ABSTRACT We present recount3, a resource consisting of over 750,000 publicly available human and mouse RNA sequencing (RNA-seq) samples uniformly processed by our new Monorail analysis pipeline. To facilitate access to the data, we provide the recount3 and snapcount R/Bioconductor packages as well as complementary web resources. Using these tools, data can be downloaded as study-level summaries or queried for specific exon-exon junctions, genes, samples, or other features. Monorail can be used to process local and/or private data, allowing results to be directly compared to any study in recount3. Taken together, our tools help biologists maximize the utility of publicly available RNA-seq data, especially to improve their understanding of newly collected data. recount3 is available from http://rna.recount.bio .

Abstract Single cell/nucleus technologies are powerful tools to study cell type-specific expression in the human brain, but most large-scale efforts have focused on characterizing cortical brain regions and their constituent cell types. However, additional brain regions - particularly those embedded in basal ganglia and limbic circuits - play important roles in neuropsychiatric disorders and addiction, suggesting a critical need to better understand their molecular characteristics. We therefore created a single-nucleus RNA-sequencing (snRNA-seq) resource across five human brain regions (hippocampus, HPC; dorsolateral prefrontal cortex, DLPFC; subgenual anterior cingulate cortex, sACC; nucleus accumbens, NAc; and amygdala, AMY), with emphasis on the NAc and AMY, given their involvement in reward signaling and emotional processing. We identified distinct and potentially novel neuronal subpopulations, which we validated by smFISH for various subclasses of NAc interneurons and medium spiny neurons (MSNs). We additionally benchmarked these datasets against published datasets for corresponding regions in rodent models to define cross-species convergence and divergence across analogous cell subclasses. We characterized the transcriptomic architecture of regionally-defined neuronal subpopulations, which revealed strong patterns of similarities in specific neuronal subclasses across the five profiled regions. Finally, we measured genetic associations between risk for psychiatric disease and substance use behaviors with each of the regionally-defined cell types. This analysis further supported NAc and AMY involvement in risk for psychiatric illness by implicating specific neuronal subpopulations, and highlighted potential involvement of an MSN population associated with stress signaling in genetic risk for substance use.

Abstract Recent large-scale genomics efforts have better characterized the molecular correlates of schizophrenia in postmortem human neocortex, but not hippocampus which is a brain region prominently implicated in its pathogenesis. Here in the second phase of the BrainSeq Consortium (Phase II), we have generated RiboZero RNA-seq data for 900 samples across both the dorsolateral prefrontal cortex (DLPFC) and the hippocampus (HIPPO) for 551 individuals (286 affected by schizophrenia disorder: SCZD). We identify substantial regional differences in gene expression, in both pre- and post-natal life, and find widespread differences in how genes are regulated across development. By extending quality surrogate variable analysis (qSVA) to multiple brain regions, we identified 48 and 245 differentially expressed genes (DEG) by SCZD diagnosis (FDR<5%) in HIPPO and DLPFC, respectively, with surprisingly minimal overlap in DEG between the two brain regions. We further identified 205,618 brain region-dependent eQTLs (FDR<1%) and found that 124 GWAS risk loci contain eQTLs in at least one of the regions. We also identify potential molecular correlates of in vivo evidence of altered prefrontal-hippocampal functional coherence in schizophrenia. These results underscore the complexity and regional heterogeneity of the transcriptional correlates of schizophrenia, and suggest future schizophrenia therapeutics may need to target molecular pathologies localized to specific brain regions.

Abstract Defining the environmental context in which genes enhance susceptibility can provide insight into the pathogenesis of complex disorders, like schizophrenia. Here we show that the intrauterine and perinatal environment modulates the association of schizophrenia with genomic risk, as measured with polygenic risk scores (PRS) based primarily on GWAS significant variants. Genomic risk interacts with intrauterine and perinatal complications (Early Life Complications, ELCs) in each of three independent samples from USA, Italy and Germany (overall n= 1693, p= 6e-05). In each sample, the liability of schizophrenia explained by PRS is nominally more than five times greater in the presence of a history of ELCs compared with its absence. In each sample, patients with positive ELC histories have higher PRS than patients without ELCs, which is further confirmed in two additional patient samples from Germany and Japan (overall n=2038, p= 1e-04). The gene set based on the schizophrenia loci interacting with ELCs is highly expressed in multiple placental compartments and dynamically regulated in placenta from complicated in comparison with normal pregnancies. The same genes are differentially up-regulated in placentae from male compared with female offspring. The interaction between genomic risk and ELCs is mainly driven by GWAS significant loci enriched for genes highly expressed in the various placenta samples. Molecular pathway analyses based on the genes not driving this interaction reflect previous analyses about schizophrenia risk-genes, while genes highly and differentially expressed in placentae implicate an orthogonal biology involving cellular stress. These results suggest that the most significant genetic variants detected by current schizophrenia GWAS contribute to risk in part by converging on a developmental trajectory sensitive to events affecting placentation, which may underlie the male preponderance of schizophrenia and offer new insights into primary prevention.

