Abstract Alzheimer’s disease (AD) is a progressive neurodegenerative condition marked by a decline in cognitive functions with no validated disease modifying treatment. It is critical for timely treatment to detect AD in its earlier stage before clinical manifestation. Mild cognitive impairment (MCI) is an intermediate stage between cognitively normal older adults and AD. To predict conversion from MCI to probable AD, we applied a deep learning approach, multimodal recurrent neural network. We developed an integrative framework that combines not only cross-sectional neuroimaging biomarkers at baseline but also longitudinal cerebrospinal fluid (CSF) and cognitive performance biomarkers obtained from the Alzheimer’s Disease Neuroimaging Initiative cohort (ADNI). The proposed framework integrated longitudinal multi-domain data. Our results showed that 1) our prediction model for MCI conversion to AD yielded up to 75% accuracy (area under the curve (AUC) = 0.83) when using only single modality of data separately; and 2) our prediction model achieved the best performance with 81% accuracy (AUC = 0.86) when incorporating longitudinal multi-domain data. A multi-modal deep learning approach has potential to identify persons at risk of developing AD who might benefit most from a clinical trial or as a stratification approach within clinical trials.

Abstract Brain iron elevation is implicated in Alzheimer’s disease (AD) pathogenesis, but the impact of iron on disease outcomes has not been previously explored in a longitudinal study. Ferritin is the major iron storage protein of the body; by using cerebrospinal fluid (CSF) levels of ferritin as an index, we explored whether brain iron status impacts longitudinal outcomes in the Alzheimer’s Disease Neuroimaging Initiative (ADNI) cohort. We show that baseline CSF ferritin levels were negatively associated with cognitive performance over 7 years in 91 cognitively normal, 144 mild cognitive impairment (MCI) and 67 AD subjects, and predicted MCI conversion to AD. Ferritin was strongly associated with CSF apolipoprotein E levels and was elevated by the Alzheimer’s risk allele, APOE-ɛ4 . These findings reveal that elevated brain iron adversely impacts on AD progression, and introduce brain iron elevation as a possible mechanism for APOE-ɛ4 being the major genetic risk factor for AD.

There is considerable debate whether Alzheimer's disease (AD) originates in basal forebrain or entorhinal cortex. Here we examined whether longitudinal decreases in basal forebrain and entorhinal cortex grey matter volume were interdependent and sequential. In a large cohort of age-matched older adults ranging from cognitively normal to AD, we demonstrate that basal forebrain volume predicts longitudinal entorhinal degeneration. Models of parallel degeneration or entorhinal origin received negligible support. We then integrated volumetric measures with an amyloid biomarker sensitive to pre-symptomatic AD pathology. Comparison between cognitively matched normal adult subgroups, delineated according to the amyloid biomarker, revealed abnormal degeneration in basal forebrain, but not entorhinal cortex. Abnormal degeneration in both basal forebrain and entorhinal cortex was only observed among prodromal (mildly amnestic) individuals. We provide evidence that basal forebrain pathology precedes and predicts both entorhinal pathology and memory impairment, challenging the widely held belief that AD has a cortical origin.

In Alzheimer's diseases (AD), tau pathology is strongly associated with cognitive decline. Preclinical evidence suggests that tau spreads across connected neurons in an activity-dependent manner. Supporting this, cross-sectional AD studies show that tau deposition patterns resemble functional brain networks. However, whether higher functional connectivity is associated with higher rates of tau accumulation is unclear. Here, we combine resting-state fMRI with longitudinal tau-PET in two independent samples including 53 (ADNI) and 41 (BioFINDER) amyloid-biomarker defined AD subjects and 28 (ADNI) vs. 16 (BioFINDER) amyloid-negative healthy controls. In both samples, AD subjects show faster tau accumulation than controls. Second, in AD, higher fMRI-assessed connectivity between 400 regions of interest (ROIs) is associated with correlated tau-PET accumulation in corresponding ROIs. Third, we show that a model including baseline connectivity and tau-PET is associated with future tau-PET accumulation. Together, connectivity is associated with tau spread in AD, supporting the view of transneuronal tau propagation.

