Independent and identically distributed (i.i.d.) data is essential to many data analysis and modeling techniques. In the medical domain, collecting data from multiple sites or institutions is a common strategy that guarantees sufficient clinical diversity, determined by the decentralized nature of medical data. However, data from various sites are easily biased by the local environment or facilities, thereby violating the i.i.d. rule. A common strategy is to harmonize the site bias while retaining important biological information. The ComBat is among the most popular harmonization approaches and has recently been extended to handle distributed sites. However, when faced with situations involving newly joined sites in training or evaluating data from unknown/unseen sites, ComBat lacks compatibility and requires retraining with data from all the sites. The retraining leads to significant computational and logistic overhead that is usually prohibitive. In this work, we develop a novel Cluster ComBat harmonization algorithm, which leverages cluster patterns of the data in different sites and greatly advances the usability of ComBat harmonization. We use extensive simulation and real medical imaging data from ADNI to demonstrate the superiority of the proposed approach. Our codes are provided in https://github.com/illidanlab/distributed-cluster-harmonization.

Abstract Resting-state functional magnetic resonance imaging ( rs-fmri ) is widely used in connectomics for studying the functional relationships between regions of the human brain. rs-fmri connectomics, however, has inherent analytical challenges, such as accounting for negative correlations. In addition, functional relationships between brain regions do not necessarily correspond to their anatomical distance, making the intrinsic geometry of the functional connectome less well understood. Recent techniques in natural language processing and machine learning, such as word2vec, have used embedding methods to map high-dimensional data into meaningful vector spaces. Inspired by this approach, we have developed a graph embedding pipeline, rest2vec, for studying the intrinsic geometry of functional connectomes. We demonstrate how rest2vec uses the phase angle spatial embedding ( phase ) method with dimensionality reduction techniques to embed the functional connectome into lower dimensions. Rest2vec can also be linked to the maximum mean discrepancy ( mmd ) metric to assign functional modules of the connectome in a continuous manner, improving upon traditional binary classification methods. Together, this allows for studying the functional connectome such that the full range of correlative information is preserved and gives a more informed understanding of the functional organization of the brain.

Sex differences impact Alzheimer's disease (AD) neuropathology, but cell-to-network level dysfunctions in the prodromal phase are unclear. Alterations in hippocampal excitation-inhibition balance (EIB) have recently been linked to early AD pathology.Examine how AD risk factors (age, APOE-ɛ4, amyloid-β) relate to hippocampal EIB in cognitively normal males and females using connectome-level measures.Individuals from the OASIS-3 cohort (age 42-95) were studied (N = 437), with a subset aged 65+ undergoing neuropsychological testing (N = 231).In absence of AD risk factors (APOE-ɛ4/Aβ+), whole-brain EIB decreases with age more significantly in males than females (p = 0.021, β = -0.007). Regression modeling including APOE-ɛ4 allele carriers (Aβ-) yielded a significant positive AGE-by-APOE interaction in the right hippocampus for females only (p = 0.013, β = 0.014), persisting with inclusion of Aβ+ individuals (p = 0.012, β = 0.014). Partial correlation analyses of neuropsychological testing showed significant associations with EIB in females: positive correlations between right hippocampal EIB with categorical fluency and whole-brain EIB with the trail-making test (p < 0.05).Sex differences in EIB emerge during normal aging and progresses differently with AD risk. Results suggest APOE-ɛ4 disrupts hippocampal balance more than amyloid in females. Increased excitation correlates positively with neuropsychological performance in the female group, suggesting a duality in terms of potential beneficial effects prior to cognitive impairment. This underscores the translational relevance of APOE-ɛ4 related hyperexcitation in females, potentially informing therapeutic targets or early interventions to mitigate AD progression in this vulnerable population.

The human brain, composed of billions of neurons and synaptic connections, is an intricate network coordinating a sophisticated balance of excitatory and inhibitory activity between brain regions. The dynamical balance between excitation and inhibition is vital for adjusting neural input/output relationships in cortical networks and regulating the dynamic range of their responses to stimuli. To infer this balance using connectomics, we recently introduced a computational framework based on the Ising model, first developed to explain phase transitions in ferromagnets, and proposed a novel hybrid resting-state structural connectome (rsSC). Here, we show that a generative model based on the Kuramoto phase oscillator can be used to simulate static and dynamic functional connectomes (FC) with rsSC as the coupling weight coefficients, such that the simulated FC well aligns with the observed FC when compared to that simulated with traditional structural connectome. Simulations were performed using the open source framework The Virtual Brain on High Performance Computing infrastructure.