Abstract The fundamental goal of neuroscience is to understand the nervous system at all levels of description, from molecular components to behavior. The complexity of achieving this goal in neuroscience, and biomedicine in general, poses many technical and sociological challenges. Among these are the need to organize neuroscientific data, information, and knowledge to facilitate new scientific endeavors, provide credibility and visibility of research findings, and increase the efficiency of data reuse. Linked Data is a set of principles based on Web technology that can aid this process as it organizes data as an interconnected network of information. This review examines the history, practical impact, potential, and challenges of applying Linked Data principles to neuroscience.

Abstract INTRODUCTION Down syndrome (DS) is associated with elevated risk for Alzheimer’s disease (AD) due to beta amyloid (Aβ) lifelong accumulation. We hypothesized that the spatial distribution of brain Aβ predicts future dementia conversion in individuals with DS. METHODS We acquired 18 F-Florbetapir PET scans from 19 nondemented individuals with DS at baseline and monitored them for four years, with five individuals transitioning to dementia. Machine learning classification determined features on 18 F-Florbetapir standardized uptake value ratio (SUVR) maps that predicted transition. RESULTS In addition to “AD signature” regions including the inferior parietal cortex, temporal lobes, and the cingulum, we found that Aβ cortical binding in the prefrontal and superior frontal cortices distinguished subjects who transitioned to dementia. Classification did well in predicting transitioners. DISCUSSION Our study suggests that specific regional profiles of brain amyloid in older adults with DS may predict cognitive decline and are informative in evaluating the risk for dementia. Highlights Regional [18F]-Florbetapir PET predicts future transition to dementia in Downs Syndrome. Increased amyloid in prefrontal, inferior parietal, superior frontal, rostral middle frontal, and posterior cingulate cortices detect transitioiners, with prefrontal and superior frontal being best overall. Amyloid PET-based classification able to discriminate between transitioners and non-transitioners.

INTRODUCTION: Down syndrome (DS) is associated with elevated risk for Alzheimers disease (AD) and lifelong accumulation of beta amyloid (Aβ). The current work addresses two major gaps in our understanding of Alzheimers disease (AD) in Downs Syndrome (DS): (1) regional amyloid aggregation and reliability in predicting onset or progression of disease in sporadic AD, and (2) the contributions of regional amyloid burden to AD progression in DS. We hypothesized that the spatial distribution of Aβ plaque burden predicts transition to dementia in individuals with DS. METHODS: We acquired 18F-Florbetapir Positron Emission Tomography (PET) scans on nineteen non-demented adult individuals with DS at baseline and monitored them clinically over a four year period, identifying five individuals who transitioned to dementia. We used machine learning classification to determine features on 18F-Florbetapir standardized uptake value ratio (SUVR) maps that were most predictive of transition. RESULTS: Of the nineteen participants, fourteen remained non-demented (age 50.4±4.3 yrs.;10M/4F) and five transitioned to dementia (age 52.1±5.7;2M/3F) over the study period. Compared with non-transitioned participants, those who transitioned showed increased amyloid binding in the middle and superior orbital-frontal and superior temporal lobes (t(14)=3.8;p<0.001 unc.) with corresponding Cohens d effect sizes ranged from 1.4-3.2. Increased amyloid burden in subjects who transitioned temporally closer to the baseline PET scan were found in the middle and superior temporal lobes (t(3)=10.2; p<0.001 unc.). The coefficient of determination (r squared) measures ranged from 0.87-0.98 corresponding to a strong relationship between regional amyloid burden and the transition time to clinical dementia. Using regional amyloid burden to predict future transition using 10-fold cross-validated logistic regression classifiers resulted in inferior parietal lobe (area under receiver operating characteristic curve (AUC) 0.96±0.04), inferior and superior temporal lobes (AUC=0.92±0.11; 0.93±0.10), and lateral orbital-frontal lobes (AUC=0.92±0.11) as the most predictive signals. DISCUSSION: The spatial distribution of Aβ burden in individuals with DS, and in particular 18F-Florbetapir uptake in the orbitofrontal and inferior parietal cortices, may serve as biomarkers, predicting clinical transition to dementia in DS.

The development of magnetic resonance imaging (MRI) techniques has defined modern neuroimaging. Since its inception, tens of thousands of studies using techniques such as functional MRI and diffusion weighted imaging have allowed for the non-invasive study of the brain. Despite the fact that MRI is routinely used to obtain data for neuroscience research, there has been no widely adopted standard for organizing and describing the data collected in an imaging experiment. This renders sharing and reusing data (within or between labs) difficult if not impossible and unnecessarily complicates the application of automatic pipelines and quality assurance protocols. To solve this problem, we have developed the Brain Imaging Data Structure (BIDS), a standard for organizing and describing MRI datasets. The BIDS standard uses file formats compatible with existing software, unifies the majority of practices already common in the field, and captures the metadata necessary for most common data processing operations.

Only a tiny fraction of the data and metadata produced by an fMRI study is finally conveyed to the community. This lack of transparency not only hinders the reproducibility of neuroimaging results but also impairs future meta-analyses. In this work we introduce NIDM-Results, a format specification providing a machine-readable description of neuroimaging statistical results along with key image data summarising the experiment. NIDM-Results provides a unified representation of mass univariate analyses including a level of detail consistent with available best practices. This standardized representation allows authors to relay methods and results in a platform-independent regularized format that is not tied to a particular neuroimaging software package. Tools are available to export NIDM-Result graphs and associated files from the widely used SPM and FSL software packages, and the NeuroVault repository can import NIDM-Results archives. The specification is publically available at: http://nidm.nidash.org/specs/nidm-results.html.