Digital technologies such as smartphones are transforming the way scientists conduct biomedical research. Several remotely conducted studies have recruited thousands of participants over a span of a few months allowing researchers to collect real-world data at scale and at a fraction of the cost of traditional research. Unfortunately, remote studies have been hampered by substantial participant attrition, calling into question the representativeness of the collected data including generalizability of outcomes. We report the findings regarding recruitment and retention from eight remote digital health studies conducted between 2014-2019 that provided individual-level study-app usage data from more than 100,000 participants completing nearly 3.5 million remote health evaluations over cumulative participation of 850,000 days. Median participant retention across eight studies varied widely from 2-26 days (median across all studies = 5.5 days). Survival analysis revealed several factors significantly associated with increase in participant retention time, including (i) referral by a clinician to the study (increase of 40 days in median retention time); (ii) compensation for participation (increase of 22 days, 1 study); (iii) having the clinical condition of interest in the study (increase of 7 days compared with controls); and (iv) older age (increase of 4 days). Additionally, four distinct patterns of daily app usage behavior were identified by unsupervised clustering, which were also associated with participant demographics. Most studies were not able to recruit a sample that was representative of the race/ethnicity or geographical diversity of the US. Together these findings can help inform recruitment and retention strategies to enable equitable participation of populations in future digital health research.

Abstract The availability of high-quality RNA-sequencing and genotyping data of post-mortem brain collections from consortia such as CommonMind Consortium (CMC) and the Accelerating Medicines Partnership for Alzheimer’s Disease (AMP-AD) Consortium enable the generation of a large-scale brain cis- eQTL meta-analysis. Here we generate cerebral cortical eQTL from 1433 samples available from four cohorts (identifying >4.1 million significant eQTL for >18,000 genes), as well as cerebellar eQTL from 261 samples (identifying 874,836 significant eQTL for >10,000 genes). We find substantially improved power in the meta-analysis over individual cohort analyses, particularly in comparison to the Genotype-Tissue Expression (GTEx) Project eQTL. Additionally, we observed differences in eQTL patterns between cerebral and cerebellar brain regions. We provide these brain eQTL as a resource for use by the research community. As a proof of principle for their utility, we apply a colocalization analysis to identify genes underlying the GWAS association peaks for schizophrenia and identify a potentially novel gene colocalization with lncRNA RP11-677M14.2 (posterior probability of colocalization 0.975).

Mobile health, the collection of data using wearables and sensors, is a rapidly growing field in health research with many applications. Deriving validated measures of disease and severity that can be used clinically or as outcome measures in clinical trials, referred to as digital biomarkers, has proven difficult. In part due to the complicated analytical approaches necessary to develop these metrics. Here we describe the use of crowdsourcing to specifically evaluate and benchmark features derived from accelerometer and gyroscope data in two different datasets to predict the presence of Parkinson’s Disease (PD) and severity of three PD symptoms: tremor, dyskinesia and bradykinesia. Forty teams from around the world submitted features, and achieved drastically improved predictive performance for PD status (best AUROC=0.87), as well as tremor (best AUPR=0.75), dyskinesia (best AUPR=0.48) and bradykinesia (best AUPR=0.95) severity.

Alzheimer's disease (AD) is a complex and heterogenous brain disease that affects multiple inter-related biological processes. This complexity contributes, in part, to existing difficulties in the identification of successful disease-modifying therapeutic strategies. To address this, systems approaches are being used to characterize AD-related disruption in molecular state. To evaluate the consistency across these molecular models, a consensus atlas of the human brain transcriptome was developed through coexpression meta-analysis across the AMP-AD consortium. Consensus analysis was performed across five coexpression methods used to analyze RNA-seq data collected from 2114 samples across 7 brain regions and 3 research studies. From this analysis, five consensus clusters were identified that described the major sources of AD-related alterations in transcriptional state that were consistent across studies, methods, and samples. AD genetic associations, previously studied AD-related biological processes, and AD targets under active investigation were enriched in only three of these five clusters. The remaining two clusters demonstrated strong heterogeneity between males and females in AD-related expression that was consistently observed across studies. AD transcriptional modules identified by systems analysis of individual AMP-AD teams were all represented in one of these five consensus clusters except ROS/MAP-identified Module 109, which was specific for genes that showed the strongest association with changes in AD-related gene expression across consensus clusters. The other two AMP-AD transcriptional analyses reported modules that were enriched in one of the two sex-specific Consensus Clusters. The fifth cluster has not been previously identified and was enriched for genes related to proteostasis. This study provides an atlas to map across biological inquiries of AD with the goal of supporting an expansion in AD target discovery efforts.