Context: Indicated prevention is currently regarded as the most promising strategy to attenuate, delay, or even avert psychosis.Existing criteria need improvement in terms of specificity and individual risk assessment to allow for better targeted and earlier interventions.Objective: To develop a differential predictive clinical model of transition to first-episode psychosis.Design: Prospective multicenter, naturalistic field study with a total follow-up time of 18 months.Setting: Six early-detection outpatient centers in Germany, Finland, the Netherlands, and England.Participants: Two hundred forty-five help-seeking patients in a putatively prodromal state of psychosis according to either ultra-high-risk (UHR) criteria or the basic symptom-based criterion cognitive disturbances (COGDIS).Main Outcome Measure: Incidence of transition to psychosis.Results: At 18-month follow-up, the incidence rate for transition to psychosis was 19%.Combining UHR and COGDIS yielded the best sensitivity.A prediction model was developed and included positive symptoms, bizarre thinking, sleep disturbances, a schizotypal disorder, level of functioning in the past year, and years of education.With a positive likelihood ratio of 19.9, an area under the curve of 80.8%, and a positive predictive value of 83.3%, diagnostic accuracy was excellent.A 4-level prognostic index further classifying the general risk of the whole sample predicted instantaneous incidence rates of up to 85% and allowed for an estimation of time to transition.

This guidance paper from the European Psychiatric Association (EPA) aims to provide evidence-based recommendations on early intervention in clinical high risk (CHR) states of psychosis, assessed according to the EPA guidance on early detection. The recommendations were derived from a meta-analysis of current empirical evidence on the efficacy of psychological and pharmacological interventions in CHR samples. Eligible studies had to investigate conversion rate and/or functioning as a treatment outcome in CHR patients defined by the ultra-high risk and/or basic symptom criteria. Besides analyses on treatment effects on conversion rate and functional outcome, age and type of intervention were examined as potential moderators. Based on data from 15 studies (n=1394), early intervention generally produced significantly reduced conversion rates at 6- to 48-month follow-up compared to control conditions. However, early intervention failed to achieve significantly greater functional improvements because both early intervention and control conditions produced similar positive effects. With regard to the type of intervention, both psychological and pharmacological interventions produced significant effects on conversion rates, but not on functional outcome relative to the control conditions. Early intervention in youth samples was generally less effective than in predominantly adult samples. Seven evidence-based recommendations for early intervention in CHR samples could have been formulated, although more studies are needed to investigate the specificity of treatment effects and potential age effects in order to tailor interventions to the individual treatment needs and risk status.

Multiple sclerosis is an autoimmune disease that is caused by the interplay of genetic, particularly the HLA-DR15 haplotype, and environmental risk factors. How these etiologic factors contribute to generating an autoreactive CD4+ T cell repertoire is not clear. Here, we demonstrate that self-reactivity, defined as “autoproliferation” of peripheral Th1 cells, is elevated in patients carrying the HLA-DR15 haplotype. Autoproliferation is mediated by memory B cells in a HLA-DR-dependent manner. Depletion of B cells in vitro and therapeutically in vivo by anti-CD20 effectively reduces T cell autoproliferation. T cell receptor deep sequencing showed that in vitro autoproliferating T cells are enriched for brain-homing T cells. Using an unbiased epitope discovery approach, we identified RASGRP2 as target autoantigen that is expressed in the brain and B cells. These findings will be instrumental to address important questions regarding pathogenic B-T cell interactions in multiple sclerosis and possibly also to develop novel therapies.

The direct estimation of heritability from genome-wide common variant data as implemented in the program Genome-wide Complex Trait Analysis (GCTA) has provided a means to quantify heritability attributable to all interrogated variants. We have quantified the variance in liability to disease explained by all SNPs for two phenotypically-related neurobehavioral disorders, obsessive-compulsive disorder (OCD) and Tourette Syndrome (TS), using GCTA. Our analysis yielded a heritability point estimate of 0.58 (se = 0.09, p = 5.64e-12) for TS, and 0.37 (se = 0.07, p = 1.5e-07) for OCD. In addition, we conducted multiple genomic partitioning analyses to identify genomic elements that concentrate this heritability. We examined genomic architectures of TS and OCD by chromosome, MAF bin, and functional annotations. In addition, we assessed heritability for early onset and adult onset OCD. Among other notable results, we found that SNPs with a minor allele frequency of less than 5% accounted for 21% of the TS heritability and 0% of the OCD heritability. Additionally, we identified a significant contribution to TS and OCD heritability by variants significantly associated with gene expression in two regions of the brain (parietal cortex and cerebellum) for which we had available expression quantitative trait loci (eQTLs). Finally we analyzed the genetic correlation between TS and OCD, revealing a genetic correlation of 0.41 (se = 0.15, p = 0.002). These results are very close to previous heritability estimates for TS and OCD based on twin and family studies, suggesting that very little, if any, heritability is truly missing (i.e., unassayed) from TS and OCD GWAS studies of common variation. The results also indicate that there is some genetic overlap between these two phenotypically-related neuropsychiatric disorders, but suggest that the two disorders have distinct genetic architectures.

