Intelligence is highly heritable1 and a major determinant of human health and well-being2. Recent genome-wide meta-analyses have identified 24 genomic loci linked to variation in intelligence3-7, but much about its genetic underpinnings remains to be discovered. Here, we present a large-scale genetic association study of intelligence (n = 269,867), identifying 205 associated genomic loci (190 new) and 1,016 genes (939 new) via positional mapping, expression quantitative trait locus (eQTL) mapping, chromatin interaction mapping, and gene-based association analysis. We find enrichment of genetic effects in conserved and coding regions and associations with 146 nonsynonymous exonic variants. Associated genes are strongly expressed in the brain, specifically in striatal medium spiny neurons and hippocampal pyramidal neurons. Gene set analyses implicate pathways related to nervous system development and synaptic structure. We confirm previous strong genetic correlations with multiple health-related outcomes, and Mendelian randomization analysis results suggest protective effects of intelligence for Alzheimer's disease and ADHD and bidirectional causation with pleiotropic effects for schizophrenia. These results are a major step forward in understanding the neurobiology of cognitive function as well as genetically related neurological and psychiatric disorders.

Abstract Recent large-scale genomics efforts have better characterized the molecular correlates of schizophrenia in postmortem human neocortex, but not hippocampus which is a brain region prominently implicated in its pathogenesis. Here in the second phase of the BrainSeq Consortium (Phase II), we have generated RiboZero RNA-seq data for 900 samples across both the dorsolateral prefrontal cortex (DLPFC) and the hippocampus (HIPPO) for 551 individuals (286 affected by schizophrenia disorder: SCZD). We identify substantial regional differences in gene expression, in both pre- and post-natal life, and find widespread differences in how genes are regulated across development. By extending quality surrogate variable analysis (qSVA) to multiple brain regions, we identified 48 and 245 differentially expressed genes (DEG) by SCZD diagnosis (FDR<5%) in HIPPO and DLPFC, respectively, with surprisingly minimal overlap in DEG between the two brain regions. We further identified 205,618 brain region-dependent eQTLs (FDR<1%) and found that 124 GWAS risk loci contain eQTLs in at least one of the regions. We also identify potential molecular correlates of in vivo evidence of altered prefrontal-hippocampal functional coherence in schizophrenia. These results underscore the complexity and regional heterogeneity of the transcriptional correlates of schizophrenia, and suggest future schizophrenia therapeutics may need to target molecular pathologies localized to specific brain regions.

Abstract Defining the environmental context in which genes enhance susceptibility can provide insight into the pathogenesis of complex disorders, like schizophrenia. Here we show that the intrauterine and perinatal environment modulates the association of schizophrenia with genomic risk, as measured with polygenic risk scores (PRS) based primarily on GWAS significant variants. Genomic risk interacts with intrauterine and perinatal complications (Early Life Complications, ELCs) in each of three independent samples from USA, Italy and Germany (overall n= 1693, p= 6e-05). In each sample, the liability of schizophrenia explained by PRS is nominally more than five times greater in the presence of a history of ELCs compared with its absence. In each sample, patients with positive ELC histories have higher PRS than patients without ELCs, which is further confirmed in two additional patient samples from Germany and Japan (overall n=2038, p= 1e-04). The gene set based on the schizophrenia loci interacting with ELCs is highly expressed in multiple placental compartments and dynamically regulated in placenta from complicated in comparison with normal pregnancies. The same genes are differentially up-regulated in placentae from male compared with female offspring. The interaction between genomic risk and ELCs is mainly driven by GWAS significant loci enriched for genes highly expressed in the various placenta samples. Molecular pathway analyses based on the genes not driving this interaction reflect previous analyses about schizophrenia risk-genes, while genes highly and differentially expressed in placentae implicate an orthogonal biology involving cellular stress. These results suggest that the most significant genetic variants detected by current schizophrenia GWAS contribute to risk in part by converging on a developmental trajectory sensitive to events affecting placentation, which may underlie the male preponderance of schizophrenia and offer new insights into primary prevention.

