The CommonMind Consortium sequenced RNA from dorsolateral prefrontal cortex of subjects with schizophrenia (N = 258) and control subjects (N = 279), creating a resource of gene expression and its genetic regulation. Using this resource, they found that ∼20% of schizophrenia loci have variants that may contribute to altered gene expression and liability. Over 100 genetic loci harbor schizophrenia-associated variants, yet how these variants confer liability is uncertain. The CommonMind Consortium sequenced RNA from dorsolateral prefrontal cortex of people with schizophrenia (N = 258) and control subjects (N = 279), creating a resource of gene expression and its genetic regulation. Using this resource, ∼20% of schizophrenia loci have variants that could contribute to altered gene expression and liability. In five loci, only a single gene was involved: FURIN, TSNARE1, CNTN4, CLCN3 or SNAP91. Altering expression of FURIN, TSNARE1 or CNTN4 changed neurodevelopment in zebrafish; knockdown of FURIN in human neural progenitor cells yielded abnormal migration. Of 693 genes showing significant case-versus-control differential expression, their fold changes were ≤ 1.33, and an independent cohort yielded similar results. Gene co-expression implicates a network relevant for schizophrenia. Our findings show that schizophrenia is polygenic and highlight the utility of this resource for mechanistic interpretations of genetic liability for brain diseases.

Genes overlap across psychiatric disease Many genome-wide studies have examined genes associated with a range of neuropsychiatric disorders. However, the degree to which the genetic underpinnings of these diseases differ or overlap is unknown. Gandal et al. performed meta-analyses of transcriptomic studies covering five major psychiatric disorders and compared cases and controls to identify coexpressed gene modules. From this, they found that some psychiatric disorders share global gene expression patterns. This overlap in polygenic traits in neuropsychiatric disorders may allow for better diagnosis and treatment. Science , this issue p. 693

Previous genome-wide association studies (GWAS), conducted by our group and others, have identified loci that harbor risk variants for neurodegenerative diseases, including Alzheimer's disease (AD). Human disease variants are enriched for polymorphisms that affect gene expression, including some that are known to associate with expression changes in the brain. Postulating that many variants confer risk to neurodegenerative disease via transcriptional regulatory mechanisms, we have analyzed gene expression levels in the brain tissue of subjects with AD and related diseases. Herein, we describe our collective datasets comprised of GWAS data from 2,099 subjects; microarray gene expression data from 773 brain samples, 186 of which also have RNAseq; and an independent cohort of 556 brain samples with RNAseq. We expect that these datasets, which are available to all qualified researchers, will enable investigators to explore and identify transcriptional mechanisms contributing to neurodegenerative diseases.

Cancers that appear pathologically similar often respond differently to the same drug regimens. Methods to better match patients to drugs are in high demand. We demonstrate a promising approach to identify robust molecular markers for targeted treatment of acute myeloid leukemia (AML) by introducing: data from 30 AML patients including genome-wide gene expression profiles and in vitro sensitivity to 160 chemotherapy drugs, a computational method to identify reliable gene expression markers for drug sensitivity by incorporating multi-omic prior information relevant to each gene's potential to drive cancer. We show that our method outperforms several state-of-the-art approaches in identifying molecular markers replicated in validation data and predicting drug sensitivity accurately. Finally, we identify SMARCA4 as a marker and driver of sensitivity to topoisomerase II inhibitors, mitoxantrone, and etoposide, in AML by showing that cell lines transduced to have high SMARCA4 expression reveal dramatically increased sensitivity to these agents.

The ability to investigate therapeutic interventions in animal models of neurodegenerative diseases depends on extensive characterization of the model(s) being used. There are numerous models that have been generated to study Alzheimer's disease (AD) and the underlying pathogenesis of the disease. While transgenic models have been instrumental in understanding AD mechanisms and risk factors, they are limited in the degree of characteristics displayed in comparison with AD in humans, and the full spectrum of AD effects has yet to be recapitulated in a single mouse model. The Model Organism Development and Evaluation for Late-Onset Alzheimer's Disease (MODEL-AD) consortium was assembled by the National Institute on Aging (NIA) to develop more robust animal models of AD with increased relevance to human disease, standardize the characterization of AD mouse models, improve preclinical testing in animals, and establish clinically relevant AD biomarkers, among other aims toward enhancing the translational value of AD models in clinical drug design and treatment development. Here we have conducted a detailed characterization of the 5XFAD mouse, including transcriptomics, electroencephalogram, in vivo imaging, biochemical characterization, and behavioral assessments. The data from this study is publicly available through the AD Knowledge Portal.

