Abstract To facilitate precision medicine and neuroscience research, we developed a machine-learning technique that scores the likelihood that a gene, when mutated, will cause a neurological phenotype. We analysed 1126 genes relating to 25 subtypes of Mendelian neurological disease defined by Genomics England (March 2017) together with 154 gene-specific features capturing genetic variation, gene structure and tissue-specific expression and co-expression. We randomly re-sampled genes with no known disease association to develop bootstrapped decision-tree models, which were integrated to generate a decision tree-based ensemble for each disease subtype. Genes generating larger numbers of distinct transcripts and with higher probability of having missense mutations in normal individuals were significantly more likely to cause neurological diseases. Using mouse-mutant phenotypic data we tested the accuracy of gene-phenotype predictions and found that for 88% of all disease subtypes there was a significant enrichment of relevant phenotypic abnormalities when predicted genes were mutated in mice and in many cases mutations produced specific and matching phenotypes. Furthermore, using only newly identified genes included in the Genomics England November 2017 release, we assessed our gene-phenotype predictions and showed an 8.3 fold enrichment relative to chance for correct predictions. Thus, we demonstrate both the explanatory and predictive power of machine-learning-based models in neurological disease.

Abstract Parkinson’s disease (PD), Parkinson’s disease with dementia (PDD) and dementia with Lewy bodies (DLB) are three clinically, genetically and neuropathologically overlapping neurodegenerative diseases collectively known as the Lewy body diseases (LBDs). A variety of molecular mechanisms have been implicated in PD pathogenesis, but the mechanisms underlying PDD and DLB remain largely unknown, a knowledge gap that presents an impediment to the discovery of disease-modifying therapies. Transcriptomic profiling can contribute to addressing this gap, but remains limited in the LBDs. Here, we applied paired bulk-tissue and single-nucleus RNA-sequencing to anterior cingulate cortex samples derived from 28 individuals, including healthy controls, PD, PDD and DLB cases (n = 7 per group), to transcriptomically profile the LBDs. Using this approach, we (i) found transcriptional alterations in multiple cell types across the LBDs; (ii) discovered evidence for widespread dysregulation of RNA splicing, particularly in PDD and DLB; (iii) identified potential splicing factors, with links to other dementia-related neurodegenerative diseases, coordinating this dysregulation; and (iv) identified transcriptomic commonalities and distinctions between the LBDs that inform understanding of the relationships between these three clinical disorders. Together, these findings have important implications for the design of RNA-targeted therapies for these diseases and highlight a potential molecular “window” of therapeutic opportunity between the initial onset of PD and subsequent development of Lewy body dementia.

ABSTRACT Background Mendelian randomization (MR) is a method for exploring observational associations to find evidence of causality. Objective To apply MR between multiple risk factors/phenotypic traits (exposures) and Parkinson’s disease (PD) in a large, unbiased manner, and to create a public resource for research. Methods We used two-sample MR in which the summary statistics relating to SNPs from genome wide association studies (GWASes) of 5,839 exposures curated on MR Base were used to assess causal relationships with PD. We selected the highest quality exposure GWASes for this report (n=401). For the disease outcome, summary statistics from the largest published PD GWAS were used. For each exposure, the causal effect on PD was assessed using the inverse variance weighted (IVW) method, followed by a range of sensitivity analyses. We used a false discovery rate (FDR) corrected p-value of <0.05 from the IVW analysis to prioritize traits of interest. Results We observed evidence for causal associations between twelve exposures and risk of PD. Of these, nine were causal effects related to increasing adiposity and decreasing risk of PD. The remaining top exposures that affected PD risk were tea drinking, time spent watching television and forced vital capacity, but the latter two appeared to be biased by violations of underlying MR assumptions. Discussion We present a new platform which offers MR analyses for a total of 5,839 GWASes versus the largest PD GWASes available ( https://pdgenetics.shinyapps.io/pdgenetics/ ). Alongside, we report further evidence to support a causal role for adiposity on lowering the risk of PD.

