In the present study, we applied the Support Vector Machine (SVM) algorithm to perform multivariate classification of brain states from whole functional magnetic resonance imaging (fMRI) volumes without prior selection of spatial features. In addition, we did a comparative analysis between the SVM and the Fisher Linear Discriminant (FLD) classifier. We applied the methods to two multisubject attention experiments: a face matching and a location matching task. We demonstrate that SVM outperforms FLD in classification performance as well as in robustness of the spatial maps obtained (i.e. discriminating volumes). In addition, the SVM discrimination maps had greater overlap with the general linear model (GLM) analysis compared to the FLD. The analysis presents two phases: during the training, the classifier algorithm finds the set of regions by which the two brain states can be best distinguished from each other. In the next phase, the test phase, given an fMRI volume from a new subject, the classifier predicts the subject's instantaneous brain state.

With the advent of new analysis methods in neuroimaging that involve independent component analysis (ICA) and dynamic causal modelling (DCM), investigations have focused on measuring both the activity and connectivity of specific brain networks. In this study we combined DCM with spatial ICA to investigate network switching in the brain. Using time courses determined by ICA in our dynamic causal models, we focused on the dynamics of switching between the default mode network (DMN), the network which is active when the brain is not engaging in a specific task, and the central executive network (CEN), which is active when the brain is engaging in a task requiring attention. Previous work using Granger causality methods has shown that regions of the brain which respond to the degree of subjective salience of a stimulus, the salience network, are responsible for switching between the DMN and the CEN (Sridharan et al., 2008). In this work we apply DCM to ICA time courses representing these networks in resting state data. In order to test the repeatability of our work we applied this to two independent datasets. This work confirms that the salience network drives the switching between default mode and central executive networks and that our novel technique is repeatable.

During rest, brain activity is synchronized between different regions widely distributed throughout the brain, forming functional networks. However, the molecular mechanisms supporting functional connectivity remain undefined. We show that functional brain networks defined with resting-state functional magnetic resonance imaging can be recapitulated by using measures of correlated gene expression in a post mortem brain tissue data set. The set of 136 genes we identify is significantly enriched for ion channels. Polymorphisms in this set of genes significantly affect resting-state functional connectivity in a large sample of healthy adolescents. Expression levels of these genes are also significantly associated with axonal connectivity in the mouse. The results provide convergent, multimodal evidence that resting-state functional networks correlate with the orchestrated activity of dozens of genes linked to ion channel activity and synaptic function.

Summary

Background

 Amyotrophic lateral sclerosis (ALS) is a progressive neurodegenerative disease of upper and lower motor neurons, associated with frontotemporal dementia (FTD) in about 14% of incident cases. We assessed the frequency of the recently identified C9orf72 repeat expansion in familial and apparently sporadic cases of ALS and characterised the cognitive and clinical phenotype of patients with this expansion. 

Methods

 A population-based register of patients with ALS has been in operation in Ireland since 1995, and an associated DNA bank has been in place since 1999. 435 representative DNA samples from the bank were screened using repeat-primed PCR for the presence of a GGGGCC repeat expansion in C9orf72. We assessed clinical, cognitive, behavioural, MRI, and survival data from 191 (44%) of these patients, who comprised a population-based incident group and had previously participated in a longitudinal study of cognitive and behavioural changes in ALS. 

Findings

 Samples from the DNA bank included 49 cases of known familial ALS and 386 apparently sporadic cases. Of these samples, 20 (41%) cases of familial ALS and 19 (5%) cases of apparently sporadic ALS had the C9orf72 repeat expansion. Of the 191 patients for whom phenotype data were available, 21 (11%) had the repeat expansion. Age at disease onset was lower in patients with the repeat expansion (mean 56·3 [SD 8·3] years) than in those without (61·3 [10·6] years; p=0·043). A family history of ALS or FTD was present in 18 (86%) of those with the repeat expansion. Patients with the repeat expansion had significantly more co-morbid FTD than patients without the repeat (50% vs 12%), and a distinct pattern of non-motor cortex changes on high-resolution 3 T magnetic resonance structural neuroimaging. Age-matched univariate analysis showed shorter survival (20 months vs 26 months) in patients with the repeat expansion. Multivariable analysis showed an increased hazard rate of 1·9 (95% 1·1–3·7; p=0·035) in those patients with the repeat expansion compared with patients without the expansion 

Interpretation

 Patients with ALS and the C9orf72 repeat expansion seem to present a recognisable phenotype characterised by earlier disease onset, the presence of cognitive and behavioural impairment, specific neuroimaging changes, a family history of neurodegeneration with autosomal dominant inheritance, and reduced survival. Recognition of patients with ALS who carry an expanded repeat is likely to be important in the context of appropriate disease management, stratification in clinical trials, and in recognition of other related phenotypes in family members. 

