Abstract Recent studies found low test-retest reliability in fMRI, raising serious concerns among researchers, but these studies mostly focused on reliability of individual fMRI features (e.g., individual connections in resting state connectivity maps). Meanwhile, neuroimaging researchers increasingly employ multivariate predictive models that aggregate information across a large number of features to predict outcomes of interest, but the test-retest reliability of predicted outcomes of these models has not previously been systematically studied. Here we apply ten predictive modeling methods to resting state connectivity maps from the Human Connectome Project dataset to predict 61 outcome variables. Compared to mean reliability of individual resting state connections, we find mean reliability of the predicted outcomes of predictive models is substantially higher for all ten modeling methods assessed. Moreover, improvement was consistently observed across all scanning and processing choices (i.e., scan lengths, censoring thresholds, volume-versus surface-based processing). For the most reliable methods, reliability of predicted outcomes was mostly, though not exclusively, in the “good” range (above 0.60). Finally, we identified three mechanisms that help to explain why predicted outcomes of predictive models have higher reliability than individual imaging features. We conclude that researchers can potentially achieve higher test-retest reliability by making greater use of predictive models.

ABSTRACT The development of objective brain-based measures of individual differences in psychological traits is a longstanding goal of clinical neuroscience. Here we show that reliable objective markers of children’s neurocognitive abilities can be built from measures of brain connectivity. The sample consists of 5,937 9- and 10-year-olds in the Adolescent Brain Cognitive Development multi-site study with high-quality functional connectomes that capture brain-wide connectivity. Using multivariate methods, we built predictive neuromarkers for a general factor of neurocognitive ability as well as for a number of specific cognitive abilities (e.g., spatial reasoning, working memory). Neuromarkers for the general neurocognitive factor successfully predicted scores for held-out participants at 19 out of 19 held-out sites, explaining over 14% of the variance in their scores. Neuromarkers for specific neurocognitive abilities also exhibited statistically reliable generalization to new participants. This study provides the strongest evidence to date that objective quantification of psychological traits is possible with functional neuroimaging.

Abstract BACKGROUND Convergent research identifies a general factor (“P factor”) that confers transdiagnostic risk for psychopathology. However, brain functional connectivity patterns that underpin the P factor remain poorly understood, especially at the transition to adolescence when many serious mental disorders have their onset. OBJECTIVE Identify a distributed connectome-wide neurosignature of the P factor and assess the generalizability of this neurosignature in held out samples. DESIGN, SETTING, AND PARTICIPANTS This study used data from the full baseline wave of the Adolescent Brain and Cognitive Development (ABCD) national consortium study, a prospective, population-based study of 11,875 9- and 10-year olds. Data for this study were collected from September 1, 2016 to November 15, 2018 at 21 research sites across the United States. MAIN OUTCOMES AND MEASURES We produced whole brain functional connectomes for 5,880 youth with high quality resting state scans. We then constructed a low rank basis set of 250 components that captures interindividual connectomic differences. Multi-level regression modeling was used to link these components to the P factor, and leave-one-site-out cross-validation was used to assess generalizability of P factor neurosignatures to held out subjects across 19 ABCD sites. RESULTS The set of 250 connectomic components was highly statistically significantly related to the P factor, over and above nuisance covariates alone (ANOVA nested model comparison, incremental R-squared 6.05%, χ 2 (250) =412.1, p <4.6×10 −10 ). In addition, two individual connectomic components were statistically significantly related to the P factor after Bonferroni correction for multiple comparisons (t(5511)= 4.8, p <1.4×10 −06 ; t(5121)= 3.9, p<9.7×10 −05 ). Functional connections linking control networks and default mode network were prominent in the P factor neurosignature. In leave-one-site-out cross-validation, the P factor neurosignature generalized to held out subjects (average correlation between actual and predicted P factor scores across 19 held out sites=0.13; p PERMUTATION <0.0001). Additionally, results remained significant after a number of robustness checks. CONCLUSIONS AND RELEVANCE The general factor of psychopathology is associated with connectomic alterations involving control networks and default mode network. Brain imaging combined with network neuroscience can identify distributed and generalizable signatures of transdiagnostic risk for psychopathology during emerging adolescence.

ABSTRACT Little is known about how exposure to limited socioeconomic resources (SER) in childhood gets “under the skin” to shape brain development, especially using rigorous whole-brain multivariate methods in large, adequately powered samples. The present study examined resting state functional connectivity patterns from 5,821 youth in the Adolescent Brain Cognitive Development (ABCD) study, employing multivariate methods across three levels: whole-brain, network-wise, and connection-wise. Across all three levels, SER was associated with widespread alterations across the connectome. However, critically, we found that parental education was the primary driver of neural associations of SER. These parental education associations were robust to additional tests for confounding by head motion, and they exhibited notable concentrations in somatosensory and subcortical regions. Moreover, parental education associations with the developing connectome were partially accounted for by home enrichment activities, child’s cognitive abilities, and child’s grades, indicating interwoven links between parental education, child stimulation, and child cognitive performance. These results add a new data-driven, multivariate perspective on links between household SER and the child’s developing functional connectome.

