The analysis of contemporary genomic data typically operates on one-dimensional phenotypic measurements (e.g. standing height). Here we report on a data-driven, family-informed strategy to facial phenotyping that searches for biologically relevant traits and reduces multivariate 3D facial shape variability into amendable univariate measurements, while preserving its structurally complex nature. We performed a biometric identification of siblings in a sample of 424 children, defining 1,048 sib-shared facial traits. Subsequent quantification and analyses in an independent European cohort (n = 8,246) demonstrated significant heritability for a subset of traits (0.17-0.53) and highlighted 218 genome-wide significant loci (38 also study-wide) associated with facial variation shared by siblings. These loci showed preferential enrichment for active chromatin marks in cranial neural crest cells and embryonic craniofacial tissues and several regions harbor putative craniofacial genes, thereby enhancing our knowledge on the genetic architecture of normal-range facial variation.

Abstract The human face is complex and multipartite, and characterization of its genetic architecture remains intriguingly challenging. Applying GWAS to multivariate shape phenotypes, we identified 203 genomic regions associated with normal-range facial variation, 117 of which are novel. The associated regions are enriched for both genes relevant to craniofacial and limb morphogenesis and enhancer activity in cranial neural crest cells and craniofacial tissues. Genetic variants grouped by their contribution to similar aspects of facial variation show high within-group correlation of enhancer activity, and four SNP pairs display evidence of epistasis, indicating potentially coordinated actions of variants within the same cell types or tissues. In sum, our analyses provide new insights for understanding how complex morphological traits are shaped by both individual and coordinated genetic actions.

Abstract The cranial vault – the portion of the skull surrounding the brain and cerebellum – is highly variable, clinically relevant, and heritable, yet its genetic architecture remains poorly understood. Here, we conducted a joint multi-ancestry and admixed multivariate GWAS on 3D cranial vault shape extracted from magnetic resonance images of 6,772 children from the ABCD study cohort, identifying 30 genome-wide significant genetic loci and replicating 20 of these signals in 16,947 additional individuals of the UK Biobank. This joint multi-ancestry GWAS was enriched for genetic components of cranial vault shape shared across ancestral groups and yielded a greater discovery than a European-only GWAS. We present supporting evidence for parietal versus frontal bone localization for several of the identified genes based on expression patterns in E15.5 mice. Collectively, our GWAS loci were enriched for processes related to skeletal development and showed elevated activity in cranial neural crest cells, suggesting a role during early craniofacial development. Among the identified genes, were RUNX2 and several of its upstream and downstream actors, highlighting the prominent role of intramembranous ossification – which takes place at the cranial sutures – in influencing cranial vault shape. We found that mutations in many genes associated with craniosynostosis exert their pathogenicity by modulating the same pathways involved in normal cranial vault development. This was further demonstrated in a non-syndromic sagittal craniosynostosis case-parent trio dataset of 63 probands (n = 189), where our GWAS signals near BMP2, BBS9 , and ZIC2 contributed significantly to disease risk. Moreover, we found strong evidence of overlap with genes influencing the morphology of the face and the brain, suggesting a common genetic architecture connecting these developmentally adjacent structures. Overall, our study provides a comprehensive overview of the genetics underlying normal cranial vault shape and its relevance for understanding modern human craniofacial diversity and the etiology of congenital malformations.

Automatic dense 3D surface registration is a powerful technique for comprehensive 3D shape analysis that has found a successful application in human craniofacial morphology research, particularly within the mandibular and cranial vault regions. However, a notable gap exists when exploring the frontal aspect of the human skull, largely due to the intricate and unique nature of its cranial anatomy. To better examine this region, this study introduces a simplified single-surface craniofacial bone mask comprising 9,999 quasi-landmarks, which can aid in the classification and quantification of variation over human facial bone surfaces. Automatic craniofacial bone phenotyping was conducted on a dataset of 31 skull scans obtained through cone-beam computed tomography (CBCT) imaging. The MeshMonk framework facilitated the non-rigid alignment of the constructed craniofacial bone mask with each individual target mesh. To gauge the accuracy and reliability of this automated process, 20 anatomical facial landmarks were manually placed three times by three independent observers on the same set of images. Intra- and inter-observer error assessments were performed using root mean square (RMS) distances, revealing consistently low scores. Subsequently, the corresponding automatic landmarks were computed and juxtaposed with the manually placed landmarks. The average Euclidean distance between these two landmark sets was 1.5mm, while centroid sizes exhibited noteworthy similarity. Intraclass coefficients (ICC) demonstrated a high level of concordance (>0.988), and automatic landmarking showing significantly lower errors and variation. These results underscore the utility of this newly developed single-surface craniofacial bone mask, in conjunction with the MeshMonk framework, as a highly accurate and reliable method for automated phenotyping of the facial region of human skulls from CBCT and CT imagery. This craniofacial template bone mask expansion of the MeshMonk toolbox not only enhances our capacity to study craniofacial bone variation but also holds significant potential for shedding light on the genetic, developmental, and evolutionary underpinnings of the overall human craniofacial structure.

