Progressive loss of substantia nigra dopamine neurons (SN DA) is a hallmark of aging and of Parkinson's disease (PD). Mutations in PARK genes cause familial PD forms. Increased expression of alpha-synuclein (PARK4) is a disease-triggering event in familial PD and also observed in SN DA neurons in sporadic PD but related transcriptional changes are unknown. With optimized single-cell quantitative real-time polymerase chain reaction analysis, we compared messenger RNA and microRNA levels in SN DA neurons from sporadic PD patients and controls. Non-optimally matched donor ages and RNA integrities are common problems when analyzing human samples. We dissected the influence of distinct ages and RNA integrities of our samples by applying a specifically-optimized, linear-mixed-effects model to quantitative real-time polymerase chain reaction-data. We identified that elevated alpha-synuclein messenger RNA levels in SN DA neurons of human PD brains were positively correlated with corresponding elevated levels of mRNAs for functional compensation of progressive SN DA loss and for enhanced proteasomal (PARK5/UCHL1) and lysosomal (PARK9/ATPase13A2) function, possibly counteracting alpha-synuclein toxicity. In contrast, microRNA miR-133b levels, previously implicated in transcriptional dysregulation in PD, were not altered in SN DA neurons in PD.

Neuropathological and experimental evidence suggests that the cell-to-cell transfer of α-synuclein has an important role in the pathogenesis of Parkinson’s disease (PD). However, the mechanism underlying this phenomenon is not fully understood. We undertook a small interfering RNA (siRNA), genome-wide screen to identify genes regulating the cell-to-cell transfer of α-synuclein. A genetically encoded reporter, GFP-2A-αSynuclein-RFP, suitable for separating donor and recipient cells, was transiently transfected into HEK cells stably overexpressing α-synuclein. We find that 38 genes regulate the transfer of α-synuclein-RFP, one of which is ITGA8, a candidate gene identified through a recent PD genome-wide association study (GWAS). Weighted gene co-expression network analysis (WGCNA) and weighted protein-protein network interaction analysis (WPPNIA) show that those hits cluster in networks that include known PD genes more frequently than expected by random chance. The findings expand our understanding of the mechanism of α-synuclein spread.

ABSTRACT The human genome contains numerous duplicated regions, such as parent-pseudogene pairs, causing sequencing reads to align equally well to either gene. The extent to which this ambiguity complicates transcriptomic analyses is currently unknown. This is concerning as many parent genes have been linked to disease, including GBA1, causally linked to both Parkinson’s and Gaucher disease. We find that most of the short sequencing reads that map to GBA1 , also map to its pseudogene, GBAP1 . Using long-read RNA-sequencing in human brain, where all reads mapped uniquely, we demonstrate significant differences in expression compared to short-read data. We identify novel transcripts from both GBA1 and GBAP1 , including protein-coding transcripts that are translated in vitro and detected in proteomic data, but that lack GCase activity. By combining long-read with single-nuclear RNA-sequencing to analyse brain-relevant cell types we demonstrate that transcript expression varies by brain region with cell-type-selectivity. Taken together, these results suggest a non-lysosomal function for both GBA1 and GBAP1 in brain. Finally, we demonstrate that inaccuracies in annotation are widespread among parent genes, with implications for many human diseases.

Abstract The genetic basis of Lewy body dementia (LBD) is not well understood. Here, we performed whole-genome sequencing in large cohorts of LBD cases and neurologically healthy controls to study the genetic architecture of this understudied form of dementia and to generate a resource for the scientific community. Genome-wide association analysis identified five independent risk loci, whereas genome-wide gene-aggregation tests implicated mutations in the gene GBA . Genetic risk scores demonstrate that LBD shares risk profiles and pathways with Alzheimer’s and Parkinson’s disease, providing a deeper molecular understanding of the complex genetic architecture of this age-related neurodegenerative condition.

