Biological age (BA) has been proposed to evaluate the aging status instead of chronological age (CA). Our study shows evidence that there might be multiple "clocks" within the whole-body system: systemic aging drivers/clocks overlaid with organ/tissue-specific counterparts. We utilize multi-omics data, including clinical tests, immune repertoire, targeted metabolomic molecules, gut microbiomes, physical fitness examinations, and facial skin examinations, to estimate the BA of different organs (e.g., liver, kidney) and systems (immune and metabolic system). The aging rates of organs/systems are diverse. People's aging patterns are different. We also demonstrate several applications of organs/systems BA in two independent datasets. Mortality predictions are compared among organs' BA in the dataset of the United States National Health and Nutrition Examination Survey. Polygenic risk score of BAs constructed in the Chinese Longitudinal Healthy Longevity Survey cohort can predict the possibility of becoming centenarian.

Polygenic diseases, which are genetic disorders caused by the combined action of multiple genes, pose unique and significant challenges for the diagnosis and management of affected patients. A major goal of cardiovascular medicine has been to understand how genetic variation leads to the clinical heterogeneity seen in polygenic cardiovascular diseases (CVDs). Recent advances and emerging technologies in artificial intelligence (AI), coupled with the ever-increasing availability of next generation sequencing (NGS) technologies, now provide researchers with unprecedented possibilities for dynamic and complex biological genomic analyses. Combining these technologies may lead to a deeper understanding of heterogeneous polygenic CVDs, better prognostic guidance, and, ultimately, greater personalized medicine. Advances will likely be achieved through increasingly frequent and robust genomic characterization of patients, as well the integration of genomic data with other clinical data, such as cardiac imaging, coronary angiography, and clinical biomarkers. This review discusses the current opportunities and limitations of genomics; provides a brief overview of AI; and identifies the current applications, limitations, and future directions of AI in genomics.

Abstract Alfalfa ( Medicago sativa L.), the most valuable perennial legume crop, referred to as “Queen of the Forages” for its high nutritional value and yield production among forage crops. Comprehensive genomic information of germplasm resources from different ecological regions and modern breeding strategies, such as molecular-marker assisted breeding are of great importance to breed new alfalfa varieties with environmental resilience. Here, we report assembly of the genome sequence of Zhongmu-4 (ZM-4), one of the most planted cultivars in China, and identification of SNPs associated with alfalfa agronomic traits by Genome-wide Association Studies (GWAS). Sequence of 32 allelic chromosomes was assembled successfully by single molecule real time sequencing and Hi-C technique with ALLHiC algorithm. About 2.74 Gbp contigs, accounting for 88.39% of the estimated genome, were assembled with 2.56 Gbp contigs anchored to 32 pseudo-chromosomes. In comparison with M. truncatula A17, distinctive inversion and translocation on chromosome 1, and between chromosome 4 and 8, respectively, were detected. Moreover, we conducted resequencing of 220 alfalfa accessions collected globally and performed GWAS analysis based on our assembled genome. Population structure analysis demonstrated that alfalfa has a complex genetic relationship among germplasm with different geographic origins. GWAS identified 101 SNPs associated with 27 out of 93 agronomic traits. The updated chromosome-scale and allele-aware genome sequence, coupled with the resequencing data of most global alfalfa germplasm, provides valuable information for alfalfa genetic research, and further analysis of major SNP loci will accelerate unravelling the molecular basis of important agronomic traits and facilitate genetic improvement of alfalfa.

Abstract To improve the efficiency of high-density genotype data storage and imputation in bread wheat ( Triticum aestivum L.), we applied the Practical Haplotype Graph (PHG) tool. The wheat PHG database was built using whole-exome capture sequencing data from a diverse set of 65 wheat accessions. Population haplotypes were inferred for the reference genome intervals defined by the boundaries of the high-quality gene models. Missing genotypes in the inference panels, composed of wheat cultivars or recombinant inbred lines genotyped by exome capture, genotyping-by-sequencing (GBS), or whole-genome skim-seq sequencing approaches, were imputed using the wheat PHG database. Though imputation accuracy varied depending on the method of sequencing and coverage depth, we found 93% imputation accuracy with 0.01x sequence coverage, which was only slightly lower than the accuracy obtained using the 0.5x sequence coverage (96.9%). Compared to Beagle, on average, PHG imputation was ~4% ( p-value = 0.00027) more accurate, and showed 27% higher accuracy at imputing a rare haplotype introgressed from a wild relative into wheat. The reduced accuracy of imputation with GBS data (90.4%) is likely associated with the small overlap between GBS markers and the exome capture dataset, which was used for constructing PHG. The highest imputation accuracy was obtained with exome capture for the wheat D genome, which also showed the highest levels of linkage disequlibrium and proportion of identity-by-descent regions among accessions in our reference panel. We demonstrate that genetic mapping based on genotypes imputed using PHG identifies SNPs with a broader range of effect sizes that together explain a higher proportion of genetic variance for heading date and meiotic crossover rate compared to previous studies.

