Recent studies have suggested that the brain's structural and functional networks (i.e., connectomics) can be constructed by various imaging technologies (e.g., EEG/MEG; structural, diffusion and functional MRI) and further characterized by graph theory. Given the huge complexity of network construction, analysis and statistics, toolboxes incorporating these functions are largely lacking. Here, we developed the GRaph thEoreTical Network Analysis (GRETNA) toolbox for imaging connectomics. The GRETNA contains several key features as follows: (i) an open-source, Matlab-based, cross-platform (Windows and UNIX OS) package with a graphical user interface (GUI); (ii) allowing topological analyses of global and local network properties with parallel computing ability, independent of imaging modality and species; (iii) providing flexible manipulations in several key steps during network construction and analysis, which include network node definition, network connectivity processing, network type selection and choice of thresholding procedure; (iv) allowing statistical comparisons of global, nodal and connectional network metrics and assessments of relationship between these network metrics and clinical or behavioral variables of interest; and (v) including functionality in image preprocessing and network construction based on resting-state functional MRI (R-fMRI) data. After applying the GRETNA to a publicly released R-fMRI dataset of 54 healthy young adults, we demonstrated that human brain functional networks exhibit efficient small-world, assortative, hierarchical and modular organizations and possess highly connected hubs and that these findings are robust against different analytical strategies. With these efforts, we anticipate that GRETNA will accelerate imaging connectomics in an easy, quick and flexible manner. GRETNA is freely available on the NITRC website.

ABSTRACT BACKGROUND Neuroimaging studies have reported functional connectome aberrancies in autism spectrum disorder (ASD). However, the time-varying patterns of connectome topology in ASD individuals and the connection between these patterns and gene expression profiles remain unknown. METHODS To investigate case-control differences in dynamic connectome topology, we conducted mega- and meta-analyses of resting-state functional magnetic resonance imaging data of 939 participants (440 ASD patients and 499 healthy controls, all males) from 18 independent sites, selected from the ABIDE (Autism Brain Imaging Data Exchange) dataset. Functional data was preprocessed and analyzed using harmonized protocols, and brain module dynamics was assessed using a multilayer network model. We further leveraged postmortem brain-wide gene expression data to identify transcriptomic signatures associated with ASD-related alterations in brain dynamics. RESULTS Compared to healthy controls, ASD individuals exhibited a higher global mean and lower standard deviation of whole-brain module dynamics, indicating an unstable and less regionally differentiated pattern. More specifically, ASD individuals showed higher module switching, primarily in the medial prefrontal cortex, posterior cingulate gyrus, and angular gyrus, and lower switching in the visual regions. These alterations in brain dynamics were predictive of social impairments in ASD individuals and were linked with expression profiles of genes primarily involved in the regulation of neurotransmitter transport and secretion, as well as with previously identified autism-related genes. CONCLUSIONS This study is the first to identify consistent alterations in brain network dynamics in ASD and the transcriptomic signatures related to those alterations, furthering insights into the biological basis behind this disorder.

Abstract Precise segmentation of infant brain MR images into gray matter (GM), white matter (WM), and cerebrospinal fluid (CSF) are essential for studying neuroanatomical hallmarks of early brain development. However, for 6-month-old infants, the extremely low-intensity contrast caused by inherent myelination hinders accurate tissue segmentation. Existing convolutional neural networks (CNNs) based segmentation models for this task generally employ single-scale symmetric convolutions, which are inefficient for encoding the isointense tissue boundaries in baby brain images. Here, we propose a 3D mixed-scale asymmetric convolutional segmentation network (3D-MASNet) framework for brain MR images of 6-month-old infants. We replaced the traditional convolutional layer of an existing to-be-trained network with a 3D mixed-scale convolution block consisting of asymmetric kernels (MixACB) during the training phase and then equivalently converted it into the original network. Five canonical CNN segmentation models were evaluated using both T1- and T2-weighted images of 23 6-month-old infants from iSeg-2019 datasets, which contained manual labels as ground truth. MixACB significantly enhanced the average accuracy of all five models and obtained the most considerable improvement in the fully convolutional network model (CC-3D-FCN) and the highest performance in the Dense U-Net model. This approach further obtained Dice coefficient accuracies of 0.931, 0.912, and 0.961 in GM, WM, and CSF, respectively, ranking first among 30 teams on the validation dataset of the iSeg-2019 Grand Challenge. Thus, the proposed 3D-MASNet can improve the accuracy of existing CNNs-based segmentation models as a plug-and-play solution that offers a promising technique for future infant brain MRI studies.

