Recent findings from developmental neuroimaging studies suggest that the enhancement of cognitive processes during development may be the result of a fine-tuning of the structural and functional organization of brain with maturation. However, the details regarding the developmental trajectory of large-scale structural brain networks are not yet understood. Here, we used graph theory to examine developmental changes in the organization of structural brain networks in 203 normally growing children and adolescents. Structural brain networks were constructed using interregional correlations in cortical thickness for 4 age groups (early childhood: 4.8–8.4 year; late childhood: 8.5–11.3 year; early adolescence: 11.4–14.7 year; late adolescence: 14.8–18.3 year). Late childhood showed prominent changes in topological properties, specifically a significant reduction in local efficiency, modularity, and increased global efficiency, suggesting a shift of topological organization toward a more random configuration. An increase in number and span of distribution of connector hubs was found in this age group. Finally, inter-regional connectivity analysis and graph-theoretic measures indicated early maturation of primary sensorimotor regions and protracted development of higher order association and paralimbic regions. Our finding reveals a time window of plasticity occurring during late childhood which may accommodate crucial changes during puberty and the new developmental tasks that an adolescent faces.

Neuroimaging studies in autism spectrum disorders (ASDs) have provided inconsistent evidence of cortical abnormality. This is probably due to the small sample sizes used in most studies, and important differences in sample characteristics, particularly age, as well as to the heterogeneity of the disorder. To address these issues, we assessed abnormalities in ASD within the Autism Brain Imaging Data Exchange data set, which comprises data from approximately 1100 individuals (~6-55 years). A subset of these data that met stringent quality control and inclusion criteria (560 male subjects; 266 ASD; age = 6-35 years) were used to compute age-specific differences in cortical thickness in ASD and the relationship of any such differences to symptom severity of ASD. Our results show widespread increased cortical thickness in ASD, primarily left lateralized, from 6 years onwards, with differences diminishing during adulthood. The severity of symptoms related to social affect and communication correlated with these cortical abnormalities. These results are consistent with the conjecture that developmental patterns of cortical thickness abnormalities reflect delayed cortical maturation and highlight the dynamic nature of morphological abnormalities in ASD.

Abstract Schizophrenia is widely recognized as a neurodevelopmental disorder. Abnormal cortical development may by revealed using polygenic risk scoring for schizophrenia (PRS-SCZ). We assessed PRS-SCZ and cortical morphometry in typically developing children (3–21 years) using whole genome genotyping and T1-weighted MRI (n=390) from the Pediatric Imaging, Neurocognition and Genetics (PING) cohort. We contextualise the findings using (i) age-matched transcriptomics, (ii) histologically-defined cytoarchitectural types and functionally-defined networks, (iii) case-control differences of schizophrenia and other major psychiatric disorders. Higher PRS-SCZ was associated with greater cortical thickness, which was most prominent in areas with heightened gene expression of dendrites and synapses. PRS-SCZ related increases in vertex-wise cortical thickness were especially focused in the ventral attention network, while koniocortical type cortex (i.e. primary sensory areas) was relatively conserved from PRS-SCZ related differences. The large-scale pattern of cortical thickness increases related to PRS-SCZ mirrored the pattern of cortical thinning in schizophrenia and mood-related psychiatric disorders. Age group models illustrate a possible trajectory from PRS-SCZ associated cortical thickness increases in early childhood towards thinning in late adolescence, which resembles the adult brain phenotype of schizophrenia. Collectively, combining imaging-genetics with multi-scale mapping, our work provides novel insight into how genetic risk for schizophrenia impacts the cortex early in life.

Abstract Predictive modeling studies have started to reveal brain measures underlying cognition; however, most studies are based on cross-sectional data (static ‘final’ brain measures acquired at one time point). Since brain development comprises of continuously ongoing events leading to cognitive development, predictive modeling studies need to consider ‘dynamic’ as opposed to static ‘final’ brain measures. Using longitudinal neuroimaging and cognitive data (global executive composite score, an index of executive function) from 82 individuals (aged 5-14 years, scanned 3 times), we built highly accurate prediction models ( r =0.61, p =1.6e-09) of future cognition (assessed at visit 3) based on baseline developmental changes in cortical anatomy (from visit 1 to 2). More importantly, dynamic brain measures (change in cortical anatomy from visit 1 to 2) and not static brain measures (cortical anatomy at visit 1 and 2) were critical for predicting future cognition, suggesting the need for considering dynamic brain measures in predicting cognitive outcomes.

