Abstract Protein-coding differences between mammals often fail to explain phenotypic diversity, suggesting involvement of enhancers, often rapidly evolving regions that regulate gene expression. Identifying associations between enhancers and phenotypes is challenging because enhancer activity is context-dependent and may be conserved without much sequence conservation. We developed TACIT (Tissue-Aware Conservation Inference Toolkit) to associate open chromatin regions (OCRs) with phenotypes using predictions in hundreds of mammalian genomes from machine learning models trained to learn tissue-specific regulatory codes. Applying TACIT for motor cortex and parvalbumin-positive interneurons to neurological phenotypes revealed dozens of new OCR-phenotype associations. Many associated OCRs were near relevant genes, including brain size-associated OCRs near genes mutated in microcephaly or macrocephaly. Our work creates a forward genomics foundation for identifying candidate enhancers associated with phenotype evolution. One Sentence Summary A new machine learning-based approach associates enhancers with the evolution of brain size and behavior across mammals.

Abstract Background Prevalence rates of opioid use disorder (OUD) have increased dramatically, accompanied by a surge of overdose deaths. While opioid dependence has been extensively studied in preclinical models, an understanding of the biological alterations that occur in the brains of people who chronically use opioids and who are diagnosed with OUD remains limited. To address this limitation, RNA-sequencing (RNA-seq) was conducted on the dorsolateral prefrontal cortex (DLPFC) and nucleus accumbens (NAc), regions heavily implicated in OUD, from postmortem brains in subjects with OUD. Methods We performed RNA-seq on the DLPFC and NAc from unaffected comparison subjects (n=20) and subjects diagnosed with OUD (n=20). Our transcriptomic analyses identified differentially expressed (DE) transcripts and investigated the transcriptional coherence between brain regions using rank-rank hypergeometric ordering (RRHO). Weighted gene co-expression analyses (WGCNA) also identified OUD-specific modules and gene networks. Integrative analyses between DE transcripts and GWAS datasets using linkage disequilibrium score (LDSC) assessed the genetic liability psychiatric-related phenotypes. Results RRHO analyses revealed extensive overlap in transcripts between DLPFC and NAc in OUD, primarily relating to synaptic remodeling and neuroinflammation. Identified transcripts were enriched for factors that control pro-inflammatory cytokine-mediated, chondroitin sulfate, and extracellular matrix signaling. Cell-type deconvolution implicated a role for microglia as a critical driver for opioid-induced neuroplasticity. Using LDSC, we discovered genetic liabilities for risky behavior, attention deficit hyperactivity disorder, and depression. Conclusions Overall, our findings reveal new connections between the brain’s immune system and opioid dependence in the human brain.

ABSTRACT Recent large genome-wide association studies (GWAS) have identified multiple confident risk loci linked to addiction-associated behavioral traits. Genetic variants linked to addiction-associated traits lie largely in non-coding regions of the genome, likely disrupting cis-regulatory element (CRE) function. CREs tend to be highly cell type-specific and may contribute to the functional development of the neural circuits underlying addiction. Yet, a systematic approach for predicting the impact of risk variants on the CREs of specific cell populations is lacking. To dissect the cell types and brain regions underlying addiction-associated traits, we applied LD score regression to compare GWAS to genomic regions collected from human and mouse assays for open chromatin, which is associated with CRE activity. We found enrichment of addiction-associated variants in putative CREs marked by open chromatin in neuronal (NeuN+) nuclei collected from multiple prefrontal cortical areas and striatal regions known to play major roles in reward and addiction. To further dissect the cell type-specific basis of addiction-associated traits, we also identified enrichments in human orthologs of open chromatin regions of mouse neuronal subtypes: cortical excitatory, D1, D2, and PV . Lastly, we developed machine learning models from mouse cell type-specific regions of open chromatin to further dissect human NeuN+ open chromatin regions into cortical excitatory or striatal D1 and D2 neurons and predict the functional impact of addiction-associated genetic variants. Our results suggest that different neuronal subtypes within the reward system play distinct roles in the variety of traits that contribute to addiction. Significance Statement We combine statistical genetic and machine learning techniques to find that the predisposition to for nicotine, alcohol, and cannabis use behaviors can be partially explained by genetic variants in conserved regulatory elements within specific brain regions and neuronal subtypes of the reward system. This computational framework can flexibly integrate open chromatin data across species to screen for putative causal variants in a cell type-and tissue-specific manner across numerous complex traits.

Abstract Severe and persistent disruptions to sleep and circadian rhythms are common features of people with opioid use disorder (OUD). Preclinical findings suggest altered molecular rhythms in the brain are involved in opioid reward and dependence. However, whether molecular rhythms are disrupted in brains of people with OUD remained an open question, critical to understanding the role of circadian rhythms in opioid addiction. We previously used subjects’ times of death (TOD) as a marker of time of day to investigate transcriptional rhythm alterations in psychiatric disorders. Using TOD and RNA sequencing, we discovered rhythmic transcripts in both the dorsolateral prefrontal cortex (DLPFC) and nucleus accumbens (NAc), key brain areas involved in opioid addiction, were largely distinct between OUD and unaffected comparison subjects. Further, fewer rhythmic transcripts were identified in DLPFC of OUD subjects compared to unaffected subjects, but nearly double the number of rhythmic transcripts were found in the NAc of OUD subjects. In OUD, rhythmic transcripts in the NAc peaked either in the evening or near sunrise, and were associated with dopamine, opioid, and GABAergic neurotransmission. Co-expression network analysis identified several OUD-specific modules in the NAc, enriched for transcripts involved in the modulation of dopamine and GABA synapses, including glutamatergic signaling and extracellular matrices. Integrative analyses with human GWAS revealed that rhythmic transcripts in DLPFC and NAc were enriched for genomic loci associated with sleep duration and insomnia. Overall, our results connect transcriptional rhythm changes in dopamine, opioid, and GABAergic synaptic signaling in human brain to sleep-related phenotypes and OUD.

Striatal projection neurons (SPNs) are traditionally segregated into two subpopulations expressing dopamine (DA) D1-like or D2-like receptors. However, this dichotomy is challenged by recent evidence. Functional and expression studies raise important questions: do SPNs co-express different DA receptors, and do these differences reflect unique striatal spatial distributions and expression profiles? Using RNAscope in mouse striatum, we report heterogenous SPN subpopulations distributed across dorsal-ventral and rostral-caudal axes. SPN subpopulations co-express multiple DA receptors, including D1 and D2 (D1/2R) and D1 and D3. Our integrative approach using single-nuclei multi-omics analyses provides a simple consensus to describe SPNs across diverse datasets, connecting it to complementary spatial mapping. Combining RNAscope and multi-omics shows D1/2R SPNs further separate into distinct subtypes according to spatial organization and conserved marker genes. Each SPN cell type contributes uniquely to genetic risk for neuropsychiatric diseases. Our results bridge anatomy and transcriptomics to offer new understandings of striatal neuron heterogeneity.