From Genome to Regulatory Networks For biologists, having a genome in hand is only the beginning—much more investigation is still needed to characterize how the genome is used to help to produce a functional organism (see the Perspective by Blaxter ). In this vein, Gerstein et al. (p. 1775 ) summarize for the Caenorhabditis elegans genome, and The modENCODE Consortium (p. 1787 ) summarize for the Drosophila melanogaster genome, full transcriptome analyses over developmental stages, genome-wide identification of transcription factor binding sites, and high-resolution maps of chromatin organization. Both studies identified regions of the nematode and fly genomes that show highly occupied targets (or HOT) regions where DNA was bound by more than 15 of the transcription factors analyzed and the expression of related genes were characterized. Overall, the studies provide insights into the organization, structure, and function of the two genomes and provide basic information needed to guide and correlate both focused and genome-wide studies.

The identification of genes associated with hereditary disorders has contributed to improving medical care and to a better understanding of gene functions, interactions, and pathways. However, there are well over 1500 Mendelian disorders whose molecular basis remains unknown. At present, methods such as linkage analysis can identify the chromosomal region in which unknown disease genes are located, but the regions could contain up to hundreds of candidate genes. In this work, we present a method for prioritization of candidate genes by use of a global network distance measure, random walk analysis, for definition of similarities in protein-protein interaction networks. We tested our method on 110 disease-gene families with a total of 783 genes and achieved an area under the ROC curve of up to 98% on simulated linkage intervals of 100 genes surrounding the disease gene, significantly outperforming previous methods based on local distance measures. Our results not only provide an improved tool for positional-cloning projects but also add weight to the assumption that phenotypically similar diseases are associated with disturbances of subnetworks within the larger protein interactome that extend beyond the disease proteins themselves. The identification of genes associated with hereditary disorders has contributed to improving medical care and to a better understanding of gene functions, interactions, and pathways. However, there are well over 1500 Mendelian disorders whose molecular basis remains unknown. At present, methods such as linkage analysis can identify the chromosomal region in which unknown disease genes are located, but the regions could contain up to hundreds of candidate genes. In this work, we present a method for prioritization of candidate genes by use of a global network distance measure, random walk analysis, for definition of similarities in protein-protein interaction networks. We tested our method on 110 disease-gene families with a total of 783 genes and achieved an area under the ROC curve of up to 98% on simulated linkage intervals of 100 genes surrounding the disease gene, significantly outperforming previous methods based on local distance measures. Our results not only provide an improved tool for positional-cloning projects but also add weight to the assumption that phenotypically similar diseases are associated with disturbances of subnetworks within the larger protein interactome that extend beyond the disease proteins themselves.

There are many thousands of hereditary diseases in humans, each of which has a specific combination of phenotypic features, but computational analysis of phenotypic data has been hampered by lack of adequate computational data structures. Therefore, we have developed a Human Phenotype Ontology (HPO) with over 8000 terms representing individual phenotypic anomalies and have annotated all clinical entries in Online Mendelian Inheritance in Man with the terms of the HPO. We show that the HPO is able to capture phenotypic similarities between diseases in a useful and highly significant fashion. There are many thousands of hereditary diseases in humans, each of which has a specific combination of phenotypic features, but computational analysis of phenotypic data has been hampered by lack of adequate computational data structures. Therefore, we have developed a Human Phenotype Ontology (HPO) with over 8000 terms representing individual phenotypic anomalies and have annotated all clinical entries in Online Mendelian Inheritance in Man with the terms of the HPO. We show that the HPO is able to capture phenotypic similarities between diseases in a useful and highly significant fashion. Analysis of the phenotypic correlates of gene mutations has long been an essential method for discovering biological functions of genes, and more recently, computational analysis of mouse phenotypes related to gene mutations has become possible with tools such as the Mammalian Phenotype Ontology.1Smith C.L. Goldsmith C.