Social and occupational impairments contribute to the burden of psychosis and depression. There is a need for risk stratification tools to inform personalized functional-disability preventive strategies for individuals in at-risk and early phases of these illnesses.To determine whether predictors associated with social and role functioning can be identified in patients in clinical high-risk (CHR) states for psychosis or with recent-onset depression (ROD) using clinical, imaging-based, and combined machine learning; assess the geographic, transdiagnostic, and prognostic generalizability of machine learning and compare it with human prognostication; and explore sequential prognosis encompassing clinical and combined machine learning.This multisite naturalistic study followed up patients in CHR states, with ROD, and with recent-onset psychosis, and healthy control participants for 18 months in 7 academic early-recognition services in 5 European countries. Participants were recruited between February 2014 and May 2016, and data were analyzed from April 2017 to January 2018.Performance and generalizability of prognostic models.A total of 116 individuals in CHR states (mean [SD] age, 24.0 [5.1] years; 58 [50.0%] female) and 120 patients with ROD (mean [SD] age, 26.1 [6.1] years; 65 [54.2%] female) were followed up for a mean (SD) of 329 (142) days. Machine learning predicted the 1-year social-functioning outcomes with a balanced accuracy of 76.9% of patients in CHR states and 66.2% of patients with ROD using clinical baseline data. Balanced accuracy in models using structural neuroimaging was 76.2% in patients in CHR states and 65.0% in patients with ROD, and in combined models, it was 82.7% for CHR states and 70.3% for ROD. Lower functioning before study entry was a transdiagnostic predictor. Medial prefrontal and temporo-parieto-occipital gray matter volume (GMV) reductions and cerebellar and dorsolateral prefrontal GMV increments had predictive value in the CHR group; reduced mediotemporal and increased prefrontal-perisylvian GMV had predictive value in patients with ROD. Poor prognoses were associated with increased risk of psychotic, depressive, and anxiety disorders at follow-up in patients in the CHR state but not ones with ROD. Machine learning outperformed expert prognostication. Adding neuroimaging machine learning to clinical machine learning provided a 1.9-fold increase of prognostic certainty in uncertain cases of patients in CHR states, and a 10.5-fold increase of prognostic certainty for patients with ROD.Precision medicine tools could augment effective therapeutic strategies aiming at the prevention of social functioning impairments in patients with CHR states or with ROD.

The proper identification of differentially methylated CpGs is central in most epigenetic studies. The Illumina HumanMethylation450 BeadChip is widely used to quantify DNA methylation; nevertheless, the design of an appropriate analysis pipeline faces severe challenges due to the convolution of biological and technical variability and the presence of a signal bias between Infinium I and II probe design types. Despite recent attempts to investigate how to analyze DNA methylation data with such an array design, it has not been possible to perform a comprehensive comparison between different bioinformatics pipelines due to the lack of appropriate data sets having both large sample size and sufficient number of technical replicates. Here we perform such a comparative analysis, targeting the problems of reducing the technical variability, eliminating the probe design bias and reducing the batch effect by exploiting two unpublished data sets, which included technical replicates and were profiled for DNA methylation either on peripheral blood, monocytes or muscle biopsies. We evaluated the performance of different analysis pipelines and demonstrated that: (1) it is critical to correct for the probe design type, since the amplitude of the measured methylation change depends on the underlying chemistry; (2) the effect of different normalization schemes is mixed, and the most effective method in our hands were quantile normalization and Beta Mixture Quantile dilation (BMIQ); (3) it is beneficial to correct for batch effects. In conclusion, our comparative analysis using a comprehensive data set suggests an efficient pipeline for proper identification of differentially methylated CpGs using the Illumina 450K arrays.

