A search for pair production of up-type vector-like quarks ($T$) with a significant branching ratio into a top quark and either a Standard Model Higgs boson or a $Z$ boson is presented. The same analysis is also used to search for four-top-quark production in several new physics scenarios. The search is based on a dataset of $pp$ collisions at $\sqrt{s}=13$ TeV recorded in 2015 and 2016 with the ATLAS detector at the CERN Large Hadron Collider and corresponds to an integrated luminosity of 36.1 fb$^{-1}$. Data are analysed in the lepton+jets final state, characterised by an isolated electron or muon with high transverse momentum, large missing transverse momentum and multiple jets, as well as the jets+$E_{T}^{miss}$ final state, characterised by multiple jets and large missing transverse momentum. The search exploits the high multiplicity of jets identified as originating from $b$-quarks, and the presence of boosted, hadronically decaying top quarks and Higgs bosons reconstructed as large-radius jets, characteristic of signal events. No significant excess above the Standard Model expectation is observed, and 95% CL upper limits are set on the production cross sections for the different signal processes considered. These cross-section limits are used to derive lower limits on the mass of a vector-like $T$ quark under several branching ratio hypotheses assuming contributions from $T \rightarrow Wb$, $Zt$, $Ht$ decays. The 95% CL observed lower limits on the $T$ quark mass range between 0.99 TeV and 1.43 TeV for all possible values of the branching ratios into the three decay modes considered, significantly extending the reach beyond that of previous searches. Additionally, upper limits on anomalous four-top-quark production are set in the context of an effective field theory model, as well as in an universal extra dimensions model.

Among ‘big data’ initiatives, the ENIGMA ( E nhancing N euroImaging G enetics through M eta- A nalysis) Consortium—a worldwide alliance of over 2,000 scientists diversified into over 50 Working Groups—has yielded some of the largest studies of the healthy and diseased brain. Integration of multisite datasets to assess transdiagnostic similarities and differences and to contextualize findings with respect to neural organization, however, have been limited. Here, we introduce the ENIGMA Toolbox, a Python/Matlab ecosystem for ( i ) accessing 100+ ENIGMA datasets, facilitating cross-disorder analysis, ( ii ) visualizing data on brain surfaces, and ( iii ) contextualizing findings at the microscale ( postmortem cytoarchitecture and gene expression) and macroscale (structural and functional connectomes). Our Toolbox equips scientists with tutorials to explore molecular, histological, and network correlates of noninvasive neuroimaging markers of brain disorders. Moreover, our Toolbox bridges the gap between standardized data processing protocols and analytic workflows and facilitates cross-consortia initiatives. The Toolbox is documented and openly available at http://enigma-toolbox.readthedocs.io . Abstract Figure

Abstract Estimating the polygenicity (proportion of causally associated single nucleotide polymorphisms (SNPs)) and discoverability (effect size variance) of causal SNPs for human traits is currently of considerable interest. SNP-heritability is proportional to the product of these quantities. We present a basic model, using detailed linkage disequilibrium structure from an extensive reference panel, to estimate these quantities from genome-wide association studies (GWAS) summary statistics. We apply the model to diverse phenotypes and validate the implementation with simulations. We find model polygenicities ranging from ≃ 2 × 10 −5 to ≃ 4 × 10 −3 , with discoverabilities similarly ranging over two orders of magnitude. A power analysis allows us to estimate the proportions of phenotypic variance explained additively by causal SNPs reaching genome-wide significance at current sample sizes, and map out sample sizes required to explain larger portions of additive SNP heritability. The model also allows for estimating residual inflation (or deflation from over-correcting of z-scores), and assessing compatibility of replication and discovery GWAS summary statistics. Author Summary There are ~10 million common variants in the genome of humans with European ancestry. For any particular phenotype a number of these variants will have some causal effect. It is of great interest to be able to quantify the number of these causal variants and the strength of their effect on the phenotype. Genome wide association studies (GWAS) produce very noisy summary statistics for the association between subsets of common variants and phenotypes. For any phenotype, these statistics collectively are difficult to interpret, but buried within them is the true landscape of causal effects. In this work, we posit a probability distribution for the causal effects, and assess its validity using simulations. Using a detailed reference panel of ~11 million common variants – among which only a small fraction are likely to be causal, but allowing for non-causal variants to show an association with the phenotype due to correlation with causal variants – we implement an exact procedure for estimating the number of causal variants and their mean strength of association with the phenotype. We find that, across different phenotypes, both these quantities – whose product allows for lower bound estimates of heritability – vary by orders of magnitude.

