SUMMARY Host immune responses play central roles in controlling SARS-CoV2 infection, yet remain incompletely characterized and understood. Here, we present a comprehensive immune response map spanning 454 proteins and 847 metabolites in plasma integrated with single-cell multi-omic assays of PBMCs in which whole transcriptome, 192 surface proteins, and T and B cell receptor sequence were co-analyzed within the context of clinical measures from 50 COVID19 patient samples. Our study reveals novel cellular subpopulations, such as proliferative exhausted CD8 + and CD4 + T cells, and cytotoxic CD4 + T cells, that may be features of severe COVID-19 infection. We condensed over 1 million immune features into a single immune response axis that independently aligns with many clinical features and is also strongly associated with disease severity. Our study represents an important resource towards understanding the heterogeneous immune responses of COVID-19 patients and may provide key information for informing therapeutic development.

Abstract Translational biomedical research is generating exponentially more data: thousands of whole-genome sequences (WGS) are now available; brain data are doubling every two years. Analyses of Big Data, including imaging, genomic, phenotypic, and clinical data, present qualitatively new challenges as well as opportunities. Among the challenges is a proliferation in ways analyses can fail, due largely to the increasing length and complexity of processing pipelines. Anomalies in input data, runtime resource exhaustion or node failure in a distributed computation can all cause pipeline hiccups that are not necessarily obvious in the output. Flaws that can taint results may persist undetected in complex pipelines, a danger amplified by the fact that research is often concurrent with the development of the software on which it depends. On the positive side, the huge sample sizes increase statistical power, which in turn can shed new insight and motivate innovative analytic approaches. We have developed a framework for Big Data Quality Control (BDQC) including an extensible set of heuristic and statistical analyses that identify deviations in data without regard to its meaning (domain-blind analyses). BDQC takes advantage of large sample sizes to classify the samples, estimate distributions and identify outliers. Such outliers may be symptoms of technology failure (e.g., truncated output of one step of a pipeline for a single genome) or may reveal unsuspected “ signal” in the data (e.g., evidence of aneuploidy in a genome). We have applied the framework to validate real-world WGS analysis pipelines. BDQC successfully identified data outliers representing various failure classes, including genome analyses missing a whole chromosome or part thereof, hidden among thousands of intermediary output files. These failures could then be resolved by reanalyzing the affected samples. BDQC both identified hidden flaws as well as yielded new insights into the data. BDQC is designed to complement quality software development practices. There are multiple benefits from the application of BDQC at all pipeline stages. By verifying input correctness, it can help avoid expensive computations on flawed data. Analysis of intermediary and final results facilitates recovery from aberrant termination of processes. All these computationally inexpensive verifications reduce cryptic analytical artifacts that could seriously preclude clinical-grade genome interpretation. BDQC is available at https://github.com/ini-bdds/bdqc .

Summary Progressive striatal gene expression changes and epigenetic alterations are a prominent feature of Huntington’s disease (HD), but direct relationships between the huntingtin (HTT) protein and chromatin remain poorly described. Here, using chromatin immunoprecipitation and sequencing (ChIP-seq), we show that HTT reproducibly occupies specific locations in the mouse genome, including thousands of genomic loci that are differentially occupied in striatal tissue from a knock-in mouse model of HD (B6. Htt Q111/+ ) versus wildtype controls. ChIP-seq of histone modifications, generated in parallel, revealed genotype-specific colocalization of HTT with trimethylation of histone 3 lysine 27 (H3K27me3), a repressive chromatin mark. Near genes that are differentially regulated in HD, greater HTT occupancy in Htt Q111/+ vs. wildtype mice predicted increased H3K27me3, reduced histone 3 lysine 4 (H3K4me3), a marker of poised and active promoters, and down-regulated gene expression. Altered huntingtin-chromatin interactions may therefore play a direct role in driving transcriptional dysregulation in HD.

Abstract Variation in the blood metabolome is intimately related to human health. Prior work has shown that host genetics and gut microbiome composition, combined, explain sizable, but orthogonal, components of the overall variance in blood metabolomic profiles. However, few details are known about the interplay between genetics and the microbiome in explaining variation on a metabolite-by-metabolite level. Here, we performed analyses of variance for each of the 945 blood metabolites that were robustly detected across a cohort of 2,049 individuals, while controlling for a number of relevant covariates, like sex, age, and genetic ancestry. Over 60% of the detected blood metabolites were significantly associated with either host genetics or the gut microbiome, with more than half of these associations driven solely by the microbiome and around 30% under hybrid genetic-microbiome control. The variances explained by genetics and the microbiome for each metabolite were indeed largely additive, although subtle, but significant, non-additivity was detected. We found that interaction effects, where a metabolitemicrobe association was specific to a particular genetic background, were quite common, albeit with modest effect sizes. The outputs of our integrated genetic-microbiome regression models provide novel biological insights into the processes governing the composition of the blood metabolome. For example, we found that unconjugated secondary bile acids were solely associated with the microbiome, while their conjugated forms were under strong host genetic control. Overall, our results reveal which components of the blood metabolome are under strong genetic control, which are more dependent on gut microbiome composition, and which are dependent upon both. This knowledge will help to guide targeted interventions designed to alter the composition of the blood metabolome.

