Abstract The emergence of technologies that can support high-throughput profiling of single cell transcriptomes offers to revolutionize the study of brain tissue from persons with and without Alzheimer’s disease (AD). Integration of these data with additional complementary multiomics data such as genetics, proteomics and clinical data provides powerful opportunities to link observed cell subpopulations and molecular network features within a broader disease-relevant context. We report here single nucleus RNA sequencing (snRNA-seq) profiles generated from superior frontal gyrus cortical tissue samples from 101 exceptionally well characterized, aged subjects from the Banner Brain and Body Donation Program in combination with whole genome sequences. We report findings that link common AD risk variants with CR1 expression in oligodendrocytes as well as alterations in peripheral hematological lab parameters, with these observations replicated in an independent, prospective cohort study of ageing and dementia. We also observed an AD-associated CD83(+) microglial subtype with unique molecular networks that encompass many known regulators of AD-relevant microglial biology, and which are associated with immunoglobulin IgG4 production in the transverse colon. These findings illustrate the power of multi-tissue molecular profiling to contextualize snRNA-seq brain transcriptomics and reveal novel disease biology. The transcriptomic, genetic, phenotypic, and network data resources described within this study are available for access and utilization by the scientific community.

Abstract INTRODUCTION The objective of this study is to characterize the dysregulation of gene expression in AD affected brain tissues through an interpretable deep learning framework. METHODS We trained multi-layer perceptron models for the classification of neuropathologically confirmed AD vs. controls using transcriptomic data from three brain regions of ROSMAP study. The disease spectrum was then modeled as a progressive trajectory. SHAP value was derived to explain model predictions and identify significantly implicated genes for subsequent gene co-expression network analysis. RESULTS The models achieved excellent performance in classification and prediction in two external datasets from Mayo RNA-seq cohort and Mount Sinai Brain Bank cohort. SHAP explainer revealed common and specific transcriptomic signatures from different brain regions. DISCUSSION We identified common gene signatures among different brain regions in microglia and sex specific modules in neurons implicated in AD. This work paves the way for utilizing artificial intelligence approaches in studying AD at the molecular level. Research-in-Context Systematic review: Postmortem brain transcriptomes have been analyzed to study the molecular changes associated with Alzheimer’s disease, usually by a direct contrast approach such as differential gene expression analysis. Nuanced gene regulatory networks thus cannot be easily pinpointed from convoluted data such as those from bulk-tissue profiling. We applied a novel interpretable deep learning approach to dissect the RNA-seq data collected from three different brain regions of a large clinical cohort and identified significant genes for network analysis implicated for AD. Interpretation: Our models successfully predicted neuropathological and clinical traits in both internal and external validations. We corroborated known microglial biology in addition to revealing novel sex chromosome-linked gene contributing to sex dimorphism in AD. Future directions: The framework could have broad utility for interpreting multi-omic data such as those from single-cell profiling, to advance our understanding of molecular mechanisms of complex human disease such as AD. Highlights We applied novel interpretable deep learning methods to postmortem brain transcriptomes from three different brain regions We interpreted the models to identify genes most strongly implicated in AD Network analysis corroborated known microglial biology and revealed novel sex specific transcriptional factors associated with neuronal loss in AD

Abstract Biomolecular condensates play a significant role in chromatin activities, primarily by concentrating and compartmentalizing proteins and/or nucleic acids. However, their genomic landscapes and compositions remain largely unexplored due to a lack of dedicated computational tools for systematic identification in vivo . To address this, we developed CondSigDetector, a computational framework designed to detect condensate-like chromatin-associated protein co-occupancy signatures (CondSigs), to predict genomic loci and component proteins of distinct chromatin-associated biomolecular condensates. Applying this framework to mouse embryonic stem cells (mESC) and human K562 cells enabled us to depict the high-resolution genomic landscape of chromatin-associated biomolecular condensates, and uncover both known and potentially novel biomolecular condensates. Multi-omics analysis and experimental validation further verified the condensation properties of CondSigs. Additionally, our investigation shed light on the impact of chromatin-associated biomolecular condensates on chromatin activities. Collectively, CondSigDetector provides a novel approach to decode the genomic landscape of chromatin-associated condensates, facilitating a deeper understanding of their biological functions and underlying mechanisms in cells.

Abstract Alzheimer’s disease (AD) is a progressive neurodegenerative disease, resulting in an irreversible deterioration of multiple brain regions associated with cognitive dysfunction. Phosphorylation of the microtubule-associated protein, Tau, is known to occur decades before symptomatic AD. The Src family of tyrosine kinases are known to phosphorylate select tyrosine sites on Tau and promote microtubule disassembly and subsequent neurofibrillary tangle (NFT) formation. Our data show that the proto-oncogene, non-receptor tyrosine kinase Src colocalizes with a range of late (PHF1) to early (MC1) AD-associated phosphorylated Tau epitopes. The strongest co-occurrence is seen with MC1 (probability of MC1 given Src =100%), an early AD-specific conformational dependent epitope. Single-cell RNA sequencing data of 101 subjects show that Src is upregulated in both AD inhibitory and excitatory neurons. The most significantly affected, by orders of magnitude, were excitatory neurons which are the most prone to pathological Tau accumulation. We measured Src phosphorylation by mass spectrometry across a cohort of 48 patient neocortical tissues and found that Src has increased phosphorylation on Ser75, Tyr187, and Tyr440 in AD, showing that Src kinase undergoes distinct phosphorylation alterations in AD. Through Brownian dynamics simulations of Src and Tau, we show that as Tau undergoes the transition into disease-associated paired helical filaments, there is a notable seven-fold increase in Src contact with Tau. These results collectively emphasize Src kinase’s central role in Tau phosphorylation and its close association with Tau epitopes, presenting a promising target for potential therapeutic intervention.

