Abstract Machine learning algorithms can be trained to estimate age from brain structural MRI. The difference between an individual’s predicted and chronological age, predicted age difference (PAD), is a phenotype of relevance to aging and brain disease. Here, we present a new deep learning approach to predict brain age from a T1-weighted MRI. The method was trained on a dataset of healthy Icelanders and tested on two datasets, IXI and UK Biobank, utilizing transfer learning to improve accuracy on new sites. A genome-wide association study (GWAS) of PAD in the UK Biobank data (discovery set: $$N=12378$$ N = 12378 , replication set: $$N=4456$$ N = 4456 ) yielded two sequence variants, rs1452628-T ( $$\beta =-0.08$$ β = − 0.08 , $$P=1.15\times{10}^{-9}$$ P = 1.15 ×  10 − 9  ) and rs2435204-G ( $$\beta =0.102$$ β = 0.102 , $$P=9.73\times 1{0}^{-12}$$ P = 9.73 × 1  0 − 12  ). The former is near KCNK2 and correlates with reduced sulcal width, whereas the latter correlates with reduced white matter surface area and tags a well-known inversion at 17q21.31 (H2).

In this paper, we propose a method using a three dimensional convolutional neural network (3-D-CNN) to fuse together multispectral (MS) and hyperspectral (HS) images to obtain a high resolution hyperspectral image.Dimensionality reduction of the hyperspectral image is performed prior to fusion in order to significantly reduce the computational time and make the method more robust to noise.Experiments are performed on a data set simulated using a real hyperspectral image.The results obtained show that the proposed approach is very promising when compared to conventional methods.This is especially true when the hyperspectral image is corrupted by additive noise.

Detailed knowledge of how diversity in the sequence of the human genome affects phenotypic diversity depends on a comprehensive and reliable characterization of both sequences and phenotypic variation. Over the past decade, insights into this relationship have been obtained from whole-exome sequencing or whole-genome sequencing of large cohorts with rich phenotypic data1,2. Here we describe the analysis of whole-genome sequencing of 150,119 individuals from the UK Biobank3. This constitutes a set of high-quality variants, including 585,040,410 single-nucleotide polymorphisms, representing 7.0% of all possible human single-nucleotide polymorphisms, and 58,707,036 indels. This large set of variants allows us to characterize selection based on sequence variation within a population through a depletion rank score of windows along the genome. Depletion rank analysis shows that coding exons represent a small fraction of regions in the genome subject to strong sequence conservation. We define three cohorts within the UK Biobank: a large British Irish cohort, a smaller African cohort and a South Asian cohort. A haplotype reference panel is provided that allows reliable imputation of most variants carried by three or more sequenced individuals. We identified 895,055 structural variants and 2,536,688 microsatellites, groups of variants typically excluded from large-scale whole-genome sequencing studies. Using this formidable new resource, we provide several examples of trait associations for rare variants with large effects not found previously through studies based on whole-exome sequencing and/or imputation.

In this letter, we present a new method for the pansharpening of multispectral satellite imagery. Pansharpening is the process of synthesizing a high spatial resolution multispectral image from a low spatial resolution multispectral image and a high-resolution panchromatic (PAN) image. The method uses total variation to regularize an ill-posed problem dictated by a widely used explicit image formation model. This model is based on the assumptions that a linear combination of the bands of the pansharpened image gives the PAN image and that a decimation of the pansharpened image gives the original multispectral image. Experimental results are based on two real datasets and the quantitative quality of the pansharpened images is evaluated using a number of spatial and spectral metrics, some of which have been recently proposed and do not need a reference image. The proposed method compares favorably to other well-known methods for pansharpening and produces images of excellent spatial and spectral quality.

High-throughput proteomics platforms measuring thousands of proteins in plasma combined with genomic and phenotypic information have the power to bridge the gap between the genome and diseases. Here we performed association studies of Olink Explore 3072 data generated by the UK Biobank Pharma Proteomics Project1 on plasma samples from more than 50,000 UK Biobank participants with phenotypic and genotypic data, stratifying on British or Irish, African and South Asian ancestries. We compared the results with those of a SomaScan v4 study on plasma from 36,000 Icelandic people2, for 1,514 of whom Olink data were also available. We found modest correlation between the two platforms. Although cis protein quantitative trait loci were detected for a similar absolute number of assays on the two platforms (2,101 on Olink versus 2,120 on SomaScan), the proportion of assays with such supporting evidence for assay performance was higher on the Olink platform (72% versus 43%). A considerable number of proteins had genomic associations that differed between the platforms. We provide examples where differences between platforms may influence conclusions drawn from the integration of protein levels with the study of diseases. We demonstrate how leveraging the diverse ancestries of participants in the UK Biobank helps to detect novel associations and refine genomic location. Our results show the value of the information provided by the two most commonly used high-throughput proteomics platforms and demonstrate the differences between them that at times provides useful complementarity.