Funding

 Health Seventh Framework Programme, Health Research Board, Research Motor Neuron, Irish Motor Neuron Disease Association, The Motor Neurone Disease Association of Great Britain and Northern Ireland, ALS Association.

Many factors have been proposed as contributors to risk of alcohol abuse, but quantifying their influence has been difficult; here a longitudinal study of a large sample of adolescents and machine learning are used to generate models of predictors of current and future alcohol abuse, assessing the relative contribution of many factors, including life history, individual personality differences, brain structure and genotype. Many factors have been identified as contributors to risk of alcohol abuse but their relative importance has been difficult to quantify. Robert Whelan et al. constructed models of current and future adolescent binge drinking using data from the IMAGEN project, a study of risk-taking behaviour in more than 2,000 teenagers recruited at age 14 from the United Kingdom, Ireland, France and Germany. The authors used machine learning to generate models of predictors of current and future alcohol abuse, assessing the contribution of many factors including life history, individual personality differences, brain structure and genotype. A key finding of the study was that personality factors were, surprisingly, not particularly useful predictors of future alcohol misuse. In contrast, neurodevelopmental immaturity, certain structural and functional indicators in the brain, sexual experience and prenatal alcohol exposure were associated with current and future binge drinking. A comprehensive account of the causes of alcohol misuse must accommodate individual differences in biology, psychology and environment, and must disentangle cause and effect. Animal models1 can demonstrate the effects of neurotoxic substances; however, they provide limited insight into the psycho-social and higher cognitive factors involved in the initiation of substance use and progression to misuse. One can search for pre-existing risk factors by testing for endophenotypic biomarkers2 in non-using relatives; however, these relatives may have personality or neural resilience factors that protect them from developing dependence3. A longitudinal study has potential to identify predictors of adolescent substance misuse, particularly if it can incorporate a wide range of potential causal factors, both proximal and distal, and their influence on numerous social, psychological and biological mechanisms4. Here we apply machine learning to a wide range of data from a large sample of adolescents (n = 692) to generate models of current and future adolescent alcohol misuse that incorporate brain structure and function, individual personality and cognitive differences, environmental factors (including gestational cigarette and alcohol exposure), life experiences, and candidate genes. These models were accurate and generalized to novel data, and point to life experiences, neurobiological differences and personality as important antecedents of binge drinking. By identifying the vulnerability factors underlying individual differences in alcohol misuse, these models shed light on the aetiology of alcohol misuse and suggest targets for prevention.

The current study tested the accuracy of primary MRI and cerebrospinal fluid (CSF) biomarker candidates and neuropsychological tests for predicting the conversion from mild cognitive impairment (MCI) to Alzheimer's disease (AD) dementia. In a cross-validation paradigm, predictor models were estimated in the training set of AD (N = 81) and elderly control subjects (N = 101). A combination of CSF t-tau/Aβ1-4 ratio and MRI biomarkers or neuropsychological tests (free recall and trail making test B (TMT-B)) showed the best statistical fit in the AD vs. HC comparison, reaching a classification accuracy of up to 64% when applied to the prediction of MCI conversion (3.3-year observation interval, mean = 2.3 years). However, several single-predictor models showed a predictive accuracy of MCI conversion comparable to that of any multipredictor model. The best single predictors were right entorhinal cortex (prediction accuracy = 68.5% (95% CI (59.5, 77.4))) and TMT-B test (prediction accuracy 64.6% (95% CI (55.5, 73.4%))). In conclusion, short-term conversion to AD is predicted by single marker models to a comparable degree as by multimarker models in amnestic MCI subjects.

