Personalized medicine is expected to benefit from combining genomic information with regular monitoring of physiological states by multiple high-throughput methods. Here, we present an integrative personal omics profile (iPOP), an analysis that combines genomic, transcriptomic, proteomic, metabolomic, and autoantibody profiles from a single individual over a 14 month period. Our iPOP analysis revealed various medical risks, including type 2 diabetes. It also uncovered extensive, dynamic changes in diverse molecular components and biological pathways across healthy and diseased conditions. Extremely high-coverage genomic and transcriptomic data, which provide the basis of our iPOP, revealed extensive heteroallelic changes during healthy and diseased states and an unexpected RNA editing mechanism. This study demonstrates that longitudinal iPOP can be used to interpret healthy and diseased states by connecting genomic information with additional dynamic omics activity.

The discovery of rare genetic variants is accelerating, and clear guidelines for distinguishing disease-causing sequence variants from the many potentially functional variants present in any human genome are urgently needed. Without rigorous standards we risk an acceleration of false-positive reports of causality, which would impede the translation of genomic research findings into the clinical diagnostic setting and hinder biological understanding of disease. Here we discuss the key challenges of assessing sequence variants in human disease, integrating both gene-level and variant-level support for causality. We propose guidelines for summarizing confidence in variant pathogenicity and highlight several areas that require further resource development.

Here, a long noncoding RNA, termed Mhrt, is identified in the loci of myosin heavy chain (Myh) genes in mice and shown to be capable of suppressing cardiomyopathy in the animals, as well as being repressed in diseased human hearts. Ching-Pin Chang and colleagues identify a cardioprotective long noncoding RNA (lncRNA) in the loci of the myosin heavy chain genes Myh6 and Myh7. The lncRNA, termed Mhrt, is capable of suppressing cardiomyopathy, probably by binding the helicase domain of the chromatin remodelling factor Brg1 and preventing it from recognizing its genomic targets. In turn, Mhrt is negatively regulated by the Brg1–Hdac–Parp1 complex during pathological stress and is repressed in diseased human hearts. Restoring Mhrt expression in the stressed heart protects the heart from hypertrophy and failure. The role of long noncoding RNA (lncRNA) in adult hearts is unknown; also unclear is how lncRNA modulates nucleosome remodelling. An estimated 70% of mouse genes undergo antisense transcription1, including myosin heavy chain 7 (Myh7), which encodes molecular motor proteins for heart contraction2. Here we identify a cluster of lncRNA transcripts from Myh7 loci and demonstrate a new lncRNA–chromatin mechanism for heart failure. In mice, these transcripts, which we named myosin heavy-chain-associated RNA transcripts (Myheart, or Mhrt), are cardiac-specific and abundant in adult hearts. Pathological stress activates the Brg1–Hdac–Parp chromatin repressor complex3 to inhibit Mhrt transcription in the heart. Such stress-induced Mhrt repression is essential for cardiomyopathy to develop: restoring Mhrt to the pre-stress level protects the heart from hypertrophy and failure. Mhrt antagonizes the function of Brg1, a chromatin-remodelling factor that is activated by stress to trigger aberrant gene expression and cardiac myopathy3. Mhrt prevents Brg1 from recognizing its genomic DNA targets, thus inhibiting chromatin targeting and gene regulation by Brg1. It does so by binding to the helicase domain of Brg1, a domain that is crucial for tethering Brg1 to chromatinized DNA targets. Brg1 helicase has dual nucleic-acid-binding specificities: it is capable of binding lncRNA (Mhrt) and chromatinized—but not naked—DNA. This dual-binding feature of helicase enables a competitive inhibition mechanism by which Mhrt sequesters Brg1 from its genomic DNA targets to prevent chromatin remodelling. A Mhrt–Brg1 feedback circuit is thus crucial for heart function. Human MHRT also originates from MYH7 loci and is repressed in various types of myopathic hearts, suggesting a conserved lncRNA mechanism in human cardiomyopathy. Our studies identify a cardioprotective lncRNA, define a new targeting mechanism for ATP-dependent chromatin-remodelling factors, and establish a new paradigm for lncRNA–chromatin interaction.

