Compared to other common complex diseases, it has proved remarkably difficult to establish the genetic basis of blood-pressure elevation. A multi-stage genome-wide association study involving 200,000 individuals of European descent provides some of the missing detail in the genetic picture. The study identified 16 relevant loci, of which only 6 contain genes previously known or suspected to regulate blood pressure. An association was found between hypertension, the thickness of the left ventricular wall, stroke and coronary artery disease, but not kidney disease or kidney function. Comparison with data from more than 75,000 people of East Asian, South Asian and African ancestries confirmed that many of the variants identified in European-ancestry subjects also influence blood pressure in other populations. Blood pressure is a heritable trait1 influenced by several biological pathways and responsive to environmental stimuli. Over one billion people worldwide have hypertension (≥140 mm Hg systolic blood pressure or ≥90 mm Hg diastolic blood pressure)2. Even small increments in blood pressure are associated with an increased risk of cardiovascular events3. This genome-wide association study of systolic and diastolic blood pressure, which used a multi-stage design in 200,000 individuals of European descent, identified sixteen novel loci: six of these loci contain genes previously known or suspected to regulate blood pressure (GUCY1A3–GUCY1B3, NPR3–C5orf23, ADM, FURIN–FES, GOSR2, GNAS–EDN3); the other ten provide new clues to blood pressure physiology. A genetic risk score based on 29 genome-wide significant variants was associated with hypertension, left ventricular wall thickness, stroke and coronary artery disease, but not kidney disease or kidney function. We also observed associations with blood pressure in East Asian, South Asian and African ancestry individuals. Our findings provide new insights into the genetics and biology of blood pressure, and suggest potential novel therapeutic pathways for cardiovascular disease prevention.

Genomics is a Big Data science and is going to get much bigger, very soon, but it is not known whether the needs of genomics will exceed other Big Data domains. Projecting to the year 2025, we compared genomics with three other major generators of Big Data: astronomy, YouTube, and Twitter. Our estimates show that genomics is a “four-headed beast”—it is either on par with or the most demanding of the domains analyzed here in terms of data acquisition, storage, distribution, and analysis. We discuss aspects of new technologies that will need to be developed to rise up and meet the computational challenges that genomics poses for the near future. Now is the time for concerted, community-wide planning for the “genomical” challenges of the next decade.

To identify novel genes associated with ALS, we undertook two lines of investigation. We carried out a genome-wide association study comparing 20,806 ALS cases and 59,804 controls. Independently, we performed a rare variant burden analysis comparing 1,138 index familial ALS cases and 19,494 controls. Through both approaches, we identified kinesin family member 5A (KIF5A) as a novel gene associated with ALS. Interestingly, mutations predominantly in the N-terminal motor domain of KIF5A are causative for two neurodegenerative diseases: hereditary spastic paraplegia (SPG10) and Charcot-Marie-Tooth type 2 (CMT2). In contrast, ALS-associated mutations are primarily located at the C-terminal cargo-binding tail domain and patients harboring loss-of-function mutations displayed an extended survival relative to typical ALS cases. Taken together, these results broaden the phenotype spectrum resulting from mutations in KIF5A and strengthen the role of cytoskeletal defects in the pathogenesis of ALS.

Single-cell transcriptomics provide a systematic map of gene expression in different human cell types. The next challenge is to systematically understand cell-type-specific gene function. The integration of CRISPR-based functional genomics and stem cell technology enables the scalable interrogation of gene function in differentiated human cells. Here we present the first genome-wide CRISPR interference and CRISPR activation screens in human neurons. We uncover pathways controlling neuronal response to chronic oxidative stress, which is implicated in neurodegenerative diseases. Unexpectedly, knockdown of the lysosomal protein prosaposin strongly sensitizes neurons, but not other cell types, to oxidative stress by triggering the formation of lipofuscin, a hallmark of aging, which traps iron, generating reactive oxygen species and triggering ferroptosis. We also determine transcriptomic changes in neurons after perturbation of genes linked to neurodegenerative diseases. To enable the systematic comparison of gene function across different human cell types, we establish a data commons named CRISPRbrain. Tian et al. conducted a genome-wide CRISPRi/CRISPRa screen in human neurons and uncovered a neuron-specific link among prosaposin, lipofuscin and ferroptosis. The CRISPRbrain data commons enables comparison of gene function across human cell types.