Abstract We describe the analysis of whole genome sequences (WGS) of 150,119 individuals from the UK biobank (UKB). This constitutes a set of high quality variants, including 585,040,410 SNPs, representing 7.0% of all possible human SNPs, and 58,707,036 indels. The large set of variants allows us to characterize selection based on sequence variation within a population through a Depletion Rank (DR) score for windows along the genome. DR analysis shows that coding exons represent a small fraction of regions in the genome subject to strong sequence conservation. We define three cohorts within the UKB, a large British Irish cohort (XBI) and smaller African (XAF) and South Asian (XSA) cohorts. A haplotype reference panel is provided that allows reliable imputation of most variants carried by three or more sequenced individuals. We identified 895,055 structural variants and 2,536,688 microsatellites, groups of variants typically excluded from large scale WGS studies. Using this formidable new resource, we provide several examples of trait associations for rare variants with large effects not found previously through studies based on exome sequencing and/or imputation.

The authors have withdrawn this manuscript because this paper was posted prematurely in advance of a UK Biobank Pharma Proteomics Project consortium effort. Therefore, the authors do not wish this work to be cited as reference for the project. If you have any questions, please contact the corresponding author

Abstract Background Copy-number variations at the 15q11.2 BP1-BP2 locus are present in 0.5 to 1.0% of the population, and the deletion is associated with a range of neurodevelopmental disorders. Previously, we showed a reciprocal effect of 15q11.2 copy-number variation on fractional anisotropy, with widespread increases in deletion carriers. We aim to replicate and expand these findings, using a larger sample of participants (n=30,930), higher resolution imaging, and examining the implications for cognitive performance. Methods Diffusion tensor imaging measures from participants with no neurological/psychiatric diagnoses were obtained from the UK Biobank database. We compared 15q11.2 BP1-BP2 deletion (n=103) and duplication (n=119) carriers to a large cohort of control individuals with no neuropsychiatric copy-number variants (n=29,870). Additionally, we assessed how changes in white matter mediated the association between carrier status and cognitive performance. Results Deletion carriers showed increases in fractional anisotropy in the internal capsule and cingulum, and decreases in the posterior thalamic radiation, compared to both duplication carriers and controls (who had intermediate values). Deletion carriers had lower scores across cognitive tasks compared to controls, which were mildly influenced by white matter alterations. Reduced fractional anisotropy in the posterior thalamic radiation partially contributed to worse cognitive performance in deletion carriers. Conclusions This study, together with our previous findings, provides convergent evidence for a dosage-dependent effect of 15q11.2 BP1-BP2 on white matter microstructure. Additionally, changes in white matter were found to partially mediate cognitive ability in deletion carriers, providing a link between white matter changes in 15q11.2 BP1-BP2 carriers and cognitive function.

Machine learning algorithms trained to recognize age-related structural changes in magnetic resonance images (MRIs) of healthy individuals can be used to predict biological brain age in independent samples. The difference between predicted and chronological age, predicted age difference (PAD), is a phenotype holding promise for the study of normal brain ageing and brain diseases, and genetic discovery via genome-wide association studies (GWASs). Here, we present a new deep learning approach to predict brain age from a T1-weighted MRI. The method was trained on a dataset of healthy Icelanders (N=1264) and tested on two datasets, the IXI (N=544) and UK Biobank (N=12395) datasets, utilizing transfer learning to improve accuracy on new sites. A GWAS of PAD in the UK Biobank data (discovery set: N=12395, replication set: N=4453) yielded two sequence variants, rs1452628-T (β=-0.08, P=1.15 · 10-9) and rs2435204-G (β=0.102, P=9.73 · 10-12). The former is near KCNK2 and correlates with reduced sulcal width, whereas the latter correlates with reduced white matter surface area and tags a well-known inversion at 17q21.31 (H2). The genetic association analysis was also confined to variants known to associate with brain structure, yielding three additional sequence variants associating with PAD.