ABSTRACT The hemizygous R47H variant of TREM2 , a microglia-specific gene in the brain, increases risk for late-onset Alzheimer’s disease (AD). In this study, we identified a subpopulation of microglia with disease-enhancing proinflammatory signatures associated with the R47H mutation in human AD brains and tauopathy mouse brains. Using transcriptomic analysis at the single-nuclei level from AD patients with the R47H or the common variant (CV )-TREM2 with matched sex, pathology and APOE status, we found that the R47H mutation was associated with cell type- and sex-specific transcriptional changes in human AD brains, with microglia exhibiting the most robust alterations. Further characterization revealed that R47H-associated microglial subpopulations had enhanced inflammatory signatures including hyperactivation of Akt, one of the signaling pathways downstream of TREM2. In a newly-generated tauopathy knock-in mouse model expressing one allele of human TREM2 ( hTREM2) with either the R47H mutation or CV, R47H induced and exacerbated tau-mediated spatial memory deficits in female mice. Single-cell transcriptomic analysis of microglia from these mice also revealed transcriptomic changes induced by R47H that had significant overlaps with R47H microglia in human AD brains, including robust increases in proinflammatory cytokines, activation of Syk-Akt-signaling, and elevation of a subset of disease-associated microglial signatures. Strikingly, pharmacological Akt inhibition largely reversed the enhanced inflammatory signatures induced by R47H in primary microglia treated with tau fibrils. By unraveling the disease-enhancing properties of the R47H mutation in mouse and human, our findings shed light on an immune-linked AD subtype and provide new directions for modulating microglial immune responses to treat AD.

Abstract Parkinson’s disease is a complex neurodegenerative disorder, affecting approximately one million individuals in the USA alone. A significant proportion of risk for Parkinson’s disease is driven by genetics. Despite this, the majority of the common genetic variation that contributes to disease risk is unknown, in-part because previous genetic studies have focussed solely on the contribution of single nucleotide variants. Structural variants represent a significant source of genetic variation in the human genome. However, because assay of this variability is challenging, structural variants have not been cataloged on a genome-wide scale, and their contribution to the risk of Parkinson’s disease remains unknown. In this study, we 1) leveraged the GATK-SV pipeline to detect and genotype structural variants in 7,772 short-read sequencing data and 2) generated a subset of matched whole-genome Oxford Nanopore Technologies long-read sequencing data from the PPMI cohort to allow for comprehensive structural variant confirmation. We detected, genotyped, and tested 3,154 “high-confidence” common structural variant loci, representing over 412 million nucleotides of non-reference genetic variation. Using the long-read sequencing data, we validated three structural variants that may drive the association signals at known Parkinson’s disease risk loci, including a 2kb intronic deletion within the gene LRRN4 . Further, we confirm that the majority of structural variants in the human genome cannot be detected using short-read sequencing alone, encompassing on average around 4 million nucleotides of inaccessible sequence per genome. Therefore, although these data provide the most comprehensive survey of the contribution of structural variants to the genetic risk of Parkinson’s disease to date, this study highlights the need for large-scale long-read datasets to fully elucidate the role of structural variants in Parkinson’s disease.