Background The cost of genomic information has fallen steeply, but the clinical translation of genetic risk estimates remains unclear. We aimed to undertake an integrated analysis of a complete human genome in a clinical context. Methods We assessed a patient with a family history of vascular disease and early sudden death. Clinical assessment included analysis of this patient's full genome sequence, risk prediction for coronary artery disease, screening for causes of sudden cardiac death, and genetic counselling. Genetic analysis included the development of novel methods for the integration of whole genome and clinical risk. Disease and risk analysis focused on prediction of genetic risk of variants associated with mendelian disease, recognised drug responses, and pathogenicity for novel variants. We queried disease-specific mutation databases and pharmacogenomics databases to identify genes and mutations with known associations with disease and drug response. We estimated post-test probabilities of disease by applying likelihood ratios derived from integration of multiple common variants to age-appropriate and sex-appropriate pre-test probabilities. We also accounted for gene-environment interactions and conditionally dependent risks. Findings Analysis of 2·6 million single nucleotide polymorphisms and 752 copy number variations showed increased genetic risk for myocardial infarction, type 2 diabetes, and some cancers. We discovered rare variants in three genes that are clinically associated with sudden cardiac death—TMEM43, DSP, and MYBPC3. A variant in LPA was consistent with a family history of coronary artery disease. The patient had a heterozygous null mutation in CYP2C19 suggesting probable clopidogrel resistance, several variants associated with a positive response to lipid-lowering therapy, and variants in CYP4F2 and VKORC1 that suggest he might have a low initial dosing requirement for warfarin. Many variants of uncertain importance were reported. Interpretation Although challenges remain, our results suggest that whole-genome sequencing can yield useful and clinically relevant information for individual patients. Funding National Institute of General Medical Sciences; National Heart, Lung And Blood Institute; National Human Genome Research Institute; Howard Hughes Medical Institute; National Library of Medicine, Lucile Packard Foundation for Children's Health; Hewlett Packard Foundation; Breetwor Family Foundation.

Human induced pluripotent stem cells generated from patients with familial dilated cardiomyopathy model cardiovascular disease in these patients.

Familial hypertrophic cardiomyopathy (HCM) is a prevalent hereditary cardiac disorder linked to arrhythmia and sudden cardiac death. While the causes of HCM have been identified as genetic mutations in the cardiac sarcomere, the pathways by which sarcomeric mutations engender myocyte hypertrophy and electrophysiological abnormalities are not understood. To elucidate the mechanisms underlying HCM development, we generated patient-specific induced pluripotent stem cell cardiomyocytes (iPSC-CMs) from a ten-member family cohort carrying a hereditary HCM missense mutation (Arg663His) in the MYH7 gene. Diseased iPSC-CMs recapitulated numerous aspects of the HCM phenotype including cellular enlargement and contractile arrhythmia at the single-cell level. Calcium (Ca2+) imaging indicated dysregulation of Ca2+ cycling and elevation in intracellular Ca2+ ([Ca2+]i) are central mechanisms for disease pathogenesis. Pharmacological restoration of Ca2+ homeostasis prevented development of hypertrophy and electrophysiological irregularities. We anticipate that these findings will help elucidate the mechanisms underlying HCM development and identify novel therapies for the disease.

