Investigators in neuroscience have turned to Big Data to address replication and reliability issues by increasing sample sizes, statistical power, and representativeness of data. These efforts unveil new questions about integrating data arising from distinct sources and instruments. We focus on the most frequently assessed cognitive domain - memory testing - and demonstrate a process for reliable data harmonization across three common measures. We aggregated global raw data from 53 studies totaling N = 10,505 individuals. A mega-analysis was conducted using empirical bayes harmonization to remove site effects, followed by linear models adjusting for common covariates. A continuous item response theory (IRT) model estimated each individual's latent verbal learning ability while accounting for item difficulties. Harmonization significantly reduced inter-site variance while preserving covariate effects, and our conversion tool is freely available online. This demonstrates that large-scale data sharing and harmonization initiatives can address reproducibility and integration challenges across the behavioral sciences.

Abstract Most psychiatric disorders are highly heritable and associated with altered brain structural and functional patterns. Data fusion analyses on brain imaging and genetics, one of which is parallel independent component analysis (pICA), enable the link of genomic factors to brain patterns. Due to the small to modest effect sizes of common genetic variants in psychiatric disorders, it is usually challenging to reliably separate disorder-related genetic factors from the rest of the genome with the typical size of clinical samples. To alleviate this problem, we propose sparse parallel independent component analysis (spICA) to leverage the sparsity of individual genomic sources. The sparsity is enforced by performing Hoyer projection on the estimated independent sources. Simulation results demonstrate that the proposed spICA yields improved detection of independent sources and imaging-genomic associations compared to pICA. We applied spICA to gray matter volume (GMV) and single nucleotide polymorphism (SNP) data of 341 unrelated adults, including 127 controls, 167 attention-deficit/hyperactivity disorder (ADHD) cases, and 47 unaffected siblings. We identified one SNP source significantly and positively associated with a GMV source in superior/middle frontal regions. This association was replicated with a smaller effect size in 317 adolescents from ADHD families, including 188 individuals with ADHD and 129 unaffected siblings. The association was found to be more significant in ADHD families than controls, and stronger in adults and older adolescents than younger ones. The identified GMV source in superior/middle frontal regions was not correlated with head motion parameters and its loadings (expression levels) were reduced in adolescent (but not adult) individuals with ADHD. This GMV source was associated with working memory deficits in both adult and adolescent individuals with ADHD. The identified SNP component highlights SNPs in genes encoding long non-coding RNAs and SNPs in genes MEF2C, CADM2, and CADPS2, which have known functions relevant for modulating neuronal substrates underlying high-level cognition in ADHD.

Abstract Schizophrenia is a multifaceted disorder associated with structural brain heterogeneity. Recent research underscored that profound understanding of structural brain heterogeneity is relevant to identify illness subtypes as well as informative biomarkers. However, our understanding of structural heterogeneity in schizophrenia is still limited. This comprehensive meta-analysis therefore investigated and compared the variability of multimodal structural brain measures for white and gray matter in individuals with schizophrenia and healthy controls. Using the ENIGMA dataset of MRI-based brain measures from 22 sites, we examined variability in cortical thickness, surface area, folding index, subcortical volume and fractional anisotropy, both at regional and global level. At the regional level, we found that schizophrenia patients are distinguished by higher heterogeneity in the frontotemporal network with regard to multimodal structural measures. Multimodal heterogeneity in these regions potentially implies different sub-types that share impaired frontotemporal interaction as a core feature of schizophrenia. At the global level, the Person-Based Similarity Index (PBSI) analysis surprisingly revealed that schizophrenia patients are distinguished by a significantly higher homogeneity of the folding index, implying that certain gyrification attributes represent a uniform aspect of schizophrenia across subtypes. These findings underscore the importance of studying structural brain variability for a more holistic understanding of schizophrenia’s neurobiology, potentially facilitating the identification of illness subtypes and informative biomarkers. These findings could guide future investigations and tailor precision medicine approaches for schizophrenia.

Self-injurious thoughts and behaviors (SITBs) have long been believed to result in part from brain abnormalities. This meta-analysis aims to evaluate whether the extant literature justifies any definitive conclusions about whether and how SITBs may be associated with aberrant findings. Sixty studies published through June 1st, 2017 that compared individuals with and without SITBs were included, resulting in 734 coordinates. A pooled meta-analysis assessing for general risk for SITBs indicated a lack of convergence on structural abnormalities. Functional abnormalities in the precuneus/posterior cingulate cortex (PCC), temporal-parietal junction, and rostral-lateral prefrontal cortex were significant using multi-level kernel density analysis but nonsignificant using activation-likelihood estimation. Separate analyses for types of SITBs suggested that deliberate self-harm might be associated with abnormalities in the precuneus/PCC. Some moderator effects were detected. Overall, the meta-analytic evidence was not robust. More studies are needed to reach definitive conclusions about whether SITBs are associated with brain abnormalities.

Gray matter disruptions have been found consistently in Attention-deficit/Hyperactivity Disorder (ADHD). The organization of these alterations into brain structural networks remains largely unexplored. We investigated 508 participants (281 males) with ADHD (N = 210), their unaffected siblings (N = 108), individuals with subthreshold ADHD (N = 49), and unrelated healthy controls (N = 141) with an age range from 7 to 18 years old from 336 families in the Dutch NeuroIMAGE project. Source based morphometry was used to examine structural brain network alterations and their association with symptoms and cognitive performance. Two networks showed significant reductions in individuals with ADHD compared to unrelated healthy controls after False Discovery Rate correction. Component A, mainly located in bilateral Crus I, showed a case/control difference with sub-clinical cases being intermediate between cases and controls. The unaffected siblings were similar to controls. After correcting for IQ and medication status, component A showed a negative correlation with inattention symptoms across the entire sample. Component B included a maximum cluster in the bilateral insula, where unaffected siblings, similar to cases, showed significantly reduced loadings compared to controls; but no relationship with individual symptoms or cognitive measures was found for component B. This multivariate approach suggests that areas reflecting genetic liability within ADHD are partly separate from those areas modulating symptom severity.

ABSTRACT Collaborative neuroimaging research is often hindered by technological, policy, administrative, and methodological barriers, despite the abundance of available data. COINSTAC is a platform that successfully tackles these challenges through federated analysis, allowing researchers to analyze datasets without publicly sharing their data. This paper presents a significant enhancement to the COINSTAC platform: COINSTAC Vaults (CVs). CVs are designed to further reduce barriers by hosting standardized, persistent, and highly-available datasets, while seamlessly integrating with COINSTAC’s federated analysis capabilities. CVs offer a user-friendly interface for self-service analysis, streamlining collaboration and eliminating the need for manual coordination with data owners. Importantly, CVs can also be used in conjunction with open data as well, by simply creating a CV hosting the open data one would like to include in the analysis, thus filling an important gap in the data sharing ecosystem. We demonstrate the impact of CVs through several functional and structural neuroimaging studies utilizing federated analysis showcasing their potential to improve the reproducibility of research and increase sample sizes in neuroimaging studies.