Diffusion tensor imaging (DTI) is a well-established magnetic resonance imaging (MRI) technique used for studying microstructural changes in the white matter. As with many other imaging modalities, DTI images suffer from technical between-scanner variation that hinders comparisons of images across imaging sites, scanners and over time. Using fractional anisotropy (FA) and mean diffusivity (MD) maps of 205 healthy participants acquired on two different scanners, we show that the DTI measurements are highly site-specific, highlighting the need of correcting for site effects before performing downstream statistical analyses. We first show evidence that combining DTI data from multiple sites, without harmonization, may be counter-productive and negatively impacts the inference. Then, we propose and compare several harmonization approaches for DTI data, and show that ComBat, a popular batch-effect correction tool used in genomics, performs best at modeling and removing the unwanted inter-site variability in FA and MD maps. Using age as a biological phenotype of interest, we show that ComBat both preserves biological variability and removes the unwanted variation introduced by site. Finally, we assess the different harmonization methods in the presence of different levels of confounding between site and age, in addition to test robustness to small sample size studies.

One of the fundamental challenges in modern neuroscience is understanding the interplay between the brain9s functional activity and its underlying structural pathways. To address this question, we propose a novel communication pattern called subnet communicability, which models diffusive communication between pairs of regions through a small, intermediary subnetwork of brain regions as opposed to spreading messages through the entire network. We demonstrate that subnet communicability strengthens coupling between the structural and functional connectomes better than previous models, including communicability. Over two large datasets, we show that the optimal subnetwork is consistent across the population. Subnet communicability provides new insights into structure-function coupling in the brain and offers a balance between redundancy in message passing and economy of brain wiring.

Studying developmental changes in white matter connectivity is critical for understanding neurobiological substrates of cognition, learning, and neuropsychiatric disorders. This becomes especially important during adolescence when a rapid expansion of the behavioral repertoire occurs. Several factors such as brain geometry, genetic expression profiles, and higher level architectural specifications such as the presence of segregated modules have been associated with the observed organization of white matter connections. However, we lack understanding of the extent to which such factors jointly describe the brain network organization, nor have insights into how their contribution changes developmentally. We constructed a multifactorial model of white matter connectivity using Bayesian network analysis and tested it with diffusion imaging data from a large community sample. We investigated contributions of multiple factors in explaining observed connectivity, including architectural specifications, which promote a modular yet integrative organization, and brain's geometric and genetic features. Our results demonstrated that the initially dominant geometric and genetic factors become less influential with age, whereas the effect of architectural specifications increases. The identified structural modules are associated with well-known functional systems, and the level of association increases with age. This integrative analysis provides a computational characterization of the normative evolution of structural connectivity during adolescence.

Diffusion tensor imaging (DTI) is a well-established magnetic resonance imaging (MRI) technique used for studying microstructural changes in the white matter. As with many other imaging modalities, DTI images suffer from technical between-scanner variation that hinders comparisons of images across imaging sites, scanners and over time. Using fractional anisotropy (FA) and mean diffusivity (MD) maps of 205 healthy participants acquired on two different scanners, we show that the DTI measurements are highly site-specific, highlighting the need of correcting for site effects before performing downstream statistical analyses. We first show evidence that combining DTI data from multiple sites, without harmonization, is counter-productive and negatively impacts the inference. Then, we propose and compare several harmonization approaches for DTI data, and show that ComBat, a popular batch-effect correction tool used in genomics, performs best at modeling and removing the unwanted inter-site variability in FA and MD maps. Using age as a biological phenotype of interest, we show that ComBat both preserves biological variability and removes the unwanted variation introduced by site. Finally, we assess the different harmonization methods in the presence of different levels of confounding between site and age, in addition to test robustness to small sample size studies.

Autism spectrum disorders (ASD) are neurodevelopmental conditions that are influenced by genetic factors and encompass a wide-range and severity of symptoms. The details of how genetic variation contributes to variable symptomatology are unclear, creating a major challenge for translating vast amounts of data into clinically-useful information. To determine if variation in ASD risk genes correlates with symptomatology differences among individuals with ASD, thus informing treatment, we developed an approach to calculate the likelihood of genetic dysfunction in Gene Ontology-defined biological processes that have significant overrepresentation of known risk genes. Using whole-exome sequence data from 2,381 individuals with ASD included in the Simons Simplex Collection, we identified likely damaging variants and conducted a clustering analysis to define subgroups based on scores reflecting genetic dysfunction in each process of interest to ASD etiology. Dysfunction in cognition-related genes distinguished a distinct subset of individuals with increased social deficits, lower IQs, and reduced adaptive behaviors when compared to individuals with no evidence of cognition-related gene dysfunction. In particular, a stop-gain variant in the pharmacogene encoding cycloxygenase-2 was associated with having an IQ<70 (i.e. intellectual disability), a key comorbidity in ASD. We expect that screening genes involved in cognition for deleterious variants in ASD cases may be useful for identifying clinically-informative factors that should be prioritized for functional follow-up. This has implications in designing more comprehensive genetic testing panels and may help provide the basis for more informed treatment in ASD.

Multiple studies have shown that data quality is a critical confound in the construction of brain networks derived from functional MRI. This problem is particularly relevant for studies of human brain development where important variables (such as participant age) are correlated with data quality. Nevertheless, the impact of head motion on estimates of structural connectivity derived from diffusion tractography methods remains poorly characterized. Here, we evaluated the impact of in-scanner head motion on structural connectivity using a sample of 949 participants (ages 8-23 years old) who passed a rigorous quality assessment protocol for diffusion tensor imaging (DTI) acquired as part of the Philadelphia Neurodevelopmental Cohort. Structural brain networks were constructed for each participant using both deterministic and probabilistic tractography. We hypothesized that subtle variation in head motion would systematically bias estimates of structural connectivity and confound developmental inference, as observed in previous studies of functional connectivity. Even following quality assurance and retrospective correction for head motion, eddy currents, and field distortions, in-scanner head motion significantly impacted the strength of structural connectivity in a consistency- and length-dependent manner. Specifically, increased head motion was associated with reduced estimates of structural connectivity for high-consistency network edges, which included both short- and long-range connections. In contrast, motion inflated estimates of structural connectivity for low-consistency network edges that were primarily shorter-range. Finally, we demonstrate that age-related differences in head motion can both inflate and obscure developmental inferences on structural connectivity. Taken together, these data delineate the systematic impact of head motion on structural connectivity, and provide a critical context for identifying motion-related confounds in studies of structural brain network development.