Abstract Purpose This study investigated the association between childhood eating behaviors and cortical morphology, in relation to sex and age, in a community sample. Methods Neuroimaging data of 71 children (mean age = 9.9 ± 1.4 years; 39 boys/32 girls) were obtained from the Nathan Kline Institute-Rockland Sample. Emotional overeating, food fussiness, and emotional undereating were assessed using the Children’s Eating Behavior Questionnaire. Cortical thickness was obtained at 81,924 vertices covering the entire cortex. Generalized Linear Mixed Models were used for statistical analysis. Results There was a significant effect of sex in the association between cortical thickness and emotional overeating (localized at the right postcentral and bilateral superior parietal gyri). Boys with more emotional overeating presented cortical thickening, whereas the opposite was observed in girls ( p < 0.05). Different patterns of association were identified between food fussiness and cortical thickness ( p < 0.05). The left rostral middle frontal gyrus displayed a positive correlation with food fussiness from 6 to 8 years, but a negative correlation from 12 to 14 years. Emotional undereating was associated with cortical thickening at the left precuneus, left middle temporal gyrus, and left insula ( p < 0.05) with no effect of sex or age. Conclusions Leveraging on a community sample, findings support distinct patterns of associations between eating behaviors and cortical thickness, depending on sex and age.

Abstract Background Genome-wide polygenic scores for educational attainment (PGS-EA) and socioeconomic factors, which are correlated with each other, have been consistently associated with academic achievement and general cognitive ability in children and adolescents. Yet, the independent associations of PGS-EA and socioeconomic factors with specific underlying factors at the neural and neurocognitive levels are not well understood. The goal of this study was to examine the unique contributions of PGS-EA and parental education to cortical thickness (CT), cortical surface area (SA), and neurocognitive skills in children and adolescents. Methods Participants were typically developing children and adolescents (3-21 years of age; 53% male; N = 391). High-resolution, T1-weighted magnetic resonance imaging data were acquired. PGS-EA were computed based on the most recent genome-wide association study of educational attainment. Sustained attention, inhibitory control, working memory, vocabulary, and episodic memory were measured. Results PGS-EA and parental education were independently and significantly associated with SA, vocabulary, and attention outcomes but were not associated with CT. Vertex-wise analyses indicated that higher PGS-EA was significantly associated with greater SA in the left medial orbitofrontal gyrus and inferior frontal gyrus after accounting for parental education. Higher parental education was significantly associated with greater SA in the left parahippocampal gyrus after accounting for PGS-EA. Conclusions These findings suggest that education-linked genetics may influence SA, particularly in certain frontal regions, leading to variability in academic achievement. Results suggested genetic confounding in associations between parental education and SA in children and adolescents, with these associations remaining significant after controlling for PGS-EA.

Machine learning approaches have been widely used for the identification of neuropathology from neuroimaging data. However, these approaches require large samples and suffer from the challenges associated with multi-site, multi-protocol data. We propose a novel approach to address these challenges, and demonstrate its usefulness with the Autism Brain Imaging Data Exchange (ABIDE) database. We predict symptom severity based on cortical thickness measurements from 156 individuals with autism spectrum disorder (ASD) from four different sites. The proposed approach consists of two main stages: a domain adaptation stage using partial least squares regression to maximize the consistency of imaging data across sites; and a learning stage combining support vector regression for regional prediction of severity with elastic-net penalized linear regression for integrating regional predictions into a whole-brain severity prediction. The proposed method performed markedly better than simpler alternatives, better with multi-site than single-site data, and resulted in a considerably higher cross-validated correlation score than has previously been reported in the literature for multi-site data. This demonstration of the utility of the proposed approach for detecting structural brain abnormalities in ASD from the multi-site, multi-protocol ABIDE dataset indicates the potential of designing machine learning methods to meet the challenges of agglomerative data.