Abstract Connectome mapping studies have documented a principal primary-to-transmodal gradient in the adult brain network, capturing a functional spectrum which ranges from perception and action to abstract cognition. However, how this gradient pattern develops and whether its development is linked to cognitive growth, topological reorganization, and gene expression profiles remain largely unknown. Using longitudinal resting-state functional magnetic resonance imaging data from 305 children (ages 6-14), we describe substantial changes in the primary-to-transmodal gradient between childhood and adolescence, including emergence as the principal gradient, expansion of global topography, and focal tuning in primary and default-mode regions. These gradient changes are mediated by developmental changes in network integration and segregation, and are associated with abstract processing functions such as working memory and expression levels of calcium ion regulated exocytosis, synaptic transmission, and axon and synapse part related genes. Our findings have implications for understanding connectome maturation principles in normal development and developmental disorders. Teaser Our study reported the maturation of the core connectome gradient and its association with cognitions and genes expression.

Abstract Human cognition and behaviors depend upon the brain’s functional connectomes, which vary remarkably across individuals. However, whether and how the functional connectome individual variability architecture is structurally constrained remains largely unknown. Using tractography- and morphometry-based network models, we observed the spatial convergence of structural and functional connectome individual variability, with higher variability in heteromodal association regions and lower variability in primary regions. We demonstrated that functional variability is significantly predicted by a unifying structural variability pattern and that this prediction follows a primary-to-heteromodal hierarchical axis, with higher accuracy in primary regions and lower accuracy in heteromodal regions. We further decomposed group-level connectome variability patterns into individual unique contributions and uncovered the structural-functional correspondence that is associated with individual cognitive traits. These results advance our understanding of the structural basis of individual functional variability and suggest the importance of integrating multimodal connectome signatures for individual differences in cognition and behaviors.

Abstract Cortical thinning is an important hallmark of the maturation of brain morphology during childhood and adolescence. However, the connectome-based wiring mechanism that underlies cortical maturation remains unclear. Using neuroimaging, connectome, transcriptome, and computational modeling, we mapped cortical thinning patterns primarily located in lateral frontal and parietal heteromodal nodes during childhood and adolescence, which is structurally constrained by white matter network architecture and is particularly represented using a network-based diffusion model. Furthermore, connectome-based constraints are regionally heterogeneous, with the largest constraints residing in frontoparietal nodes, and are associated with gene expression signatures of microstructural neurodevelopmental events. These results are highly reproducible while using another independent dataset. Our findings advance our understanding of network-level mechanisms and the associated genetic basis that underlies the maturational process of cortical morphology during childhood and adolescence.

Abstract Functional brain networks require dynamic reconfiguration to support flexible cognitive function. However, the developmental principles shaping brain network dynamics remain poorly understood. Here, we report the longitudinal development of large-scale brain network dynamics during childhood and adolescence, and its connection with gene expression profiles. Using a multilayer network model, we show the temporally varying modular architecture of child brain networks, with higher network switching primarily in the association cortex and lower switching in the primary regions. This topographical profile exhibits progressive maturation, which manifests as reduced modular dynamics, particularly in the transmodal (e.g., default-mode and frontoparietal) and sensorimotor regions. These developmental refinements mediate age-related enhancements of global network segregation and are linked with the expression profiles of genes associated with the enrichment of ion transport and nucleobase-containing compound transport. These results highlight a progressive stabilization of brain dynamics, which expand our understanding of the neural mechanisms that underlie cognitive development.

