Abstract Most psychiatric disorders are highly heritable and associated with altered brain structural and functional patterns. Data fusion analyses on brain imaging and genetics, one of which is parallel independent component analysis (pICA), enable the link of genomic factors to brain patterns. Due to the small to modest effect sizes of common genetic variants in psychiatric disorders, it is usually challenging to reliably separate disorder-related genetic factors from the rest of the genome with the typical size of clinical samples. To alleviate this problem, we propose sparse parallel independent component analysis (spICA) to leverage the sparsity of individual genomic sources. The sparsity is enforced by performing Hoyer projection on the estimated independent sources. Simulation results demonstrate that the proposed spICA yields improved detection of independent sources and imaging-genomic associations compared to pICA. We applied spICA to gray matter volume (GMV) and single nucleotide polymorphism (SNP) data of 341 unrelated adults, including 127 controls, 167 attention-deficit/hyperactivity disorder (ADHD) cases, and 47 unaffected siblings. We identified one SNP source significantly and positively associated with a GMV source in superior/middle frontal regions. This association was replicated with a smaller effect size in 317 adolescents from ADHD families, including 188 individuals with ADHD and 129 unaffected siblings. The association was found to be more significant in ADHD families than controls, and stronger in adults and older adolescents than younger ones. The identified GMV source in superior/middle frontal regions was not correlated with head motion parameters and its loadings (expression levels) were reduced in adolescent (but not adult) individuals with ADHD. This GMV source was associated with working memory deficits in both adult and adolescent individuals with ADHD. The identified SNP component highlights SNPs in genes encoding long non-coding RNAs and SNPs in genes MEF2C, CADM2, and CADPS2, which have known functions relevant for modulating neuronal substrates underlying high-level cognition in ADHD.

Abstract During early embryo development, the nuclear factor CTCF plays a vital role in organizing chromatin structure and regulating transcription. Recent studies have examined the establishment of nucleosome profiles around the CTCF motif sites shortly after fertilization. However, the kinetics of CTCF chromatin occupation in pre-implantation embryos have remained unclear. In this study, we utilized CUT&RUN technology to investigate CTCF occupancy in mouse pre-implantation development. Our findings revealed that CTCF begins binding to the genome prior to zygotic genome activation (ZGA), with a preference for CTCF anchored chromatin loops. Although the majority of CTCF occupancy is consistently maintained, we identified a specific set of binding sites enriched in the mouse-specific short-interspersed element (SINE) family B2, which are restricted to the cleavage stages. Notably, our data suggested that the neuroprotective protein ADNP may counteract the stable association of CTCF at SINE B2-derived CTCF-binding sites.

Abstract N 6 -methyladenosine (m 6 A) on chromosome-associated regulatory RNAs (carRNAs), including repeat RNAs, play important roles in tuning the chromatin state and transcription 1 . Among diverse RNA-chromatin interacting modes, the nuclear RNA scaffold is considered important for trans-interactions 2,3 but has not yet been connected with m 6 A yet. Here, we found that Ythdc1 played indispensable roles in the embryonic stem cell (ESC) self-renewal and differentiation potency, and these roles highly depended on its m 6 A-binding ability. Ythdc1 deficiency in ESCs resulted in decreased rRNA synthesis and the activation of 2-cell (2C) embryo-specific transcriptional program, and these observations recapitulated the transcriptome defects induced by dysfunction of the long interspersed nuclear element-1 (LINE1)-scaffold, which were unrelated to the direct targeting of Ythdc1. A detailed analysis revealed that Ythdc1 recognized m 6 A on LINE1 and was physically involved in the formation of the LINE1-Nucleolin partnership and the chromatin recruitment of Kap1. In summary, our study reveals a new link between m 6 A and the RNA scaffold and thus provides a new regulatory model for the crosstalk between RNA and the chromatin epigenome.

There is growing evidence that rather than using a single brain imaging modality to study its association with physiological or symptomatic features, the field is paying more attention to fusion of multimodal information. However, most current multimodal fusion approaches that incorporate functional magnetic resonance imaging (fMRI) are restricted to second-level 3D features, rather than the original 4D fMRI data. This trade-off is that the valuable temporal information is not utilized during the fusion step. Here we are motivated to propose a novel approach called 'parallel group ICA+ICA' that incorporates temporal fMRI information from GICA into a parallel ICA framework, aiming to enable direct fusion of first-level fMRI features with other modalities (e.g. structural MRI), which thus can detect linked functional network variability and structural covariations. Simulation results show that the proposed method yields accurate inter-modality linkage detection regardless of whether it is strong or weak. When applied to real data, we identified one pair of significantly associated fMRI-sMRI components that show group difference between schizophrenia and controls in both modalities. Finally, multiple cognitive domain scores can be predicted by the features identified in the linked component pair by our proposed method. We also show these multimodal brain features can predict multiple cognitive scores in an independent cohort. Overall, results demonstrate the ability of parallel GICA+ICA to estimate joint information from 4D and 3D data without discarding much of the available information up front, and the potential for using this approach to identify imaging biomarkers to study brain disorders.