-A.W. Eppig J.T. The Mammalian Phenotype Ontology as a tool for annotating, analyzing and comparing phenotypic information.Genome Biol. 2005; 6: R7Crossref PubMed Google Scholar, 2Lussier Y.A. Liu Y. Computational approaches to phenotyping: high-throughput phenomics.Proc. Am. Thorac. Soc. 2007; 4: 18-25Crossref PubMed Scopus (46) Google Scholar Phenotypic analysis has played a central role in the mapping of disease genes and many other fields, and humans are particularly good at recognizing human phenotypic traits and anomalies. However, there are a number of unresolved issues surrounding the computational description and analysis of human phenotypes. It seems intuitively clear that certain hereditary disorders are phenotypically similar to one another because of shared phenotypic features. For instance, one might say that Marfan syndrome (MIM 154700) and congenital contractural arachnodactyly (MIM 121050) are similar because they share a range of skeletal abnormalities, and in fact the genes mutated in these syndromes, FBN1 and FBN2, belong to the same gene family and share a number of functional similarities.3Robinson P.N. Arteaga-Solis E. Baldock C. Collod-Broud G. Booms P. Paepe A.D. Dietz H.C. Guo G. Handford P.A. Judge D.P. et al.The molecular genetics of Marfan syndrome and related disorders.J. Med. Genet. 2006; 43: 769-787Crossref PubMed Scopus (271) Google Scholar The observation that many genetic conditions show overlapping features led to the concept of disease families.4Brunner H.G. van Driel M.A. From syndrome families to functional genomics.Nat. Rev. Genet. 2004; 5: 545-551Crossref PubMed Scopus (143) Google Scholar, 5Oti M. Brunner H. The modular nature of genetic diseases.Clin. Genet. 2007; 71: 1-11Crossref PubMed Scopus (301) Google Scholar Phenotypic similarities within disease families may be related to dysfunction of a regulatory network, such as a signaling pathway or a biochemical module, as has been demonstrated for Noonan syndrome (MIM 163950) and related disorders.6Gelb B.D. Tartaglia M. Noonan syndrome and related disorders: Dysregulated RAS-mitogen activated protein kinase signal transduction.Hum Mol Genet. 2006; 15 Spec No 2: R220-R226Crossref PubMed Scopus (146) Google Scholar Thus, phenotypic analysis is of great importance for our understanding of the physiology and pathophysiology of cellular networks because it can offer clues about groups of genes that together make up pathways or modules, in which dysfunction can lead to similar phenotypic consequences. A number of recent works have suggested the enormous potential of correlating phenotype to features of genetic or cellular networks on a genome-wide scale.7Goh K.-I. Cusick M.E. Valle D. Childs B. Vidal M. Barabsi A.-L. The human disease network.Proc. Natl. Acad. Sci. USA. 2007; 104: 8685-8690Crossref PubMed Scopus (2271) Google Scholar, 8Feldman I. Rzhetsky A. Vitkup D. Network properties of genes harboring inherited disease mutations.Proc. Natl. Acad. Sci. USA. 2008; 105: 4323-4328Crossref PubMed Scopus (217) Google Scholar, 9Köhler S. Bauer S. Horn D. Robinson P.N. Walking the interactome for prioritization of candidate disease genes.Am. J. Hum. Genet. 2008; 82: 949-958Abstract Full Text Full Text PDF PubMed Scopus (830) Google Scholar The great majority of human Mendelian syndromes have been described in detail in the Online Mendelian Inheritance in Man (OMIM) database,10Hamosh A. Scott A.F. Amberger J.S. Bocchini C.A. McKusick V.A. Online Mendelian Inheritance in Man (OMIM), a knowledgebase of human genes and genetic disorders.Nucleic Acids Res. 2005; 33: D514-D517Crossref PubMed Scopus (1726) Google Scholar and hierarchical systems based on the clinical descriptions in OMIM have been generated by text mining.11Masseroli M. Galati O. Manzotti M. Gibert K. Pinciroli F. Inherited disorder phenotypes: controlled annotation and statistical analysis for knowledge mining from gene lists.BMC Bioinformatics. 2005; 6: S18Crossref PubMed Google Scholar, 12Bajdik C.D. Kuo B. Rusaw S. Jones S. Brooks-Wilson A. CGMIM: automated text-mining of Online Mendelian Inheritance in Man (OMIM) to identify genetically-associated cancers and candidate genes.BMC Bioinformatics. 2005; 6: 78Crossref PubMed Scopus (19) Google Scholar, 13van Driel M.A. Bruggeman J. Vriend G. Brunner H.G. Leunissen J.A.M. A text-mining analysis of the human phenome.Eur. J. Hum. Genet. 