Abstract The spatial relationship between gene expression profiles and neural response patterns known to be altered in neuropsychiatric disorders, e.g. depression, can guide the development of more targeted therapies. Here, we estimated the correlation between human transcriptome data and two different brain activation maps measured with functional magnetic resonance imaging (fMRI) in healthy subjects. Whole-brain activation patterns evoked during an emotional face recognition task were associated with topological mRNA expression of genes involved in cellular transport. In contrast, fMRI activation patterns related to the acceptance of monetary rewards were associated with genes implicated in neuronal development, synapse regulation, and gene transcription. An overlap of these genes with risk genes from major depressive disorder genome-wide associations studies revealed the involvement of the master regulators TCF4 and MEF2C. These results were further validated by means of meta-analytic fMRI data. Overall, the identification of stable relationships between spatial gene expression profiles and fMRI data may reshape the prospects for imaging transcriptomics studies.

Abstract Changes in distribution of associated molecular targets have been reported across several neuropsychiatric disorders. However, the high-resolution topology of most proteins is unknown and simultaneous in vivo measurement in multi-receptor systems is complicated. To account for the missing proteomic information, mRNA transcripts are typically used as a surrogate. Nonetheless, post-transcriptional and post-translational processes might cause the discrepancy between the final distribution of proteins and gene expression patterns. Therefore, this study aims to investigate ex vivo links between mRNA expression and corresponding receptor density in the human cerebral cortex. To this end, autoradiography data on the density of 15 different receptors in 38 brain regions were correlated with the expression patterns of 50 associated genes derived from microarray data (mA), RNA sequencing data (RNA-Seq) provided by the Allen Human Brain Atlas and predicted mRNA expression patterns (pred-mRNA). Spearman’s rank correlation was used to evaluate the possible links between proteomic data and mRNA expression patterns. Correlations between mRNA and protein density varied greatly between targets: Positive associations were found for e.g. the serotonin 1A (pred-mRNA: r s = 0.708; mA: r s = 0.601) or kainate receptor (pred-mRNA: r s = 0.655; mA: r s = 0.601; RNA-Seq: r s = 0.575), while most of the investigated target receptors showed low or negative correlations. The high variability in the correspondence of mRNA expression and receptor warrants caution when inferring the topology of molecular targets in the brain from transcriptome data. This highlights the longstanding value of molecular imaging data and the need for comprehensive proteomic data.

: The human brain is characterized by interacting large-scale functional networks fueled by glucose metabolism. Since former studies could not sufficiently clarify how these functional connections shape glucose metabolism, we aimed to provide a neurophysiologically-based approach. : 51 healthy volunteers underwent simultaneous PET/MRI to obtain BOLD functional connectivity and [18F]FDG glucose metabolism. These multimodal imaging proxies of fMRI and PET were combined in a whole-brain extension of metabolic connectivity mapping. Specifically, functional connectivity of all brain regions were used as input to explain glucose metabolism of a given target region. This enabled the modeling of postsynaptic energy demands by incoming signals from distinct brain regions. : Functional connectivity input explained a substantial part of metabolic demands but with pronounced regional variations (34 - 76%). During cognitive task performance this multimodal association revealed a shift to higher network integration compared to resting state. In healthy aging, a dedifferentiation (decreased segregated/modular structure of the brain) of brain networks during rest was observed. Furthermore, by including data from mRNA maps, [11C]UCB-J synaptic density and aerobic glycolysis (oxygen-to-glucose index from PET data), we show that whole-brain functional input reflects non-oxidative, on-demand metabolism of synaptic signaling. The metabolically-derived directionality of functional inputs further marked them as top-down predictions. In addition, the approach uncovered formerly hidden networks with superior efficiency through metabolically informed network partitioning. : Applying multimodal imaging, we decipher a crucial part of the metabolic and neurophysiological basis of functional connections in the brain as interregional on-demand synaptic signaling fueled by anaerobic metabolism. The observed task- and age-related effects indicate promising future applications to characterize human brain function and clinical alterations.