With recent findings connecting the Epstein-Barr virus to an increased risk of multiple sclerosis and growing concerns regarding the neurological impact of the coronavirus pandemic, we examined potential links between viral exposures and neurodegenerative disease risk. Using time series data from FinnGen for discovery and cross-sectional data from the UK Biobank for replication, we identified 45 viral exposures significantly associated with increased risk of neurodegenerative disease and replicated 22 of these associations. The largest effect association was between viral encephalitis exposure and Alzheimer's disease. Influenza with pneumonia was significantly associated with five of the six neurodegenerative diseases studied. We also replicated the Epstein-Barr/multiple sclerosis association. Some of these exposures were associated with an increased risk of neurodegeneration up to 15 years after infection. As vaccines are currently available for some of the associated viruses, vaccination may be a way to reduce some risk of neurodegenerative disease.

Abstract Single-cell transcriptomics provide a systematic map of gene expression in different human cell types. The next challenge is to systematically understand cell-type specific gene function. The integration of CRISPR-based functional genomics and stem cell technology enables the scalable interrogation of gene function in differentiated human cells. Here, we present the first genomewide CRISPR interference and CRISPR activation screens in human neurons. We uncover pathways controlling neuronal response to chronic oxidative stress, which is implicated in neurodegenerative diseases. Unexpectedly, knockdown of the lysosomal protein prosaposin strongly sensitizes neurons, but not other cell types, to oxidative stress by triggering the formation of lipofuscin, a hallmark of aging, which traps iron, generating reactive oxygen species and triggering ferroptosis. We also determine transcriptomic changes in neurons following perturbation of genes linked to neurodegenerative diseases. To enable the systematic comparison of gene function across different human cell types, we establish a data commons named CRISPRbrain.

ABSTRACT Microglia are emerging as key drivers of neurological diseases. However, we lack a systematic understanding of the underlying mechanisms. Here, we present a screening platform to systematically elucidate functional consequences of genetic perturbations in human iPSC-derived microglia. We developed an efficient eight-day protocol for the generation of microglia-like cells based on the inducible expression of six transcription factors. We established inducible CRISPR interference and activation in this system and conducted three screens targeting the “druggable genome”. These screens uncovered genes controlling microglia survival, activation and phagocytosis, including neurodegeneration-associated genes. A screen with single-cell RNA sequencing as the readout revealed that these microglia adopt a spectrum of states mirroring those observed in human brains and identified regulators of these states. A disease-associated state characterized by SPP1 expression was selectively depleted by CSF1R inhibition. Thus, our platform can systematically uncover regulators of microglia states, enabling their functional characterization and therapeutic targeting.

Abstract Fully automated proteomic pipelines have the potential to achieve deep coverage of cellular proteomes with high throughput and scalability. However, it is important to evaluate performance, including both reproducibility and ability to provide meaningful levels of biological insight. Here, we present an approach combining high field asymmetric waveform ion mobility spectrometer (FAIMS) interface and data independent acquisition (DIA) proteomics approach developed as part of the induced pluripotent stem cell (iPSC) Neurodegenerative Disease Initiative (iNDI), a large-scale effort to understand how inherited diseases may manifest in neuronal cells. Our FAIMS-DIA approach identified more than 8000 proteins per mass spectrometry (MS) acquisition as well as superior total identification, reproducibility, and accuracy compared to other existing DIA methods. Next, we applied this approach to perform a longitudinal proteomic profiling of the differentiation of iPSC-derived neurons from the KOLF2.1J parental line used in iNDI. This analysis demonstrated a steady increase in expression of mature cortical neuron markers over the course of neuron differentiation. We validated the performance of our proteomics pipeline by comparing it to single cell RNA-Seq datasets obtained in parallel, confirming expression of key markers and cell type annotations. An interactive webapp of this temporal data is available for aligned-UMAP visualization and data browsing ( https://share.streamlit.io/anant-droid/singlecellumap ). In summary, we report an extensively optimized and validated proteomic pipeline that will be suitable for large-scale studies such as iNDI.