2006; 14: 535-542Crossref PubMed Scopus (450) Google Scholar However, computational analysis of the data contained in OMIM has so far been hampered by the lack of a controlled vocabulary including consistent annotations with well-defined relationships to one another. For instance, the descriptions “generalized amyotrophy,” “generalized muscle atrophy,” “muscular atrophy, generalized,” and “muscle atrophy, generalized” are used to describe different diseases in OMIM and might not be easily recognized as synonyms with a purely computational approach. Also, although the clinical-synopsis entries in OMIM are grouped according to organ system, the hierarchical structure does not itself reflect that (for instance) “Hypoplastic philtrum” and “Smooth philtrum” are more closely related to one another than to “Hypoplastic nasal septum” (all three of these descriptions are in the NOSE category of OMIM's clinical synopsis). An ontology is a data model that represents concepts, attributes, and relationships in the form of a directed acyclic graph. The Gene Ontology (GO), especially, has proven to be extremely useful for the exploratory analysis of microarray and other forms of high-throughput data.14Ashburner M. Ball C.A. Blake J.A. Botstein D. Butler H. Cherry J.M. Davis A.P. Dolinski K. Dwight S.S. Eppig J.T. et al.Gene Ontology: tool for the unification of biology. the Gene Ontology Consortium.Nat. Genet. 2000; 25: 25-29Crossref PubMed Scopus (23524) Google Scholar A number of considerations suggest that an ontological description of human phenotypes has distinct advantages; this prompted us to develop an ontology to describe human phenotypic abnormalities. The Human Phenotype Ontology (HPO) was constructed with the goal of covering all phenotypic abnormalities that are commonly encountered in human monogenic diseases. To this end, the “omim.txt” file was downloaded from the OMIM database.10Hamosh A. Scott A.F. Amberger J.S. Bocchini C.A. McKusick V.A. Online Mendelian Inheritance in Man (OMIM), a knowledgebase of human genes and genetic disorders.Nucleic Acids Res. 2005; 33: D514-D517Crossref PubMed Scopus (1726) Google Scholar We developed a suite of Java programs and Perl scripts to parse omim.txt in order to extract the textual descriptions of each disease as listed in the Clinical Synopsis section, which is ordered in a hierarchical fashion. For instance, in the description of Marfan syndrome, aortic root dilatation is listed under the category CARDIOVASCULAR, subcategory Vascular. We then generated a list of these features, sorted according to the frequency of occurrence. For instance, aortic root dilatation is listed for a number of diseases other than Marfan syndrome, including Ehlers-Danlos syndrome, type I (MIM 130000). On the other hand, Medial rotation of the medial malleolus is used only once (for Marfan syndrome) in all of omim.txt. The HPO was then constructed with OBO-Edit15Day-Richter J. Harris M.A. Haendel M. Lewis S. Gene Ontology OBO-Edit Working GroupOBO-Edit–an ontology editor for biologists.Bioinformatics. 2007; 23: 2198-2200Crossref PubMed Scopus (186) Google Scholar in order to define terms and the links between them on the basis of the list of descriptions from omim.txt. For all descriptions that occurred more than once in omim.txt, we created a term in the HPO. One of the main difficulties in using data from OMIM in computational analysis is that OMIM does not use a controlled vocabulary, and it can be difficult to recognize synonyms by computational means. Therefore, we manually curated each term, taking advantage of domain knowledge in human genetics (PNR, DH, SM) in order to merge synonyms into unique HPO terms. For instance, the three OMIM descriptions Carpal bone hypoplasia, Hypoplasia of carpal bones, and Hypoplastic carpal bones were fused into the single term HP:0001498, Carpal bone hypoplasia. We additionally adapted the Smith-Waterman algorithm16Smith T.F. Waterman M.S. Identification of common molecular subsequences.J. Mol. Biol. 1981; 147: 195-197Crossref PubMed Scopus (6718) Google Scholar to map additional descriptions that were used only once in omim.txt as synonyms or children of HPO terms. However, each mapping proposed by this algorithm was examined by hand before incorporation into the HPO. Domain knowledge was also used to define more general terms, such as Aplasia/hypoplasia of the outer ear, to group more specific terms, as well as to define links between individual terms. Each term in the HPO describes a phenotypic abnormality, such as Atrial septum defect. Terms are related to parent terms by “is a” relationships. The structure of the HPO, which allows a term to have multiple parent terms, enables different aspects of phenotypic abnormalities to be explored (see Figure 1 for an example). The HPO itself does not describe individual disease entities but, rather, the phenotypic abnormalities associated with them. The majority of the HPO terms describe organ abnormalities, but separate