Abstract The epilepsies affect around 65 million people worldwide and have a substantial missing heritability component. We report a genome-wide mega-analysis involving 15,212 individuals with epilepsy and 29,677 controls, which reveals 16 genome-wide significant loci, of which 11 are novel. Using various prioritization criteria, we pinpoint the 21 most likely epilepsy genes at these loci, with the majority in genetic generalized epilepsies. These genes have diverse biological functions, including coding for ion-channel subunits, transcription factors and a vitamin-B6 metabolism enzyme. Converging evidence shows that the common variants associated with epilepsy play a role in epigenetic regulation of gene expression in the brain. The results show an enrichment for monogenic epilepsy genes as well as known targets of antiepileptic drugs. Using SNP-based heritability analyses we disentangle both the unique and overlapping genetic basis to seven different epilepsy subtypes. Together, these findings provide leads for epilepsy therapies based on underlying pathophysiology.

Abstract Motivation Understanding cell type composition is important to understanding many biological processes. Furthermore, in gene expression studies cell type composition can confound differential expression analysis (DEA). To aid understanding cell type composition, methods of estimating (deconvolving) cell type proportions from gene expression data have been developed. Results We propose dtangle, a new cell-type deconvolution method. dtangle works on a range of DNA microarray and bulk RNA-seq platforms. It estimates cell-type proportions using publicly available, often cross-platform, reference data. To comprehensively evaluate dtangle, we assemble ten benchmark data sets. Here, dtangle is competitive with published deconvolution methods, is robust to selection of tuning parameters and is quicker than other methods. As a case study, we investigate the human immune response to Lyme disease. dtangle’s estimates reveal a temporal trend consistent with previous findings and are important covariates for DEA across disease status. Availability dtangle is on CRAN ( cran.r-project.org/package=dtangle ) or github ( dtangle.github.io ). Contact gjhunt@umich.edu

ABSTRACT CRISPR-dCas9 based targeted epigenome editing tools allow precise manipulation and functional investigation of various genome modifications. However, these tools often display substantial context dependency, with highly variable efficacy between target genes and cell types, potentially due to underlying variation in the chromatin modifications present. While simultaneous recruitment of multiple distinct ‘effector’ chromatin regulators has improved efficacy, these systems typically lack control over which effectors bind and their spatial organisation. To overcome this we have created a new modular combinatorial epigenome editing platform, called SSSavi. This system acts as an interchangeable and reconfigurable docking platform fused to dCas9 to enable simultaneous recruitment of up to four different effectors, allowing precise control and reconfiguration of the effector composition and spatial ordering of their binding. We demonstrate the activity and specificity of the SSSavi system and compare it to existing multi-effector targeting systems, establishing its efficacy. Furthermore, by altering the spatial ordering of effector recruitment, across multiple target genes and cell lines, we demonstrate the importance of effector recruitment order for effective transcriptional regulation. Together, this system offers the capacity to explore effector co-recruitment to specific loci to potentially enhance the manipulation of chromatin contexts previously resistant to targeted epigenomic editing.

ABSTRACT High-grade gliomas are aggressive primary brain cancers with poor response to standard regimens, driven by immense heterogeneity. In isocitrate dehydrogenase ( IDH ) wild-type high-grade glioma (glioblastoma, GBM), increased intra-tumoral heterogeneity is associated with more aggressive disease. Recently, spatial technologies have emerged to dissect this complex heterogeneity within the tumor ecosystem by preserving cellular organization in situ . Here, we construct a high-resolution molecular landscape of GBM and IDH -mutant high-grade glioma patient samples to investigate the cellular subtypes and spatial communities that compose high-grade glioma using digital spatial profiling and spatial molecular imaging. This uncovered striking diversity of the tumor and immune microenvironment, that is embodied by the heterogeneity of the inferred copy-number alterations in the tumor. Reconstructing the tumor architecture revealed two distinct niches, one composed of tumor cell states that most closely resemble normal glial cells, associated with microglia; and the other niche populated by monocytes and mesenchymal tumor cells. We further reveal that communication between tumor and immune cells is underpinned by tumor-specific ligands, such as TGFβ signaling in astrocyte-like tumor cells. This primary study reveals high levels of intra-tumoral heterogeneity in high-grade gliomas, associated with a diverse immune landscape within spatially localized regions.

ABSTRACT BACKGROUND Conversion of adenosine to inosine in RNA by ADAR enzymes occurs at thousands of sites in the human transcriptome, and is essential for healthy brain development. This ‘RNA editing’ process is dysregulated in many neuropsychiatric diseases, but is little understood at the level of individual neurons. METHODS We quantified RNA editing sites in full-length capture nuclear transcriptomes of 3055 neurons from six cortical regions of a neurotypical post-mortem female donor. Putative editing sites were intersected with sites in bulk human tissue transcriptomes including healthy and neuropsychiatric brain tissue, and sites identified in single nuclei from unrelated brain donors. Differential editing between cell types and cortical regions, and individual sites and genes therein, was quantified using linear models. Associations between gene expression and editing were also tested. RESULTS We identified 41,930 RNA editing sites with robust read coverage in at least ten neuronal nuclei. Most sites were located within Alu repeats in introns or 3’ UTRs, and approximately 80% were catalogued in published RNA editing databases. We identified 9285 putative novel RNA editing sites, 29% of which were also detectable neuronal transcriptomes from unrelated donors. Inhibitory neurons showed higher overall transcriptome editing than excitatory neurons. Among the strongest correlates of global editing rates were snoRNAs from the SNORD115 and SNORD116 cluster (15q11), known to modulate serotonin receptor processing and to colocalize with ADAR2. We identified 29 genes preferentially edited in excitatory neurons and 44 genes edited more heavily in inhibitory neurons including RBFOX1, its target genes and small nucleolar RNA-associated genes in the autism-associated Prader-Willi locus 15q11. These results provide cell-type and spatial context for 1730 and 910 sites that are also edited in the brains of schizophrenic and autistic patients respectively, and a reference for future studies of RNA editing in single brain cells from these cohorts. CONCLUSIONS RNA editing, including thousands of previously unreported sites, is robustly detectable in single neuronal nuclei, where gene editing differences are stronger between cell subtypes than between cortical regions. Insufficient editing of ASD-related genes in inhibitory neurons may manifest in the specific perturbation of these cells in autism.

