ABSTRACT Epigenome-wide association studies of Alzheimer’s disease have highlighted neuropathology-associated DNA methylation differences, although existing studies have been limited in sample size and utilized different brain regions. Here, we combine data from six DNA methylomic studies of Alzheimer’s disease (N=1,453 unique individuals) to identify differential methylation associated with Braak stage in different brain regions and across cortex. We identify 236 CpGs in the prefrontal cortex, 95 CpGs in the temporal gyrus and ten CpGs in the entorhinal cortex at Bonferroni significance, with none in the cerebellum. Our cross-cortex meta-analysis (N=1,408 donors) identifies 220 CpGs associated with neuropathology, annotated to 121 genes, of which 84 genes have not been previously reported at this significance threshold. We have replicated our findings using two further DNA methylomic datasets consisting of a further > 600 unique donors. The meta-analysis summary statistics are available in our online data resource ( www.epigenomicslab.com/ad-meta-analysis/ ).

Abstract Human DNA-methylation data have been used to develop biomarkers of ageing - referred to ‘epigenetic clocks’ - that have been widely used to identify differences between chronological age and biological age in health and disease including neurodegeneration, dementia and other brain phenotypes. Existing DNA methylation clocks are highly accurate in blood but are less precise when used in older samples or on brain tissue. We aimed to develop a novel epigenetic clock that performs optimally in human cortex tissue and has the potential to identify phenotypes associated with biological ageing in the brain. We generated an extensive dataset of human cortex DNA methylation data spanning the life-course (n = 1,397, ages = 1 to 104 years). This dataset was split into ‘training’ and ‘testing’ samples (training: n = 1,047; testing: n = 350). DNA methylation age estimators were derived using a transformed version of chronological age on DNA methylation at specific sites using elastic net regression, a supervised machine learning method. The cortical clock was subsequently validated in a novel human cortex dataset (n = 1,221, ages = 41 to 104 years) and tested for specificity in a large whole blood dataset (n = 1,175, ages = 28 to 98 years). We identified a set of 347 DNA methylation sites that, in combination optimally predict age in the human cortex. The sum of DNA methylation levels at these sites weighted by their regression coefficients provide the cortical DNA methylation clock age estimate. The novel clock dramatically out-performed previously reported clocks in additional cortical datasets. Our findings suggest that previous associations between predicted DNA methylation age and neurodegenerative phenotypes might represent false positives resulting from clocks not robustly calibrated to the tissue being tested and for phenotypes that become manifest in older ages. The age distribution and tissue type of samples included in training datasets need to be considered when building and applying epigenetic clock algorithms to human epidemiological or disease cohorts.

ABSTRACT Alzheimer’s disease (AD) is a chronic neurodegenerative disease characterized by the progressive accumulation of amyloid-beta and neurofibrillary tangles of tau in the neocortex. Utilizing extensive neuropathology data from the Brains for Dementia Research (BDR) cohort we performed the most systematic epigenome-wide association study (EWAS) of multiple measures of AD neuropathology yet undertaken, profiling DNA methylation in two cortical regions from 631 donors. We meta-analyzed our results with those from previous studies of DNA methylation in AD cortex (total n = 2,013 donors), identifying 334 cortical differentially methylated positions (DMPs) associated with AD pathology including methylomic variation at novel loci not previously implicated in dementia. We subsequently characterized DNA methylation in purified nuclei populations - enriched for neurons, oligodendrocytes and microglia - exploring the extent to which cortex AD-associated DMPs reflect differences manifest in specific cell populations. We find that the majority of DMPs identified in ‘bulk’ cortex tissue actually reflect DNA methylation differences occurring in non-neuronal cells, with dramatically increased effect sizes observed in microglia-enriched nuclei populations. Our study highlights the power of utilizing multiple measures of neuropathology to identify epigenetic signatures of AD and the importance of characterizing disease-associated variation in purified neural cell-types.

