Abstract Background Dementia-like cognitive impairment is an increasingly reported complication of SARS-CoV-2 infection. However, the underlying mechanisms responsible for this complication remain unclear. A better understanding of causative processes by which COVID-19 may lead to cognitive impairment is essential for developing preventive interventions. Methods In this study, we conducted a network-based, multimodal genomics comparison of COVID-19 and neurologic complications. We constructed the SARS-CoV-2 virus-host interactome from protein-protein interaction assay and CRISPR-Cas9 based genetic assay results, and compared network-based relationships therein with those of known neurological manifestations using network proximity measures. We also investigated the transcriptomic profiles (including single-cell/nuclei RNA-sequencing) of Alzheimer’s disease (AD) marker genes from patients infected with COVID-19, as well as the prevalence of SARS-CoV-2 entry factors in the brains of AD patients not infected with SARS-CoV-2. Results We found significant network-based relationships between COVID-19 and neuroinflammation and brain microvascular injury pathways and processes which are implicated in AD. We also detected aberrant expression of AD biomarkers in the cerebrospinal fluid and blood of patients with COVID-19. While transcriptomic analyses showed relatively low expression of SARS-CoV-2 entry factors in human brain, neuroinflammatory changes were pronounced. In addition, single-nucleus transcriptomic analyses showed that expression of SARS-CoV-2 host factors ( BSG and FURIN ) and antiviral defense genes ( LY6E , IFITM2 , IFITM3 , and IFNAR1 ) was significantly elevated in brain endothelial cells of AD patients and healthy controls relative to neurons and other cell types, suggesting a possible role for brain microvascular injury in COVID-19-mediated cognitive impairment. Notably, individuals with the AD risk allele APOE E4/E4 displayed reduced levels of antiviral defense genes compared to APOE E3/E3 individuals. Conclusion Our results suggest significant mechanistic overlap between AD and COVID-19, strongly centered on neuroinflammation and microvascular injury. These results help improve our understanding of COVID-19-associated neurological manifestations and provide guidance for future development of preventive or treatment interventions.

Abstract Systematic identification of molecular networks in disease relevant immune cells of the nervous system is critical for elucidating the underlying pathophysiology of Alzheimer’s disease (AD). Two key immune cell types, disease-associated microglia (DAM) and disease-associated astrocytes (DAA), are biologically involved in AD pathobiology. Therefore, uncovering molecular determinants of DAM and DAA will enhance our understanding of AD biology, potentially identifying novel therapeutic targets for AD treatment. Here, we present an integrative, network-based methodology to uncover conserved molecular networks between DAM and DAA. Specifically, we leverage single-cell and single-nucleus RNA sequencing data from both AD transgenic mouse models and AD patient brains, drug-target networks, metabolite-enzyme associations, and the human protein-protein interactome, along with large-scale patient data validation from the MarketScan Medicare Supplemental Database. We find that common and unique molecular network regulators between DAM (i.e, PAK1, MAPK14 , and SYK ) and DAA (i.e., NFKB1, FOS , and JUN ) are significantly enriched by multiple neuro-inflammatory pathways and well-known genetic variants (i.e., BIN1 ) from genome-wide association studies. Further network analysis reveal shared immune pathways between DAM and DAA, including Fc gamma R-mediated phagocytosis, Th17 cell differentiation, and chemokine signaling. Furthermore, integrative metabolite-enzyme network analyses imply that fatty acids (i.e., elaidic acid) and amino acids (i.e., glutamate, serine, and phenylalanine) may trigger molecular alterations between DAM and DAA. Finally, we prioritize repurposed drug candidates for potential treatment of AD by agents that specifically reverse dysregulated gene expression of DAM or DAA, including an antithrombotic anticoagulant triflusal, a beta2-adrenergic receptor agonist salbutamol, and the steroid medications (fluticasone and mometasone). Individuals taking fluticasone (an approved anti-inflammatory and inhaled corticosteroid) displayed a significantly decreased incidence of AD (hazard ratio (HR) = 0.858, 95% confidence interval [CI] 0.829-0.888, P < 0.0001) in retrospective case-control validation. Furthermore, propensity score matching cohort studies also confirmed an association of mometasone with reduced incidence of AD in comparison to fluticasone (HR =0.921, 95% CI 0.862-0.984, P < 0.0001).