Abstract Neurons derived from human induced pluripotent stem cells (hiPSCs) have been used to model basic cellular aspects of neuropsychiatric disorders, but the relationship between the emergent phenotypes and the clinical characteristics of donor individuals has been unclear. We analyzed RNA expression and indices of cellular function in hiPSC-derived neural progenitors and cortical neurons generated from 13 individuals with high polygenic risk scores (PRS) for schizophrenia and a clinical diagnosis of schizophrenia, along with 15 neurotypical individuals with low PRS. We identified electrophysiological measures associated with diagnosis that implicated altered Na + channel function and GABA-ergic neurotransmission. Importantly, electrophysiological measures predicted cardinal clinical and cognitive features found in these schizophrenia patients. The identification of basic neuronal physiological properties related to core clinical characteristics of illness is a potentially critical step in generating leads for novel therapeutics.

recount is a resource of processed and summarized expression data spanning nearly 60,000 human RNA-seq samples from the Sequence Read Archive (SRA). The associated recount Bioconductor package provides a convenient API for querying, downloading, and analyzing the data. Each processed study consists of meta/phenotype data, the expression levels of genes and their underlying exons and splice junctions, and corresponding genomic annotation. We also provide data summarization types for quantifying novel transcribed sequence including base-resolution coverage and potentially unannotated splice junctions. We present workflows illustrating how to use recount to perform differential expression analysis including meta-analysis, annotation-free base-level analysis, and replication of smaller studies using data from larger studies. recount provides a valuable and user-friendly resource of processed RNA-seq datasets to draw additional biological insights from existing public data. The resource is available at https://jhubiostatistics.shinyapps.io/recount/.

Background: Differential expression analysis of RNA sequencing (RNA-seq) data typically relies on reconstructing transcripts or counting reads that overlap known gene structures. We previously introduced an intermediate statistical approach called differentially expressed region (DER) finder that seeks to identify contiguous regions of the genome showing differential expression signal at single base resolution without relying on existing annotation or potentially inaccurate transcript assembly. Results We present the derfinder software that improves our annotation-agnostic approach to RNA-seq analysis by: (1) implementing a computationally efficient bump-hunting approach to identify DERs which permits genome-scale analyses in a large number of samples, (2) introducing a flexible statistical modeling framework, including multi-group and time-course analyses and (3) introducing a new set of data visualizations for expressed region analysis. We apply this approach to public RNA-seq data from the Genotype-Tissue Expression (GTEx) project and BrainSpan project to show that derfinder permits the analysis of hundreds of samples at base resolution in R, identifies expression outside of known gene boundaries and can be used to visualize expressed regions at base-resolution. In simulations our base resolution approaches enable discovery in the presence of incomplete annotation and is nearly as powerful as feature-level methods when the annotation is complete. Conclusions derfinder analysis using expressed region-level and single base-level approaches provides a compromise between full transcript reconstruction and feature-level analysis. The package is available from Bioconductor at www.bioconductor.org/packages/derfinder

Statistical deconvolution strategies have emerged over the past decade to estimate the proportion of various cell populations in homogenate tissue sources like brain using gene expression data. Here we show that several existing deconvolution algorithms which estimate the RNA composition of homogenate tissue, relates to the amount of RNA attributable to each cell type, and not the cellular composition relating to the underlying fraction of cells. Incorporating "cell size" parameters into RNA-based deconvolution algorithms can successfully recover cellular fractions in homogenate brain RNA-seq data. We lastly show that using both cell sizes and cell type-specific gene expression profiles from brain regions other than the target/user-provided bulk tissue RNA-seq dataset consistently results in biased cell fractions. We report several independently constructed cell size estimates as a community resource and extend the MuSiC framework to accommodate these cell size estimates (https://github.com/xuranw/MuSiC/).

Motivation: Statistical methods development for differential expression analysis of RNA sequencing (RNA-seq) requires software tools to assess accuracy and error rate control. Since true differential expression status is often unknown in experimental datasets, artificially-constructed datasets must be utilized, either by generating costly spike-in experiments or by simulating RNA-seq data. Results: Polyester is an R package designed to simulate RNA-seq data, beginning with an experimental design and ending with collections of RNA-seq reads. Its main advantage is the ability to simulate reads indicating isoform-level differential expression across biological replicates for a variety of experimental designs. Data generated by Polyester is a reasonable approximation to real RNA-seq data and standard differential expression workflows can recover differential expression set in the simulation by the user. Availability and Implementation: Polyester is freely available from Bioconductor (http://bioconductor.org/).

Objective: Schizophrenia polygenic risk is plausibly manifested by complex transcriptional dysregulation in the brain, involving networks of co-expressed and functionally related genes. The main purpose of this study was to identify and prioritize co-expressed gene sets in a hierarchical manner, based on the strength of the relationships with clinical diagnosis and with the polygenic risk for schizophrenia. Methods: Weighted Gene Co-expression Network Analysis (WGCNA) was applied to RNA-quality adjusted DLPFC RNA-Seq data from the LIBD Postmortem Human Brain Repository (90 controls, 74 schizophrenia; Caucasians) to construct co-expression networks and detect modules of co-expressed genes. After internal and external validation, modules of selected interest were tested for enrichment in biological ontologies, association with schizophrenia polygenic risk scores (PRS), with diagnosis and for enrichment in genes within the significant GWAS loci reported by the Psychiatric Genomic Consortium (PGC2). Results: The association between schizophrenia genetic signals and modules of co-expression converged in a gradual manner, with one module showing a significant association with diagnosis, PRS and significant overlap with 36 PGC2 loci genes, deemed as tier 1 (strongest candidates for drug targets). 53 PGC2 loci genes were in modules associated only with diagnosis (tier 2) and 59 in modules unrelated to diagnosis or PRS (tier 3). Conclusions: Our study highlights complex relationships between gene co-expression networks in the brain and the polygenic risk for SCZ and provides a strategy for using this information in selecting potentially targetable gene sets for therapeutic drug development.