Abstract Gaining insight into the downstream consequences of non-coding variants is an essential step towards the identification of therapeutic targets from genome-wide association study (GWAS) findings. Here we have harmonized and integrated 8,727 RNA-seq samples with accompanying genotype data from multiple brain-regions from 14 datasets. This sample size enabled us to perform both cis - and trans -expression quantitative locus (eQTL) mapping. Upon comparing the brain cortex cis -eQTLs (for 12,307 unique genes at FDR<0.05) with a large blood cis- eQTL analysis (n=31,684 samples), we observed that brain eQTLs are more tissue specific than previously assumed. We inferred the brain cell type for 1,515 cis -eQTLs by using cell type proportion information. We conducted Mendelian Randomization on 31 brain-related traits using cis -eQTLs as instruments and found 159 significant findings that also passed colocalization. Furthermore, two multiple sclerosis (MS) findings had cell type specific signals, a neuron-specific cis- eQTL for CYP24A1 and a macrophage specific cis -eQTL for CLECL1 . To further interpret GWAS hits, we performed trans -eQTL analysis. We identified 2,589 trans -eQTLs (at FDR<0.05) for 373 unique SNPs, affecting 1,263 unique genes, and 21 replicated significantly using single-nucleus RNA-seq data from excitatory neurons. We also generated a brain-specific gene-coregulation network that we used to predict which genes have brain-specific functions, and to perform a novel network analysis of Alzheimer’s disease (AD), amyotrophic lateral sclerosis (ALS), multiple sclerosis (MS) and Parkinson’s disease (PD) GWAS data. This resulted in the identification of distinct sets of genes that show significantly enriched co-regulation with genes inside the associated GWAS loci, and which might reflect drivers of these diseases.

Abstract Gene expression and its regulation can be context-dependent. To dissect this, using samples from 120 individuals, we single-cell RNA-sequenced 1.3M peripheral blood mononuclear cells exposed to three different pathogens at two time points or left unexposed. This revealed thousands of cell type-specific expression changes (eQTLs) and pathogen-induced expression changes (response QTLs) that are influenced by genetic variation. In monocytes, the strongest responder to pathogen stimulations, genetics also affected co-expression of 71.4% of these eQTL genes. For example, the pathogen recognition receptor CLEC12A showed many such co-expression interactions, but only in monocytes after 3h pathogen stimulation. Further analysis linked this to interferon-regulating transcription factors, a finding that we recapitulated in an independent cohort of patients with systemic lupus erythematosus, a condition characterized by increased interferon activity. Altogether, this study highlights the importance of context for gaining a better understanding of the mechanisms of gene regulation in health and disease.

Abstract Expression quantitative trait loci (eQTL) can reveal the regulatory mechanisms of trait associated variants. eQTLs are highly cell-type and context-specific, but often these contexts are unknown or not measured. Here, we introduce PICALO (Principal Interaction Component Analysis through Likelihood Optimization), an unbiased method to identify known and hidden contexts that influence eQTLs. PICALO uses expectation maximization to identify latent components, referred to as Principal Interaction Components (PIC), that interact with genotypes to maximize explained eQTL effect-sizes. We applied PICALO to bulk RNA-seq eQTL datasets in blood (n=2,932) and brain (n=2,440). We identify 31 PICs in blood, interacting with 4,169 (32%) unique cis-eQTLs (BH-FDR≤0.05). In brain, we identified 21 PICs, interacting with 4,058 (39%) unique cis-eQTLs (BH-FDR≤0.05). These PICs are associated with RNA quality, cell type composition or environmental influences. Furthermore, PICs clearly disentangle distinct eQTL contexts, for example technical from non-technical factors. Combined, 3,065 unique genes showed a cis-eQTL effect that is dependent on a cell type or other non-technical context, emphasizing the value of methods like PICALO. PICALO is robust, works well with heterogeneous datasets, yields reproducible interaction components, and identifies eQTL interactions and contexts that would have been missed when using cell counts or expression based principal components. Since PICALO allows for the identification of many context-dependent eQTLs without any prior knowledge of such contexts, this method can help to reveal and quantify the influence of previously unknown environmental factors that play a role in common diseases.

Abstract In coeliac disease (CeD), the epithelial lining (EL) of the small intestine is severely damaged through a complex auto-inflammatory response that results in intraepithelial lymphocytes (IELs) attacking epithelial cells (ECs). To better understand the changes occurring in the EL in CeD, including after initiation of a gluten-free diet, and the regulatory mechanisms that affect mucosal homeostasis, we investigated ECs and IELs in the CeD duodenal EL using RNA-seq and eQTL analysis on predicted cell types. The study included 82 duodenal biopsies from volunteers, grouped into controls (CTRL), gluten-free diet treated CeD (TCD) and untreated CeD (UCD). We identified 2,868 differential expressed genes, which clustered into four sets with specific functions related to CeD. Two sets, one upregulated for cell cycle function and one downregulated for digestion, transmembrane transport, and laminin pathways, defined three groups of samples based on inflammation status: non-inflamed, mild inflammation or severe inflammation. These inflammation states correlated with but were not specific to disease state. The remaining two sets of genes were enriched for immune, extracellular matrix, and barrier functions. These latter two sets allowed the classification of samples into their disease conditions: CTRL, TCD, and UCD. Finally, deconvoluting eQTL effects from ECs and immune cells in the EL identified 7 and 9 cell-type-mediated eQTL genes, respectively. In sum, we identified genes expressed in the duodenal EL whose expression might be used as biomarkers to assess CeD condition and its mucosal and immune status. Highlights Gene expression in epithelial lining in CeD patients reflects inflammation status The transcriptome can classify epithelium as no, mild, or severe inflammation Cell cycle, absorption, and basal lamina genes are indicators of mucosal damage Immune and extracellular matrix genes distinguish untreated from treated cases Predicted-cell-type eQTLs pinpoint effects in immune and epithelial cells