Efficiency of evidence accumulation (EEA), an individuals ability to selectively gather goal-relevant information to make adaptive choices, is thought to be a key neurocomputational mechanism associated with cognitive functioning and transdiagnostic risk for psychopathology. However, the neural basis of individual differences in EEA is poorly understood, especially regarding the role of largescale brain network dynamics. We leverage data from over 5,000 participants from the Human Connectome Project and Adolescent Brain Cognitive Development Study to demonstrate a strong association between EEA and flexible adaptation to cognitive demand in task-positive frontoparietal and dorsal attention networks, which explains 36%-39% of the variance across individuals in EEA. Notably, individuals with higher EEA displayed divergent task-positive network activation across n-back task conditions: higher activation under high cognitive demand (2-back) and lower activation under low demand (0-back). These findings suggest that brain networks flexible adaptation to cognitive demands is a key neural underpinning of EEA.

Abstract Socioeconomic resources (SER) calibrate the developing brain to the current context, which can confer or attenuate risk for psychopathology across the lifespan. Recent multivariate work indicates that SER levels powerfully relate to intrinsic functional connectivity patterns across the entire brain. Nevertheless, the neuroscientific meaning of these widespread neural differences remains poorly understood, despite its translational promise for early risk identification, targeted intervention, and policy reform. In the present study, we leverage graph theory to precisely characterize multivariate and univariate associations between SER across household and neighborhood contexts and the intrinsic functional architecture of brain regions in 5,821 youth (9-10 years) from the Adolescent Brain Cognitive Development StudySM. First, we establish that decomposing the brain into profiles of integration and segregation captures more than half of the multivariate association between SER and functional connectivity with greater parsimony (100-fold reduction in number of features) and interpretability. Second, we show that the topological effects of SER are not uniform across the brain; rather, higher SER levels are associated with greater integration of somatomotor and subcortical systems, but greater segregation of default mode, orbitofrontal, and cerebellar systems. Finally, we demonstrate that topological associations with SER are spatially patterned along the unimodal-transmodal gradient of brain organization. These findings provide critical interpretive context for the established and widespread associations between SER and brain organization. This study highlights both higher-order and somatomotor networks that are differentially implicated in environmental stress, disadvantage, and opportunity in youth.

Socioeconomic resources (SER) calibrate the developing brain to the current context, which can confer or attenuate risk for psychopathology across the lifespan. Recent multivariate work indicates that SER levels powerfully influence intrinsic functional connectivity patterns across the entire brain. Nevertheless, the neurobiological meaning of these widespread alterations remains poorly understood, despite its translational promise for early risk identification, targeted intervention, and policy reform. In the present study, we leverage the resources of graph theory to precisely characterize multivariate and univariate associations between household SER and the functional integration and segregation (i.e., participation coefficient, within-module degree) of brain regions across major cognitive, affective, and sensorimotor systems during the resting state in 5,821 youth (ages 9-10 years) from the Adolescent Brain Cognitive Development (ABCD) Study. First, we establish that decomposing the brain into profiles of integration and segregation captures more than half of the multivariate association between SER and functional connectivity with greater parsimony (100-fold reduction in number of features) and interpretability. Second, we show that the topological effects of SER are not uniform across the brain; rather, higher SER levels are related to greater integration of somatomotor and subcortical systems, but greater segregation of default mode, orbitofrontal, and cerebellar systems. Finally, we demonstrate that the effects of SER are spatially patterned along the unimodal-transmodal gradient of brain organization. These findings provide critical interpretive context for the established and widespread effects of SER on brain organization, indicating that SER levels differentially configure the intrinsic functional architecture of developing unimodal and transmodal systems. This study highlights both sensorimotor and higher-order networks that may serve as neural markers of environmental stress and opportunity, and which may guide efforts to scaffold healthy neurobehavioral development among disadvantaged communities of youth.

We identify novel mechanisms of general intelligence involving activation patterns of large-scale brain networks. During hard, cognitively demanding tasks, the fronto-parietal network differentially activates relative to the default mode network, creating greater separation between the networks, while during easy tasks, network separation is reduced. In 920 adults in the Human Connectome Project dataset, we demonstrate that these network separation patterns across hard and easy task conditions are strongly associated with general intelligence, accounting for 21% of the variance in intelligence scores across individuals. Moreover, we identify the presence of a crossover relationship in which FPN-DMN separation profiles that strongly predict higher intelligence in hard task conditions reverse direction and strongly predict lower intelligence in easy conditions, helping to resolve conflicting findings in the literature. We further clarify key properties of FPN-DMN separation: It is a mediator, and not just a marker, of general intelligence, and FPN-DMN separation profiles during the task state can be reliably predicted from connectivity patterns during rest. We demonstrate the robustness of our results by replicating them in a second task and in an independent large sample of youth. Overall, our results establish FPN-DMN separation as a major locus of individual differences in general intelligence, and raise intriguing new questions about how FPN-DMN separation is regulated in different cognitive tasks, across the lifespan, and in health and disease.