ontologies are provided for describing the mode of inheritance and the onset and clinical course. We have used the HPO terms to annotate all entries of OMIM with a clinical-synopsis section. Clinical entities are annotated to the most specific terms possible. The true-path rule17Gene Ontology ConsortiumCreating the Gene Ontology resource: design and implementation.Genome Res. 2001; 11: 1425-1433Crossref PubMed Scopus (854) Google Scholar applies to the terms of the HPO. That is, if a disease is annotated to the term Atrial septal defect, then all of the ancestors of this term, such as Abnormality of the cardiac septa, also apply. The structure of the HPO, therefore, allows flexible searches for disease entities according to phenotypic abnormalities, with a broad or narrow focus. We will now show that an ontological similarity measure defines a useful and highly significant phenotypic-similarity metric among hereditary diseases listed in OMIM. In the HPO, as in GO, terms that are closer to the root of the ontology represent more general concepts than do terms that are farther away from the root. (For instance, in Figure 1, the term Abnormality of the joints is more general than the term Congenital hip dislocation.) The information content of each node in the HPO can be estimated through its frequency among annotations of the entire OMIM corpus. In our implementation, the information content of a term is based on the frequency of annotations to that term among the 4779 diseases in the OMIM database that were annotated to terms of the HPO. Intuitively, if two diseases are both annotated to a term with high information content, such as Calcific stippling, then the degree of similarity calculated on the basis of this should be higher than that calculated when the two diseases are both annotated to a more general term, such as Abnormality of the musculoskeletal system, which has a lower information content. For each term t of the HPO, the information content is quantified as the negative logarithm of its probability: −logp(t), in which the probability of a term is taken to be its frequency among annotations to all 4779 annotated diseases. If a disease is annotated to any term t in the HPO, it must also be annotated to all the ancestors of t. Therefore, the higher in the ontology a term is located, the lesser its information content. Resnik18Resnik P. Using information content to evaluate semantic similarity in a taxonomy.Proceedings of the 14th IJCAI. 1995; 1: 448-453Google Scholar introduced a similarity measure for two terms in an ontology that is based on their shared information content, which is given by the information content in the set of their common-ancestor nodes. In the case of HPO, a term might have multiple parent terms, so that a pair of terms might have more than one path of common ancestors. Denoting the set of all common-ancestor terms of terms t1 and t2 as A(t1, t2), we define the similarity between two terms, t1 and t2, assim(t1,t2)=maxa∈A(t1,t2)−logp(a),(1) which defines the probability of the minimum common ancestor of t1 and t2. Individual diseases are usually annotated to multiple phenotypic features. In order to calculate the similarity between two diseases, d1 and d2, we adapt a method previously developed for estimating protein similarity with GO,19Pesquita C. Faria D. Bastos H. Ferreira A.E.N. Falco A.O. Couto F.M. Metrics for GO based protein semantic similarity: a systematic evaluation.BMC Bioinformatics. 2008; 9: S4Crossref PubMed Scopus (228) Google Scholar whereby each feature of d1 is matched with the most similar feature of d2 and the average is taken over all such pairs of features:sim(d1→d2)=avg[∑s∈d1maxtɛd2sim(s,t)].(2) Because Equation (2) is not symmetric with respect to d1 and d2, the final similarity metric is defined as the mean of Equation (2) taken in both orientations:sim(d1,d2)=12×sim(d1→d2)+12×sim(d2→d1).(3) This metric can now be used to define the similarity between two diseases, each of which is annotated to multiple terms of the HPO. We used this measure to define similarity between the diseases listed in the OMIM database. We analyzed 727 diseases belonging to one of 21 physiological-disorder classes.7Goh K.-I. Cusick M.E. Valle D. Childs B. Vidal M. Barabsi A.-L. The human disease network.Proc. Natl. Acad. Sci. USA. 2007; 104: 8685-8690Crossref PubMed Scopus (2271) Google Scholar Phenotypic relationships between these diseases are shown by the linking of all pairs of diseases exceeding a threshold similarity score (Figure 2A). Although generated independently of the disorder classes, the resulting phenotypic network clearly displays clusters corresponding to many of the 21 classes. It is also apparent that some of the clusters show interconnections between one another, which were not visible in the disease map based only on shared disease genes.7Goh K.