SUMMARY Background Personalized medicine promises individualized disease prediction and treatment. The convergence of machine learning (ML) and available multi-modal data is key moving forward. We build upon previous work to deliver multi-modal predictions of Parkinson’s Disease (PD). Methods We performed automated ML on multi-modal data from the Parkinson’s Progression Marker Initiative (PPMI). After selecting the best performing algorithm, all PPMI data was used to tune the selected model. The model was validated in the Parkinson’s Disease Biomarker Program (PDBP) dataset. Finally, networks were built to identify gene communities specific to PD. Findings Our initial model showed an area under the curve (AUC) of 89.72% for the diagnosis of PD. The tuned model was then tested for validation on external data (PDBP, AUC 85.03%). Optimizing thresholds for classification, increased the diagnosis prediction accuracy (balanced accuracy) and other metrics. Combining data modalities outperforms the single biomarker paradigm. UPSIT was the largest contributing predictor for the classification of PD. The transcriptomic data was used to construct a network of disease-relevant transcripts. Interpretation We have built a model using an automated ML pipeline to make improved multi-omic predictions of PD. The model developed improves disease risk prediction, a critical step for better assessment of PD risk. We constructed gene expression networks for the next generation of genomics-derived interventions. Our automated ML approach allows complex predictive models to be reproducible and accessible to the community. Funding National Institute on Aging, National Institute of Neurological Disorders and Stroke, the Michael J. Fox Foundation, and the Global Parkinson’s Genetics Program. RESEARCH IN CONTEXT Evidence before this study Prior research into predictors of Parkinson’s disease (PD) has either used basic statistical methods to make predictions across data modalities, or they have focused on a single data type or biomarker model. We have done this using an open-source automated machine learning (ML) framework on extensive multi-modal data, which we believe yields robust and reproducible results. We consider this the first true multi-modality ML study of PD risk classification. Added value of this study We used a variety of linear, non-linear, kernel, neural networks, and ensemble ML algorithms to generate an accurate classification of both cases and controls in independent datasets using data that is not involved in PD diagnosis itself at study recruitment. The model built in this paper significantly improves upon our previous models that used the entire training dataset in previous work 1 . Building on this earlier work, we showed that the PD diagnosis can be refined using improved algorithmic classification tools that may yield potential biological insights. We have taken careful consideration to develop and validate this model using public controlled-access datasets and an open-source ML framework to allow for reproducible and transparent results. Implications of all available evidence Training, validating, and tuning a diagnostic algorithm for PD will allow us to augment clinical diagnoses or risk assessments with less need for complex and expensive exams. Going forward, these models can be built on remote or asynchronously collected data which may be important in a growing telemedicine paradigm. More refined diagnostics will also increase clinical trial efficiency by potentially refining phenotyping and predicting onset, allowing providers to identify potential cases earlier. Early detection could lead to improved treatment response and higher efficacy. Finally, as part of our workflow, we built new networks representing communities of genes correlated in PD cases in a hypothesis-free manner, showing how new and existing genes may be connected and highlighting therapeutic opportunities.

Abstract Genome-wide association studies of late-onset Alzheimer’s disease (AD) have highlighted the importance of variants associated with genes expressed by the innate immune system in determining risk for AD. Recently, we and others have shown that genes associated with variants that confer risk for AD are significantly enriched in transcriptional networks expressed by amyloid-responsive microglia. This allowed us to predict new risk genes for AD, including the interferon-responsive oligoadenylate synthetase 1 ( OAS1 ). However, the function of OAS1 within microglia and its genetic pathway are not known. Using genotyping from 1,313 individuals with sporadic AD and 1,234 control individuals, we confirm that the OAS1 variant, rs1131454, is associated with increased risk for AD and decreased OAS1 expression. Moreover, we note that the same locus was recently associated with critical illness in response to COVID-19, linking variants that are associated with AD and a severe response to COVID-19. By analysing single-cell RNA-sequencing (scRNA-seq) data of isolated microglia from APP NL-G-F knock-in and wild-type C57BL/6J mice, we identify a transcriptional network that is significantly upregulated with age and amyloid deposition, and contains the mouse orthologue Oas1a , providing evidence that Oas1a plays an age-dependent function in the innate immune system. We identify a similar interferon-related transcriptional network containing OAS1 by analysing scRNA-seq data from human microglia isolated from individuals with AD. Finally, using human iPSC-derived microglial cells (h-iPSC-Mg), we see that OAS1 is required to limit the pro-inflammatory response of microglia. When stimulated with interferon-gamma (IFN-γ), we note that cells with lower OAS1 expression show an exaggerated pro-inflammatory response, with increased expression and secretion of TNF-α. Collectively, our data support a link between genetic risk for AD and susceptibility to critical illness with COVID-19 centred on OAS1 and interferon signalling, a finding with potential implications for future treatments of both AD and COVID-19, and the development of biomarkers to track disease progression.

Abstract Genetic studies implicate phagocytosis pathways in microglia to be a major Alzheimer’s disease (AD)-associated process. Microglia phagocytose synapses in AD mouse models, suggesting a role for microglia in region-specific synapse loss, a pathological hallmark of AD. However, whether specific synapses are targeted for elimination, and if so, how, remains to be elucidated. Here, we show that synapses externalize phosphatidylserine (PtdSer) upon challenge by β-amyloid oligomers, which are then selectively engulfed by microglia. Mechanistically, we find that Triggering Receptor Expressed on Myeloid Cells 2 (TREM2) is critical for microglia to sense and preferentially engulf AD synapses. In brains of mice and humans, TREM2 dysfunction leads to exacerbation of apoptotic synapses. Our work altogether suggests a fundamental role for microglia as brain-resident macrophages to remove damaged synapses in AD. We provide mechanistic insight into how TREM2 variants associated with increased risk of developing AD may contribute to defective microglia-synapse function. One-Sentence summary Microglia selectively engulf synapses in Alzheimer-like mouse brains via PtdSer-TREM2 signaling.