Accurate assessment of cardiac function is crucial for the diagnosis of cardiovascular disease1, screening for cardiotoxicity2 and decisions regarding the clinical management of patients with a critical illness3. However, human assessment of cardiac function focuses on a limited sampling of cardiac cycles and has considerable inter-observer variability despite years of training4,5. Here, to overcome this challenge, we present a video-based deep learning algorithm-EchoNet-Dynamic-that surpasses the performance of human experts in the critical tasks of segmenting the left ventricle, estimating ejection fraction and assessing cardiomyopathy. Trained on echocardiogram videos, our model accurately segments the left ventricle with a Dice similarity coefficient of 0.92, predicts ejection fraction with a mean absolute error of 4.1% and reliably classifies heart failure with reduced ejection fraction (area under the curve of 0.97). In an external dataset from another healthcare system, EchoNet-Dynamic predicts the ejection fraction with a mean absolute error of 6.0% and classifies heart failure with reduced ejection fraction with an area under the curve of 0.96. Prospective evaluation with repeated human measurements confirms that the model has variance that is comparable to or less than that of human experts. By leveraging information across multiple cardiac cycles, our model can rapidly identify subtle changes in ejection fraction, is more reproducible than human evaluation and lays the foundation for precise diagnosis of cardiovascular disease in real time. As a resource to promote further innovation, we also make publicly available a large dataset of 10,030 annotated echocardiogram videos.

A better understanding of the factors that contribute to heterogeneous outcomes and lifetime disease burden in hypertrophic cardiomyopathy (HCM) is critically needed to improve patient management and outcomes. The Sarcomeric Human Cardiomyopathy Registry (SHaRe) was established to provide the scale of data required to address these issues, aggregating longitudinal datasets curated by eight international HCM specialty centers.

Live-cell imaging has opened an exciting window into the role cellular heterogeneity plays in dynamic, living systems. A major critical challenge for this class of experiments is the problem of image segmentation, or determining which parts of a microscope image correspond to which individual cells. Current approaches require many hours of manual curation and depend on approaches that are difficult to share between labs. They are also unable to robustly segment the cytoplasms of mammalian cells. Here, we show that deep convolutional neural networks, a supervised machine learning method, can solve this challenge for multiple cell types across the domains of life. We demonstrate that this approach can robustly segment fluorescent images of cell nuclei as well as phase images of the cytoplasms of individual bacterial and mammalian cells from phase contrast images without the need for a fluorescent cytoplasmic marker. These networks also enable the simultaneous segmentation and identification of different mammalian cell types grown in co-culture. A quantitative comparison with prior methods demonstrates that convolutional neural networks have improved accuracy and lead to a significant reduction in curation time. We relay our experience in designing and optimizing deep convolutional neural networks for this task and outline several design rules that we found led to robust performance. We conclude that deep convolutional neural networks are an accurate method that require less curation time, are generalizable to a multiplicity of cell types, from bacteria to mammalian cells, and expand live-cell imaging capabilities to include multi-cell type systems.

The ability to measure physical activity through wrist-worn devices provides an opportunity for cardiovascular medicine. However, the accuracy of commercial devices is largely unknown. The aim of this work is to assess the accuracy of seven commercially available wrist-worn devices in estimating heart rate (HR) and energy expenditure (EE) and to propose a wearable sensor evaluation framework. We evaluated the Apple Watch, Basis Peak, Fitbit Surge, Microsoft Band, Mio Alpha 2, PulseOn, and Samsung Gear S2. Participants wore devices while being simultaneously assessed with continuous telemetry and indirect calorimetry while sitting, walking, running, and cycling. Sixty volunteers (29 male, 31 female, age 38 ± 11 years) of diverse age, height, weight, skin tone, and fitness level were selected. Error in HR and EE was computed for each subject/device/activity combination. Devices reported the lowest error for cycling and the highest for walking. Device error was higher for males, greater body mass index, darker skin tone, and walking. Six of the devices achieved a median error for HR below 5% during cycling. No device achieved an error in EE below 20 percent. The Apple Watch achieved the lowest overall error in both HR and EE, while the Samsung Gear S2 reported the highest. In conclusion, most wrist-worn devices adequately measure HR in laboratory-based activities, but poorly estimate EE, suggesting caution in the use of EE measurements as part of health improvement programs. We propose reference standards for the validation of consumer health devices (http://precision.stanford.edu/).