imaging.Participants were recruited from the general community and underwent imaging at a hospital research facility.Fifteen carefully selected long-term (>10 years) and heavy (>5 joints daily) cannabis-using men (mean age, 39.8 years; mean duration of regular use, 19.7 years) with no history of polydrug abuse or neurologic/mental disorder and 16 matched nonusing control subjects (mean age, 36.4 years).Volumetric measures of the hippocampus and the amygdala combined with measures of cannabis use. Subthreshold psychotic symptoms and verbal learning ability were also measured.Cannabis users had bilaterally reduced hippocampal and amygdala volumes (P = .001), with a relatively (and significantly [P = .02]) greater magnitude of reduction in the former (12.0% vs 7.1%). Left hemisphere hippocampal volume was inversely associated with cumulative exposure to cannabis during the previous 10 years (P = .01) and subthreshold positive psychotic symptoms (P < .001). Positive symptom scores were also associated with cumulative exposure to cannabis (P = .048). Although cannabis users performed significantly worse than controls on verbal learning (P < .001), this did not correlate with regional brain volumes in either group.These results provide new evidence of exposure-related structural abnormalities in the hippocampus and amygdala in long-term heavy cannabis users and corroborate similar findings in the animal literature. These findings indicate that heavy daily cannabis use across protracted periods exerts harmful effects on brain tissue and mental health.

Brain network hubs are both highly connected and highly inter-connected, forming a critical communication backbone for coherent neural dynamics. The mechanisms driving this organization are poorly understood. Using diffusion-weighted imaging in twins, we identify a major role for genes, showing that they preferentially influence connectivity strength between network hubs of the human connectome. Using transcriptomic atlas data, we show that connected hubs demonstrate tight coupling of transcriptional activity related to metabolic and cytoarchitectonic similarity. Finally, comparing over thirteen generative models of network growth, we show that purely stochastic processes cannot explain the precise wiring patterns of hubs, and that model performance can be improved by incorporating genetic constraints. Our findings indicate that genes play a strong and preferential role in shaping the functionally valuable, metabolically costly connections between connectome hubs.

Abstract The objective of this study was to investigate whether the myelin content of white matter tracts is predictive of cogni–tive processing speed and whether such associations are modulated by age. Associations between myelin content and processing speed was assessed in 570 community-living individuals (277 middle-age, 293 older-age). Myelin content was measured using the mean T1w/T2w magnetic resonance ratio, in six white matter tracts (anterior corona radiata, superior corona radiata, pontine crossing tract, anterior limb of the internal capsule, genu of the corpus callosum, and splenium of the corpus callosum). Processing speed was estimated by extracting a principal component from 5 sep–arate tests of processing speed. It was found that myelin content of the bilateral anterior limb of the internal capsule and left splenium of the corpus callosum were significant predictors of processing speed, even after controlling for socio-demographic, health and genetic variables and correcting for multiple comparisons. A 1 SD increase in the myelin content of the anterior limb of the internal capsule was associated with 2.53% increase in processing speed and within the left splenium of the corpus callosum with a 2.20% increase in processing speed. In addition, significant differences in myelin content between middle-age and older participants were found in all six white matter tracts. The present results indicate that myelin content, estimated in vivo using a neuroimaging approach in healthy older adults is sufficiently precise to predict variability in processing speed in behavioural measures.

Abstract Background Individual differences in functional brain connectivity can be used to predict both the presence of psychiatric illness and variability in associated behaviors. However, despite evidence for sex differences in functional network connectivity and in the prevalence, presentation, and trajectory of psychiatric illnesses, the extent to which disorder-relevant aspects of network connectivity are shared or unique across the sexes remains to be determined. Methods In this work, we used predictive modelling approaches to evaluate whether shared or unique functional connectivity correlates underlie the expression of psychiatric illness-linked behaviors in males and females in data from the Adolescent Brain Cognitive Development study (n=5260; 2571 females). Results We demonstrate that functional connectivity profiles predict individual differences in externalizing behaviors in males and females, but only predict internalizing behaviors in females. Furthermore, models trained to predict externalizing behaviors in males generalize to predict internalizing behaviors in females, and models trained to predict internalizing behaviors in females generalize to predict externalizing behaviors in males. Finally, the neurobiological correlates of many behaviors are largely shared within and across sexes: functional connections within and between heteromodal association networks including default, limbic, control, and dorsal attention networks are associated with internalizing and externalizing behaviors as well as attentional deficits. Conclusions Taken together, these findings suggest that shared neurobiological patterns may manifest as distinct behaviors across the sexes. These results highlight the need to consider factors beyond just neurobiology in the diagnosis and treatment of psychiatric illnesses.

