Abstract The biological processes that are disrupted in the Alzheimer’s disease (AD) brain remain incompletely understood. We recently performed a proteomic analysis of >2000 brains to better understand these changes, which highlighted alterations in astrocytes and microglia as likely key drivers of disease. Here, we extend this analysis by analyzing >1000 brain tissues using a tandem mass tag mass spectrometry (TMT-MS) pipeline, which allowed us to nearly triple the number of quantified proteins across cases. A consensus protein co-expression network analysis of this deeper dataset revealed new co-expression modules that were highly preserved across cohorts and brain regions, and strongly altered in AD. Nearly half of the protein co-expression modules, including modules significantly altered in AD, were not observed in RNA networks from the same cohorts and brain regions, highlighting the proteopathic nature of AD. Two such AD-associated modules unique to the proteomic network included a module related to MAPK signaling and metabolism, and a module related to the matrisome. Analysis of paired genomic and proteomic data within subjects showed that expression level of the matrisome module was influenced by the APOE ε4 allele, but was not related to the rate of cognitive decline after adjustment for neuropathology. In contrast, the MAPK/metabolism module was strongly associated with the rate of cognitive decline. Disease-associated modules unique to the proteome are sources of promising therapeutic targets and biomarkers for AD.

Abstract Emerging evidence shows that the meninges conduct essential immune surveillance and immune defense at the brain border, and the dysfunction of meningeal immunity contributes to aging and neurodegeneration. However, no study exists on the molecular properties of cell types within human leptomeninges. Here, we provide the first single nuclei profiling of dissected postmortem leptomeninges from aged individuals. We detect diverse cell types, including unique meningeal endothelial, mural, and fibroblast subtypes. For immune cells, we show that most T cells express CD8 and bear characteristics of tissue-resident memory T cells. We also identify distinct subtypes of border-associated macrophages (BAMs) that display differential gene expressions from microglia and express risk genes for Alzheimer’s Disease (AD), as nominated by genome-wide association studies (GWAS). We discover cell-type-specific differentially expressed genes in individuals with Alzheimer’s dementia, particularly in fibroblasts and BAMs. Indeed, when cultured, leptomeningeal cells display the signature of ex vivo AD fibroblasts upon amyloid-β treatment. We further explore ligand-receptor interactions within the leptomeningeal niche and computationally infer intercellular communications in AD. Thus, our study establishes a molecular map of human leptomeningeal cell types, providing significant insight into the border immune and fibrotic responses in AD.

Abstract INTRODUCTION: The interconnection between brain aging and Alzheimer’s disease (AD) remain to be elucidated. METHODS: We investigated multi-omics (transcriptomics and proteomics) data from multiple brain regions (i.e., the hippocampus (HIPP), prefrontal cortex (PFC), and cerebellum (CRBL)) in cognitively normal individuals. RESULTS: We found that brain samples could be divided into ADL (AD-like) and NL (normal) subtypes which were correlated across brain regions. The differentially expressed genes in the ADL samples highly overlapped with AD gene signatures and the changes were consistent across brain regions (PFC and HIPP) in the multi-omics data. Intriguingly, the ADL subtype in PFC showed more differentially expressed genes than other brain regions, which could be explained by the baseline gene expression differences in the PFC NL samples. DISCUSSION: We conclude that brain aging heterogeneity widely exists, and our findings corroborate with the hypothesis that AD-related changes occur decades before the clinical manifestation of cognitive impairment in a sub-population.

Microglial dysfunction has been proposed as one of the many cellular mechanisms that can contribute to the development of Alzheimer's disease (AD). Here, using a transcriptional network map of the human frontal cortex, we identify five gene modules of coexpressed genes related to microglia and assess their role in the neuropathologic features of AD in 541 subjects from two cohort studies of brain aging. Two of these transcriptional programs - modules 113 and 114 - relate to the accumulation of β-amyloid, while module 5 relates to tau pathology. These modules are also detectable in the human brain's epigenome, where we replicate these associations. In terms of tau, we propose that module 5, a marker of activated microglia, may lead to tau accumulation and subsequent cognitive decline. We validate our model further by showing that VASP, a representative module 5 gene, encodes a protein that is upregulated in activated microglia in AD.

Complexity of cell-type composition has created much skepticism surrounding the interpretation of brain bulk-tissue transcriptomic studies. We generated paired tissue genome-wide gene expression data and immunohistochemistry data, enabling us to assess statistical methods for modeling and estimating cellular heterogeneity in the brain. We demonstrate that several algorithms that rely on single-cell and cell-sorted data to define cell marker gene sets yield accurate relative and absolute estimates of constituent cell-type proportions.