Studies have pointed to the role of the brain in mediating the effects of the social environment of the developing child on life outcomes. Since brain development involves nonlinear trajectories, these effects of the child's social context will likely have age-related differential associations with the brain. However, there is still a dearth of integrative research investigating the interplay between neurodevelopmental trajectories, social milieu and life outcomes. We set out to fill this gap, focusing specifically on the role of socioeconomic status, SES (indexed by parental occupation) on brain and cognitive development by analyzing MRI scans from 757 typically-developing subjects (age = 3-21 years). We observed nonlinear interaction of age and SES on cortical thickness, specifically a significant positive association between SES and thickness around 9-13 years at several cortical regions. Using a moderated mediation model, we observed that cortical thickness mediated the link between SES and language abilities, and this mediation was moderated by age in a quadratic pattern, indicating a pronounced SES-effect during early adolescence. Our results, drawn from cross-sectional data, provide a basis for further longitudinal studies to test whether early adolescence may be a sensitive time window for the impact of SES on brain and cognitive development.

Abstract Studies have shown cortical alterations in individuals with autism spectrum disorders (ASD) as well as in individuals with high polygenic risk for ASD. An important addition to the study of altered cortical anatomy is the investigation of the underlying brain network architecture that may reveal brain-wide mechanisms in ASD and in polygenic risk for ASD. Such an approach has been proven useful in other psychiatric disorders by revealing that brain network architecture shapes (to an extent) the disorder-related cortical alterations. This study uses data from a clinical dataset – 560 male subjects (266 individuals with ASD and 294 healthy individuals, CTL, mean age at 17.2 years) from the Autism Brain Imaging Data Exchange database, and data of 391 healthy individuals (207 males, mean age at 12.1 years) from the Pediatric Imaging, Neurocognition and Genetics database. ASD-related cortical alterations (group difference, ASD-CTL, in cortical thickness) and cortical correlates of polygenic risk for ASD were assessed, and then statistically compared with structural connectome-based network measures (such as hubs) using spin permutation tests. Next, we investigated whether polygenic risk for ASD could be predicted by network architecture by building machine-learning based prediction models, and whether the top predictors of the model were identified as disease epicenters of ASD. We observed that ASD-related cortical alterations as well as cortical correlates of polygenic risk for ASD implicated cortical hubs more strongly than non-hub regions. We also observed that age progression of ASD-related cortical alterations and cortical correlates of polygenic risk for ASD implicated cortical hubs more strongly than non-hub regions. Further investigation revealed that structural connectomes predicted polygenic risk for ASD ( r =0.30, p <0.0001), and two brain regions (the left inferior parietal and left suparmarginal) with top predictive connections were identified as disease epicenters of ASD. Our study highlights a critical role of network architecture in a continuum model of ASD spanning from healthy individuals with genetic risk to individuals with ASD. Our study also highlights the strength of investigating polygenic risk scores in addition to multi-modal neuroimaging measures to better understand the interplay between genetic risk and brain alterations associated with ASD.

Predicting a phenotype and understanding which variables improve that prediction are two very challenging and overlapping problems in analysis of high-dimensional data such as those arising from genomic and brain imaging studies. It is often believed that the number of truly important predictors is small relative to the total number of variables, making computational approaches to variable selection and dimension reduction extremely important. To reduce dimensionality, commonly-used two-step methods first cluster the data in some way, and build models using cluster summaries to predict the phenotype. It is known that important exposure variables can alter correlation patterns between clusters of high-dimensional variables, i.e., alter network properties of the variables. However, it is not well understood whether such altered clustering is informative in prediction. Here, assuming there is a binary exposure with such network-altering effects, we explore whether use of exposure-dependent clustering relationships in dimension reduction can improve predictive modelling in a two-step framework. Hence, we propose a modelling framework called ECLUST to test this hypothesis, and evaluate its performance through extensive simulations. With ECLUST, we found improved prediction and variable selection performance compared to methods that do not consider the environment in the clustering step, or to methods that use the original data as features. We further illustrate this modelling framework through the analysis of three data sets from very different fields, each with high dimensional data, a binary exposure, and a phenotype of interest. Our method is available in the eclust CRAN package.