Abstract Of signal interest in the genetics of human traits is estimating their polygenicity (the proportion of causally associated single nucleotide polymorphisms (SNPs)) and the discoverability (or effect size variance) of the causal SNPs. Narrow-sense heritability is proportional to the product of these quantities. We present a basic model, using detailed linkage disequilibrium structure from an extensive reference panel, to estimate these quantities from genome-wide association studies (GWAS) summary statistics for SNPs with minor allele frequency >1%. We apply the model to diverse phenotypes and validate the implementation with simulations. We find model polygenicities ranging from ≃ 2 × 10 −5 to ≃ 4 × 10 −3 , with discoverabilities similarly ranging over two orders of magnitude. A power analysis allows us to estimate the proportions of phenotypic variance explained additively by causal SNPs at current sample sizes, and map out sample sizes required to explain larger portions of additive SNP heritability. The model also allows for estimating residual inflation.

SUMMARY Epilepsy is increasingly conceptualized as a network disorder. In this cross-sectional mega-analysis, we integrated neuroimaging and connectome analysis to identify network associations with atrophy patterns in 1,021 adults with epilepsy compared to 1,564 healthy controls from 19 international sites. In temporal lobe epilepsy, areas of atrophy co-localized with highly interconnected cortical hub regions, whereas idiopathic generalized epilepsy showed preferential subcortical hub involvement. These morphological abnormalities were anchored to the connectivity profiles of distinct disease epicenters, pointing to temporo-limbic cortices in temporal lobe epilepsy and fronto-central cortices in idiopathic generalized epilepsy. Indices of progressive atrophy further revealed a strong influence of connectome architecture on disease progression in temporal lobe, but not idiopathic generalized, epilepsy. Our findings were reproduced across individual sites and single patients, and were robust across different analytical methods. Through worldwide collaboration in ENIGMA-Epilepsy, we provided novel insights into the macroscale features that shape the pathophysiology of common epilepsies.

Abstract The structure of the brain’s cortical folds varies considerably in human populations. Specific patterns of cortical variation arise with development and aging, and cortical traits are partially influenced by genetic factors. The degree to which genetic factors affect cortical folding patterning remains unknown, yet may be estimated with large-scale in-vivo brain MRI. Using multiple MRI datasets from around the world, we estimated the reliability and heritability of sulcal morphometric characteristics including length, depth, width, and surface area, for 61 sulci per hemisphere of the human brain. Reliability was assessed across four distinct test-retest datasets. We meta-analyzed the heritability across three independent family-based cohorts (N > 3,000), and one cohort of largely unrelated individuals (N~9,000) to examine the robustness of our findings. Reliability was high (interquartile range for ICC: 0.65−0.85) for sulcal metrics. Most sulcal measures were moderately to highly heritable (heritability estimates = 0.3−0.7). These genetic influences vary regionally, with the earlier forming sulci having higher heritability estimates. The central sulcus, the subcallosal and the collateral fissure were the most highly heritable regions. For some frontal and temporal sulci, left and right genetic influences did not completely overlap, suggesting some lateralization of genetic effects on the cortex.

Abstract The size of the human head is determined by growth in the first years of life, while the rest of the body typically grows until early adulthood 1 . Such complex developmental processes are regulated by various genes and growth pathways 2 . Rare genetic syndromes have revealed genes that affect head size 3 , but the genetic drivers of variation in head size within the general population remain largely unknown. To elucidate biological pathways underlying the growth of the human head, we performed the largest genome-wide association study on human head size to date (N = 79,107). We identified 67 genetic loci, 50 of which are novel, and found that these loci are preferentially associated with head size and mostly independent from height. In subsequent neuroimaging analyses, the majority of genetic variants demonstrated widespread effects on the brain, whereas the effects of 17 variants could be localized to one or two specific brain regions. Through hypothesis-free approaches, we find a strong overlap of head size variants with both cancer pathways and cancer genes. Gene set analyses showed enrichment for different types of cancer and the p53, Wnt and ErbB signalling pathway. Genes overlapping or close to lead variants – such as TP53 , PTEN and APC – were enriched for genes involved in macrocephaly syndromes (up to 37-fold) and high-fidelity cancer genes (up to 9-fold), whereas this enrichment was not seen for human height variants. This indicates that genes regulating early brain and cranial growth are associated with a propensity to neoplasia later in life, irrespective of height. Our results warrant further investigations of the link between head size and cancer, as well as its clinical implications in the general population.