We perform quantitative trait locus (xQTL) analyses on a multi-omic dataset, comprising RNA sequence, DNA methylation, and histone acetylation ChIP sequence data from the dorsolateral prefrontal cortex of 411 older adult individuals. We identify SNPs that are significantly associated with gene expression, DNA methylation, and histone modification levels. Many SNPs influence more than one type of molecular feature, and epigenetic features are shown to mediate eQTLs in a number of (9%) such loci. We illustrate the utility of our new resource, xQTL Serve, in prioritizing the cell type most affected by an xQTL and in enhancing genome wide association studies (GWAS) as we report 18 additional CNS disease susceptibility loci after re-analyzing published studies.

The fact that only symptomatic therapies of small effect are available for Alzheimer's disease (AD) today highlights the need for new therapeutic targets with which to prevent a major contributor to aging-related cognitive decline. Here, we report the construction and validation of a molecular network of the aging human frontal cortex. Using RNA sequence data from 478 individuals, we first identify the role of modules of coexpressed genes, and then confirm them in independent AD datasets. Then, we prioritize influential genes in AD-related modules and test our predictions in human model systems. We functionally validate two putative regulator genes in human astrocytes: INPPL1 and PLXNB1, whose activity in AD may be related to semaphorin signalling and type II diabetes, which have both been implicated in AD. This arc of network identification followed by statistical and experimental validation provides specific new targets for therapeutic development and illustrates a network approach to a complex disease.

We initiated the systematic profiling of the dorsolateral prefrontal cortex obtained from a subset of autopsied individuals enrolled in the Religious Orders Study (ROS) or the Rush Memory and Aging Project (MAP), which are jointly designed and belong to a very few prospective studies of aging and dementia with detailed, longitudinal cognitive phenotyping during life and a quantitative, structured neuropathologic examination after death for >3,322 subjects. Here, we outline the first generation of data including genome-wide genotypes (n=2,090), whole genome sequencing (n=1,179), DNA methylation (n=740), chromatin immunoprecipitation with sequencing using an anti-Histone 3 Lysine 9 acetylation (H3K9Ac) antibody (n=712), RNA sequencing (n=638), and miRNA profile (n=702). Generation of other omic data including ATACseq, proteomic and metabolomics profiles is ongoing. Thanks to its prospective design and recruitment of older, non-demented individuals, these data can be repurposed to investigate a large number of syndromic and quantitative neuroscience phenotypes. The many subjects that are cognitively non-impaired at death also offer insights into the biology of the human brain in older non-impaired individuals.

Neuroimaging is commonly used to infer human brain connectivity, but those measurements are far-removed from the molecular underpinnings at synapses. To uncover the molecular basis of human brain connectivity, we analyzed a unique cohort of 98 individuals who provided neuroimaging and genetic data contemporaneous with dendritic spine morphometric, proteomic, and gene expression data from the superior frontal and inferior temporal gyri. Through cellular contextualization of the molecular data with dendritic spine morphology, we identified hundreds of proteins related to synapses, energy metabolism, and RNA processing that explain between-individual differences in functional connectivity and structural covariation. By integrating data at the genetic, molecular, subcellular, and tissue levels, we bridged the divergent fields of molecular biology and neuroimaging to identify a molecular basis of brain connectivity.Dendritic spine morphometry and synaptic proteins unite the divergent fields of molecular biology and neuroimaging.

Identifying the molecular mechanisms that control differential gene expression (DE) is a major goal of basic and disease biology. Combining the strengths of systems biology and deep learning in a model called DEcode, we are able to predict DE more accurately than traditional sequence-based methods, which do not utilize systems biology data. To determine the biological origins of this accuracy, we identify the most predictive regulators and types of regulatory interactions in DEcode, contrasting their roles across many human tissues. Diverse systems biology, ontological and disease-related assessments all point to the predominant influence of post-translational RNA-binding factors on DE. Through the combinatorial gene regulation that is captured in DEcode, it is even possible to predict relatively subtle person-to-person variation in gene expression. We demonstrate the broad applicability of these clinically-relevant predictions by predicting drivers of aging throughout the human lifespan, gene coexpression relationships on a genome-wide scale, and frequent DE in diverse conditions. Researchers can freely access DEcode to utilize genomic big data in identifying influential molecular mechanisms for any human expression data - www.differentialexpression.org.