Alzheimer’s disease (AD) is characterized by the spread of tau pathology throughout the cerebral cortex. This spreading pattern was thought to be fairly consistent across individuals, although recent work has demonstrated substantial variability in the population with AD. Using tau-positron emission tomography scans from 1,612 individuals, we identified 4 distinct spatiotemporal trajectories of tau pathology, ranging in prevalence from 18 to 33%. We replicated previously described limbic-predominant and medial temporal lobe-sparing patterns, while also discovering posterior and lateral temporal patterns resembling atypical clinical variants of AD. These ‘subtypes’ were stable during longitudinal follow-up and were replicated in a separate sample using a different radiotracer. The subtypes presented with distinct demographic and cognitive profiles and differing longitudinal outcomes. Additionally, network diffusion models implied that pathology originates and spreads through distinct corticolimbic networks in the different subtypes. Together, our results suggest that variation in tau pathology is common and systematic, perhaps warranting a re-examination of the notion of ‘typical AD’ and a revisiting of tau pathological staging. Systematic characterization of longitudinal tau variability in human Alzheimer’s disease using an unbiased subtyping algorithm reveals four trajectories of tau deposition with distinct clinical features.

Alzheimer's disease (AD) is marked by the spread of misfolded amyloid-β and tau proteins throughout the brain. While it is commonly believed that amyloid-β abnormality drives the cascade of AD pathogenesis, several in vivo and post mortem studies indicate that in some subjects localized tau-based neurofibrillary tangles precede amyloid-β pathology. This suggests that there may be multiple distinct subtypes of protein aggregation pathways within AD, with potentially different demographic, cognitive and comorbidity profiles. We investigated this hypothesis, applying data-driven disease progression subtyping models to post mortem immunohistochemistry and in vivo positron emission tomography (PET) and cerebrospinal fluid (CSF) based measures of protein pathologies in two large observational cohorts. We consistently identified both amyloid-first and tau-first AD subtypes, where tau-first subjects had higher levels of soluble TREM2 compared to amyloid-first subjects. Our work provides insight into AD progression that may be valuable for interventional trials targeting amyloid-β and tau.

Abstract Alzheimer’s disease typically progresses in stages, which have been defined by the presence of disease-specific biomarkers: amyloid (A), tau (T) and neurodegeneration (N). This progression of biomarkers has been condensed into the ATN framework, in which each of the biomarkers can be either positive (+) or negative (−). Over the past decades, genome-wide association studies have implicated ∼90 different loci involved with the development of late-onset Alzheimer’s disease. Here, we investigate whether genetic risk for Alzheimer’s disease contributes equally to the progression in different disease stages or whether it exhibits a stage-dependent effect. Amyloid (A) and tau (T) status was defined using a combination of available PET and CSF biomarkers in the Alzheimer’s Disease Neuroimaging Initiative cohort. In 312 participants with biomarker-confirmed A−T− status, we used Cox proportional hazards models to estimate the contribution of APOE and polygenic risk scores (beyond APOE) to convert to A+T− status (65 conversions). Furthermore, we repeated the analysis in 290 participants with A+T− status and investigated the genetic contribution to conversion to A+T+ (45 conversions). Both survival analyses were adjusted for age, sex and years of education. For progression from A−T− to A+T−, APOE-e4 burden showed a significant effect [hazard ratio (HR) = 2.88; 95% confidence interval (CI): 1.70–4.89; P < 0.001], whereas polygenic risk did not (HR = 1.09; 95% CI: 0.84–1.42; P = 0.53). Conversely, for the transition from A+T− to A+T+, the contribution of APOE-e4 burden was reduced (HR = 1.62; 95% CI: 1.05–2.51; P = 0.031), whereas the polygenic risk showed an increased contribution (HR = 1.73; 95% CI: 1.27–2.36; P < 0.001). The marginal APOE effect was driven by e4 homozygotes (HR = 2.58; 95% CI: 1.05–6.35; P = 0.039) as opposed to e4 heterozygotes (HR = 1.74; 95% CI: 0.87–3.49; P = 0.12). The genetic risk for late-onset Alzheimer’s disease unfolds in a disease stage-dependent fashion. A better understanding of the interplay between disease stage and genetic risk can lead to a more mechanistic understanding of the transition between ATN stages and a better understanding of the molecular processes leading to Alzheimer’s disease, in addition to opening therapeutic windows for targeted interventions.

