Abstract DNA-based therapeutics have emerged as a revolutionary approach for addressing the treatment gap in rare inherited conditions by targeting the fundamental genetic causes of disease. Charcot-Marie-Tooth (CMT) disease, a group of inherited neuropathies, represents one of the most prevalent Mendelian disease groups in neurology and is characterized by diverse genetic etiology. Axonal forms of CMT, known as CMT2, are caused by dominant mutations in over 30 different genes which lead to degeneration of lower motor neuron axons. Recent advances in antisense oligonucleotide (ASO) therapeutics have shown promise in targeting neurodegenerative disorders. Here we elucidate pathomechanistic changes contributing to variant specific molecular phenotypes in CMT2E, caused by a single nucleotide substitution (p.N98S) in the neurofilament light chain gene (NEFL). We used a patient-derived pluripotent stem cell (iPSC)-induced motor neuron model, which recapitulates several cellular and biomarker phenotypes associated with CMT2E. Using an ASO treatment strategy targeting a heterozygous gain-of-function variant, we aimed to resolve molecular phenotypic changes observed in the CMT2E p.N98S subtype. To determine ASO therapeutic potential, we employed our treatment strategy in iPSC-derived motor neurons and used established as well as novel biomarkers of peripheral nervous system axonal degeneration. Our findings have demonstrated a significant decrease in clinically relevant biomarkers of axonal degeneration, presenting the first clinically viable genetic therapeutic for CMT2E. Similar strategies could be used to develop precision medicine approaches for otherwise untreatable gain of function inherited disorders.

Charcot-Marie-Tooth (CMT) disease is a neuromuscular disorder affecting the peripheral nervous system. The diagnostic yield in demyelinating CMT (CMT1) is typically ∼80-95%, of which at least 60% is due to the PMP22 gene duplication. The remainder of CMT1 is more genetically heterogeneous. We used whole exome and whole genome sequencing data included in the GENESIS database to investigate novel causal genes and mutations in a cohort of ∼2,670 individuals with CMT neuropathy. A recurrent heterozygous missense variant p.Thr1424Met in the recently described CMT gene ITPR3, encoding IP3R3 (inositol 1,4,5-trisphosphate receptor 3) was identified. This previously reported p.Thr1424Met change was present in 33 affected individuals from nine unrelated families from multiple populations, representing an unusual recurrence rate at a mutational hotspot, strengthening the gene-disease relationship (GnomADv4 allele frequency 1.76e-6). Sanger sequencing confirmed the co-segregation of the CMT phenotype with the presence of the mutation in autosomal dominant and de novo inheritance patterns, including a four-generation family with multiple affected second-degree cousins. Probands from all families presented with slow nerve conduction velocities, matching the diagnostic category of CMT1. Remarkably, we observed a uniquely variable clinical phenotype for age at onset and phenotype severity in p.Thr1424Met carrying patients, even within families. Finally, we present data supportive of a dominant-negative effect of the p.Thr1424Met mutation with associated changes in protein expression in patient-derived cells.

Charcot-Marie-Tooth 1A is a demyelinating peripheral neuropathy caused by the duplication of peripheral myelin protein 22 (PMP22), which produces muscle weakness and loss of sensation in the hands and feet. A recent case-only genome wide association study by the Inherited Neuropathy Consortium identified a strong association between variants in signal induced proliferation associated 1 like 2 (SIPA1L2) and strength of foot dorsiflexion. To validate SIPA1L2 as a candidate modifier, and to assess its potential as a therapeutic target, we engineered mice with a deletion in SIPA1L2 and crossed them to the C3-PMP22 mouse model of CMT1A. We performed neuromuscular phenotyping and identified an interaction between Sipa1l2 deletion and muscular endurance decrements assayed by wire-hang duration in C3-PMP22 mice, as well as several interactions in femoral nerve axon morphometrics such as myelin thickness. Gene expression changes suggested an involvement of Sipa1l2 in cholesterol biosynthesis, which was also implicated in C3-PMP22 mice. Though several interactions between Sipa1l2 deletion and CMT1A-associated phenotypes were identified, validating a genetic interaction, the overall effect on neuropathy was small.

Abstract Tandem repeats (TRs) are polymorphic sequences of DNA that are composed of repeating units of motifs, whose lengths can vary depending on the type of TR. Expansions of TRs are responsible for approximately 50 monogenic diseases, compared to over 4,300 disease causing genes disrupted by single nucleotide variants and small indels. It appears thus reasonable to expect the discovery of additional pathogenic repeat expansions, which has the potential of significantly narrowing the current diagnostic gap in many diseases. Recently, short and long-read whole genome sequencing with the use of advanced bioinformatics tools, have identified a growing number of TR expansions in the human population. The majority of these loci are expanded in <1% of genomes. Categorizing and prioritizing such TR loci is a growing challenge to human genomic studies. We present a first-in-class machine learning tool, RExPRT (Repeat EXpansion Pathogenicity pRediction Tool), which is designed to distinguish pathogenic from benign TR expansions. Leave-one-out cross validation results demonstrated that an ensemble approach comprised of support vector machines (SVM) and extreme gradient boosted decision tree (XGB) classify TRs with a precision of 92% and a recall of 90%. Further validation of RExPRT on unseen test data demonstrate a similar precision of 86%, and a recall of 60%. RExPRT’s high precision in particular, will be of significant value to large-scale discovery studies, which require the prioritization of promising candidate loci for time-consuming and costly functional follow-up studies. Application of RExPRT to ~800,000 TRs in the reference genome identified ~30,000 TRs that would be likely pathogenic upon expansion. Thus, RExPRT establishes a foundation for the application of machine learning approaches to categorize the pathogenicity of tandem repeat loci.

Abstract Purpose Recent integration of open-source data to machine learning models, especially in the medical field, has opened new doors to study disease progression and/or regression. However, the limitation of using medical data for machine learning approaches is the specificity of data to a particular medical condition. In this context, most recent technologies like generative adversarial networks (GAN) could be used to generate high quality synthetic data that preserves the clinical variability. Materials and Methods In this study, we used 139 T2-weighted prostate magnetic resonant images (MRI) from various sources as training data for Single Natural Image GAN (SinGAN), to make a generative model. A deep learning semantic segmentation pipeline trained the model to segment the prostate boundary on 2D MRI slices. Synthetic images with a high-level segmentation boundary of the prostate were filtered and used in the quality control assessment by participating scientists with varying degree of experience (more than 10 years, 1 year, or no experience) to work with MRI images. Results The most experienced participating group correctly identified conventional vs synthetic images with 67% accuracy, the group with 1 year of experience correctly identified the images with 58% accuracy, and group with no prior experience reached 50% accuracy. Nearly half (47%) of the synthetic images were mistakenly evaluated as conventional images. Interestingly, a blinded quality assessment by a board-certified radiologist to differentiate conventional and synthetic images was not significantly different in context of the mean quality of synthetic and conventional images. Conclusions This study shows promise that high quality synthetic images from MRI can be generated using GAN. Such an AI model may contribute significantly to various clinical applications which involves supervised machine learning approaches.