Background Brain iron deposition has been linked to several neurodegenerative conditions and reported in alcohol dependence. Whether iron accumulation occurs in moderate drinkers is unknown. Our objectives were to investigate evidence in support of causal relationships between alcohol consumption and brain iron levels and to examine whether higher brain iron represents a potential pathway to alcohol-related cognitive deficits. Methods and findings Observational associations between brain iron markers and alcohol consumption ( n = 20,729 UK Biobank participants) were compared with associations with genetically predicted alcohol intake and alcohol use disorder from 2-sample mendelian randomization (MR). Alcohol intake was self-reported via a touchscreen questionnaire at baseline (2006 to 2010). Participants with complete data were included. Multiorgan susceptibility-weighted magnetic resonance imaging (9.60 ± 1.10 years after baseline) was used to ascertain iron content of each brain region (quantitative susceptibility mapping (QSM) and T2*) and liver tissues (T2*), a marker of systemic iron. Main outcomes were susceptibility (χ) and T2*, measures used as indices of iron deposition. Brain regions of interest included putamen, caudate, hippocampi, thalami, and substantia nigra. Potential pathways to alcohol-related iron brain accumulation through elevated systemic iron stores (liver) were explored in causal mediation analysis. Cognition was assessed at the scan and in online follow-up (5.82 ± 0.86 years after baseline). Executive function was assessed with the trail-making test, fluid intelligence with puzzle tasks, and reaction time by a task based on the “Snap” card game. Mean age was 54.8 ± 7.4 years and 48.6% were female. Weekly alcohol consumption was 17.7 ± 15.9 units and never drinkers comprised 2.7% of the sample. Alcohol consumption was associated with markers of higher iron (χ) in putamen (β = 0.08 standard deviation (SD) [95% confidence interval (CI) 0.06 to 0.09], p < 0.001), caudate (β = 0.05 [0.04 to 0.07], p < 0.001), and substantia nigra (β = 0.03 [0.02 to 0.05], p < 0.001) and lower iron in the thalami (β = −0.06 [−0.07 to −0.04], p < 0.001). Quintile-based analyses found these associations in those consuming >7 units (56 g) alcohol weekly. MR analyses provided weak evidence these relationships are causal. Genetically predicted alcoholic drinks weekly positively associated with putamen and hippocampus susceptibility; however, these associations did not survive multiple testing corrections. Weak evidence for a causal relationship between genetically predicted alcohol use disorder and higher putamen susceptibility was observed; however, this was not robust to multiple comparisons correction. Genetically predicted alcohol use disorder was associated with serum iron and transferrin saturation. Elevated liver iron was observed at just >11 units (88 g) alcohol weekly c.f. <7 units (56 g). Systemic iron levels partially mediated associations of alcohol intake with brain iron. Markers of higher basal ganglia iron associated with slower executive function, lower fluid intelligence, and slower reaction times. The main limitations of the study include that χ and T2* can reflect changes in myelin as well as iron, alcohol use was self-reported, and MR estimates can be influenced by genetic pleiotropy. Conclusions To the best of our knowledge, this study represents the largest investigation of moderate alcohol consumption and iron homeostasis to date. Alcohol consumption above 7 units weekly associated with higher brain iron. Iron accumulation represents a potential mechanism for alcohol-related cognitive decline.

Abstract Estimating age based on neuroimaging-derived data has become a popular approach to developing markers for brain integrity and health. While a variety of machine-learning algorithms can provide accurate predictions of age based on brain characteristics, there is significant variation in model accuracy reported across studies. We predicted age based on neuroimaging data in two population-based datasets, and assessed the effects of age range, sample size, and age-bias correction on the model performance metrics r, R 2 , Root Mean Squared Error (RMSE), and Mean Absolute Error (MAE). The results showed that these metrics vary considerably depending on cohort age range; r and R 2 values are lower when measured in samples with a narrower age range. RMSE and MAE are also lower in samples with a narrower age range due to smaller errors/brain age delta values when predictions are closer to the mean age of the group. Across subsets with different age ranges, performance metrics improve with increasing sample size. Performance metrics further vary depending on prediction variance as well as mean age difference between training and test sets, and age-bias corrected metrics indicate high accuracy - also for models showing poor initial performance. In conclusion, performance metrics used for evaluating age prediction models depend on cohort and study-specific data characteristics, and cannot be directly compared across different studies. Since age-bias corrected metrics in general indicate high accuracy, even for poorly performing models, inspection of uncorrected model results provides important information about underlying model attributes such as prediction variance.

