The CommonMind Consortium sequenced RNA from dorsolateral prefrontal cortex of subjects with schizophrenia (N = 258) and control subjects (N = 279), creating a resource of gene expression and its genetic regulation. Using this resource, they found that ∼20% of schizophrenia loci have variants that may contribute to altered gene expression and liability. Over 100 genetic loci harbor schizophrenia-associated variants, yet how these variants confer liability is uncertain. The CommonMind Consortium sequenced RNA from dorsolateral prefrontal cortex of people with schizophrenia (N = 258) and control subjects (N = 279), creating a resource of gene expression and its genetic regulation. Using this resource, ∼20% of schizophrenia loci have variants that could contribute to altered gene expression and liability. In five loci, only a single gene was involved: FURIN, TSNARE1, CNTN4, CLCN3 or SNAP91. Altering expression of FURIN, TSNARE1 or CNTN4 changed neurodevelopment in zebrafish; knockdown of FURIN in human neural progenitor cells yielded abnormal migration. Of 693 genes showing significant case-versus-control differential expression, their fold changes were ≤ 1.33, and an independent cohort yielded similar results. Gene co-expression implicates a network relevant for schizophrenia. Our findings show that schizophrenia is polygenic and highlight the utility of this resource for mechanistic interpretations of genetic liability for brain diseases.

Investigators have long suspected that pathogenic microbes might contribute to the onset and progression of Alzheimer's disease (AD) although definitive evidence has not been presented. Whether such findings represent a causal contribution, or reflect opportunistic passengers of neurodegeneration, is also difficult to resolve. We constructed multiscale networks of the late-onset AD-associated virome, integrating genomic, transcriptomic, proteomic, and histopathological data across four brain regions from human post-mortem tissue. We observed increased human herpesvirus 6A (HHV-6A) and human herpesvirus 7 (HHV-7) from subjects with AD compared with controls. These results were replicated in two additional, independent and geographically dispersed cohorts. We observed regulatory relationships linking viral abundance and modulators of APP metabolism, including induction of APBB2, APPBP2, BIN1, BACE1, CLU, PICALM, and PSEN1 by HHV-6A. This study elucidates networks linking molecular, clinical, and neuropathological features with viral activity and is consistent with viral activity constituting a general feature of AD.

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 We live in a world of emerging new diseases and old diseases resurging in more aggressive forms. Drug development by pharmaceutical companies is a market-driven and costly endeavor, and thus it is often a challenge when drugs are needed for diseases endemic only to certain regions or which affect only a few patients. However, biomedical open data is accessible and reusable for reanalysis and generation of a new hypotheses and discovery. In this study, we leverage biomedical data and tools to analyze available data on Nipah Virus (NiV) infection. NiV infection is an emerging zoonosis that is transmissible to humans and is associated with high mortality rates. In this study, explored the application of computational drug repositioning and chemogenomic enrichment analyses using host transcriptome data to match drugs that could reverse the virus-induced gene signature. We performed analyses using two gene signatures: i) A previously published gene signature ( n =34), and ii) a gene signature generated using the characteristic direction method ( n = 5,533). Our predictive framework suggests that several drugs including FDA approved therapies like beclometasone, trihexyphenidyl, S-propranolol etc. could modulate the NiV infection induced gene signatures in endothelial cells. A target specific analysis of CXCL10 also suggests the potential application of Eldelumab, an investigative therapy for Crohn’s disease and ulcerative colitis, as a putative candidate for drug repositioning. To conclude, we also discuss challenges and opportunities in clinical trials (n-of-1 and adaptive trials) for repositioned drugs. Further follow-up studies including biochemical assays and clinical trials are required to identify effective therapies for clinical use. Our proof-of-concept study highlights that translational bioinformatics methods including gene expression analyses and computational drug repositioning could augment epidemiological investigations in the context of an emerging disease with no effective treatment.

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

Drug repositioning - the identification of new uses for existing drugs and research compounds, is a cost-effective drug discovery strategy that is continuing to grow in popularity. Prioritizing and identifying drugs capable of being repositioned may improve the productivity and success rate of the drug discovery cycle, especially if the drug has already proven to be safe in humans. In previous work, we have shown that drugs that have been successfully repositioned have different chemical properties than those that have not. Hence, there is an opportunity to use machine learning to prioritize drug-like molecules as candidates for future repositioning studies. We have developed a feature engineering and machine learning that leverages data from publicly available drug discovery resources: RepurposeDB and DrugBank. ChemVec is the chemoinformatics-based feature engineering strategy designed to compile molecular features representing the chemical space of all drug molecules in the study. ChemVec was trained through a variety of supervised classification algorithms (Navie Bayes, Random Forest, Support Vector Machines and an ensemble model combining the three algorithms). Models were created using various combinations of datasets as Connectivity Map based model, DrugBank Approved compounds based model, and DrugBank full set of compounds; of which RandomForest trained using Connectivity Map based data performed the best (AUC=0.674). Briefly, our study represents a novel approach to evaluate a small molecule for drug repositioning opportunity and may further improve discovery of pleiotropic drugs, or those to treat multiple indications.

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.

The recent coordination of scientific and political efforts within the field of Alzheimer's disease (AD) research coupled with the rapid evolution of molecular profiling technologies has enabled the generation of unprecedented repositories of biological sequence data available for investigation by the scientific community. Next-generation sequences (NGS) represent complex readouts of cellular transcriptomic and genomic states, and hold the potential to illuminate disease biology via unexpected applications of collected data. We recently reported a multiomic study of the Alzheimer's associated brain virome, leveraging NGS data to understand the potential relevance of viral activity to AD. We observed increased abundance of human herpesvirus 6A (HHV-6A), HHV-7, and herpes simplex virus 1 (HSV-1) genomes in banked postmortem brains from subjects with AD compared with controls. These results were replicated in two additional, independent and geographically dispersed cohorts. Although these findings might be of general interest to the field, such analyses present novel methodological challenges that have not been well characterized. The viral abundances that we detected were generally quite low, and, in many samples, no virome was detected. We sought to understand whether such sparsity might be associated with the spurious detection of differential abundance. Herein, we employ a simulation approach, which indicates that sparsity in abundance actually biases against the detection of significant differences between AD and control subjects. We also report new results based on previously unpublished whole genome sequences that show increases in both abundance and prevalence of HHV-6A in AD, consistent with our previously reported results. These findings, as well as reports from many other groups employing a variety of approaches, support the dedication of a coordinated effort toward a comprehensive characterization of the microbiome of the brain affected by AD. Such studies should advance our understanding of the potential clinical relevance of these observations.

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.