The strongest risk factors for Alzheimer's disease (AD) include the χ4 allele of apolipoprotein E (APOE), the

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 Accumulating evidence suggests that gut-microbiota metabolites contribute to human disease pathophysiology, yet the host receptors that sense these metabolites are largely unknown. Here, we developed a systems pharmacogenomics framework that integrates machine learning (ML), AlphaFold2-derived structural pharmacology, and multi-omics to identify disease-relevant metabolites derived from gut-microbiota with non-olfactory G-protein-coupled receptors (GPCRome). Specifically, we evaluated 1.68 million metabolite-protein pairs connecting 408 human GPCRs and 516 gut metabolites using an Extra Trees algorithm-improved structural pharmacology strategy. Using genetics-derived Mendelian randomization and multi-omics (including transcriptomic and proteomic) analyses, we identified likely causal GPCR targets (C3AR, FPR1, GALR1 and TAS2R60) in Alzheimer’s disease (AD). Using three-dimensional structural fingerprint analysis of the metabolite-GPCR complexome, we identified over 60% of the allosteric pockets of orphan GPCR models for gut metabolites in the GPCRome, including AD-related orphan GPCRs (GPR27, GPR34, and GPR84). We additionally identified the potential targets (e.g., C3AR) of two AD-related metabolites (3-hydroxybutyric acid and Indole-3-pyruvic acid) and four metabolites from AD-related bacterium Eubacterium rectale , and also showed that tridecylic acid is a candidate ligand for orphan GPR84 in AD. In summary, this study presents a systems pharmacogenomics approach that serves to uncover the GPCR molecular targets of gut microbiota in AD and likely many other human diseases if broadly applied.

Medulloblastoma (MB) is the most common malignant brain tumor in children. Despite aggressive therapy, about one-third of patients with MB still die, and survivors suffer severe long-term side effects due to the treatments. The poor post-treatment outcomes are tightly linked to unpredictable drug resistance. Therefore, before developing robust single drug or drug combination recommendation algorithms, uncovering the underlying protein-protein interaction (PPI) network patterns that accurately explain and predict drug resistances for MB subtypes is essential and important. In this study, we hypothesize that the loop sub-structure within the PPI network can explain and predict drug resistance. Both static and dynamic models are built to evaluate this hypothesis for three MB subtypes. Specifically, a static model is created to first validate that many reported therapeutic targets are located topologically on highly deregulated loop sub-structure and then to characterize the loop for tumors without treatment. Next, with the after-treatment time-series genomics data, a dynamic hidden Markov model (HMM) with newly designed initialization scheme estimates the successful and unsuccessful occurrence probabilities for each given PPI and then re-delineates the loop for post-treatment tumors. Finally, the comparison of loop structures pre- and post- treatment distinguishes effective and ineffective treatment options, demonstrating that the loop sub-structure is capable of interpreting the mechanism of drug resistance. In summary, effective treatments show much stronger inhibition of cell cycle and DNA replication proteins when compared to ineffective treatments after considering the cross talk of multiple pathways (the loop).

Abstract Human genome sequencing studies have identified numerous loci associated with complex diseases, including Alzheimer’s disease (AD). Translating human genetic findings (i.e., genome-wide association studies [GWAS]) to pathobiology and therapeutic discovery, however, remains a major challenge. To address this critical problem, we present a net work t opology-based deep learning framework to identify disease- a ssociated g enes (NETTAG). NETTAG is capable of integrating multigenomics data along with the protein-protein interactome to infer putative risk genes and drug targets impacted by GWAS loci. Specifically, we leverage non-coding GWAS loci effects on expression quantitative trait loci (eQTLs), histone-QTLs, and transcription factor binding-QTLs, enhancers and CpG islands, promoter regions, open chromatin, and promoter flanking regions. The key premises of NETTAG are that the disease risk genes exhibit distinct functional characteristics compared to non-risk genes and therefore can be distinguished by their aggregated genomic features under the human protein interactome. Applying NETTAG to the latest AD GWAS data, we identified 156 putative AD-risk genes (i.e., APOE , BIN1 , GSK3B , MARK4 , and PICALM ). We showed that predicted risk genes are: 1) significantly enriched in AD-related pathobiological pathways, 2) more likely to be differentially expressed regarding transcriptome and proteome of AD brains, and 3) enriched in druggable targets with approved medicines (i.e., choline and ibudilast). In summary, our findings suggest that understanding of human pathobiology and therapeutic development could benefit from a network-based deep learning methodology that utilizes GWAS findings under the multimodal genomic analyses.