Abstract Gene set based phenotype enrichment analysis (detecting phenotypic terms that emerge as significant in a set of genes) can improve the rate of genetic diagnoses amongst other research purposes. To facilitate diverse phenotype analysis, we developed PhenoExam, a freely available R package for tool developers and a web interface for users, which performs: (1) phenotype and disease enrichment analysis on a gene set; (2) measures statistically significant phenotype similarities between gene sets and (3) detects significant differential phenotypes or disease terms across different databases. PhenoExam achieves these tasks by integrating databases or resources such as the HPO, MGD, CRISPRbrain, CTD, ClinGen, CGI, OrphaNET, UniProt, PsyGeNET, and Genomics England Panel App. PhenoExam accepts both human and mouse genes as input. We developed PhenoExam to assist a variety of users, including clinicians, computational biologists and geneticists. It can be used to support the validation of new gene-to-disease discoveries, and in the detection of differential phenotypes between two gene sets (a phenotype linked to one of the gene set but no to the other) that are useful for differential diagnosis and to improve genetic panels. We validated PhenoExam performance through simulations and its application to real cases. We demonstrate that PhenoExam is effective in distinguishing gene sets or Mendelian diseases with very similar phenotypes through projecting the disease-causing genes into their annotation-based phenotypic spaces. We also tested the tool with early onset Parkinson’s disease and dystonia genes, to show phenotype-level similarities but also potentially interesting differences. More specifically, we used PhenoExam to validate computationally predicted new genes potentially associated with epilepsy. Therefore, PhenoExam effectively discovers links between phenotypic terms across annotation databases through effective integration. The R package is available at https://github.com/alexcis95/PhenoExam and the Web tool is accessible at https://snca.atica.um.es/PhenoExamWeb/ .

Abstract INTRODUCTION Both Alzheimer’s disease (AD) and ageing have a strong genetic component. In each case, many associated variants have been discovered, but how much missing heritability remains to be discovered is debated. Variability in the estimation of SNP-based heritability could explain the differences in reported heritability. METHODS We compute heritability in five large independent cohorts (N=7,396, 1,566, 803, 12,528 and 3,963) to determine whether a consensus for the AD heritability estimate can be reached. These cohorts vary by sample size, age of cases and controls and phenotype definition. We compute heritability a) for all SNPs, b) excluding APOE region, c) excluding both APOE and genome-wide association study hit regions, and d) SNPs overlapping a microglia gene-set. RESULTS SNP-based heritability of Alzheimer’s disease is between 38 and 66% when age and genetic disease architecture are correctly accounted for. The heritability estimates decrease by 12% [SD=8%] on average when the APOE region is excluded and an additional 1% [SD=3%] when genome-wide significant regions were removed. A microglia gene-set explains 69-84% of our estimates of SNP-based heritability using only 3% of total SNPs in all cohorts. CONCLUSION The heritability of neurodegenerative disorders cannot be represented as a single number, because it is dependent on the ages of cases and controls. Genome-wide association studies pick up a large proportion of total AD heritability when age and genetic architecture are correctly accounted for. Around 13% of SNP-based heritability can be explained by known genetic loci and the remaining heritability likely resides around microglial related genes. Author Summary Estimates of heritability in Alzheimer’s disease, the proportion of phenotypic variance explained by genetics, are very varied across different studies, therefore, the amount of ‘missing’ heritability not yet captured by current genome-wide association studies is debated. We investigate this in five independent cohorts, provide estimates based on these cohorts and detail necessary suggestions to accurately calculate heritability in age-related disorders. We also confirm the importance of microglia relevant genetic markers in Alzheimer’s disease. This manuscript provides suggestions for other researchers computing heritability in late-onset disorders and the microglia gene-set used in this study will be published alongside this manuscript and made available to other researchers. The correct assessment of disease heritability will aid in better understanding the amount of ‘missing heritability’ in Alzheimer’s disease.

