Abstract Neuropsychiatric disorders classically lack defining brain pathologies, but recent work has demonstrated dysregulation at the molecular level, characterized by transcriptomic and epigenetic alterations 1–3 . In autism spectrum disorder (ASD), this molecular pathology involves the upregulation of microglial, astrocyte and neural–immune genes, the downregulation of synaptic genes, and attenuation of gene-expression gradients in cortex 1,2,4–6 . However, whether these changes are limited to cortical association regions or are more widespread remains unknown. To address this issue, we performed RNA-sequencing analysis of 725 brain samples spanning 11 cortical areas from 112 post-mortem samples from individuals with ASD and neurotypical controls. We find widespread transcriptomic changes across the cortex in ASD, exhibiting an anterior-to-posterior gradient, with the greatest differences in primary visual cortex, coincident with an attenuation of the typical transcriptomic differences between cortical regions. Single-nucleus RNA-sequencing and methylation profiling demonstrate that this robust molecular signature reflects changes in cell-type-specific gene expression, particularly affecting excitatory neurons and glia. Both rare and common ASD-associated genetic variation converge within a downregulated co-expression module involving synaptic signalling, and common variation alone is enriched within a module of upregulated protein chaperone genes. These results highlight widespread molecular changes across the cerebral cortex in ASD, extending beyond association cortex to broadly involve primary sensory regions.

Abstract Classically, psychiatric disorders have been considered to lack defining pathology, but recent work has demonstrated consistent disruption at the molecular level, characterized by transcriptomic and epigenetic alterations. 1–3 In ASD, upregulation of microglial, astrocyte, and immune signaling genes, downregulation of specific synaptic genes, and attenuation of regional gene expression differences are observed. 1,2,4–6 However, whether these changes are limited to the cortical association areas profiled is unknown. Here, we perform RNA-sequencing (RNA-seq) on 725 brain samples spanning 11 distinct cortical areas in 112 ASD cases and neurotypical controls. We identify substantially more genes and isoforms that differentiate ASD from controls than previously observed. These alterations are pervasive and cortex-wide, but vary in magnitude across regions, roughly showing an anterior to posterior gradient, with the strongest signal in visual cortex, followed by parietal cortex and the temporal lobe. We find a notable enrichment of ASD genetic risk variants among cortex-wide downregulated synaptic plasticity genes and upregulated protein folding gene isoforms. Finally, using snRNA-seq, we determine that regional variation in the magnitude of transcriptomic dysregulation reflects changes in cellular proportion and cell-type-specific gene expression, particularly impacting L3/4 excitatory neurons. These results highlight widespread, genetically-driven neuronal dysfunction as a major component of ASD pathology in the cerebral cortex, extending beyond association cortices to involve primary sensory regions.

Abstract Understanding cell-type-specific gene regulatory mechanisms from genetic variants to diseases remains challenging. To address this, we developed an open-source computational pipeline, scGRNom, to predict the cell-type disease genes and regulatory networks from multi-omics data, including cell-type chromatin interactions, epigenomics, and single-cell transcriptomics. With applications to Schizophrenia and Alzheimer’s Disease, our predicted cell-type regulatory networks link transcription factors and enhancers to disease genes for excitatory and inhibitory neurons, microglia, and oligodendrocytes. The enrichments of cell-type disease genes reveal cross-disease and disease-specific functions and pathways. Finally, machine learning analysis found that cell-type disease genes shared by diseases have improved clinical phenotype predictions.

Abstract Genotype-phenotype association is found in many biological systems, such as brain-related diseases and behavioral traits. Despite the recent improvement in the prediction of phenotypes from genotypes, they can be further improved and explainability of these predictions remains challenging, primarily due to complex underlying molecular and cellular mechanisms. Emerging multimodal data enables studying such mechanisms at different scales from genotype to phenotypes involving intermediate phenotypes like gene expression. However, due to the black-box nature of many machine learning techniques, it is challenging to integrate these multi-modalities and interpret the biological insights in prediction, especially when some modality is missing. Biological knowledge has recently been incorporated into machine learning modeling to help understand the reasoning behind the choices made by these models. To this end, we developed DeepGAMI, an interpretable deep learning model to improve genotype-phenotype prediction from multimodal data. DeepGAMI uses prior biological knowledge to define the neural network architecture. Notably, it embeds an auxiliary-learning layer for cross-modal imputation while training the model from multimodal data. Using this pre-trained layer, we can impute latent features of additional modalities and thus enable predicting phenotypes from a single modality only. Finally, the model uses integrated gradient to prioritize multimodal features and links for phenotypes. We applied DeepGAMI to multiple emerging multimodal datasets: (1) population-level genotype and bulk-tissue gene expression data for predicting schizophrenia, (2) population-level genotype and gene expression data for predicting clinical phenotypes in Alzheimer’s Disease, (3) gene expression and electrophysiological data of single neuronal cells in the mouse visual cortex, and (4) cell-type gene expression and genotype data for predicting schizophrenia. We found that DeepGAMI outperforms existing state-of-the-art methods and provides a profound understanding of gene regulatory mechanisms from genotype to phenotype, especially at cellular resolution. DeepGAMI is an open-source tool and is available at https://github.com/daifengwanglab/DeepGAMI .