Abstract Alzheimer’s disease typically progresses in stages, which have been defined by the presence of disease-specific biomarkers: amyloid (A), tau (T) and neurodegeneration (N). This progression of biomarkers has been condensed into the ATN framework, in which each of the biomarkers can be either positive (+) or negative (−). Over the past decades, genome-wide association studies have implicated ∼90 different loci involved with the development of late-onset Alzheimer’s disease. Here, we investigate whether genetic risk for Alzheimer’s disease contributes equally to the progression in different disease stages or whether it exhibits a stage-dependent effect. Amyloid (A) and tau (T) status was defined using a combination of available PET and CSF biomarkers in the Alzheimer’s Disease Neuroimaging Initiative cohort. In 312 participants with biomarker-confirmed A−T− status, we used Cox proportional hazards models to estimate the contribution of APOE and polygenic risk scores (beyond APOE) to convert to A+T− status (65 conversions). Furthermore, we repeated the analysis in 290 participants with A+T− status and investigated the genetic contribution to conversion to A+T+ (45 conversions). Both survival analyses were adjusted for age, sex and years of education. For progression from A−T− to A+T−, APOE-e4 burden showed a significant effect [hazard ratio (HR) = 2.88; 95% confidence interval (CI): 1.70–4.89; P < 0.001], whereas polygenic risk did not (HR = 1.09; 95% CI: 0.84–1.42; P = 0.53). Conversely, for the transition from A+T− to A+T+, the contribution of APOE-e4 burden was reduced (HR = 1.62; 95% CI: 1.05–2.51; P = 0.031), whereas the polygenic risk showed an increased contribution (HR = 1.73; 95% CI: 1.27–2.36; P < 0.001). The marginal APOE effect was driven by e4 homozygotes (HR = 2.58; 95% CI: 1.05–6.35; P = 0.039) as opposed to e4 heterozygotes (HR = 1.74; 95% CI: 0.87–3.49; P = 0.12). The genetic risk for late-onset Alzheimer’s disease unfolds in a disease stage-dependent fashion. A better understanding of the interplay between disease stage and genetic risk can lead to a more mechanistic understanding of the transition between ATN stages and a better understanding of the molecular processes leading to Alzheimer’s disease, in addition to opening therapeutic windows for targeted interventions.

Mutations in GBA1 cause Gaucher disease and are the most important genetic risk factor for Parkinson’s disease. However, analysis of transcription at this locus is complicated by its highly homologous pseudogene, GBAP1 . We show that >50% of short RNA-sequencing reads mapping to GBA1 also map to GBAP1 . Thus, we used long-read RNA sequencing in the human brain, which allowed us to accurately quantify expression from both GBA1 and GBAP1 . We discovered significant differences in expression compared to short-read data and identify currently unannotated transcripts of both GBA1 and GBAP1 . These included protein-coding transcripts from both genes that were translated in human brain, but without the known lysosomal function—yet accounting for almost a third of transcription. Analyzing brain-specific cell types using long-read and single-nucleus RNA sequencing revealed region-specific variations in transcript expression. Overall, these findings suggest nonlysosomal roles for GBA1 and GBAP1 with implications for our understanding of the role of GBA1 in health and disease.

Abstract The R47H variant of the microglial membrane receptor TREM2 is linked to increased risk of late onset Alzheimer’s disease. Human induced pluripotent stem cell derived microglia (iPS-Mg) from patient iPSC lines expressing the AD-linked R47H het TREM2 variant, common variant (Cv) or an R47H hom CRISPR edited line and its isogeneic control, demonstrated that R47H-expressing iPS-Mg expressed a deficit in signal transduction in response to the TREM2 endogenous ligand phosphatidylserine with reduced pSYK-pERK1/2 signalling and a reduced NLRP3 inflammasome response, (including ASC speck formation, Caspase-1 activation and IL-1beta secretion). Apoptotic cell phagocytosis and soluble TREM2 shedding were unaltered, suggesting a disjoint between these pathways and the signalling cascades downstream of TREM2 in R47H-expressing iPS-Mg, whilst metabolic deficits in glycolytic capacity and maximum respiration were reversed when R47H expressing iPS-Mg were exposed to PS+ expressing cells. These findings suggest that R47H-expressing microglia are unable to respond fully to cell damage signals such as phosphatidylserine, which may contribute to the progression of neurodegeneration in late-onset AD.