Plasma phosphorylated tau at threonine 181 (p-tau181) has been proposed as an easily accessible biomarker for the detection of Alzheimer disease (AD) pathology, but its ability to monitor disease progression in AD remains unclear.To study the potential of longitudinal plasma p-tau181 measures for assessing neurodegeneration progression and cognitive decline in AD in comparison to plasma neurofilament light chain (NfL), a disease-nonspecific marker of neuronal injury.This longitudinal cohort study included data from the Alzheimer's Disease Neuroimaging Initiative from February 1, 2007, to June 6, 2016. Follow-up blood sampling was performed for up to 8 years. Plasma p-tau181 measurements were performed in 2020. This was a multicentric observational study of 1113 participants, including cognitively unimpaired participants as well as patients with cognitive impairment (mild cognitive impairment and AD dementia). Participants were eligible for inclusion if they had available plasma p-tau181 and NfL measurements and at least 1 fluorine-18-labeled fluorodeoxyglucose (FDG) positron emission tomography (PET) or structural magnetic resonance imaging scan performed at the same study visit. Exclusion criteria included any significant neurologic disorder other than suspected AD; presence of infection, infarction, or multiple lacunes as detected by magnetic resonance imaging; and any significant systemic condition that could lead to difficulty complying with the protocol.Plasma p-tau181 and NfL measured with single-molecule array technology.Longitudinal imaging markers of neurodegeneration (FDG PET and structural magnetic resonance imaging) and cognitive test scores (Preclinical Alzheimer Cognitive Composite and Alzheimer Disease Assessment Scale-Cognitive Subscale with 13 tasks). Data were analyzed from June 20 to August 15, 2020.Of the 1113 participants (mean [SD] age, 74.0 [7.6] years; 600 men [53.9%]; 992 non-Hispanic White participants [89.1%]), a total of 378 individuals (34.0%) were cognitively unimpaired (CU) and 735 participants (66.0%) were cognitively impaired (CImp). Of the CImp group, 537 (73.1%) had mild cognitive impairment, and 198 (26.9%) had AD dementia. Longitudinal changes of plasma p-tau181 were associated with cognitive decline (CU: r = -0.24, P < .001; CImp: r = 0.34, P < .001) and a prospective decrease in glucose metabolism (CU: r = -0.05, P = .48; CImp: r = -0.27, P < .001) and gray matter volume (CU: r = -0.19, P < .001; CImp: r = -0.31, P < .001) in highly AD-characteristic brain regions. These associations were restricted to amyloid-β-positive individuals. Both plasma p-tau181 and NfL were independently associated with cognition and neurodegeneration in brain regions typically affected in AD. However, NfL was also associated with neurodegeneration in brain regions exceeding this AD-typical spatial pattern in amyloid-β-negative participants. Mediation analyses found that approximately 25% to 45% of plasma p-tau181 outcomes on cognition measures were mediated by the neuroimaging-derived markers of neurodegeneration, suggesting links between plasma p-tau181 and cognition independent of these measures.Study findings suggest that plasma p-tau181 was an accessible and scalable marker for predicting and monitoring neurodegeneration and cognitive decline and was, unlike plasma NfL, AD specific. The study findings suggest implications for the use of plasma biomarkers as measures to monitor AD progression in clinical practice and treatment trials.

Alzheimer’s disease (AD) is a leading cause of mortality among the elderly. We performed a whole-genome sequencing study of AD in the Chinese population. In addition to the variants identified in or around the APOE locus (sentinel variant rs73052335, P = 1.44 × 10 −14 ), two common variants, GCH1 (rs72713460, P = 4.36 × 10 −5 ) and KCNJ15 (rs928771, P = 3.60 × 10 −6 ), were identified and further verified for their possible risk effects for AD in three small non-Asian AD cohorts. Genotype–phenotype analysis showed that KCNJ15 variant rs928771 affects the onset age of AD, with earlier disease onset in minor allele carriers. In addition, altered expression level of the KCNJ15 transcript can be observed in the blood of AD subjects. Moreover, the risk variants of GCH1 and KCNJ15 are associated with changes in their transcript levels in specific tissues, as well as changes of plasma biomarkers levels in AD subjects. Importantly, network analysis of hippocampus and blood transcriptome datasets suggests that the risk variants in the APOE , GCH1 , and KCNJ15 loci might exert their functions through their regulatory effects on immune-related pathways. Taking these data together, we identified common variants of GCH1 and KCNJ15 in the Chinese population that contribute to AD risk. These variants may exert their functional effects through the immune system.

The polygenic nature of Alzheimer's disease (AD) suggests that multiple variants jointly contribute to disease susceptibility. As an individual's genetic variants are constant throughout life, evaluating the combined effects of multiple disease-associated genetic risks enables reliable AD risk prediction. Because of the complexity of genomic data, current statistical analyses cannot comprehensively capture the polygenic risk of AD, resulting in unsatisfactory disease risk prediction. However, deep learning methods, which capture nonlinearity within high-dimensional genomic data, may enable more accurate disease risk prediction and improve our understanding of AD etiology. Accordingly, we developed deep learning neural network models for modeling AD polygenic risk.

Abstract Changes in the levels of circulating proteins are associated with Alzheimer’s disease (AD), whereas their pathogenic roles in AD are unclear. Here, we identified soluble ST2 (sST2), a decoy receptor of interleukin-33–ST2 signaling, as a new disease-causing factor in AD. Increased circulating sST2 level is associated with more severe pathological changes in female individuals with AD. Genome-wide association analysis and CRISPR–Cas9 genome editing identified rs1921622 , a genetic variant in an enhancer element of IL1RL1 , which downregulates gene and protein levels of sST2. Mendelian randomization analysis using genetic variants, including rs1921622 , demonstrated that decreased sST2 levels lower AD risk and related endophenotypes in females carrying the Apolipoprotein E ( APOE )-ε4 genotype; the association is stronger in Chinese than in European-descent populations. Human and mouse transcriptome and immunohistochemical studies showed that rs1921622 /sST2 regulates amyloid-beta (Aβ) pathology through the modulation of microglial activation and Aβ clearance. These findings demonstrate how sST2 level is modulated by a genetic variation and plays a disease-causing role in females with AD.