Global insights into cellular organization and function require comprehensive understanding of interactome networks. Similar to how a reference genome sequence revolutionized human genetics, a reference map of the human interactome network is critical to fully understand genotype-phenotype relationships. Here we present the first human “all-by-all” binary reference interactome map, or “HuRI”. With ~53,000 high-quality protein-protein interactions (PPIs), HuRI is approximately four times larger than the information curated from small-scale studies available in the literature. Integrating HuRI with genome, transcriptome and proteome data enables the study of cellular function within essentially any physiological or pathological cellular context. We demonstrate the use of HuRI in identifying specific subcellular roles of PPIs and protein function modulation via splicing during brain development. Inferred tissue-specific networks reveal general principles for the formation of cellular context-specific functions and elucidate potential molecular mechanisms underlying tissue-specific phenotypes of Mendelian diseases. HuRI thus represents an unprecedented, systematic reference linking genomic variation to phenotypic outcomes.

Motivation: Differential network analysis, designed to highlight interaction changes between conditions, is an important paradigm in network biology. However, network analysis methods have been typically designed to compare between few conditions, were rarely applied to protein interaction networks (interactomes). Moreover, large-scale benchmarks for their evaluation have been lacking. Results: Here, we assess five network analysis methods by applying them to 34 human tissues interactomes. For this, we created a manually-curated benchmark of 6,499 tissue-specific, gene ontology biological processes, and analyzed the ability of each method to expose these tissue-process associations. The four differential network analysis methods outperformed the non-differential, expression-based method (AUCs of 0.82-0.9 versus 0.69, respectively). We then created another benchmark, of 1,527 tissue-specific disease cases, and analyzed the ability of differential network analysis methods to highlight additional disease-related genes. Compared to a non-differential subnetworks surrounding a known disease-causing gene, the extremely-differential subnetwork (top 1%) was significantly enriched for additional disease-causing genes in 18.6% of the cases (p<=10E-3). In 5/10 tissues tested, including Muscle, nerve and heart tissues (p = 2.54E-05, 2.71E-04, 3.63E-19), such enrichments were highly significant. Summary: Altogether, our study demonstrates that differential network analysis of human tissue interactomes is a powerful tool for highlighting processes and genes with tissue-selective functionality and clinical impact. Moreover, it offers expansive manually-curated datasets of tissue-selective processes and diseases that could serve for benchmark and for analyses in many other studies.

A longstanding puzzle in human genetics is what limits the clinical manifestation of hundreds of hereditary diseases to certain tissues or cell types, while their causal genes are present and expressed throughout the human body. Here we considered a possible role for paralogs of causal genes in affecting this tissue selectivity. It has been shown across organisms that paralogs can compensate for the loss of each other. We hypothesized that specifically in the disease tissue causal genes and their paralogs are imbalanced, leading to insufficient compensation and to the emergence of disease phenotypes. While demonstrated previously in the context of few specific diseases, this hypothesis was never assessed quantitatively at large-scale. For this, we analyzed functional relationships between causal genes and their paralogs associated with 112 tissue-selective hereditary diseases. To test our hypothesis we used several large-scale omics datasets, including RNA sequencing profiles of over 30 different human tissues. Indeed, the expression of causal genes and their paralogs was significantly imbalanced in their disease tissues compared to unaffected tissues. Imbalanced expression was evident across different disease tissues, and was common to causal genes with single or multiple paralogs. This imbalance was driven by significant up-regulation of the causal gene in its disease tissue, often combined with significant down-regulation of a paralog. Nevertheless, in additional 20% of the causal genes, a paralog alone was significantly down-regulated in the disease tissue. Our results suggest that dosage relationships between paralogs affect the phenotypic outcome of germline aberrations, adding paralogs as important modifiers of disease manifestation.

The sensitivity of the protein-folding environment to chaperone disruption can be highly tissue-specific. Yet, the organization of the chaperone system across physiological human tissues has received little attention. Here, we used human tissue RNA-sequencing profiles to analyze the expression and organization of chaperones across 29 main tissues. We found that relative to protein-coding genes, chaperones were significantly more ubiquitously and highly expressed across all tissues. Nevertheless, differential expression analysis revealed that most chaperones were up- or down-regulated in certain tissues, suggesting that they have tissue-specific roles. In agreement, chaperones that were upregulated in skeletal muscle were highly enriched in mouse myoblasts and in nematode's muscle tissue, and overlapped significantly with chaperones that are causal for muscle diseases. We also identified a distinct subset of chaperones that formed a uniformly-expressed, cross-family core group conducting basic cellular functions that was significantly more essential for cell survival. Altogether, this suggests a layered architecture of chaperones across tissues that is composed of shared core elements that are complemented by variable elements which give rise to tissue-specific functions and sensitivities, thereby contributing to the tissue-specificity of protein misfolding diseases.