Abstract Dysregulation of gene expression in Alzheimer’s disease (AD) remains elusive, especially at the cell type level. Gene regulatory network, a key molecular mechanism linking transcription factors (TFs) and regulatory elements to govern target gene expression, can change across cell types in the human brain and thus serve as a model for studying gene dysregulation in AD. However, it is still challenging to understand how cell type networks work abnormally under AD. To address this, we integrated single-cell multi-omics data and predicted the gene regulatory networks in AD and control for four major cell types, excitatory and inhibitory neurons, microglia and oligodendrocytes. Importantly, we applied network biology approaches to analyze the changes of network characteristics across these cell types, and between AD and control. For instance, many hub TFs target different genes between AD and control (rewiring). Also, these networks show strong hierarchical structures in which top TFs (master regulators) are largely common across cell types, whereas different TFs operate at the middle levels in some cell types (e.g., microglia). The regulatory logics of enriched network motifs (e.g., feed-forward loops) further uncover cell-type-specific TF-TF cooperativities in gene regulation. The cell type networks are highly modular. Several network modules with cell-type-specific expression changes in AD pathology are enriched with AD-risk genes and putative targets of approved and pending AD drugs, suggesting possible cell-type genomic medicine in AD. Finally, using the cell type gene regulatory networks, we developed machine learning models to classify and prioritize additional AD genes. We found that top prioritized genes predict clinical phenotypes (e.g., cognitive impairment). Overall, this single-cell network biology analysis provides a comprehensive map linking genes, regulatory networks, cell types and drug targets and reveals mechanisms on cell-type gene dyregulation in AD.

Abstract Single-cell genomics is a powerful tool for studying heterogeneous tissues such as the brain. Yet, little is understood about how genetic variants influence cell-level gene expression. Addressing this, we uniformly processed single-nuclei, multi-omics datasets into a resource comprising >2.8M nuclei from the prefrontal cortex across 388 individuals. For 28 cell types, we assessed population-level variation in expression and chromatin across gene families and drug targets. We identified >550K cell-type-specific regulatory elements and >1.4M single-cell expression-quantitative-trait loci, which we used to build cell-type regulatory and cell-to-cell communication networks. These networks manifest cellular changes in aging and neuropsychiatric disorders. We further constructed an integrative model accurately imputing single-cell expression and simulating perturbations; the model prioritized ∼250 disease-risk genes and drug targets with associated cell types. Summary Figure

Abstract The dorsolateral prefrontal cortex (dlPFC) is a derived cortical area in primates that is involved in myriad high-cognitive functions and is associated with several neuropsychiatric disorders. Here, we performed Patch-seq and single-nucleus multiomic analyses of the rhesus macaque dlPFC to identify genes governing neuronal maturation during midfetal to late-fetal development. Our multimodal analyses have identified genes and pathways important for the maturation of distinct neuronal populations as well as genes underlying the maturation of specific electrophysiological properties. Using gene knockdown in macaque and human organotypic slices, we functionally tested the role of RAPGEF4 , a gene involved in synaptic remodeling, and CHD8 , a high-confidence autism spectrum disorder risk gene, on the electrophysiological and morphological maturation of excitatory neurons in the macaque and human fetal dlPFC.

Gene expression and regulation, a key molecular mechanism driving human disease development, remains elusive, especially at early stages. The increasing amount of genomics data gathered from patients allows for better understanding of gene regulatory mechanisms that occur during disease development at a system level. However, integrating such a large amount of population data is still a challenging task. To address this, we developed an interpretable machine learning model, ECMarker, to predict gene expression biomarkers and regulatory networks specific for disease stages such as early cancer. In particular, ECMarker was built on the semi-restricted Boltzmann machine, a machine learning model with multiple hierarchical layers. This model allows one to directly model and prioritize gene interactions for the classification of clinical phenotypes, revealing potential gene regulatory networks (GRNs) for various cancer stages. We applied ECMarker to the gene expression data of non-small cell lung cancer (NSCLC) patients. Unlike the state-of-the-art machine learning methods designed for classification only, ECMarker not only achieved an accuracy > 85% for classification but also predicted a lung cancer GRN that is highly consistent with previous findings. Additionally, ECMarker has clear clinical interpretability as it is able to prioritize biomarker genes for early lung cancer that can predict survival rates of early cancer patients (p-value < 0.0035). Finally, we identified a number of drugs currently in clinical use for late stages (e.g., Navitoclax, Cyclopamine and Erlotinib) with effects on these early cancer biomarker genes, suggesting potential novel insights on early cancer medicine. ECMarker is also general purpose for other disease types and available as an open-source tool at https://github.com/daifengwanglab/tools.