ABSTRACT Biomarker-assisted preclinical/early detection and intervention in Alzheimer’s disease (AD) may be the key to therapeutic breakthroughs. One of the presymptomatic hallmarks of AD is the accumulation of beta-amyloid (Aβ) plaques in the human brain. However, current methods to detect Aβ pathology are either invasive (lumbar puncture) or quite costly and not widely available (amyloid PET). Our prior studies show that MRI-based hippocampal multivariate morphometry statistics (MMS) are an effective neurodegenerative biomarker for preclinical AD. Here we attempt to use MRI-MMS to make inferences regarding brain Aβ burden at the individual subject level. As MMS data has a larger dimension than the sample size, we propose a sparse coding algorithm, Patch Analysis-based Surface Correntropy-induced Sparse coding and max-pooling (PASCS-MP), to generate a low-dimensional representation of hippocampal morphometry for each subject. Then we apply these individual representations and a binary random forest classifier to predict brain Aβ positivity for each person. We test our method in two independent cohorts, 841 subjects from the Alzheimer’s Disease Neuroimaging Initiative (ADNI) and 260 subjects from the Open Access Series of Imaging Studies (OASIS). Experimental results suggest that our proposed PASCS-MP method and MMS can discriminate Aβ positivity in people with mild cognitive impairment (MCI) (Accuracy (ACC)=0.89 (ADNI)) and in cognitively unimpaired (CU) individuals (ACC=0.79 (ADNI) and ACC=0.81 (OASIS)). These results compare favorably relative to measures derived from traditional algorithms, including hippocampal volume and surface area, shape measures based on spherical harmonics (SPHARM), and our prior Patch Analysis-based Surface Sparse-coding and Max-Pooling (PASS-MP) methods.

Abstract A comprehensive characterization of the brain’s white matter is critical for improving our understanding of healthy and diseased aging. Here we used diffusion-weighted magnetic resonance imaging (dMRI) to estimate age and sex effects on white matter microstructure in a cross-sectional sample of 15,628 adults aged 45-80 years old (47.6% male, 52.4% female). Microstructure was assessed using the following four models: a conventional single-shell model, diffusion tensor imaging (DTI); a more advanced single-shell model, the tensor distribution function (TDF); an advanced multi-shell model, neurite orientation dispersion and density imaging (NODDI); and another advanced multi-shell model, mean apparent propagator MRI (MAPMRI). Age was modeled using a data-driven statistical approach, and normative centile curves were created to provide sex-stratified white matter reference charts. Participant age and sex substantially impacted many aspects of white matter microstructure across the brain, with the advanced dMRI models TDF and NODDI detecting such effects the most sensitively. These findings and the normative reference curves provide an important foundation for the study of healthy and diseased brain aging.

Abstract Whole-brain tractograms generated from diffusion MRI digitally represent the white matter structure of the brain and are composed of millions of streamlines. Such tractograms can have false positive and anatomically implausible streamlines. To obtain anatomically relevant streamlines and tracts, supervised and unsupervised methods can be used for tractogram clustering and tract extraction. Here we propose FiberNeat, an unsupervised white matter tract filtering method. FiberNeat takes an input set of streamlines that could either be unlabeled clusters or labeled tracts. Individual clusters/tracts are projected into a latent space using nonlinear dimensionality reduction techniques, t-SNE and UMAP, to find spurious and outlier streamlines. In addition, outlier streamline clusters are detected using DBSCAN and then removed from the data in streamline space. We performed quantitative comparisons with expertly delineated tracts. We ran FiberNeat on 131 participants’ data from the ADNI3 dataset. We show that applying FiberNeat as a filtering step after bundle segmentation improves the quality of extracted tracts and helps improve tractometry.