The availability of extensive transcriptome data of the human brain has greatly expanded the possibilities to study the molecular differentiation of brain regions. A previously proposed method enabled the spatially comprehensive prediction of gene expression in the brain based on discrete microarray data. The resulting data was employed in the current work in order to derive a parcellation of the human cerebral cortex. To this end, the transcriptome dataset comprising normalized expression of 18,686 genes was used for agglomerative hierarchical clustering with Pearson correlation distance and average linkage. The optimal number of clusters indicated by the Bayesian Information Criterion was k=33. The transcriptome based parcellation was able to reproduce several well-established boundaries between cortical regions, such as primary sensory and motor areas, while revealing novel insights into their hierarchical organization.

Abstract Serotonin (5-HT) plays an essential role in reward processing, however, the possibilities to investigate 5-HT action in humans during emotional stimulation are particularly limited. Here we demonstrate the feasibility of assessing reward-specific dynamics in 5-HT synthesis using functional PET (fPET), combining its molecular specificity with the high temporal resolution of blood oxygen level dependent (BOLD) fMRI. Sixteen healthy volunteers underwent simultaneous fPET/fMRI with the radioligand [ 11 C]AMT, a substrate for tryptophan hydroxylase. During the scan, participants completed the monetary incentive delay task and arterial blood samples were acquired for quantifying 5-HT synthesis rates. BOLD fMRI was recorded as a proxy of neuronal activation, allowing differentiation of reward anticipation and feedback. Monetary gain and loss resulted in substantial increases in 5-HT synthesis in the ventral striatum (VStr, +21% from baseline) and the anterior insula (+41%). In the VStr, task-specific 5-HT synthesis was further correlated with BOLD signal changes during reward feedback (ρ = −0.65), but not anticipation. Conversely, 5-HT synthesis in the anterior insula correlated with BOLD reward anticipation (ρ = −0.61), but not feedback. In sum, we provide a robust tool to identify task-induced changes in 5-HT action in humans, linking the dynamics of 5-HT synthesis to distinct phases of reward processing in a regionally specific manner. Given the relevance of altered reward processing in psychiatric disorders such as addiction, depression and schizophrenia, our approach offers a tailored assessment of impaired 5-HT signaling during cognitive and emotional processing.

Abstract PET-based connectivity computation is a molecular approach that complements fMRI-derived functional connectivity. However, the diversity of methodologies and terms employed in PET connectivity analysis has resulted in ambiguities and confounded interpretations, highlighting the need for a standardized nomenclature. Drawing parallels from other imaging modalities, we propose “molecular connectivity” as an umbrella term to characterize statistical dependencies between PET signals across brain regions at the individual level (within-subject). Like fMRI resting-state functional connectivity, “molecular connectivity” leverages temporal associations in the PET signal to derive brain network associations. Another within-subject approach evaluates regional similarities of tracer kinetics, which are unique in PET imaging, thus referred to as “kinetic connectivity”. On the other hand, “molecular covariance” denotes group-level computations of covariance matrices across-subject. Further specification of the terminology can be achieved by including the employed radioligand, such as “metabolic connectivity/covariance” for [ 18 F]FDG as well as “tau/amyloid covariance” for [ 18 F]flutemetamol / [ 18 F]flortaucipir. To augment these distinctions, high-temporal resolution functional [ 18 F]FDG PET scans from 17 healthy participants were analysed with common techniques of molecular connectivity and covariance, allowing for a data-driven support of the above terminology. Our findings demonstrate that temporal band-pass filtering yields structured network organization, whereas other techniques like 3 rd order polynomial fitting, spatio-temporal filtering and baseline normalization require further methodological refinement for high-temporal resolution data. Conversely, molecular covariance from across-subject data provided a simple means to estimate brain region interactions through regularized or sparse inverse covariance estimation. A standardized nomenclature in PET-based connectivity research can reduce ambiguity, enhance reproducibility, and facilitate interpretability across radiotracers and imaging modalities. Via a data-driven approach, this work provides a transparent framework for categorizing and comparing PET-derived connectivity and covariance metrics, laying the foundation for future investigations in the field.