ABSTRACT Organ specific proteins (OSPs) possess great medical potentials both in clinics and in biomedical research. Applications of them — such as alanine transaminase, aspartate transaminase, and troponins — in clinics have raised certain concerns of their organ specificity. The dynamics and diversity of protein expression in heterogeneous human population are well known, yet their effects on OSPs are less addressed. Here we use mouse as a model and implemented a scheme of breadth study to examine the pan-organ proteome for potential variations of organ specificity in different genetic backgrounds. Using reasonable resources, we generated pan-organ proteomes of four in-bred mouse strains. The results revealed a large diversity that is more profound among OSPs than the overall proteomes. We defined a robustness score to quantify such variation and derived three sets of OSPs with different stringencies. In the meantime, we found that the enriched biological functions of OSPs are also organ specific that are sensitive and useful to assess the quality of OSPs. We hope our breadth study can open doors to explore the molecular diversity and dynamics of organ specificity at the protein level.

Lyme disease is caused by spirochaetes of the Borrelia burgdorferi sensu lato genospecies. Complete genome assemblies are available for fewer than ten strains of Borrelia burgdorferi sensu stricto, the primary cause of Lyme disease in North America. MM1 is a sensu stricto strain originally isolated in the midwestern United States. Aside from a small number of genes, the complete genome sequence of this strain has not been reported. Here we present the complete genome sequence of MM1 in relation to other sensu stricto strains and in terms of its Multi Locus Sequence Typing. Our results indicate that MM1 is a new sequence type which contains a conserved main chromosome and 15 plasmids. Our results include the first contiguous 28.5 kbp assembly of lp28-8, a linear plasmid carrying the vls antigenic variation system, from a Borrelia burgdorferi sensu stricto strain.

The associations among different omics are essential to understand human wellness and disease. Howev-er, very few studies have focused on collecting and exhibiting multi-omics associations in a single database. Here, we present an interactive database of multi-omics biological networks (MOBN) and describe associations between clinical chemistry, anthropometrics, plasma proteome, plasma metabolome and gut microbiome obtained from the same indi-viduals. MOBN allows the user to interactively explore the association of a single feature with other omics data and customize its specific context (e.g. male/female specific). MOBN is designed for users who may not have a formal bio-informatics background to facilitate research in human wellness and diseases.

PTSD is associated with metabolic comorbidities; however it is not clear how the neuroendocrine disturbances affect metabolism. To analyze this we employed a systems biological approach using an integrated mathematical model of metabolism, HPA axis and inflammation. We combined the metabolomics, neuroendocrine, clinical lab and cytokine data from combat-exposed veterans with and without PTSD, to characterize the differences in regulatory effects. We used the pattern of fold change in metabolites representing pathway level differences as reference for metabolic control analysis (MCA) using the model. MCA revealed parameters constituting the HPA axis, inflammation and GPCR pathway that yielded metabolic dysfunction consistent with PTSD. To support this, we performed causal analysis between regulatory components and the significantly different metabolites in our sample. Causal inference revealed that the changes in glucocorticoid receptor sensitivity were mechanistically associated with metabolic dysfunction and the effects were jointly mediated by insulin resistance, inflammation, oxidative stress and energy deficit.

Scale invariance is a common property of physical laws and a key concept in perspective drawing, which aims to provide a meaningful two-dimensional representation of a more complex, three-dimensional scene. Here we describe Scale Invariant Geometric Data Analysis (SIGDA), a new, general exploratory data analysis (EDA) method based on normalization of data to scale invariance. We discuss similarities and differences between SIGDA and two widely-used EDA methods, Correspondence Analysis (CA) and Principal Components Analysis (PCA). We then illustrate SIGDA's ability to analyze and visualize population structure relationships within the data that inspired its development: genetic marker data, in which context PCA is considered a standard method. We show that SIGDA provides significant advantages over PCA of the same data, including: (a) robust detection and separation of a larger number of population axes, leading to (b) better separation of annotated populations; (c) separation of an independent allele frequency axis interpretable as a proxy for allele age, (d) visualization of marker flow between populations (population history), and (d) robust detection and visualization of relationships between closely-related individuals and among family groups. Although this illustration focuses on a specific task, SIGDA is a general-purpose EDA method and derives its advantages from its novel approach to fundamental issues in data analysis, rather than clever sampling or other task-specific methodology.

Transcriptional changes occur presymptomatically and throughout Huntington's Disease (HD), motivating the study of transcriptional regulatory networks (TRNs) in HD. We reconstructed a genome-scale model for the target genes of 718 TFs in the mouse striatum by integrating a model of the genomic binding sites with transcriptome profiling of striatal tissue from HD mouse models. We identified 48 differentially expressed TF-target gene modules associated with age- and Htt allele-dependent gene expression changes in the mouse striatum, and replicated many of these associations in independent transcriptomic and proteomic datasets. Strikingly, many of these predicted target genes were also differentially expressed in striatal tissue from human disease. We experimentally validated a key model prediction that SMAD3 regulates HD-related gene expression changes using chromatin immunoprecipitation and deep sequencing (ChIP-seq) of mouse striatum. We found Htt allele-dependent changes in the genomic occupancy of SMAD3 and confirmed our model's prediction that many SMAD3 target genes are down-regulated early in HD. Importantly, our study provides a mouse and human striatal-specific TRN and prioritizes a hierarchy of transcription factor drivers in HD.