ABSTRACT Motivation Late onset Alzheimers disease (LOAD) is currently a disease with no known effective treatment options. To address this, there have been a recent surge in the generation of multi-modality data (Hodes and Buckholtz, 2016; Mueller et al ., 2005) to understand the biology of the disease and potential drivers that causally regulate it. However, most analytic studies using these data-sets focus on uni-modal analysis of the data. Here we propose a data-driven approach to integrate multiple data types and analytic outcomes to aggregate evidences to support the hypothesis that a gene is a genetic driver of the disease. The main algorithmic contributions of our paper are: i) A general machine learning framework to learn the key characteristics of a few known driver genes from multiple feature-sets and identifying other potential driver genes which have similar feature representations, and ii) A flexible ranking scheme with the ability to integrate external validation in the form of Genome Wide Association Study (GWAS) summary statistics. While we currently focus on demonstrating the effectiveness of the approach using different analytic outcomes from RNA-Seq studies, this method is easily generalizable to other data modalities and analysis types. Results We demonstrate the utility of our machine learning algorithm on two benchmark multi-view datasets by significantly outperforming the baseline approaches in predicting missing labels. We then use the algorithm to predict and rank potential drivers of Alzheimers. We show that our ranked genes show a significant enrichment for SNPs associated with Alzheimers, and are enriched in pathways that have been previously associated with the disease. Availability Source code and link to all feature sets is availabile at https://github.com/Sage-Bionetworks/EvidenceAggregatedDriverRanking . Contact ben.logsdon@sagebionetworks.org

Abstract Microglia contribute to Alzheimer’s Disease (AD) progression and are candidate therapeutic targets. Human microglia exhibit an array of transcriptional phenotypes implying that accurate manipulation of microglial function will require clarity of their molecular states and context dependent regulation. To increase the number of microglia analyzed per subject we employed fluorescence activated nuclei sorting prior to single-nucleus RNA-seq on human prefrontal cortices. We observed microglia phenotypes previously unrecognized in human brain gene expression studies and mapped their transcriptomic relationships by trajectory inference. Three clusters were enriched for endolysosomal pathways, one of which showed differential expression of AD GWAS genes in addition to genes implicated in nucleic acid detection and interferon signaling. Analysis of the “homeostatic” microglia cluster revealed a uniquely AD subcluster. Our study demonstrates the value of deeply profiling microglia to explore the biological implications of microglia transcriptomic diversity.

We present a computational framework, called DISCERN (DIfferential SparsE Regulatory Network), to identify informative topological changes in gene-regulator dependence networks inferred on the basis of mRNA expression datasets within distinct biological states. DISCERN takes two expression datasets as input: an expression dataset of diseased tissues from patients with a disease of interest and another expression dataset from matching normal tissues. DISCERN estimates the extent to which each gene is perturbed - having distinct regulator connectivity in the inferred gene-regulatory dependencies between the disease and normal conditions. This approach has distinct advantages over existing methods. First, DISCERN infers conditional dependencies between candidate regulators and genes, where conditional dependence relationships discriminate the evidence for direct interactions from indirect interactions more precisely than pairwise correlation. Second, DISCERN uses a new likelihood-based scoring function to alleviate concerns about accuracy of the specific edges inferred in a particular network. DISCERN identifies perturbed genes more accurately in synthetic data than existing methods to identify perturbed genes between distinct states. In expression datasets from patients with acute myeloid leukemia (AML), breast cancer and lung cancer, genes with high DISCERN scores in each cancer are enriched for known tumor drivers, genes associated with the biological processes known to be important in the disease, and genes associated with patient prognosis, in the respective cancer. Finally, we show that DISCERN can uncover potential mechanisms underlying network perturbation by explaining observed epigenomic activity patterns in cancer and normal tissue types more accurately than alternative methods, based on the available epigenomic from the ENCODE project.

Abstract Background Alzheimer’s disease (AD), an incurable neurodegenerative disease, currently affecting 1.75% of the United States population, with projected growth to 3.46% by 2050. Identifying common genetic variants driving differences in transcript expression that confer AD-risk is necessary to elucidate AD mechanism and develop therapeutic interventions. We modify the FUSION Transcriptome Wide Association Study (TWAS) pipeline to ingest expression from multiple neocortical regions, provide a set of 6780 gene weights which are abstracatable across the neocortex, and leverage these to find 8 genes from six loci with associated AD risk validated through summary mendelian randomization (SMR) utilizing IGAP summary statistics. Method A combined dataset of 2003 genotypes clustered to Central European (CEU) ancestry was used to construct a training set of 790 genotypes paired to 888 RNASeq profiles across 6 Neo-cortical tissues (TCX=248, FP=50, IFG=41, STG=34, PHG=34, DLPFC=461). Following within-tissue normalization and covariate adjustment, predictive weights to impute expression components based on a gene’s surrounding cis -variants were trained. The FUSION pipeline was modified to support input of pre-scaled expression values and provide support for cross validation with a repeated measure design arising from the presence of multiple transcriptome samples from the same individual across different tissues. Results Cis -variant architecture alone was informative to train weights and impute expression for 6780 (49.67%) autosomal genes, the majority of which significantly correlated with gene expression; FDR < 5%: N=6775 (99.92%), Bonferroni: N=6716 (99.06%). Validation of weights in 515 matched genotype to RNASeq profiles from the CommonMind Consortium (CMC) was (72.14%) in DLPFC profiles. Association of imputed expression components from all 2003 genotype profiles yielded 8 genes significantly associated with AD (FDR < 0.05); APOC1, EED, CD2AP, CEACAM19, CLPTM1, MTCH2, TREM2, KNOP1. Conclusion We provide evidence of cis-genetic variation conferring AD risk through 8 genes across six distinct genomic loci. Moreover, we provide expression weights for 6780 genes as a valuable resource to the community, which can be abstracted across the neocortex and a wide range of neuronal phenotypes.