Abstract Background Unplanned readmission of a hospitalized patient is an extremely undesirable outcome as the patient may have been exposed to additional risks. The rates of unplanned readmission are, therefore, regarded as an important performance indicator for the medical quality of a hospital and healthcare system. Identifying high-risk patients likely to suffer from readmission before release benefits both the patients and the medical providers. The emergence of machine learning to detect hidden patterns in complex, multi-dimensional datasets provides unparalleled opportunities to develop efficient discharge decision-making support system for physicians. Methods and Findings We used supervised machine learning approaches for ICU readmission prediction. We used machine learning methods on comprehensive, longitudinal clinical data from the MIMIC-III to predict the ICU readmission of patients within 30 days of their discharge. We have utilized recent machine learning techniques such as Recurrent Neural Networks (RNN) with Long Short-Term Memory (LSTM), by this we have been able incorporate the multivariate features of EHRs and capture sudden fluctuations in chart event features (e.g. glucose and heart rate) that are significant in time series with temporal dependencies, which cannot be properly captured by traditional static models, but can be captured by our proposed deep neural network based model. We incorporate multiple types of features including chart events, demographic, and ICD9 embeddings. Our machine learning models identifies ICU readmissions at a higher sensitivity rate (0.742) and an improved Area Under the Curve (0.791) compared with traditional methods. We also illustrate the importance of each portion of the features and different combinations of the models to verify the effectiveness of the proposed model. Conclusion Our manuscript highlights the ability of machine learning models to improve our ICU decision making accuracy, and is a real-world example of precision medicine in hospitals. These data-driven results enable clinicians to make assisted decisions within their patient cohorts. This knowledge could have immediate implications for hospitals by improving the detection of possible readmission. We anticipate that machine learning models will improve patient counseling, hospital administration, allocation of healthcare resources and ultimately individualized clinical care.

Abstract Human induced pluripotent stem cell (iPSC) lines are a powerful tool for studying development and disease, but the considerable phenotypic variation between lines makes it challenging to replicate key findings and integrate data across research groups. To address this issue, we sub-cloned candidate iPSC lines and deeply characterised their genetic properties using whole genome sequencing, their genomic stability upon CRISPR/Cas9-based gene editing, and their phenotypic properties including differentiation to commonly-used cell types. These studies identified KOLF2.1J as an all-around well-performing iPSC line. We then shared KOLF2.1J with groups around the world who tested its performance in head-to-head comparisons with their own preferred iPSC lines across a diverse range of differentiation protocols and functional assays. On the strength of these findings, we have made KOLF2.1J and hundreds of its gene-edited derivative clones readily accessible to promote the standardization required for large-scale collaborative science in the stem cell field. Summary The authors of this collaborative study deeply characterized human induced pluripotent stem cell (iPSC) lines to rationally select a clonally-derived cell line that performs well across multiple modalities. KOLF2.1J was identified as a candidate reference cell line based on single-cell analysis of its gene expression in the pluripotent state, whole genome sequencing, genomic stability after highly efficient CRISPR-mediated gene editing, integrity of the p53 pathway, and the efficiency with which it differentiated into multiple target cell populations. Since it is deeply characterized and can be readily acquired, KOLF2.1J is an attractive reference cell line for groups working with iPSCs. Graphical abstract