Abstract The experience of parenthood can profoundly alter one’s body, mind, and environment, yet we know little about the long-term associations between parenthood and brain function and aging in adulthood. Here, we investigate the link between number of children parented (parity) and age on brain function in 19,964 females and 17,607 males from the UK Biobank. In both females and males, increased parity was positively associated with functional connectivity, particularly within the somato/motor network. Critically, the spatial topography of parity-linked effects was inversely correlated with the impact of age on functional connectivity across the brain for both females and males, suggesting that a higher number of children is associated with patterns of brain function in the opposite direction to age-related alterations. These results indicate that the changes accompanying parenthood may confer benefits to brain health across the lifespan, highlighting the importance of future work to understand the associated mechanisms.

Abstract The maternal brain undergoes structural and functional plasticity during pregnancy and the postpartum period. Little is known about functional plasticity outside caregiving-specific contexts, and whether changes persist across the lifespan. Structural neuroimaging studies suggest that parenthood may confer a protective effect against the ageing process, however it is unknown whether parenthood is associated with functional brain differences in late-life. We examined the relationship between resting state functional connectivity and number of children parented in 220 healthy older females (73.82±3.53years) and 252 healthy older males (73.95±3.50years). We compared patterns of resting state functional connectivity with three different models of age-related functional change to assess whether these effects may be functionally neuroprotective for the ageing human parental brain. No relationship between functional connectivity and number of children was obtained for males. For females, we found widespread decreasing functional connectivity with increasing number of children parented, with increased segregation between networks, decreased connectivity between hemispheres, and decreased connectivity between anterior and posterior regions. The patterns of functional connectivity related to the number of children an older woman has parented were in the opposite direction to those usually associated with age-related cognitive decline, suggesting that motherhood may be beneficial for brain function in late-life.

Abstract Resting-state functional connectivity (RSFC) is widely used to predict phenotypic traits in individuals. Large sample sizes can significantly improve prediction accuracies. However, for studies of certain clinical populations or focused neuroscience inquiries, small-scale datasets often remain a necessity. We have previously proposed a “meta-matching” approach to translate prediction models from large datasets to predict new phenotypes in small datasets. We demonstrated a large improvement over classical kernel ridge regression (KRR) when translating models from a single source dataset (UK Biobank) to the Human Connectome Project Young Adults (HCP-YA) dataset. In the current study, we propose two meta-matching variants (“meta-matching with dataset stacking” and “multilayer meta-matching”) to translate models from multiple source datasets across disparate sample sizes to predict new phenotypes in small target datasets. We evaluate both approaches by translating models trained from five source datasets (with sample sizes ranging from 862 participants to 36,834 participants) to predict phenotypes in the HCP-YA and HCP-Aging datasets. We find that multilayer meta-matching modestly outperforms meta-matching with dataset stacking. Both meta-matching variants perform better than the original “meta-matching with stacking” approach trained only on the UK Biobank. All meta-matching variants outperform classical KRR and transfer learning by a large margin. In fact, KRR is better than classical transfer learning when less than 50 participants are available for finetuning, suggesting the difficulty of classical transfer learning in the very small sample regime. The multilayer meta-matching model is publicly available at https://github.com/ThomasYeoLab/Meta_matching_models/tree/main/rs-fMRI/v2.0.

Summary The functional properties of the human brain arise, in part, from the vast assortment of cell types that pattern the cortex. The cortical sheet can be broadly divided into distinct networks, which are further embedded into processing streams, or gradients, that extend from unimodal systems through higher-order association territories. Here, using transcriptional data from the Allen Human Brain Atlas, we demonstrate that imputed cell type distributions are spatially coupled to the functional organization of cortex, as estimated through fMRI. Cortical cellular profiles follow the macro-scale organization of the functional gradients as well as the associated large-scale networks. Distinct cellular fingerprints were evident across networks, and a classifier trained on post-mortem cell-type distributions was able to predict the functional network allegiance of cortical tissue samples. These data indicate that the in vivo organization of the cortical sheet is reflected in the spatial variability of its cellular composition.

Abstract Asymmetries of the cerebral cortex are found across diverse phyla and are particularly pronounced in humans, with important implications for brain function and disease. However, many prior studies have confounded asymmetries due to size with those due to shape. Here, we introduce a novel approach to characterize asymmetries of the whole cortical shape, independent of size, across different spatial frequencies using magnetic resonance imaging data in three independent datasets. We find that cortical shape asymmetry is highly individualized and robust, akin to a cortical fingerprint, and identifies individuals more accurately than size-based descriptors, such as cortical thickness and surface area, or measures of inter-regional functional coupling of brain activity. Individual identifiability is optimal at coarse spatial scales (∼37 mm wavelength), and shape asymmetries show scale-specific associations with sex and cognition, but not handedness. While unihemispheric cortical shape shows significant heritability at coarse scales (∼65 mm wavelength), shape asymmetries are determined primarily by subject-specific environmental effects. Thus, coarse-scale shape asymmetries are highly personalized, sexually dimorphic, linked to individual differences in cognition, and are primarily driven by stochastic environmental influences.