Abstract Brain age is a widely used index for quantifying individuals’ brain health as deviation from a normative brain aging trajectory. Higher than expected brain age is thought partially to reflect above-average rate of brain aging. We explicitly tested this assumption in two large datasets and found no association between cross-sectional brain age and steeper brain decline measured longitudinally. Rather, brain age in adulthood was associated with early-life influences indexed by birth weight and polygenic scores. The results call for nuanced interpretations of cross-sectional indices of the aging brain and question their validity as markers of ongoing within-person changes of the aging brain. Longitudinal imaging data should be preferred whenever the goal is to understand individual change trajectories of brain and cognition in aging.

Abstract Brain age is becoming a widely applied imaging-based biomarker of neural aging and potential proxy for brain integrity and health. We estimated multimodal and modality-specific brain age in the Whitehall II MRI cohort using machine learning and imaging-derived measures of gray matter morphology, diffusion-based white matter microstructure, and resting state functional connectivity. Ten-fold cross validation yielded multimodal and modality-specific brain age estimates for each participant, and additional predictions based on a separate training sample was included for comparison. The results showed equivalent age prediction accuracy between the multimodal model and the gray and white matter models (R 2 of 0.34, 0.31, and 0.31, respectively), while the functional connectivity model showed a lower prediction accuracy (R 2 of 0.01). Cardiovascular risk factors, including high blood pressure, alcohol intake, and stroke risk score, were each associated with more apparent brain aging, with consistent associations across modalities.

ABSTRACT Large scale neuroimaging datasets present the possibility of providing normative distributions for a wide variety of neuroimaging markers, which would vastly improve the clinical utility of these measures. However, a major challenge is our current poor ability to integrate measures across different large-scale datasets, due to inconsistencies in imaging and non-imaging measures across the different protocols and populations. Here we explore the harmonisation of white matter hyperintensity (WMH) measures across two major studies of healthy elderly populations, the Whitehall II imaging sub-study and the UK Biobank. We identify pre-processing strategies that maximise the consistency across datasets and utilise multivariate regression to characterise sample differences contributing to study-level differences in WMH variations. We also present a parser to harmonise WMH-relevant non-imaging variables across the two datasets. We show that we can provide highly calibrated WMH measures from these datasets with: (1) the inclusion of a number of specific standardised processing steps; and (2) appropriate modelling of sample differences through the alignment of demographic, cognitive and physiological variables. These results open up a wide range of applications for the study of WMHs and other neuroimaging markers across extensive databases of clinical data. HIGHLIGHTS We harmonised measures of WMHs across two studies on healthy ageing Specific pre-processing strategies can increase comparability across studies Modelling of biological differences is crucial to provide calibrated measures

Abstract The question of how much sleep is best for the brain attracts scientific and public interest, and there is concern that insuficient sleep leads to poorer brain health. However, it is unknown how much sleep is sufficient and how much is too much. We analyzed 51,295 brain magnetic resonnance images from 47,039 participants, and calculated the self-reported sleep duration associated with the largest regional volumes and smallest ventricles relative to intracranial volume (ICV) and thickest cortex. 6.8 hours of sleep was associated with the most favorable brain outcome overall. Critical values, defined by 95% confidence intervals, were 5.7 and 7.9 hours. There was regional variation, with for instance the hippocampus showing largest volume at 6.3 hours. Moderately long sleep (> 8 hours) was more strongly associated with smaller relative volumes, thinner cortex and larger ventricles than even very short sleep (< 5 hours), but effect sizes were modest. People with larger ICV reported longer sleep (7.5 hours), so not correcting for ICV yielded longer durations associated with maximal volume. Controlling for socioeconomic status, body mass index and depression symptoms did not alter the associations. Genetic analyses showed that genes related to longer sleep in short sleepers were related to shorter sleep in long sleepers. This may indicate a genetically controlled homeostatic regulation of sleep duration. Mendelian randomization analyses did not suggest sleep duration to have a causal impact on brain structure in the analyzed datasets. The findings challenge the notion that habitual short sleep is negatively related to brain structure. Significance statement According to consensus recommendations, adults should sleep between 7 and 9 hours to optimize their health. We found that sleeping less than the recommended amount was associated with greater regional brain volumes relative to intracranial volume, and very short sleep was only weakly related to smaller volumes. Genetic analyses did not show causal effects of sleep duration on brain structure. Taken together, the results suggest that habitual short sleep is not an important contributor to lower brain volumes in adults on a group level, and that large individual dfferences in sleep need likely exist.

INTRODUCTION: This study aimed to evaluate whether mid-life and late life participation in leisure activities is linked to measures of brain structure, functional connectivity and cognition in early old age. METHODS: We examined data collected from 7,152 participants of the UK Biobank study. Weekly participation in six leisure activities was assessed twice. A cognitive battery and 3T MRI brain scan were administered at the second visit. RESULTS: Weekly computer use at mid-life associated with larger volumes of the left putamen and higher scores for fluid intelligence, alphanumeric and numeric trail making tasks and prospective memory. Frequent attendance at a sports club or gym at mid-life was associated with stronger connectivity of the sensorimotor network with the lateral visual and cerebellar networks. No other associations were significant. DISCUSSION: This study demonstrates that not all leisure activities contribute to cognitive health equally, nor is there one unifying neural signature across leisure activities.### Competing Interest StatementC.E.S is a full-time employee of the Alzheimer’s Association. The authors otherwise declare no competing interests.