BackgroundChronic low-grade inflammation is observed across mental disorders and is associated with difficult-to-treat-symptoms of anhedonia and functional brain changes – reflecting a potential transdiagnostic dimension. Previous investigations have focused on distinct illness categories in those with enduring illness, with few exploring inflammatory changes. We sought to identify an inflammatory signal and associated brain function underlying anhedonia among young people with recent onset psychosis (ROP) and recent onset depression (ROD).MethodResting-state functional magnetic resonance imaging, inflammatory markers, and anhedonia symptoms were collected from N=108 (M age=26.2[SD 6.2]years; Female =50) participants with ROP (n=53) and ROD (n=55) from the EU-FP7-funded PRONIA study. Time-series were extracted using the Schaefer atlas, defining 100 cortical regions of interest. Using advanced multimodal machine learning, an inflammatory marker model and functional connectivity model were developed to classify an anhedonic group, compared to a normal hedonic group.ResultsA repeated nested cross-validation model using inflammatory markers classified normal hedonic and anhedonic ROP/ROD groups with a balanced accuracy (BAC) of 63.9%, and an area under the curve (AUC) of 0.61. The functional connectivity model produced a BAC of 55.2% and an AUC of 0.57. Anhedonic group assignment was driven by higher levels of Interleukin-6, S100B, and Interleukin-1 receptor antagonist, and lower levels of Interferon gamma, in addition to connectivity within the precuneus and posterior cingulate.ConclusionWe identified a potential transdiagnostic anhedonic subtype that was accounted for by an inflammatory profile and functional connectivity. Results have implications for anhedonia as an emerging transdiagnostic target across emerging mental disorders.

Abstract Background Recent stressful life events (SLE) are a risk factor for psychosis, but limited research has explored how SLEs affect individuals at clinical high risk (CHR) for psychosis. The current study investigated the longitudinal effects of SLEs on functioning and symptom severity in CHR individuals, where we hypothesized CHR would report more SLEs than healthy controls (HC), and SLEs would be associated with poorer outcomes. Methods The study used longitudinal data from the EU-GEI High Risk study. Data from 331 CHR participants were analyzed to examine the effects of SLEs on changes in functioning, positive and negative symptoms over a 2-year follow-up. We compared the prevalence of SLEs between CHR and HCs, and between CHR who did (CHR-T) and did not (CHR-NT) transition to psychosis. Results CHR reported 1.44 more SLEs than HC ( p < 0.001), but there was no difference in SLEs between CHR-T and CHR-NT at baseline. Recent SLEs were associated with poorer functioning and more severe positive and negative symptoms in CHR individuals (all p < 0.01) but did not reveal a significant interaction with time. Conclusions CHR individuals who had experienced recent SLEs exhibited poorer functioning and more severe symptoms. However, as the interaction between SLEs and time was not significant, this suggests SLEs did not contribute to a worsening of symptoms and functioning over the study period. SLEs could be a key risk factor to becoming CHR for psychosis, however further work is required to inform when early intervention strategies mitigating against the effects of stress are most effective.

Background Current theories of psychosis highlight the role of abnormal learning signals, i.e., prediction errors (PEs) and uncertainty, in the formation of delusional beliefs. We employed computational analyses of behaviour and functional magnetic resonance imaging (fMRI) to examine whether such abnormalities are evident in at-risk mental state (ARMS) individuals.Methods Non-medicated ARMS individuals ( n =13) and control participants ( n =13) performed a probabilistic learning paradigm during fMRI data acquisition. We used a hierarchical Bayesian model to infer subject-specific computations from behaviour – with a focus on PEs and uncertainty (or its inverse, precision) at different levels, including environmental ‘volatility’ – and used these computational quantities for analyses of fMRI data.Results Computational modelling of ARMS individuals’ behaviour indicated volatility estimates converged to significantly higher levels than in controls. Model-based fMRI demonstrated increased activity in prefrontal and insular regions of ARMS individuals in response to precision-weighted low-level outcome PEs, while activations of prefrontal, orbitofrontal and anterior insula cortex by higher-level PEs (that serve to update volatility estimates) were reduced. Additionally, prefrontal cortical activity in response to outcome PEs in ARMS was negatively associated with clinical measures of global functioning.Conclusions Our results suggest a multi-faceted learning abnormality in ARMS individuals under conditions of environmental uncertainty, comprising higher levels of volatility estimates combined with reduced cortical activation, and abnormally high activations in prefrontal and insular areas by precision-weighted outcome PEs. This atypical representation of high- and low-level learning signals might reflect a predisposition to delusion formation.