Abstract Local genetic correlation quantifies the genetic similarity of complex traits in specific genomic regions, which could shed unique light on etiologic sharing and provide additional mechanistic insights into the genetic basis of complex traits compared to global genetic correlation. However, accurate estimation of local genetic correlation remains challenging, in part due to extensive linkage disequilibrium in local genomic regions and pervasive sample overlap across studies. We introduce SUPERGNOVA, a unified framework to estimate both global and local genetic correlations using summary statistics from genome-wide association studies. Through extensive simulations and analyses of 30 complex traits, we demonstrate that SUPERGNOVA substantially outperforms existing methods and identifies 150 trait pairs with significant local genetic correlations. In particular, we show that the positive, consistently-identified, yet paradoxical genetic correlation between autism spectrum disorder and cognitive performance could be explained by two etiologically-distinct genetic signatures with bidirectional local genetic correlations. We believe that statistically-rigorous local genetic correlation analysis could accelerate progress in complex trait genetics research.

Transcriptome-wide association analysis is a powerful approach to studying the genetic architecture of complex traits. A key component of this approach is to build a model to predict (impute) gene expression levels from genotypes from samples with matched genotypes and expression levels in a specific tissue. However, it is challenging to develop robust and accurate imputation models with limited sample sizes for any single tissue. Here, we first introduce a multi-task learning approach to jointly impute gene expression in 44 human tissues. Compared with single-tissue methods, our approach achieved an average 39% improvement in imputation accuracy and generated effective imputation models for an average 120% (range 13%-339%) more genes in each tissue. We then describe a summary statistic-based testing framework that combines multiple single-tissue associations into a single powerful metric to quantify overall gene-trait association at the organism level. When our method, called UTMOST, was applied to analyze genome wide association results for 50 complex traits (N_total=4.5 million), we were able to identify considerably more genes in tissues enriched for trait heritability, and cross-tissue analysis significantly outperformed single-tissue strategies (p=1.7e-8). Finally, we performed a cross-tissue genome-wide association study for late-onset Alzheimer's disease (LOAD) and replicated our findings in two independent datasets (N_total=175,776). In total, we identified 69 significant genes, many of which are novel, leading to novel insights on LOAD etiologies.

Abstract Due to the limited understanding of the characteristics of predator-pathogen-prey interactions, few attempts to use selective predation for controlling diseases in prey populations have been successful. The global pandemic of white spot syndrome (WSS), caused by white spot syndrome virus (WSSV), causes devastating economic losses in farmed shrimp production. Currently, there is no effective control for WSS. Here, we determined the transmission dynamics of WSSV and the feeding ability and selectivity of fish on healthy, infected and dead shrimp by experiments and mathematical modeling. Accordingly, we developed a novel and convenient shrimp cultural ecosystem, which that effectively prevented WSS outbreaks, by introducing aquaculture fish species. This provides a scheme for developing control strategies for viral diseases with high transmission rate.