-I. Cusick M.E. Valle D. Childs B. Vidal M. Barabsi A.-L. The human disease network.Proc. Natl. Acad. Sci. USA. 2007; 104: 8685-8690Crossref PubMed Scopus (2271) Google Scholar For instance, hematological disorders are strongly connected to immunological disorders, bone disorders are strongly connected to skeletal disorders, and neurological, muscular, and psychiatric disorders are multiply linked to one another. Also, diseases that cluster together with diseases from a different physiological class share important phenotypic similarities with that class. For instance, all four diseases that are from the metabolic class and are located in the muscle cluster (Enolase-beta deficiency, MCardle disease, dimethylglycine dehydrogenase deficiency, and elevated serum creatine phosphokinase) show important muscular symptoms (Figure 2A). Analysis of randomized networks showed that the observed correlation between network connections and disease class is highly significant (Figure 2B). Thus, this phenotypic network, as defined by the HPO, is made up of dense clusters of shared phenotypic features that show characteristic patterns of interconnections between selected areas of the phenotypic continuum. Next, we explored the utility of using the HPO in a clinical setting. Combinations of features are often used in medical genetics in the search for a clinical diagnosis. This can be a challenging undertaking, given the large number of hereditary disorders and the range of partially overlapping clinical features associated with them. Clinicians may be able to describe clinical features in varying levels of detail. Also, an individual patient with a hereditary disease might not show all of the features that are potentially associated with a disorder, or he or she may have additional features unrelated to the disorder. Optimally, diagnostic algorithms will allow searches at varying levels of detail, weigh specific features more highly than general features, and not be overly sensitive to the fact that individual features might not be present in an individual patient. An ontological approach, therefore, appears to be particularly appropriate in this setting. To simulate this kind of search process, we used the 2116 diseases in OMIM annotated to at least six HPO terms to simulate a clinical-search process by selecting only 1–6 of the terms associated with a given disease and then searching in the original database for similar diseases. Optimally, the search algorithm will assign the original disease the highest rank or at least place it among the first few diseases. As can be seen in Figure 2C, there was excellent performance, even when only two search terms were used, with relatively small reductions in accuracy when 50% of random noise terms were added to the search terms or when each of the terms was mapped to a (less specific) parent term. This suggests that the HPO is able to capture phenotypic similarity at various levels of granularity and that the calculation of similarity is not overly sensitive to noise, completeness, or specificity of the set of phenotypic terms used for the search. Previous efforts at computational analysis of phenotypic data in human hereditary disease have involved various strategies for automated text mining of OMIM. A number of works have used MeSH terms or Unified Medical Language System (UMLS) concepts to map phenotypic concepts from medline or OMIM.13van Driel M.A. Bruggeman J. Vriend G. Brunner H.G. Leunissen J.A.M. A text-mining analysis of the human phenome.Eur. J. Hum. Genet. 2006; 14: 535-542Crossref PubMed Scopus (450) Google Scholar, 20Perez-Iratxeta C. Bork P. Andrade M.A. Association of genes to genetically inherited diseases using data mining.Nat. Genet. 2002; 31: 316-319PubMed Google Scholar, 21Hristovski D. Peterlin B. Mitchell J.A. Humphrey S.M. Using literature-based discovery to identify disease candidate genes.Int. J. Med. Inform. 2005; 74: 289-298Abstract Full Text Full Text PDF PubMed Scopus (163) Google Scholar, 22Lage K. Karlberg E.O. Størling Z.M. Olason P.I. Pedersen A.G. Rigina O. Hinsby A.M. Tümer Z. Pociot F. Tommerup N. et al.A human phenome-interactome network of protein complexes implicated in genetic disorders.Nat. Biotechnol. 2007; 25: 309-316Crossref PubMed Scopus (718) Google Scholar Most of these works used the text-mined concepts to create feature vectors in order to describe diseases. That is, a feature vector for a given disease contains one entry for each concept, set to 1 if the concept is found in the disease and to 0 otherwise. Similarity is often measured by some variation of the normalized cosine angle between normalized feature vector pairs.22Lage K. Karlberg E.O. Størling Z.M. Olason P.I. Pedersen A.G. Rigina O. Hinsby A.M. Tümer Z. Pociot F. Tommerup N. et al.A human phenome-interactome network of protein complexes implicated in genetic disorders.Nat. Biotechnol. 