Functional magnetic resonance imaging (fMRI) studies often estimate brain intrinsic connectivity networks (ICNs) from temporal relationships between hemodynamic signals using approaches such as independent component analysis (ICA). While ICNs are thought to represent functional sources that play important roles in various psychological phenomena, current approaches have been tailored to identify ICNs that mainly reflect linear statistical relationships. However, the elements comprising neural systems often exhibit remarkably complex nonlinear interactions that may be involved in cognitive operations and altered in psychiatric conditions such as schizophrenia. Consequently, there is a need to develop methods capable of effectively capturing ICNs from measures that are sensitive to nonlinear relationships. Here, we advance a novel approach to estimate ICNs from explicitly nonlinear whole-brain functional connectivity (ENL-wFC) by transforming resting-state fMRI (rsfMRI) data into the connectivity domain, allowing us to capture unique information that would be missed by linear whole-brain functional connectivity (LIN-wFC) analysis. Our findings provide evidence that ICNs commonly extracted from linear (LIN) relationships are also reflected in explicitly nonlinear (ENL) connectivity patterns. ENL ICN estimates exhibit higher reliability and stability, highlighting our approach9s ability to effectively quantify ICNs from rsfMRI data. Additionally, we observed a consistent spatial gradient pattern between LIN and ENL ICNs with higher ENL weight in core ICN regions, suggesting that ICN function may be subserved by nonlinear processes concentrated within network centers. We also found that a uniquely identified ENL ICN distinguished individuals with schizophrenia from healthy controls while a uniquely identified LIN ICN did not, emphasizing the valuable complementary information that can be gained by incorporating measures that are sensitive to nonlinearity in future analyses. Moreover, the ENL estimates of ICNs associated with auditory, linguistic, sensorimotor, and self-referential processes exhibit heightened sensitivity towards differentiating between individuals with schizophrenia and controls compared to LIN counterparts, demonstrating the translational value of our approach and of the ENL estimates of ICNs that are frequently reported as disrupted in schizophrenia. In summary, our findings underscore the tremendous potential of connectivity domain ICA and nonlinear information in resolving complex brain phenomena and revolutionizing the landscape of clinical FC analysis.

Brain functional networks identified from fMRI data can provide potential biomarkers for brain disorders. Group independent component analysis (GICA) is popular for extracting brain functional networks from multiple subjects. In GICA, different strategies exist for reconstructing subject-specific networks from the group-level networks. However, it is unknown whether these strategies have different sensitivities to group differences and abilities in distinguishing patients. Among GICA, spatio-temporal regression (STR) and spatially constrained ICA approaches such as group information guided ICA (GIG-ICA) can be used to propagate components (indicating networks) to a new subject that is not included in the original subjects. In this study, based on the same a priori network maps, we reconstructed subject-specific networks using these two methods separately from resting-state fMRI data of 151 schizophrenia patients (SZs) and 163 healthy controls (HCs). We investigated group differences in the estimated functional networks and the functional network connectivity (FNC) obtained by each method. The networks were also used as features in a cross-validated support vector machine (SVM) for classifying SZs and HCs. We selected features using different strategies to provide a comprehensive comparison between the two methods. GIG-ICA generally showed greater sensitivity in statistical analysis and better classification performance (accuracy 76.45±8.9%, sensitivity 0.74±0.11, specificity 0.79±0.11) than STR (accuracy 67.45±8.13%, sensitivity 0.65±0.11, specificity 0.71±0.11). Importantly, results were also consistent when applied to an independent dataset including 82 HCs and 82 SZs. Our work suggests that the functional networks estimated by GIG-ICA are more sensitive to group differences, and GIG-ICA is promising for identifying image-derived biomarkers of brain disease.

Brain structural networks have been shown to consistently organize in functionally meaningful architectures covering the entire brain. However, to what extent brain structural architectures match the intrinsic functional networks in different functional domains remains under explored. In this study, based on independent component analysis, we revealed 45 pairs of structural-functional (S-F) component maps, distributing across 9 functional domains, in both a discovery cohort (n=6005) and a replication cohort (UK Biobank, n=9214), providing a well-match multimodal spatial map template for public use. Further network module analysis suggested that unimodal cortical areas (e.g. somatomotor and visual networks) indicate higher S-F coherence, while heteromodal association cortices, especially the frontoparietal network (FPN), exhibit more S-F divergence. Collectively, these results suggest that the expanding and maturing brain association cortex demonstrates a higher degree of change compared to unimodal cortex, which may lead to higher inter-individual variability and lower S-F coherence.