Abstract Background Analysis of population structure and genomic ancestry remains an important topic in human genetics and bioinformatics. Commonly used methods require high-quality genotype data to ensure accurate inference. However, in practice, laboratory artifacts and outliers are often present in the data. Moreover, existing methods are typically affected by the presence of related individuals in the dataset. Results In this work, we propose a novel hybrid method, called SAE-IBS, which combines the strengths of traditional matrix decomposition-based (e.g., principal component analysis) and more recent neural network-based (e.g., autoencoders) solutions. I.e., it yields an orthogonal latent space enhancing dimensionality selection while learning non-linear transformations. The proposed approach achieves higher accuracy than existing methods for projecting poor quality target samples (genotyping errors and missing data) onto a reference ancestry space and generates a robust ancestry space in the presence of relatedness. Conclusion We introduce a new approach and an accompanying open-source program for robust ancestry inference in the presence of missing data, genotyping errors, and relatedness. The obtained ancestry space allows for non-linear projections and exhibits orthogonality with clearly separable population groups.

ABSTRACT Evidence from both model organisms and clinical genetics suggests close coordination between the developing brain and face 1–8 , but it remains unknown whether this developmental link extends to genetic variation that drives normal-range diversity of face and brain shape. Here, we performed a multivariate genome-wide association study of cortical surface morphology in 19,644 European-ancestry individuals and identified 472 genomic loci influencing brain shape at multiple levels. We discovered a substantial overlap of these brain shape association signals with those linked to facial shape variation, with 76 common to both. These shared loci include transcription factors with cell-intrinsic roles in craniofacial development, as well as members of signaling pathways involved in brain-face crosstalk. Brain shape heritability is equivalently enriched near regulatory regions active in either brain organoids or in facial progenitor cells. However, brain shape association signals shared with face shape are distinct from those shared with behavioral-cognitive traits or neuropsychiatric disorder risk. Together, we uncover common genetic variants and candidate molecular players underlying brain-face interactions. We propose that early in embryogenesis, the face and the brain mutually shape each other through a combination of structural effects and paracrine signaling, but this interplay may have little impact on later brain development associated with cognitive function.

Abstract A genome-wide association study (GWAS) of a complex, multi-dimensional morphological trait, such as the human face, typically relies on predefined and simplified phenotypic measurements, such as inter-landmark distances and angles. These measures are predominantly designed by human experts based on perceived biological or clinical knowledge. To avoid use handcrafted phenotypes (i.e., a priori expert-identified phenotypes), alternative automatically extracted phenotypic descriptors, such as features derived from dimension reduction techniques (e.g., principal component analysis), are employed. While the features generated by such computational algorithms capture the geometric variations of the biological shape, they are not necessarily genetically relevant. Therefore, genetically informed data-driven phenotyping is desirable. Here, we propose an approach where phenotyping is done through a data-driven optimization of trait heritability, defined as the degree of variation in a phenotypic trait in a population that is due to genetic variation. The resulting phenotyping process consists of two steps: 1) constructing a feature space that models shape variations using dimension reduction techniques, and 2) searching for directions in the feature space exhibiting high trait heritability using a genetic search algorithm (i.e., heuristic inspired by natural selection). We show that the phenotypes resulting from the proposed trait heritability-optimized training differ from those of principal components in the following aspects: 1) higher trait heritability, 2) higher SNP heritability, and 3) identification of the same number of independent genetic loci with a smaller number of effective traits. Our results demonstrate that data-driven trait heritability-based optimization enables the automatic extraction of genetically relevant phenotypes, as shown by their increased power in genome-wide association scans.