2007; 25: 309-316Crossref PubMed Scopus (718) Google Scholar Although these works were successful, we contend that a manually curated ontological approach to computational phenotype analysis offers a number of advantages. One difficulty with text-mining approaches is that the MeSH and UMLS indexing terms are not specifically designed for the needs of describing human hereditary diseases and their phenotypes. For instance, only 34% of 1700 diseases with a specific phenotype associated with a specific gene in OMIM could be specifically mapped to concepts in the UMLS.23Bodenreider O. Mitchell J.A. McCray A.T. Evaluation of the UMLS as a terminology and knowledge resource for biomedical informatics.Proc AMIA Symp. 2002; : 61-65PubMed Google Scholar One advantage of the HPO is that the terms and structure of the ontology are based on medical knowledge rather than on text-mining systems. The HPO will be refined and extended in the future. An ontology as a data structure has several distinct advantages over other kinds of data structure that have been used for phenotypic analysis. One of the main reasons for the success of GO is the greater flexibility and descriptive power of ontologies compared to hierarchical systems and feature vectors,14Ashburner M. Ball C.A. Blake J.A. Botstein D. Butler H. Cherry J.M. Davis A.P. Dolinski K. Dwight S.S. Eppig J.T. et al.Gene Ontology: tool for the unification of biology. the Gene Ontology Consortium.Nat. Genet. 2000; 25: 25-29Crossref PubMed Scopus (23524) Google Scholar including the ability to relate concepts (terms) to multiple parents and to allow descriptions and queries at different levels of granularity and completeness. Additionally, a number of computational algorithms have been developed for ontological analysis after the success of GO (e.g., 19Pesquita C. Faria D. Bastos H. Ferreira A.E.N. Falco A.O. Couto F.M. Metrics for GO based protein semantic similarity: a systematic evaluation.BMC Bioinformatics. 2008; 9: S4Crossref PubMed Scopus (228) Google Scholar, 24Grossmann S. Bauer S. Robinson P.N. Vingron M. Improved detection of overrepresentation of Gene-Ontology annotations with parent child analysis.Bioinformatics. 2007; 23: 3024-3031Crossref PubMed Scopus (226) Google Scholar, 25Lu Y. Rosenfeld R. Simon I. Nau G.J. Bar-Joseph Z. A probabilistic generative model for GO enrichment analysis.Nucleic Acids Res. 2008; 36: e109Crossref PubMed Scopus (43) Google Scholar) and can now be applied to human phenotype data. The value of data is greatly increased as sources of data are enabled to be integrated with one another. We have designed the HPO using the widely used OBO format.26Smith B. Ashburner M. Rosse C. Bard J. Bug W. Ceusters W. Goldberg L.J. Eilbeck K. Ireland A. Mungall C.J. et al.The OBO foundry: coordinated evolution of ontologies to support biomedical data integration.Nat. Biotechnol. 2007; 25: 1251-1255Crossref PubMed Scopus (1670) Google Scholar This file, together with a flat file with annotations of 4779 diseases listed in OMIM to the terms of the HPO, is freely available for download from the HPO web site, which also describes the background and goals of the project. The HPO is participating in the OBO Foundry project,26Smith B. Ashburner M. Rosse C. Bard J. Bug W. Ceusters W. Goldberg L.J. Eilbeck K. Ireland A. Mungall C.J. et al.The OBO foundry: coordinated evolution of ontologies to support biomedical data integration.Nat. Biotechnol. 2007; 25: 1251-1255Crossref PubMed Scopus (1670) Google Scholar and the files are available for download there as well. We anticipate that the HPO will continue to evolve over many years and are currently recruiting collaborators to refine specific areas of the HPO, to improve annotations to disorders listed in OMIM, and to extend the annotations to other hereditary disorders, such as microdeletion syndromes and chromosomal aberrations. We plan to include additional information, including frequency and severity of features, in the annotation files. It is hoped that the HPO will provide a basis for computational biomedical research involving human phenotype analysis, allowing the human phenome to be related to the molecular pathophysiology of the cell by directly linking the human phenome to sources of data such as protein-protein interactions, metabolic and signal-transduction pathways, and gene coexpression. Additionally, we anticipate that the HPO will provide a unified basis for clinical research in medical genetics by providing a standardized vocabulary for the description of phenotypes. This work was supported by the Berlin-Brandenburg Center for Regenerative Therapies (BCRT) (Bundesministerium für Bildung und Forschung, project number 0313911) and the Deutsche Forschungsgemeinschaft (SFB 760). The URLs for data presented herein are as follows:The Gene Ontology (GO), http://www.geneontology.org/The Human Phenotype Ontology, http://www.human-phenotype-ontology.orgThe Obo Foundry, http://obofoundry.orgOnline Mendelian Inheritance in Man (OMIM), http://www.ncbi.nlm.nih.gov/Omim/

