Abstract The NIH Common Fund’s Stimulating Peripheral Activity to Relieve Conditions (SPARC) initiative is a large-scale program that seeks to accelerate the development of therapeutic devices that modulate electrical activity in nerves to improve organ function. Integral to the SPARC program are the rich anatomical and functional datasets produced by investigators across the SPARC consortium that provide key details about organ-specific circuitry, including structural and functional connectivity, mapping of cell types and molecular profiling. These datasets are provided to the research community through an open data platform, the SPARC Portal. To ensure SPARC datasets are Findable, Accessible, Interoperable and Reusable (FAIR), they are all submitted to the SPARC portal following a standard scheme established by the SPARC Curation Team, called the SPARC Data Structure (SDS). Inspired by the Brain Imaging Data Structure (BIDS), the SDS has been designed to capture the large variety of data generated by SPARC investigators who are coming from all fields of biomedical research. Here we present the rationale and design of the SDS, including a description of the SPARC curation process and the automated tools for complying with the SDS, including the SDS validator and Software to Organize Data Automatically (SODA) for SPARC. The objective is to provide detailed guidelines for anyone desiring to comply with the SDS. Since the SDS are suitable for any type of biomedical research data, it can be adopted by any group desiring to follow the FAIR data principles for managing their data, even outside of the SPARC consortium. Finally, this manuscript provides a foundational framework that can be used by any organization desiring to either adapt the SDS to suit the specific needs of their data or simply desiring to design their own FAIR data sharing scheme from scratch.

Abstract The Stimulating Peripheral Activity to Relieve Conditions (SPARC) program is a US National Institutes of Health-funded effort to improve our understanding of the neural circuitry of the autonomic nervous system in support of bioelectronic medicine. As part of this effort, the SPARC program is generating multi-species, multimodal data, models, simulations, and anatomical maps supported by a comprehensive knowledge base of autonomic circuitry. To facilitate the organization of and integration across multi-faceted SPARC data and models, SPARC is implementing the FAIR data principles to ensure that all SPARC products are findable, accessible, interoperable, and reusable. We are therefore annotating and describing all products with a common FAIR vocabulary. The SPARC Vocabulary is built from a set of community ontologies covering major domains relevant to SPARC, including anatomy, physiology, experimental techniques, and molecules. The SPARC Vocabulary is incorporated into tools researchers use to segment and annotate their data, facilitating the application of these ontologies for annotation of research data. However, since investigators perform deep annotations on experimental data, not all terms and relationships are available in community ontologies. We therefore implemented a term management and vocabulary extension pipeline where SPARC researchers may extend the SPARC Vocabulary using InterLex, an online vocabulary management system. To ensure the quality of contributed terms, we have set up a curated term request and review pipeline specifically for anatomical terms involving expert review. Accepted terms are added to the SPARC Vocabulary and, when appropriate, contributed back to community ontologies to enhance autonomic nervous system coverage. Here, we provide an overview of the SPARC Vocabulary, the infrastructure and process for implementing the term management and review pipeline. In an analysis of > 300 anatomical contributed terms, the majority represented composite terms that necessitated combining terms within and across existing ontologies. Although these terms are not good candidates for community ontologies, they can be linked to structures contained within these ontologies. We conclude that the term request pipeline serves as a useful adjunct to community ontologies for annotating experimental data and increases the FAIRness of SPARC data.

Traumatic brain injury (TBI) is an insult to the brain resulting from an external force and is a significant cause of morbidity and mortality in the United States. No effective clinical therapeutics currently exist for this injury. Although several therapies and procedures have been deemed successful for TBI treatment in preclinical research studies, they have yet to be translated into human patients. These discouraging results have left many scientists questioning the role of animal models in drug discovery for TBI. One major hurdle in translating the knowledge obtained in the laboratory to the clinic is the methodological variance across these studies. This variance can hinder the ability to draw conclusions from conflicting studies and aggregate data across various research studies, which ultimately impedes the ability to aggregate data across these studies. Therefore, addressing this variance is crucial for bridging the gap between the laboratory and the clinic. The increasing volume of papers and associated data being published every day makes this hurdle even more difficult to overcome. The initial steps to address these knowledge gaps are identifying these studies and creating a shared knowledge framework for mapping their terminology. We are developing the Brain Injury Knowledge Ontology (BIKO) to create a standardized model to describe methods and outcome measures used within preclinical and clinical TBI therapy studies to facilitate comparison across studies and models. The first version of BIKO focuses on modeling the major preclinical TBI models, e.g., Controlled Cortical Impact Model, Fluid Percussion Model, and Weight-Drop Model), major neurological injuries related to these models and their relationship to clinical pathophysiology. We show how BIKO provides a machine-readable way to represent the methodologies used in TBI therapeutic studies to compare models across clinically relevant features.

Abstract Neuregulin-1 (NRG-1) is growth factor that has been investigated for its neuroprotective properties following ischemic stroke. While NRG-1 has shown significant promise in preventing neuronal damage following stroke, the mechanisms behind its neuroprotective effects are unclear. The goal of this research was to investigate the effects of NRG-1 treatment on ischemia-induced gene expression profiles following a permanent middle cerebral artery occlusion (MCAO) in rats. Rats were sacrificed twelve hours following MCAO and either vehicle or NRG-1 treatment. RNA extracted from the peri-infarct cortex of the brain was hybridized to an Affymetrix Rat Genome 2.0st Microarray Gene Chip. Data were analyzed using the Affymetrix Transcriptome Analysis Console (TAC) 4.0 software and the STRING Protein-Protein Interaction Networks database. Our results showed that NRG-1 delivery increased the regulation of pro-survival genes. Most notably, NRG-1 treatment upregulated the CREB1 and FOXO1 transcription factor pathways which are involved in increasing anti-inflammatory and cell proliferation responses and decreasing apoptosis and oxidative stress responses, respectively. Luminex multiplex transcription factor assays demonstrated that the activities of CREB1 and FOXO1 were increased by NRG-1 treatment with MCAO. These findings provide novel insight into the molecular mechanisms involved in NRG-1 mediated neuroprotection.