Abstract Aims Altered brain functional connectivity has been proposed as the neurobiological underpinnings of attention‐deficit/hyperactivity disorder (ADHD), and the default mode interference hypothesis is one of the most popular neuropsychological models. Here, we explored whether this hypothesis is supported in adults with ADHD and the association with high‐risk genetic variants and treatment outcomes. Methods Voxel‐based whole‐brain connectome analysis was conducted on resting‐state functional MRI data from 84 adults with ADHD and 89 healthy controls to identify functional connectivity substrates corresponding to ADHD‐related alterations. The candidate genetic variants and 12‐week cognitive behavioral therapy data were leveraged from the same population to assess these associations. Results We detected breakdowns of functional connectivity in the precuneus and left middle temporal gyrus in adults with ADHD, with exact contributions from decreased connectivity within the default mode, dorsal and ventral attention networks, as well as increased connectivity among them with the middle temporal gyrus serving as a crucial ‘bridge’. Additionally, significant associations between the altered functional connectivity and genetic variants in both MAOA and MAOB were detected. Treatment restored brain function, with the amelioration of connectivity of the middle temporal gyrus, accompanied by improvements in ADHD core symptoms. Conclusions These findings support the interference of default mode on attention in adults with ADHD and its association with genetic risk variants and clinical management, providing insights into the underlying pathogenesis of ADHD and potential biomarkers for treatment evaluation.

Abstract Human brain connectomes include sets of densely connected regions, known as connectome hubs, which play a vital role in understanding global brain communication, cognitive processing, and brain disorders. However, the consistency and reproducibility of functional connectome hubs’ anatomical localization have not been established to date and the genetic signatures underlying robust connectome hubs remain unknown. Here, we conduct the first worldwide, harmonized meta-connectomic analysis by pooling resting-state functional MRI data of 5,212 healthy young adults across 61 independent cohorts. We identify highly consistent and reproducible functional connectome hubs in heteromodal and unimodal regions both across cohorts and across individuals. These connectome hubs show heterogeneous connectivity profiles and are critical for both intra- and inter-network communications. Using post-mortem gene expression data, we show that these connectome hubs have a spatiotemporally distinctive transcriptomic pattern dominated by genes involved in the neuropeptide signaling pathway, neurodevelopmental processes, and metabolic processes. These results highlight the robustness of macroscopic connectome hubs and their potential cellular and molecular underpinnings.

Developmental connectomic studies have shown that the modular organization of functional networks in the human brain undergoes substantial reorganization with age to support cognitive growth. However, these studies implicitly assume that each brain region belongs to one and only one specific network module, ignoring the potential spatial overlap between functional modules. How the overlapping functional modular architecture develops and whether this development is related to structural signatures remain unknown. Using longitudinal multimodal structural, functional, and diffusion MRI data from 305 children (aged 6–14 years), we investigated the development of the overlapping modular architecture of functional networks, and further explored their structural associations. Specifically, an edge-centric network model was used to identify the overlapping functional modules, and the nodal overlap in module affiliations was quantified using the entropy measure. We showed a remarkable regional inhomogeneity in module overlap in children, with higher entropy in the ventral attention, somatomotor, and subcortical networks and lower entropy in the visual and default-mode networks. Furthermore, the overlapping modules developed in a linear, spatially dissociable manner from childhood to adolescence, with significantly reduced entropy in the prefrontal cortex and putamen and increased entropy in the parietal lobules. Personalized overlapping modular patterns capture individual brain maturity as characterized by brain age. Finally, the overlapping functional modules can be significantly predicted by integrating gray matter morphology and white matter network properties. Our findings highlight the maturation of overlapping network modules and their structural substrates, thereby advancing our understanding of the principles of connectome development.