The Human Phenotype Ontology (HPO) project, available at http://www.human-phenotype-ontology.org, provides a structured, comprehensive and well-defined set of 10,088 classes (terms) describing human phenotypic abnormalities and 13,326 subclass relations between the HPO classes. In addition we have developed logical definitions for 46% of all HPO classes using terms from ontologies for anatomy, cell types, function, embryology, pathology and other domains. This allows interoperability with several resources, especially those containing phenotype information on model organisms such as mouse and zebrafish. Here we describe the updated HPO database, which provides annotations of 7,278 human hereditary syndromes listed in OMIM, Orphanet and DECIPHER to classes of the HPO. Various meta-attributes such as frequency, references and negations are associated with each annotation. Several large-scale projects worldwide utilize the HPO for describing phenotype information in their datasets. We have therefore generated equivalence mappings to other phenotype vocabularies such as LDDB, Orphanet, MedDRA, UMLS and phenoDB, allowing integration of existing datasets and interoperability with multiple biomedical resources. We have created various ways to access the HPO database content using flat files, a MySQL database, and Web-based tools. All data and documentation on the HPO project can be found online.

The differential diagnostic process attempts to identify candidate diseases that best explain a set of clinical features. This process can be complicated by the fact that the features can have varying degrees of specificity, as well as by the presence of features unrelated to the disease itself. Depending on the experience of the physician and the availability of laboratory tests, clinical abnormalities may be described in greater or lesser detail. We have adapted semantic similarity metrics to measure phenotypic similarity between queries and hereditary diseases annotated with the use of the Human Phenotype Ontology (HPO) and have developed a statistical model to assign p values to the resulting similarity scores, which can be used to rank the candidate diseases. We show that our approach outperforms simpler term-matching approaches that do not take the semantic interrelationships between terms into account. The advantage of our approach was greater for queries containing phenotypic noise or imprecise clinical descriptions. The semantic network defined by the HPO can be used to refine the differential diagnosis by suggesting clinical features that, if present, best differentiate among the candidate diagnoses. Thus, semantic similarity searches in ontologies represent a useful way of harnessing the semantic structure of human phenotypic abnormalities to help with the differential diagnosis. We have implemented our methods in a freely available web application for the field of human Mendelian disorders. The differential diagnostic process attempts to identify candidate diseases that best explain a set of clinical features. This process can be complicated by the fact that the features can have varying degrees of specificity, as well as by the presence of features unrelated to the disease itself. Depending on the experience of the physician and the availability of laboratory tests, clinical abnormalities may be described in greater or lesser detail. We have adapted semantic similarity metrics to measure phenotypic similarity between queries and hereditary diseases annotated with the use of the Human Phenotype Ontology (HPO) and have developed a statistical model to assign p values to the resulting similarity scores, which can be used to rank the candidate diseases. We show that our approach outperforms simpler term-matching approaches that do not take the semantic interrelationships between terms into account. The advantage of our approach was greater for queries containing phenotypic noise or imprecise clinical descriptions. The semantic network defined by the HPO can be used to refine the differential diagnosis by suggesting clinical features that, if present, best differentiate among the candidate diagnoses. Thus, semantic similarity searches in ontologies represent a useful way of harnessing the semantic structure of human phenotypic abnormalities to help with the differential diagnosis. We have implemented our methods in a freely available web application for the field of human Mendelian disorders.

