Humans need about 7 to 9 hours of sleep per night. Sleep habits are heritable, associated with brain function and structure, and intrinsically related to well-being, mental and physical health. This raises the question whether associations between sleep, mental and physical health can be attributed to a shared macroscale neurobiology. Combining neuroimaging and behavioral genetic approaches in two independent large-scale datasets (n=1887) we demonstrate phenotypic and genetic correspondence between sleep, intelligence, and BMI. Sleep was associated with local thickness variation in frontal, temporal, and occipital cortices. Using a comprehensive multivariate approach, we identified two robust latent components highlighting the interdigitation of sleep, intelligence, BMI, and depression and their shared relation to regions in unimodal and heteromodal association cortices. Latent relationships were heritable and driven by shared additive genetic factors. These observations provide a system-level perspective on the interrelation of sleep, mental, and physical conditions, anchored in grey-matter neuroanatomy.

Pharmacological progress, basic science and medical practice can benefit from objective biomarkers that assist in early diagnosis and prognostic stratification of diseases. In the field of Alzheimer’s disease (AD), the clinical presentation of early stage dementia may not fulfill any diagnostic criteria for years, and quantifying structural brain changes by magnetic resonance imaging (MRI) has shown promise in the discovery of sensitive biomarkers. Although hippocampal atrophy is often used as an in vivo measure of AD, data-driven neuroimaging has revealed complex patterns of regional brain vulnerability that may not perfectly map to anatomical boundaries. In addition to aiding diagnosis, decoding genetic influences on neuroimaging measures of the disease can enlighten molecular mechanisms of the underlying pathology in living patients and guide the therapeutic design.Here, we aimed to extract a data-driven MRI feature of brain atrophy in AD by decomposing structural neuroimages using independent component analysis (ICA), a method for performing unbiased computational search in high dimensional data spaces. Our study of the AD Neuroimaging Initiative dataset (n=1,100 subjects) revealed a disease-vulnerable feature with a network-like topology, comprising amygdala, hippocampus, fornix and the inter-connecting white-matter tracts of the limbic system. Whole-genome sequencing identified a nonsynonymous variant (rs34173062) in SHARPIN, a gene coding for a synaptic protein, as a significant modifier of this new MRI feature (p=2.1×10−10). The risk variant was brought to replication in the UK Biobank dataset (n=8,428 subjects), where it was associated with reduced cortical thickness in areas co-localizing with those of the discovery sample (left entorhinal cortex p=0.002, right entorhinal cortex p=8.6×10−4; same direction), as well as with the history of AD in both parents (p=2.3×10−6; same direction).In conclusion, our study shows that ICA can transform voxel-wise volumetric measures of the brain into a data-driven feature of neurodegeneration in AD. Structure of the limbic system, as the most vulnerable focus of brain atrophy in AD, is affected by genetic variability of SHARPIN. The elevated risk of dementia in carriers of the minor allele supports engagement of SHARPIN in the disease pathways, and its role in neurotransmitter receptor scaffolding and integrin signaling may inform on new molecular mechanisms of AD pathophysiology.Abbreviations Alzheimer’s disease (AD), genome-wide association study (GWAS), independent component analysis (ICA), mild cognitive impairment (MCI), medial temporal circuit (MTC), single-nucleotide polymorphism (SNP), tensor-based morphometry (TBM)

Alzheimer disease (AD) and mild cognitive impairment (MCI) are characterized by aberrant regional neural activity and disrupted inter-regional functional connectivity (FC). It is, however, poorly understood how changes in regional neural activity and inter-regional FC interact in AD and MCI. Here, we investigated the link between regional neural activity and nodal topological measures of FC through simultaneous PET/MR measurement in 20 patients with MCI, 33 patients with AD, and 26 healthy individuals. First, we assessed regional glucose metabolism identified through FDG-PET (rFDG) (as a proxy of regional neural activity), and regional FC topology through clustering coefficient (CC) and degree centrality (DC) (as surrogates of local segregation and global connectivity, respectively). Next, we examined the potential moderating effect of disease status (AD or MCI) on the link between rFDG and FC topology using hierarchical moderated multiple regression analysis. Alterations in rFDG, CC, and DC were widespread in patients, and AD alters physiological coupling between regional metabolism and functional connectivity particularly in the inferior temporal gyus and supplementary motor areas. While rFDG correlated with CC in healthy subjects, this correlation was lost in AD patients. We suggest that AD pathology decouples the normal association between regional neural activity and functional segregation.