Across healthy adult life our brains undergo gradual structural change in a pattern of atrophy that resembles accelerated brain changes in Alzheimer9s disease (AD). Here, using four polygenic risk scores for AD (PRS-AD) in a longitudinal adult lifespan sample aged 30 to 89 years (2-7 timepoints), we show that healthy individuals who lose brain volume faster than expected for their age, have a higher genetic AD risk. We first demonstrate PRS-AD associations with change in early Braak regions, namely hippocampus, entorhinal cortex, and amygdala, and find evidence these extend beyond that predicted by APOE genotype. Next, following the hypothesis that brain changes in ageing and AD are largely shared, we performed machine learning classification on brain change trajectories conditional on age in longitudinal AD patient-control data, to obtain a list of AD-accelerated features and model change in these in adult lifespan data. We found PRS-AD was associated with a multivariate marker of accelerated change in many of these features in healthy adults, and that most individuals above ~50 years of age are on an accelerated change trajectory in AD-accelerated brain regions. Finally, high PRS-AD individuals also high on a multivariate marker of change showed more adult lifespan memory decline, compared to high PRS-AD individuals with less brain change. Our results support a dimensional account linking normal brain ageing with AD, suggesting AD risk genes speed up the shared pattern of ageing- and AD-related neurodegeneration that starts early, occurs along a continuum, and tracks memory change in healthy adults.

Epidemiological studies suggest lifestyle factors may reduce the risk of dementia. However, few studies have examined the association of diet and waist-to-hip ratio with hippocampus connectivity. In the Whitehall II Imaging Sub-study, we examined longitudinal changes in diet quality in 512 participants and waist-to-hip ratio in 665 participants. Diet quality was measured using the Alternative Health Eating Index-2010 assessed three times across 11 years between ages 48 and 60 years, and waist-to-hip ratio five times over 21 years between ages 48 and 68 years. Brain imaging and cognitive tests were performed at age 70±5 years. We measured white matter using diffusion tensor imaging and hippocampal functional connectivity using resting-state functional magnetic resonance imaging. In addition to associations of diet and waist-to-hip ratio with brain imaging measures, we tested whether associations between diet, waist-to-hip ratio and cognitive performance were mediated by brain connectivity. We found better diet quality in midlife and improvements in diet over mid-to-late life were associated with higher hippocampal functional connectivity to the occipital lobe and cerebellum, and better white matter integrity as measured by higher fractional anisotropy and lower diffusivity. Higher waist-to-hip ratio in midlife was associated with higher mean and radial diffusivity and lower fractional anisotropy in several tracts including the inferior longitudinal fasciculus and cingulum. Associations between midlife waist-to-hip ratio, working memory and executive function were partially mediated by radial diffusivity. All associations were independent of age, sex, education, and physical activity. Our findings highlight the importance of maintaining a good diet and a healthy waist-to-hip ratio in midlife to maintain brain health in later life. Future interventional studies for the improvement of dietary and metabolic health should target midlife for the prevention of cognitive decline in old age.

Background: Poor sleep is associated with multiple age-related neurodegenerative and neuropsychiatric conditions. The hippocampus plays a special role in sleep and sleep-dependent cognition, and accelerated hippocampal atrophy is typically seen with higher age. Hence, it is critical to establish how the relationship between sleep and hippocampal volume loss unfolds across the adult lifespan. Methods: Self-reported sleep measures and MRI-derived hippocampal volumes were obtained from 3105 cognitively normal participants (18-90 years) from major European brain studies in the Lifebrain consortium. Hippocampal volume change was estimated from 5116 MRIs from 1299 participants, covering up to 11 years. Cross-sectional analyses were repeated in a sample of 21390 participants from the UK Biobank. Results: The relationship between self-reported sleep and age differed across sleep items. Sleep duration, efficiency, problems, and use of medication worsened monotonously with age, whereas subjective sleep quality, sleep latency, and daytime tiredness improved. Women reported worse sleep in general than men, but the relationship to age was similar. No cross-sectional sleep - hippocampal volume relationships was found. However, worse sleep quality, efficiency, problems, and daytime tiredness were related to greater hippocampal volume loss over time, with high scorers showing on average 0.22% greater annual loss than low scorers. Simulations showed that longitudinal effects were too small to be detected as age-interactions in cross-sectional analyses. Conclusions: Worse self-reported sleep is associated with higher rates of hippocampal decline across the adult lifespan. This suggests that sleep is relevant to understand individual differences in hippocampal atrophy, but limited effect sizes call for cautious interpretation.