Abstract Induced pluripotent stem cells (iPSCs) and their differentiated neurons (iPSC-neurons) are a widely used cellular model in the research of the central nervous system. However, it is unknown how well they capture age-associated processes, particularly given that pluripotent cells are only present during the earliest stages of mammalian development. Epigenetic clocks utilize coordinated age-associated changes in DNA methylation to make predictions that correlate strongly with chronological age. It has been shown that the induction of pluripotency rejuvenates predicted epigenetic age. As existing clocks are not optimized for the study of brain development, we developed the fetal brain clock (FBC), a bespoke epigenetic clock trained in human prenatal brain samples in order to investigate more precisely the epigenetic age of iPSCs and iPSC-neurons. The FBC was tested in two independent validation cohorts across a total of 194 samples, confirming that the FBC outperforms other established epigenetic clocks in fetal brain cohorts. We applied the FBC to DNA methylation data from iPSCs and iPSC-derived neuronal precursor cells and neurons, finding that these cell types are epigenetically characterized as having an early fetal age. Furthermore, while differentiation from iPSCs to neurons significantly increases epigenetic age, iPSC-neurons are still predicted as being fetal. Together our findings reiterate the need to better understand the limitations of existing epigenetic clocks for answering biological research questions and highlight a limitation of iPSC-neurons as a cellular model of age-related diseases.

Abstract Aims Epigenetic clocks are widely applied as surrogates for biological age in different tissues and/or diseases, including several neurodegenerative diseases. Despite white matter (WM) changes often being observed in neurodegenerative diseases, no study has investigated epigenetic ageing in white matter. Methods We analysed the performances of two DNA methylation-based clocks, DNAmClock Multi and DNAmClock Cortical , in post-mortem WM tissue from multiple subcortical regions and the cerebellum, and in oligodendrocyte-enriched nuclei. We also examined epigenetic ageing in control and multiple system atrophy (MSA) (WM and mixed WM and grey matter), as MSA is a neurodegenerative disease comprising pronounced WM changes and α-synuclein aggregates in oligodendrocytes. Results Estimated DNA methylation (DNAm) ages showed strong correlations with chronological ages, even in WM (e.g., DNAmClock Cortical , r = [0.80-0.97], p<0.05). However, performances and DNAm age estimates differed between clocks and brain regions. DNAmClock Multi significantly underestimated ages in all cohorts except in the MSA prefrontal cortex mixed tissue, whereas DNAmClock Cortica tended towards age overestimations. Pronounced age overestimations in the oligodendrocyte-enriched cohorts (e.g., oligodendrocyte-enriched nuclei, p=6.1×10 -5 ) suggested that this cell-type ages faster. Indeed, significant positive correlations were observed between estimated oligodendrocyte proportions and DNAm age acceleration estimated by DNAmClock Cortica (r>0.31, p<0.05), and similar trends with DNAmClock Multi . Although increased age acceleration was observed in MSA compared to controls, no significant differences were observed upon adjustment for possible confounders (e.g., cell-type proportions). Conclusions Our findings show that oligodendrocyte proportions positively influence epigenetic age acceleration across brain regions and highlight the need to further investigate this in ageing and neurodegeneration.

Abstract INTRODUCTION The established link between DNA methylation and pathophysiology of dementia, along with its potential role as a molecular mediator of lifestyle and environmental influences, positions blood‐derived DNA methylation as a promising tool for early dementia risk detection. METHODS In conjunction with an extensive array of machine learning techniques, we employed whole blood genome‐wide DNA methylation data as a surrogate for 14 modifiable and non‐modifiable factors in the assessment of dementia risk in independent dementia cohorts. RESULTS We established a multivariate methylation risk score (MMRS) for identifying mild cognitive impairment cross‐sectionally, independent of age and sex ( P = 2.0 × 10 −3 ). This score significantly predicted the prospective development of cognitive impairments in independent studies of Alzheimer's disease (hazard ratio for Rey's Auditory Verbal Learning Test (RAVLT)‐Learning = 2.47) and Parkinson's disease (hazard ratio for MCI/dementia = 2.59). DISCUSSION Our work shows the potential of employing blood‐derived DNA methylation data in the assessment of dementia risk. Highlights We used whole blood DNA methylation as a surrogate for 14 dementia risk factors. Created a multivariate methylation risk score for predicting cognitive impairment. Emphasized the role of machine learning and omics data in predicting dementia. The score predicts cognitive impairment development at the population level.