Abstract Mitochondrial (MT) dysfunction has been associated with several neurodegenerative diseases including Alzheimer’s disease (AD). While MT-copy number differences have been implicated in AD, the effect of MT heteroplasmy on AD has not been well characterized. Here, we analyzed over 1,800 whole genome sequencing data from four AD cohorts in seven different tissue types to determine the extent of MT heteroplasmy present. While MT-heteroplasmy was present throughout the entire MT genome for blood samples, we detected MT-heteroplasmy only within the MT control region for brain samples. We observed that an MT variant 10398A>G (rs2853826) was significantly associated with overall MT-heteroplasmy in brain tissue while also being linked with the largest number of distinct disease phenotypes of all annotated MT variants in MitoMap . Using gene-expression data from our brain samples, our modeling discovered several gene networks involved in mitochondrial respiratory chain and Complex I function associated with 10398A>G. The variant was also found to be an expression quantitative trait loci (eQTL) for the gene MT-ND3. We further characterized the effect of 10398A>G by phenotyping a population of lymphoblastoid cell-lines (LCLs) with and without the variant allele. Examination of RNA sequence data from these LCLs reveal that 10398A>G was an eQTL for MT-ND4. We also observed in LCLs that 10398A>G was significantly associated with overall MT-heteroplasmy within the MT control region, confirming the initial findings observed in post-mortem brain tissue. These results provide novel evidence linking MT SNPs with MT heteroplasmy and open novel avenues for the investigation of pathomechanisms that are driven by this pleiotropic disease associated loci.

Abstract Brain tissue gene expression from donors with and without Alzheimer’s disease (AD) have been used to help inform the molecular changes associated with the development and potential treatment of this disorder. Here, we use a deep learning method to analyze RNA-seq data from 1,114 brain donors from the AMP-AD consortium to characterize post-mortem brain transcriptome signatures associated with amyloid-β plaque, tau neurofibrillary tangles, and clinical severity in multiple AD dementia populations. Starting from the cross-sectional data in the ROSMAP cohort (n = 634), a deep learning framework was built to obtain a trajectory that mirrors AD progression. A severity index (SI) was defined to quantitatively measure the progression based on the trajectory. Network analysis was then carried out to identify key gene (index gene) modules present in the model underlying the progression. Within this dataset, SIs were found to be very closely correlated with all AD neuropathology biomarkers (R ∼ 0.5, p < 1e-11) and global cognitive function (R = -0.68, p < 2.2e-16). We then applied the model to additional transcriptomic datasets from different brain regions (MAYO, n = 266; MSBB, n = 214), and observed that the model remained significantly predictive (p < 1e-3) of neuropathology and clinical severity. The index genes that significantly contributed to the model were integrated with AD co-expression regulatory networks, resolving four discrete gene modules that are implicated in vascular and metabolic dysfunction in different cell types respectively. Our work demonstrates the generalizability of this signature to frontal and temporal cortex measurements and additional brain donors with AD, other age-related neurological disorders and controls; and revealed the transcriptomic network modules contribute to neuropathological and clinical disease severity. This study illustrates the promise of using deep learning methods to analyze heterogeneous omics data and discover potentially targetable molecular networks that can inform the development, treatment and prevention of neurodegenerative diseases like AD.

Women have a higher incidence of Alzheimer's disease (AD), even after adjusting for increased longevity. Thus, there is an urgent need to identify the molecular networks that underpin the sex-associated risk of AD. Recent efforts have identified PIN1 as a key regulator of tau phosphorylation signaling pathway. Pin1 is the only gene, to date, that when deleted can cause both tau and Aβ-related pathologies in an age-dependent manner. We analyzed multiple brain transcriptomic datasets focusing on sex differences in PIN1 mRNA levels, in an aging and AD cohort, which revealed reduced PIN1 levels driven by females. Then, we validated this observation in an independent dataset (ROS/MAP) which also revealed that PIN1 is negatively correlated with multiregional neurofibrillary tangle density and global cognitive function, in females only. Additional analysis revealed a decrease in PIN1 in subjects with mild cognitive impairment (MCI) compared with aged individuals, again, driven predominantly by female subjects. Our results show that while both male and female AD patients show decreased PIN1 expression, changes occur before the onset of clinical symptoms of AD in females and correlate to early events associated with AD risk (e.g., synaptic dysfunction). These changes are specific to neurons, and may be a potential prognostic marker to assess AD risk in the aging population and even more so in AD females with increased risk of AD.