Abstract Progressive disorders are highly heterogeneous. Symptom-based clinical classification of these disorders may not reflect the underlying pathobiology. Data-driven subtyping and staging of patients has the potential to disentangle the complex spatiotemporal patterns of disease progression. Tools that enable this are in high demand from clinical and treatment-development communities. Here we describe the pySuStaIn software package, a Python-based implementation of the Subtype and Stage Inference (SuStaIn) algorithm. SuStaIn unravels the complexity of heterogeneous diseases by inferring multiple disease progression patterns ( subtypes ) and individual severity ( stages ) from cross-sectional data. The primary aims of pySuStaIn are to enable widespread application and translation of SuStaIn via an accessible Python package that supports simple extension and generalization to novel modelling situations within a single, consistent architecture. Code metadata Current code version v1 . 0 Permanent link to code/repository used of this code version https://github.com/ucl-pond/pySuStaIn Legal Code License MIT Code versioning system used git Software code languages, tools, and services used Python Compilation requirements, operating environments & dependencies Linux, Mac, Windows Support email for questions leon.aksman@loni.usc.edu , p.wijeratne@ucl.ac.uk , alexandra.young@kcl.ac.uk

Longitudinal imaging biomarkers are invaluable for understanding the course of neurodegeneration, promising the ability to track disease progression and to detect disease earlier than cross-sectional biomarkers. To properly realize their potential, biomarker trajectory models must be robust to both under-sampling and measurement errors and should be able to integrate multi-modal information to improve trajectory inference and prediction. Here we present a parametric Bayesian multi-task learning based approach to modeling univariate trajectories across subjects that addresses these criteria. Our approach learns multiple subjects' trajectories within a single model that allows for different types of information sharing, i.e. coupling, across subjects. It optimizes a combination of uncoupled, fully coupled and kernel coupled models. Kernel-based coupling allows linking subjects' trajectories based on one or more biomarker measures. We demonstrate this using Alzheimer's Disease Neuroimaging Initiative (ADNI) data, where we model longitudinal trajectories of MRI-derived cortical volumes in neurodegeneration, with coupling based on APOE genotype, cerebrospinal fluid (CSF) and amyloid PET-based biomarkers. In addition to detecting established disease effects, we detect disease related changes within the insula that have not received much attention within the literature. Due to its sensitivity in detecting disease effects, its competitive predictive performance and its ability to learn the optimal parameter covariance from data rather than choosing a specific set of random and fixed effects a priori, we propose that our model can be used in place of or in addition to linear mixed effects models when modeling biomarker trajectories. A software implementation of the method is publicly available.

Reduced functional magnetic resonance imaging (fMRI)-complexity in Alzheimer’s disease (AD) progression has been demonstrated and found to be associated with tauopathy and cognition. However, association of fMRI-complexity with amyloid and influence of genetic risk (APOE ɛ4) remain unknown. Here we investigate the association between fMRI-complexity, tau-PET, and amyloid-PET as well as influence of APOE genotype using multivariate generalized linear models. We show that fMRI-complexity has a strong association with tau but not amyloid deposition and that the presence of an APOE ɛ4 allele enhances this effect. Thus fMRI-complexity provides a surrogate marker of impaired brain functionality in AD progression.

Nomograms are important clinical tools applied widely in both developing and aging populations. They are generally constructed as normative models identifying cases as outliers to a distribution of healthy controls. Currently used normative models do not account for genetic heterogeneity. Hippocampal Volume (HV) is a key endophenotype for many brain disorders. Here, we examine the impact of genetic adjustment on HV nomograms and the translational ability to detect dementia patients. Using imaging data from 35,686 healthy subjects aged 44 to 82 from the UK BioBank (UKBB), we built HV nomograms using gaussian process regression (GPR), extending the application age by 20 years, including dementia critical age ranges. Using HV Polygenic Scores (HV-PGS), we built genetically adjusted nomograms from participants stratified into the top and bottom 30% of HV-PGS. This shifted the nomograms in the expected directions by ~100 mm3 (2.3% of the average HV), which equates to 3 years of normal aging. Clinical impact of genetically adjusted nomograms was investigated by comparing 818 subjects from the AD neuroimaging (ADNI) database diagnosed as either cognitively normal (CN), having mild cognitive impairment (MCI) or Alzheimers disease patients (AD). While no significant change in the survival analysis was found for MCI-to-AD conversion, an average of 4% decrease was found in intra-diagnostic-group variance, highlighting the importance of genetic adjustment in untangling phenotypic heterogeneity.