ABSTRACT Genetic contributions to human cortical structure manifest pervasive pleiotropy. This pleiotropy may be harnessed to identify unique genetically-informed parcellations of the cortex that are neurobiologically distinct from anatomical, functional, cytoarchitectural, or other cortical parcellation schemes. We investigated genetic pleiotropy by applying genomic structural equation modeling (SEM) to model the genetic architecture of cortical surface area (SA) and cortical thickness (CT) of 34 brain regions recently reported in the ENIGMA cortical GWAS. Genomic SEM uses the empirical genetic covariance estimated from GWAS summary statistics with LD score regression (LDSC) to discover factors underlying genetic covariance. Genomic SEM can fit a multivariate GWAS from summary statistics, which can subsequently be used for LD score regression (LDSC). We found the best-fitting model of cortical SA was explained by 6 latent factors and CT was explained by 4 latent factors. The multivariate GWAS of these latent factors identified 74 genome-wide significant (GWS) loci (p<5×10 −8 ), including many previously implicated in neuroimaging phenotypes, behavioral traits, and psychiatric conditions. LDSC of latent factor GWAS results found that SA-derived factors had a positive genetic correlation with bipolar disorder (BPD), and major depressive disorder (MDD), and a negative genetic correlation with attention deficit hyperactivity disorder (ADHD), MDD, and insomnia, while CT factors displayed a negative genetic correlation with alcohol dependence. Jointly modeling the genetic architecture of complex traits and investigating multivariate genetic links across phenotypes offers a new vantage point for mapping genetically informed cortical networks. HIGHLIGHTS Genomic SEM can examine genetic correlation across cortical regions. We inferred regional genetic networks of cortical thickness and surface area. Network-associated variants have been implicated in multiple traits. These networks are genetically correlated with several psychiatric disorders including MDD, bipolar, ADHD, and alcohol dependence.

PTSD and depression commonly co-occur and have been associated with smaller hippocampal volumes compared to healthy and trauma-exposed controls. However, the hippocampus is heterogeneous, with subregions that may be uniquely affected in individuals with PTSD and depression. We used random effects regressions and a harmonized neuroimaging protocol based on FreeSurfer (v6.0) to identify sub-structural hippocampal markers of current PTSD (C-PTSD), depression, and the interaction of these conditions across 31 cohorts worldwide (N=3,115; Mage=38.9, SD=13.9 years). Secondary analyses tested these associations by sex and after modeling the simultaneous effects of remitted PTSD, childhood trauma, mild traumatic brain injury, and alcohol use disorder on hippocampal subfields. A significant negative main effect of depression (n=800, vs. no depression, n=1456) was observed in the hippocampal tail (beta=-0.13) and CA1 (beta=-0.09) after adjusting for covariates and multiple testing (FDR-adjusted p-values (q)=0.028). A main effect of C-PTSD (n=1042, vs. control, n=1359) was not significant, but an interaction between C-PTSD and depression was significant in the CA1 (beta=-0.24, q=0.044). Pairwise comparisons revealed significantly smaller CA1 volumes in individuals with C-PTSD+Depression than controls (beta=-0.12, q=0.012), C-PTSD-only (beta=-0.17, q=0.001), and Depression-only (beta=-0.18, q=0.023). Follow-up analyses revealed sex effects in the hippocampal tail of depressed females, and an interaction effect of C-PTSD and depression in the fimbria of males. Collectively our results suggest that depression is a stronger predictor of hippocampal volumetry than PTSD, particularly in the CA1, and provide compelling evidence of distinct and more pronounced hippocampal phenotypes in comorbid PTSD and depression compared to either condition alone.