Alzheimer disease (AD) and sleep-disordered breathing (SDB) are prevalent conditions with rising burden. It is suggested that SDB may contribute to cognitive decline and advanced aging. Here, we assessed the link between self-reported SDB and gray matter volume in patients with AD, mild cognitive impairment (MCI) and healthy controls (HC). We further investigated whether SDB was associated with advanced brain aging. We included a total of 330 participants, divided based on self-reported history of SDB, and matched across diagnoses for age, sex and presence of the ApoE4 allele, from the Alzheimer Disease Neuroimaging Initiative. Gray-matter volume was measured using voxel-wise morphometry and differences reflecting SDB, cognitive status, and their interaction were evaluated. Further, using an age-prediction model fitted on gray-matter data of external datasets, we predicted study participants age from their structural scans. Cognitive decline (MCI/AD diagnosis) and advanced age were associated with lower gray matter volume in various regions, particularly in the bilateral temporal lobes. BrainAGE was well predicted from the morphological data in HC and, as expected, elevated in MCI and particularly in AD. However, there was neither a significant difference between regional gray matter volume in any diagnostic group related to the SDB status nor an SDB-by-cognitive status interaction. Also, we found neither a significant difference in BrainAGE gap (estimated - chronological age) related to SDB nor an SDB-by-cognitive status interaction. In summary, contrary to our expectations, we were not able to find a general nor a diagnostic specific effect on either gray-matter volumetric or brain aging.

Abstract There are unique challenges in the preprocessing of spinal cord fMRI data, particularly voluntary or involuntary movement artifacts during image acquisition. Despite advances in data processing techniques for movement detection and correction, there are challenges in extrapolating motion correction algorithm developments in the brain cortex to the brainstem and spinal cord. We trained a Deep Learning-based convolutional neural network (CNN) via an unsupervised learning algorithm, called DeepRetroMoCo, to detect and correct motions in axial T2*-weighted spinal cord data. Spinal cord fMRI data from 27 participants were used for training of the network (135 runs for training and 81 runs for testing). We used average temporal signal-to-noise-ratio (tSNR) and Delta Variation Signal (DVARS) of raw and motion-corrected images to compare the outcome of DeepRetroMoco with sct_fmri_moco implemented in the spinal cord toolbox. The average tSNR in the cervical cord was significantly higher when DeepRetroMoco was used for motion correction compared to sct_fmri_moco method. Average DVARS was lower in images corrected by DeepRetroMoco than those corrected by sct_fmri_moco. The average processing time for DeepRetroMoco was also significantly shorter than sct_fmri_moco. Our results suggest that DeepRetroMoCo improves motion correction procedures in fMRI data acquired from the cervical spinal cord.

Abstract The limited field of view of high-resolution microscopic images hinders the study of biological samples in a single shot. Stitching of microscope images (tiles) captured by the whole-slide imaging (WSI) technique solves this problem. However, stitching is challenging due to the repetitive textures of tissues, the non-informative background part of the slide, and the large number of tiles that impact performance and computational time. To address these challenges, we proposed the Fast and Robust Microscopic Image Stitching (FRMIS) algorithm, which relies on pairwise and global alignment. The speeded up robust features (SURF) were extracted and matched within a small part of the overlapping region to compute the transformation and align two neighboring tiles. In cases where the transformation could not be computed due to an insufficient number of matched features, features were extracted from the entire overlapping region. This enhances the efficiency of the algorithm since most of the computational load is related to pairwise registration and reduces misalignment that may occur by matching duplicated features in tiles with repetitive textures. Then, global alignment was achieved by constructing a weighted graph where the weight of each edge is determined by the normalized inverse of the number of matched features between two tiles. FRMIS has been evaluated on experimental and synthetic datasets from different modalities with different numbers of tiles and overlaps, demonstrating faster stitching time compared to existing algorithms such as the Microscopy Image Stitching Tool (MIST) toolbox. FRMIS outperforms MIST by 481% for bright-field, 259% for phase-contrast, and 282% for fluorescence modalities, while also being robust to uneven illumination.