Abstract Most epigenetic epidemiology to date has utilized microarrays to identify positions in the genome where variation in DNA methylation is associated with environmental exposures or disease. However, these profile less than 3% of DNA methylation sites in the human genome, potentially missing affected loci and preventing the discovery of disrupted biological pathways. Third generation sequencing technologies, including Nanopore sequencing, have the potential to revolutionise the generation of epigenetic data, not only by providing genuine genome-wide coverage but profiling epigenetic modifications direct from native DNA. Here we assess the viability of using Nanopore sequencing for epidemiology by performing a comparison with DNA methylation quantified using the most comprehensive microarray available, the Illumina EPIC array. We implemented a CRISPR-Cas9 targeted sequencing approach in concert with Nanopore sequencing to profile DNA methylation in three genomic regions to attempt to rediscover genomic positions that existing technologies have shown are differentially methylated in tobacco smokers. Using Nanopore sequencing reads, DNA methylation was quantified at 1,779 CpGs across three regions, providing a finer resolution of DNA methylation patterns compared to the EPIC array. The correlation of estimated levels of DNA methylation between platforms was high. Furthermore, we identified 12 CpGs where hypomethylation was significantly associated with smoking status, including 10 within the AHRR gene. In summary, Nanopore sequencing is a valid option for identifying genomic loci where large differences in DNAm are associated with a phenotype and has the potential to advance our understanding of the role differential methylation plays in the aetiology of complex disease.

Abstract Inflammation and ageing-related DNA methylation patterns in the blood have been linked to a variety of morbidities, including cognitive decline and neurodegenerative disease. However, it is unclear how these blood-based patterns relate to patterns within the brain, and how each associates with central cellular profiles. In this study, we profiled DNA methylation in both the blood and in five post-mortem brain regions (BA17, BA20/21, BA24, BA46 and hippocampus) in 14 individuals from the Lothian Birth Cohort 1936. Microglial burdens were additionally quantified in the same brain regions. DNA methylation signatures of five epigenetic ageing biomarkers (‘epigenetic clocks’), and two inflammatory biomarkers (DNA methylation proxies for C-reactive protein and interleukin-6) were compared across tissues and regions. Divergent correlations between the inflammation and ageing signatures in the blood and brain were identified, depending on region assessed. Four out of the five assessed epigenetic age acceleration measures were found to be highest in the hippocampus (β range=0.83-1.14, p≤0.02). The inflammation-related DNA methylation signatures showed no clear variation across brain regions. Reactive microglial burdens were found to be highest in the hippocampus (β=1.32, p=5×10 -4 ); however, the only association identified between the blood- and brain-based methylation signatures and microglia was a significant positive association with acceleration of one epigenetic clock (termed DNAm PhenoAge) averaged over all five brain regions (β=0.40, p=0.002). This work highlights a potential vulnerability of the hippocampus to epigenetic ageing and provides preliminary evidence of a relationship between DNA methylation signatures in the brain and differences in microglial burdens.

Abstract The majority of epigenetic epidemiology studies to date have generated genome-wide profiles from bulk tissues (e.g. whole blood) however these are vulnerable to confounding from variation in cellular composition. Proxies for cellular composition can be mathematically derived from the bulk tissue profiles using a deconvolution algorithm however, there is no method to assess the validity of these estimates for a dataset where the true cellular proportions are unknown. In this study, we describe, validate and characterise a sample level accuracy metric for derived cellular heterogeneity variables. The CETYGO score captures the deviation between a sample’s DNAm profile and its expected profile given the estimated cellular proportions and cell type reference profiles.We demonstrate that the CETYGO score consistently distinguishes inaccurate and incomplete deconvolutions when applied to reconstructed whole blood profiles. By applying our novel metric to > 6,300 empirical whole blood profiles, we find that estimating accurate cellular composition is influenced by both technical and biological variation. In particular, we show that when using the standard reference panel for whole blood, less accurate estimates are generated for females, neonates, older individuals and smokers. Our results highlight the utility of a metric to assess the accuracy of cellular deconvolution, and describe how it can enhance studies of DNA methylation that are reliant on statistical proxies for cellular heterogeneity. To facilitate incorporating our methodology into existing pipelines, we have made it freely available as an R package ( https://github.com/ds420/CETYGO ).