Tremendous work has demonstrated the critical roles of genetics, epigenetics as well as their interplay in brain transcriptional regulations in the pathology of schizophrenia (SCZ). There is great success currently in the dissection of the genetic components underlying risk-conferring transcriptomic networks. However, the study of regulating effect of epigenetics, as a modulator of environmental factors, in the etiopathogenesis of SCZ still faces many challenges. In this work we investigated DNA methylation and gene expression from the dorsolateral prefrontal cortex (DLPFC) region of schizophrenia patients and healthy controls using weighted correlation network approaches. We identified and replicated two expression and two methylation modules significantly associated with SCZ. Among them, one pair of expression and methylation modules were significantly overlapped in the module genes which were enriched in astrocyte-associated functional pathways, and specifically expressed in astrocytes. Another two linked expression-methylation module pairs were involved aging process with module genes mostly related to oligodendrocyte development and myelination, and specially expressed in oligodendrocytes. Further examination of underlying quantitative trait loci (QTLs) showed significant enrichment in genetic risk of most psychiatric disorders for expression QTLs but not for methylation QTLs. These results support the coherence between methylation and gene expression in a network level, and suggest a combinatorial effect of genetics and epigenetics in regulating gene expression networks specific to glia cells in relation with SCZ and aging process.

Background The gut microbiota plays important roles in modulating host metabolism. Previous studies have demonstrated differences in the gut microbiome of T2D and prediabetic individuals compared to healthy individuals, with distinct disease-related microbial profiles being reported in groups of different age and ethnicity. However, confounding factors such as anti-diabetic medication hamper identification of the gut microbial changes in disease development.Method We used a combination of in-depth metagenomics and metaproteomics analyses of faecal samples from treatment-naïve type 2 diabetic (TN-T2D, n=77), pre-diabetic (Pre-DM, n=80), and normal glucose tolerant (NGT, n=97) individuals to investigate compositional and functional changes of the gut microbiota and the faecal content of microbial and host proteins in Pre-DM and treatment-naïve T2D individuals to elucidate possible host-microbial interplays characterising different disease stages.Findings We observed distinct differences characterizing the gut microbiota of these three groups and validated several key features in an independent TN-T2D cohort. We also demonstrated that the content of several human antimicrobial peptides and pancreatic enzymes differed in faecal samples between three groups, such as reduced faecal level of antimicrobial peptides and pancreatic enzymes in TN-T2D.Interpretation Our findings suggest a complex, disease stage-dependent interplay between the gut microbiota and the host and emphasize the value of metaproteomics to gain further insight into interplays between the gut microbiota and the host.Funding National Key Research and Development Program of China, No. 2017YFC0909703, Shenzhen Municipal Government of China, No. JCYJ20170817145809215, and National Natural Science Foundation of China, No. 31601073.

Our previous work revealed that Nrf1α exerts a tumor-repressing effect because its genomic loss (to yield Nrf1α-/-) results in oncogenic activation of Nrf2 and target genes. Interestingly, β-catenin is concurrently activated by loss of Nrf1α in a way similar to β-catenin-driven liver tumor. However, a presumable relationship between Nrf1 and β-catenin is not as yet established. Here, we demonstrate that Nrf1 enhanced ubiquitination of β-catenin for targeting to proteasomal degradation. Conversely, knockdown of Nrf1 by its short-hairpin RNA (shNrf1) caused accumulation of β-catenin so as to translocate the nucleus, allowing activation of a subset of Wnt-β-catenin signaling responsive genes, which leads to the epithelial-mesenchymal transition (EMT) and related cellular processes. Such silencing of Nrf1 resulted in malgrowth of human hepatocellular carcinoma, along with malignant invasion and metastasis to the lung and liver in xenograft model mice. Further transcriptomic sequencing unraveled significant differences in the expression of both Wnt/β-catenin-dependent and -independent responsive genes implicated in the cell process, shape and behavior of the shNrf1-expressing tumor. Notably, we identified that β-catenin is not a target gene of Nrf1, but this CNC-bZIP factor contributes to differential or opposing expression of other critical genes, such as CDH1, Wnt5A, Wnt11A, FZD10, LEF, TCF4, SMAD4, MMP9, PTEN, PI3K, JUN and p53, each of which depends on the positioning of distinct cis-regulatory sequences (e.g., ARE and/or AP-1 binding sites) in the gene promoter contexts. In addition, altered expression profiles of some Wntt-β-catenin signaling proteins were context-dependent, as accompanied by decreased abundances of Nrf1 in the clinic human hepatomas with distinct differentiation. Together, these results corroborate the rationale that Nrf1 acts as a bona fide dominant tumor-repressor, by its intrinsic inhibition of Wnt-β-catenin signaling and relevant independent networks in cancer development and malignant progression.