Abstract Comprehensive analyses of viral genomes can provide a global picture on SARS-CoV-2 transmission and help to predict the oncoming trends of pandemic. This molecular tracing is mainly conducted through extensive phylogenetic network analyses. However, the rapid accumulation of SARS-CoV-2 genomes presents an unprecedented data size and complexity that has exceeded the capacity of existing methods in constructing evolution network through virus genotyping. Here we report a Viral genome Evolution Network Analysis System (VENAS), which uses Hamming distances adjusted by the minor allele frequency to construct viral genome evolution network. The resulting network was topologically clustered and divided using community detection algorithm, and potential evolution paths were further inferred with a network disassortativity trimming algorithm. We also employed parallel computing technology to achieve rapid processing and interactive visualization of >10,000 viral genomes, enabling accurate detection and subtyping of the viral mutations through different stages of Covid-19 pandemic. In particular, several core viral mutations can be independently identified and linked to early transmission events in Covid-19 pandemic. As a general platform for comprehensive viral genome analysis, VENAS serves as a useful computational tool in the current and future pandemics.

Abstract SARS-CoV-2 Spike glycoprotein is the major target of host neutralizing antibodies and the most changing viral protein in the continuously emerging SARS-CoV-2 variants as a result of frequent viral evasion from host antibody responses. In addition, SARS-CoV-2 encodes multiple accessory proteins that modulate host antiviral immunity by different mechanisms. Among all SARS-CoV-2 accessory proteins, ORF8 is rapidly evolving and a deletion in this protein has been linked to milder disease. Here, we studied the effect of ORF8 on peripheral blood mononuclear cells (PBMC). Specifically, we found that ORF8 can bind monocytes as well as NK cells. Strikingly, ORF8 binds CD16a (FcγRIIIA) with nanomolar affinity and decreases the overall level of CD16 at the surface of monocytes and, to a lesser extent, NK cells. Strikingly, this decrease significantly reduces the capacity of PBMCs and particularly monocytes to mediate antibody-dependent cellular cytotoxicity (ADCC). Overall, our data identifies a new immune-evasion activity used by SARS-CoV-2 to escape humoral responses.

SUMMARY Dysfunctional immune response in the COVID-19 patients is a recurrent theme impacting symptoms and mortality, yet the detailed understanding of pertinent immune cells is not complete. We applied single-cell RNA sequencing to 284 samples from 205 COVID-19 patients and controls to create a comprehensive immune landscape. Lymphopenia and active T and B cell responses were found to coexist and associated with age, sex and their interactions with COVID-19. Diverse epithelial and immune cell types were observed to be virus-positive and showed dramatic transcriptomic changes. Elevation of ANXA1 and S100A9 in virus-positive squamous epithelial cells may enable the initiation of neutrophil and macrophage responses via the ANXA1-FPR1 and S100A8/9-TLR4 axes. Systemic upregulation of S100A8/A9, mainly by megakaryocytes and monocytes in the peripheral blood, may contribute to the cytokine storms frequently observed in severe patients. Our data provide a rich resource for understanding the pathogenesis and designing effective therapeutic strategies for COVID-19. HIGHLIGHTS Large-scale scRNA-seq analysis depicts the immune landscape of COVID-19 Lymphopenia and active T and B cell responses coexist and are shaped by age and sex SARS-CoV-2 infects diverse epithelial and immune cells, inducing distinct responses Cytokine storms with systemic S100A8/A9 are associated with COVID-19 severity

Abstract Advances in spatial omics technologies have brought opportunities to dissect tissue microenvironment, while also posing more requirements and challenges for computational methods. Here we developed a package SOAPy to systematically dissect spatial architecture, dynamics and communication from spatial omics data. Specifically, it provides analysis methods for multiple spatial-related tasks, including spatial domain, spatial expression tendency, spatiotemporal expression pattern, cellular co-localization, multi-cellular niches, and ligand-receptor-mediated and spatial-constrained cell communication. Applying SOAPy on different spatial omics technologies and diverse biological fields has demonstrated its power on elucidation of biological questions about tumors, embryonic development, and normal physiological structures. Overall, SOAPy is a universal tool for spatial omics analysis, providing a foundation for continued investigation of the microenvironment.

ABSTRACT Pigs not only function as a major meat source worldwide but also are commonly used as an animal model for studying human complex traits. A large haplotype reference panel has been used to facilitate efficient phasing and imputation of relatively sparse genome-wide microarray chips and low-coverage sequencing data. Using the imputed genotypes in the downstream analysis, such as GWASs, TWASs, eQTL mapping and genomic prediction (GS), is beneficial for obtaining novel findings. However, currently, there is still a lack of publicly available and high-quality pig reference panels with large sample sizes and high diversity, which greatly limits the application of genotype imputation in pigs. In response, we built the pig Haplotype Reference Panel (PHARP) database. PHARP provides a reference panel of 2,012 pig haplotypes at 34 million SNPs constructed using whole-genome sequence data from more than 49 studies of 71 pig breeds. It also provides Web-based analytical tools that allow researchers to carry out phasing and imputation consistently and efficiently. PHARP is freely accessible at http://alphaindex.zju.edu.cn/PHARP/index.php . We demonstrate its applicability for pig commercial 50K SNP arrays, by accurately imputing 2.6 billion genotypes at a concordance rate value of 0.971 in 81 Large White pigs (~ 17× sequencing coverage). We also applied our reference panel to impute the low-density SNP chip into the high-density data for three GWASs and found novel significantly associated SNPs that might be casual variants.