Abstract The investigation of brain networks has yielded many insights that have helped to characterise many neurological and psychiatric disorders. In particular, network classification of functional magnetic resonance imaging (fMRI) data is an important tool for the identification of prognostic and diagnostic biomarkers of brain connectivity disorders such as schizophrenia and depression. However, existing generic network classification methods provide no direct information on the underlying molecular mechanisms of the selected functional connectivity features when applied to fMRI data. To address this, we propose a novel fMRI network classification method that incor-porates brain transcriptional data using a user-specified gene set collection (GSC) to construct feature groups for use in classification of brain connectivity data. The use of GSCs are an opportunity to incorporate knowledge of potential molecular mechanisms which may be associated with a disease. The inclusion of transcriptional data yields improved prediction accuracy on publicly available schizophrenia fMRI data for several of the GSCs we consider. We also introduce a post-hoc interpretation framework to provide transcriptional-data-guided biological interpretations for discriminative functional connectivity features identified by existing fMRI network classification methods.

Abstract Matrix-assisted laser desorption/ionization mass spectrometry imaging allows the study of metabolic activity in the tumor microenvironment of brain cancers. The detectable metabolites within these tumors are contingent upon the choice of matrix, deposition technique, and polarity setting. In this study, we compared the performance of three different matrices, two deposition techniques, and use of positive and negative polarity in two different brain cancer types and across two species. Optimal combinations were confirmed by comparative analysis of lipid and small molecule abundance using liquid chromatography–mass spectrometry and RNA-sequencing assessing differential metabolites between normal and tumor regions. Our findings indicate that the recrystallized α cyano-4-hydroxycinnamic acid matrix in positive polarity offered superior performance for both detected metabolites and consistency with other techniques. Beyond these implications for brain cancer, our work establishes a workflow to identify optimal matrices for spatial metabolomics studies.

The glioblastoma microenvironment is enriched in immunosuppressive factors that potently interfere with the function of cytotoxic T lymphocytes. Cancer cells can directly impact the immune system, but the mechanisms driving these interactions are not completely clear. Here we demonstrate that the polyamine metabolite spermidine is elevated in the glioblastoma tumor microenvironment. Exogenous administration of spermidine drives tumor aggressiveness in an immune-dependent manner in pre-clinical mouse models via reduction of CD8+ T cell frequency and phenotype. Knockdown of ornithine decarboxylase, the rate-limiting enzyme in spermidine synthesis, did not impact cancer cell growth in vitro but did result in extended survival. Furthermore, glioblastoma patients with a more favorable outcome had a significant reduction in spermidine compared to patients with a poor prognosis. Our results demonstrate that spermidine functions as a cancer cell-derived metabolite that drives tumor progression by reducing CD8+T cell number and function.

The commercially available 10X Genomics protocol to generate droplet-based single cell RNA-seq (scRNA-seq) data is enjoying growing popularity among researchers. Fundamental to the analysis of such scRNA-seq data is the ability to cluster similar or same cells into non-overlapping groups. Many competing methods have been proposed for this task, but there is currently little guidance with regards to which method offers most accuracy. Answering this question is complicated by the fact that 10X Genomics data lack cell labels that would allow a direct performance evaluation. Thus in this review, we focused on comparing clustering solutions of a dozen methods for three datasets on human peripheral mononuclear cells generated with the 10X Genomics technology. While clustering solutions appeared robust, we found that solutions produced by different methods have little in common with each other. They also failed to replicate cell type assignment generated with supervised labeling approaches. Furthermore, we demonstrate that all clustering methods tested clustered cells to a large degree according to the amount of genes coding for ribosomal protein genes in each cell.

Single-cell RNA sequencing (scRNA-Seq) has emerged as a powerful tool for understanding cellular heterogeneity and function. However the choice of sample multiplexing reagents can impact data quality and experimental outcomes. In this study, we compared various multiplexing reagents, including MULTI-Seq, Hashtag antibody, and CellPlex, across diverse sample types such as human peripheral blood mononuclear cells (PBMCs), mouse embryonic brain and patient-derived xenografts (PDXs). We found that all multiplexing reagents worked well in cell types robust to ex vivo manipulation but suffered from signal-to-noise issues in more delicate sample types. We compared multiple demultiplexing algorithms which differed in performance depending on data quality. We find that minor improvements to laboratory workflows such as titration and rapid processing are critical to optimal performance. We also compared the performance of fixed scRNA-Seq kits and highlight the advantages of the Parse Biosciences kit for fragile samples. Highly multiplexed scRNA-Seq experiments require more sequencing resources, therefore we evaluated CRISPR-based destruction of non-informative genes to enhance sequencing value. Our comprehensive analysis provides insights into the selection of appropriate sample multiplexing reagents and protocols for scRNASeq experiments, facilitating more accurate and cost-effective studies.