ABSTRACT Importance Identifying individuals at risk for developing Alzheimer’s disease (AD) is of utmost importance. Although genetic studies have identified APOE and other AD associated single nucleotide polymorphisms (SNPs), genetic information has not been integrated into an epidemiological framework for personalized risk prediction. Objective To develop, replicate and validate a novel polygenic hazard score for predicting age-specific risk for AD. Setting Multi-center, multi-cohort genetic and clinical data. Participants We assessed genetic data from 17,008 AD patients and 37,154 controls from the International Genetics of Alzheimer’s Project (IGAP), and 6,409 AD patients and 9,386 older controls from Phase 1 Alzheimer’s Disease Genetics Consortium (ADGC). As independent replication and validation cohorts, we also evaluated genetic, neuroimaging, neuropathologic, CSF and clinical data from ADGC Phase 2, National Institute of Aging Alzheimer’s Disease Center (NIA ADC) and Alzheimer’s Disease Neuroimaging Initiative (ADNI) (total n = 20,680) Main Outcome(s) and Measure(s) Use the IGAP cohort to first identify AD associated SNPs (at p < 10 -5 ). Next, integrate these AD associated SNPs into a Cox proportional hazards model using ADGC phase 1 genetic data, providing a polygenic hazard score (PHS) for each participant. Combine population based incidence rates, and genotype-derived PHS for each individual to derive estimates of instantaneous risk for developing AD, based on genotype and age. Finally, assess replication and validation of PHS in independent cohorts. Results Individuals in the highest PHS quantiles developed AD at a considerably lower age and had the highest yearly AD incidence rate. Among APOE ε3/3 individuals, PHS modified expected age of AD onset by more than 10 years between the lowest and highest deciles. In independent cohorts, PHS strongly predicted empirical age of AD onset (p = 1.1 x 10 -26 ), longitudinal progression from normal aging to AD (p = 1.54 x 10 -10 ) and associated with markers of AD neurodegeneration. Conclusions We developed, replicated and validated a clinically usable PHS for quantifying individual differences in age-specific risk of AD. Beyond APOE , polygenic architecture plays an important role in modifying AD risk. Precise quantification of AD genetic risk will be useful for early diagnosis and therapeutic strategies.

Splicing quantitative trait loci (QTLs) have been implicated as a common mechanism underlying complex trait associations. However, utilising splicing QTLs in target discovery and prioritisation has been challenging due to extensive data normalisation which often renders the direction of the genetic effect as well as its magnitude difficult to interpret. This is further complicated by the fact that strong expression QTLs often manifest as weak splicing QTLs and vice versa, making it difficult to uniquely identify the underlying molecular mechanism at each locus. We find that these ambiguities can be mitigated by visualising the association between the genotype and average RNA sequencing read coverage in the region. Here, we generate these QTL coverage plots for 1.7 million molecular QTL associations in the eQTL Catalogue identified with five quantification methods. We illustrate the utility of these QTL coverage plots by performing colocalisation between vitamin D levels in the UK Biobank and all molecular QTLs in the eQTL Catalogue. We find that while visually confirmed splicing QTLs explain just 6/53 of the colocalising signals, they are significantly less pleiotropic than eQTLs and identify a prioritised causal gene in 4/6 cases. All our association summary statistics and QTL coverage plots are freely available at https://www.ebi.ac.uk/eqtl/.

Abstract Microglial exosomes are an emerging communication pathway, implicated in fulfilling homeostatic microglial functions and transmitting neurodegenerative signals. Gene variants of the triggering receptor expressed myeloid cells-2 (TREM2) are associated with an increased risk of developing dementia. We investigated the influence of the TREM2 Alzheimer’s disease risk variant, R47H het , on the microglial exosomal proteome consisting of 3019 proteins secreted from human iPS-derived microglia (iPS-Mg). Exosomal protein content changed according to how iPS-Mg were stimulated. Thus lipopolysaccharide (LPS) induced microglial exosomes to contain more inflammatory signals, whilst stimulation with the TREM2 ligand phosphatidylserine (PS + ) increased metabolic signals within the microglial exosomes. We tested the effect of these exosomes on neurons and found that the exosomal protein changes were functionally relevant and influenced downstream functions in both neurons and microglia. Exosomes from R47H het iPS-Mg contained disease-associated microglial (DAM) signature proteins, and were less able to promote outgrowth of neuronal processes and increase mitochondrial metabolism in neurons compared with exosomes from TREM2 common variant iPS-Mg. Taken together these data highlight the importance of microglial exosomes in fulfilling microglial functions. Additionally, variations in the exosomal proteome influenced by the R47H het TREM2 variant may underlie the increased risk of Alzheimer’s disease associated with this variant. Graphical Abstract