Subjects with mild cognitive impairment (MCI) have an increased risk to develop Alzheimer's disease (AD). Voxel-based MRI studies have demonstrated that widely distributed cortical and subcortical brain areas show atrophic changes in MCI, preceding the onset of AD-type dementia. Here we developed a novel data mining framework in combination with three different classifiers including support vector machine (SVM), Bayes statistics, and voting feature intervals (VFI) to derive a quantitative index of pattern matching for the prediction of the conversion from MCI to AD. MRI was collected in 32 AD patients, 24 MCI subjects and 18 healthy controls (HC). Nine out of 24 MCI subjects converted to AD after an average follow-up interval of 2.5 years. Using feature selection algorithms, brain regions showing the highest accuracy for the discrimination between AD and HC were identified, reaching a classification accuracy of up to 92%. The extracted AD clusters were used as a search region to extract those brain areas that are predictive of conversion to AD within MCI subjects. The most predictive brain areas included the anterior cingulate gyrus and orbitofrontal cortex. The best prediction accuracy, which was cross-validated via train-and-test, was 75% for the prediction of the conversion from MCI to AD. The present results suggest that novel multivariate methods of pattern matching reach a clinically relevant accuracy for the a priori prediction of the progression from MCI to AD.

The authors examined whether alterations in the brain's reward network operate as a mechanism across the spectrum of risk for depression. They then tested whether these alterations are specific to anhedonia as compared with low mood and whether they are predictive of depressive outcomes.Functional MRI was used to collect blood-oxygen-level-dependent (BOLD) responses to anticipation of reward in the monetary incentive task in 1,576 adolescents in a community-based sample. Adolescents with current subthreshold depression and clinical depression were compared with matched healthy subjects. In addition, BOLD responses were compared across adolescents with anhedonia, low mood, or both symptoms, cross-sectionally and longitudinally.Activity in the ventral striatum was reduced in participants with subthreshold and clinical depression relative to healthy comparison subjects. Low ventral striatum activation predicted transition to subthreshold or clinical depression in previously healthy adolescents at 2-year follow-up. Brain responses during reward anticipation decreased in a graded manner between healthy adolescents, adolescents with current or future subthreshold depression, and adolescents with current or future clinical depression. Low ventral striatum activity was associated with anhedonia but not low mood; however, the combined presence of both symptoms showed the strongest reductions in the ventral striatum in all analyses.The findings suggest that reduced striatal activation operates as a mechanism across the risk spectrum for depression. It is associated with anhedonia in healthy adolescents and is a behavioral indicator of positive valence systems, consistent with predictions based on the Research Domain Criteria.

The traditional view that mental disorders are distinct, categorical disorders has been challenged by evidence that disorders are highly comorbid and exist on a continuum (e.g., Caspi et al., 2014; Tackett et al., 2013). The first objective of this study was to use structural equation modeling to model the structure of psychopathology in an adolescent community-based sample (N = 2,144) including conduct disorder, attention-deficit/hyperactivity disorder (ADHD), oppositional-defiant disorder (ODD), obsessive-compulsive disorder, eating disorders, substance use, anxiety, depression, phobias, and other emotional symptoms, assessed at 16 years. The second objective was to identify common personality and cognitive correlates of psychopathology, assessed at 14 years. Results showed that psychopathology at 16 years fit 2 bifactor models equally well: (a) a bifactor model, reflecting a general psychopathology factor, as well as specific externalizing (representing mainly substance misuse and low ADHD) and internalizing factors; and (b) a bifactor model with a general psychopathology factor and 3 specific externalizing (representing mainly ADHD and ODD), substance use and internalizing factors. The general psychopathology factor was related to high disinhibition/impulsivity, low agreeableness, high neuroticism and hopelessness, high delay-discounting, poor response inhibition and low performance IQ. Substance use was specifically related to high novelty-seeking, sensation-seeking, extraversion, high verbal IQ, and risk-taking. Internalizing psychopathology was specifically related to high neuroticism, hopelessness and anxiety-sensitivity, low novelty-seeking and extraversion, and an attentional bias toward negatively valenced verbal stimuli. Findings reveal several nonspecific or transdiagnostic personality and cognitive factors that may be targeted in new interventions to potentially prevent the development of multiple psychopathologies. (PsycINFO Database Record