Background: Processing raw genomic data for downstream applications such as imputation, association studies, and modeling requires numerous third-party bioinformatics software tools. It is highly time-consuming and resource-intensive with computational demands and storage limitations that pose significant challenges that increase cost. The use of software tools independent of one another, in a disjointed stepwise fashion, increases the difficulty and sets forth higher error rates because of fragmented job executions in alignment, variant calling, and/or build conversion complications. As sequencing data availability grows, the ability of biologists to process it using stable, automated, and reproducible workflows is paramount as it significantly reduces the time to generate clean and reliable data. Results: The Iliad suite of genomic data workflows was developed to provide users with seamless file transitions from raw genomic data to a quality-controlled variant call format (VCF) file for downstream applications. Iliad benefits from the efficiency of the Snakemake best practices framework coupled with Singularity and Docker containers for repeatability, portability, and ease of installation. This feat is accomplished from the onset with download acquisitions of any raw data type (FASTQ, CRAM, IDAT) straight through to the generation of a clean merged data file that can combine any user-preferred datasets using robust programs such as BWA, Samtools, and BCFtools. Users can customize and direct their workflow with one straightforward configuration file. Iliad is compatible with Linux, MacOS, and Windows platforms and scalable from a local machine to a high-performance computing cluster. Conclusion: Iliad offers automated workflows with optimized time and resource management that are comparable to other workflows available but generates analysis-ready VCF files from the most common datatypes using a single command. The storage footprint challenge of genomic data is overcome by utilizing temporary intermediate files before the final VCF is generated. This file is ready for use in imputation, genome-wide association study (GWAS) pipelines, high-throughput population genetics studies, select gene candidate studies, and more. Iliad was developed to be portable, compatible, scalable, robust, and repeatable with a simplistic setup, so biologists who are less familiar with programming can manage their own big data with this open-source suite of workflows.

Human craniofacial shape is highly variable yet highly heritable with genetic variants interacting through multiple layers of development. Here, we hypothesize that Mendelian phenotypes represent the extremes of a phenotypic spectrum and, using achondroplasia as an example, we introduce a syndrome-informed phenotyping approach to identify genomic loci associated with achondroplasia-like facial variation in the normal population. We compared three-dimensional facial scans from 43 individuals with achondroplasia and 8246 controls to calculate achondroplasia-like facial scores. Multivariate GWAS of the control scores revealed a polygenic basis for normal facial variation along an achondroplasia-specific shape axis, identifying genes primarily involved in skeletal development. Jointly modeling these genes in two independent control samples showed craniofacial effects approximating the characteristic achondroplasia phenotype. These findings suggest that both complex and Mendelian genetic variation act on the same developmentally determined axes of facial variation, providing new insights into the genetic intersection of complex traits and Mendelian disorders.

The roles of migration, admixture and acculturation in the European transition to farming have been debated for over 100 years. Genome-wide ancient DNA studies indicate predominantly Anatolian ancestry for continental Neolithic farmers, but also variable admixture with local Mesolithic hunter-gatherers. Neolithic cultures first appear in Britain c. 6000 years ago (kBP), a millennium after they appear in adjacent areas of northwestern continental Europe. However, the pattern and process of the British Neolithic transition remains unclear. We assembled genome-wide data from six Mesolithic and 67 Neolithic individuals found in Britain, dating from 10.5-4.5 kBP, a dataset that includes 22 newly reported individuals and the first genomic data from British Mesolithic hunter-gatherers. Our analyses reveals persistent genetic affinities between Mesolithic British and Western European hunter-gatherers over a period spanning Britain's separation from continental Europe. We find overwhelming support for agriculture being introduced by incoming continental farmers, with small and geographically structured levels of additional hunter-gatherer introgression. We find genetic affinity between British and Iberian Neolithic populations indicating that British Neolithic people derived much of their ancestry from Anatolian farmers who originally followed the Mediterranean route of dispersal and likely entered Britain from northwestern mainland Europe.