There are few better examples of the need for data sharing than in the rare disease community, where patients, physicians, and researchers must search for “the needle in a haystack” to uncover rare, novel causes of disease within the genome. Impeding the pace of discovery has been the existence of many small siloed datasets within individual research or clinical laboratory databases and/or disease-specific organizations, hoping for serendipitous occasions when two distant investigators happen to learn they have a rare phenotype in common and can “match” these cases to build evidence for causality. However, serendipity has never proven to be a reliable or scalable approach in science. As such, the Matchmaker Exchange (MME) was launched to provide a robust and systematic approach to rare disease gene discovery through the creation of a federated network connecting databases of genotypes and rare phenotypes using a common application programming interface (API). The core building blocks of the MME have been defined and assembled. Three MME services have now been connected through the API and are available for community use. Additional databases that support internal matching are anticipated to join the MME network as it continues to grow.

The correlation of phenotypic outcomes with genetic variation and environmental factors is a core pursuit in biology and biomedicine. Numerous challenges impede our progress: patient phenotypes may not match known diseases, candidate variants may be in genes that have not been characterized, model organisms may not recapitulate human or veterinary diseases, filling evolutionary gaps is difficult, and many resources must be queried to find potentially significant genotype–phenotype associations. Non-human organisms have proven instrumental in revealing biological mechanisms. Advanced informatics tools can identify phenotypically relevant disease models in research and diagnostic contexts. Large-scale integration of model organism and clinical research data can provide a breadth of knowledge not available from individual sources and can provide contextualization of data back to these sources. The Monarch Initiative (monarchinitiative.org) is a collaborative, open science effort that aims to semantically integrate genotype–phenotype data from many species and sources in order to support precision medicine, disease modeling, and mechanistic exploration. Our integrated knowledge graph, analytic tools, and web services enable diverse users to explore relationships between phenotypes and genotypes across species.

The highly transmissible B.1.1.7 variant of SARS-CoV-2, first identified in the United Kingdom, has gained a foothold across the world. Using S gene target failure (SGTF) and SARS-CoV-2 genomic sequencing, we investigated the prevalence and dynamics of this variant in the United States (US), tracking it back to its early emergence. We found that, while the fraction of B.1.1.7 varied by state, the variant increased at a logistic rate with a roughly weekly doubling rate and an increased transmission of 40%-50%. We revealed several independent introductions of B.1.1.7 into the US as early as late November 2020, with community transmission spreading it to most states within months. We show that the US is on a similar trajectory as other countries where B.1.1.7 became dominant, requiring immediate and decisive action to minimize COVID-19 morbidity and mortality.

This protocol describes use of the Exomiser suite, a collection of algorithms that allow for prioritization of genes and variants from exome sequencing data for disease-gene discovery. Exomiser is an application that prioritizes genes and variants in next-generation sequencing (NGS) projects for novel disease-gene discovery or differential diagnostics of Mendelian disease. Exomiser comprises a suite of algorithms for prioritizing exome sequences using random-walk analysis of protein interaction networks, clinical relevance and cross-species phenotype comparisons, as well as a wide range of other computational filters for variant frequency, predicted pathogenicity and pedigree analysis. In this protocol, we provide a detailed explanation of how to install Exomiser and use it to prioritize exome sequences in a number of scenarios. Exomiser requires ∼3 GB of RAM and roughly 15–90 s of computing time on a standard desktop computer to analyze a variant call format (VCF) file. Exomiser is freely available for academic use from http://www.sanger.ac.uk/science/tools/exomiser .

Numerous new disease-gene associations have been identified by whole-exome sequencing studies in the last few years. However, many cases remain unsolved due to the sheer number of candidate variants remaining after common filtering strategies such as removing low quality and common variants and those deemed unlikely to be pathogenic. The observation that each of our genomes contains about 100 genuine loss-of-function variants makes identification of the causative mutation problematic when using these strategies alone. We propose using the wealth of genotype to phenotype data that already exists from model organism studies to assess the potential impact of these exome variants. Here, we introduce PH enotypic I nterpretation of V ariants in E xomes (PHIVE), an algorithm that integrates the calculation of phenotype similarity between human diseases and genetically modified mouse models with evaluation of the variants according to allele frequency, pathogenicity, and mode of inheritance approaches in our Exomiser tool. Large-scale validation of PHIVE analysis using 100,000 exomes containing known mutations demonstrated a substantial improvement (up to 54.1-fold) over purely variant-based (frequency and pathogenicity) methods with the correct gene recalled as the top hit in up to 83% of samples, corresponding to an area under the ROC curve of >95%. We conclude that incorporation of phenotype data can play a vital role in translational bioinformatics and propose that exome sequencing projects should systematically capture clinical phenotypes to take advantage of the strategy presented here.