Abstract Post-zygotic mutations incurred during DNA replication, DNA repair, and other cellular processes lead to somatic mosaicism. Somatic mosaicism is an established cause of various diseases, including cancers. However, detecting mosaic variants in DNA from non-cancerous somatic tissues poses significant challenges, particularly if the variants only are present in a small fraction of cells. Here, the Brain Somatic Mosaicism Network conducted a coordinated, multi-institutional study to: (i) examine the ability of existing methods to detect simulated somatic single nucleotide variants (SNVs) in DNA mixing experiments; (ii) generate multiple replicates of whole genome sequencing data from the dorsolateral prefrontal cortex, other brain regions, dura mater, and dural fibroblasts of a single neurotypical individual; (iii) devise strategies to discover somatic SNVs; and (iv) apply various approaches to validate somatic SNVs. These efforts led to the identification of 43 bona fide somatic SNVs that ranged in variant allele fractions from ~0.005 to ~0.28. Guided by these results, we devised best practices for calling mosaic SNVs from 250X whole genome sequencing data in the accessible portion of the human genome that achieve 90% specificity and sensitivity. Finally, we demonstrated that analysis of multiple bulk DNA samples from a single individual allows the reconstruction of early developmental cell lineage trees. Thus, this study provides a unified set of best practices to detect somatic SNVs in non-cancerous tissues. The data and methods are freely available to the scientific community and should serve as a guide to assess the contributions of somatic SNVs to neuropsychiatric diseases.

Abstract Neurons derived from human induced pluripotent stem cells (hiPSCs) have been used to model basic cellular aspects of neuropsychiatric disorders, but the relationship between the emergent phenotypes and the clinical characteristics of donor individuals has been unclear. We analyzed RNA expression and indices of cellular function in hiPSC-derived neural progenitors and cortical neurons generated from 13 individuals with high polygenic risk scores (PRS) for schizophrenia and a clinical diagnosis of schizophrenia, along with 15 neurotypical individuals with low PRS. We identified electrophysiological measures associated with diagnosis that implicated altered Na + channel function and GABA-ergic neurotransmission. Importantly, electrophysiological measures predicted cardinal clinical and cognitive features found in these schizophrenia patients. The identification of basic neuronal physiological properties related to core clinical characteristics of illness is a potentially critical step in generating leads for novel therapeutics.

Objective: Schizophrenia polygenic risk is plausibly manifested by complex transcriptional dysregulation in the brain, involving networks of co-expressed and functionally related genes. The main purpose of this study was to identify and prioritize co-expressed gene sets in a hierarchical manner, based on the strength of the relationships with clinical diagnosis and with the polygenic risk for schizophrenia. Methods: Weighted Gene Co-expression Network Analysis (WGCNA) was applied to RNA-quality adjusted DLPFC RNA-Seq data from the LIBD Postmortem Human Brain Repository (90 controls, 74 schizophrenia; Caucasians) to construct co-expression networks and detect modules of co-expressed genes. After internal and external validation, modules of selected interest were tested for enrichment in biological ontologies, association with schizophrenia polygenic risk scores (PRS), with diagnosis and for enrichment in genes within the significant GWAS loci reported by the Psychiatric Genomic Consortium (PGC2). Results: The association between schizophrenia genetic signals and modules of co-expression converged in a gradual manner, with one module showing a significant association with diagnosis, PRS and significant overlap with 36 PGC2 loci genes, deemed as tier 1 (strongest candidates for drug targets). 53 PGC2 loci genes were in modules associated only with diagnosis (tier 2) and 59 in modules unrelated to diagnosis or PRS (tier 3). Conclusions: Our study highlights complex relationships between gene co-expression networks in the brain and the polygenic risk for SCZ and provides a strategy for using this information in selecting potentially targetable gene sets for therapeutic drug development.

GWAS have identified 108 loci that confer risk for schizophrenia, but risk mechanisms for individual loci are largely unknown. Using developmental, genetic, and illness-based RNA sequencing expression analysis, we characterized the human brain transcriptome around these loci and found enrichment for developmentally regulated genes with novel examples of shifting isoform usage across pre- and post-natal life. We found widespread expression quantitative trait loci (eQTLs), including many with transcript specificity and previously unannotated sequence that were independently replicated. We leveraged this eQTL database to show that 48.1% of risk variants for schizophrenia associated with nearby expression. Within patients and controls, we implemented a novel algorithm for RNA quality adjustment, and identified 237 genes significantly associated with diagnosis that replicated in an independent case-control dataset. These genes implicated synaptic processes and were strongly regulated in early development (p < 10-20). These data offer new targets for modeling schizophrenia risk in cellular systems.

DNA methylation (DNAm), a crucial epigenetic mark, plays a key role in gene regulation, mammalian development, and various human diseases. Single-cell technologies enable the profiling of DNAm states at cytosines within the DNA sequence of individual cells, but they often suffer from limited coverage of CpG sites. In this study, we introduce scMeFormer, a transformer-based deep learning model designed to impute DNAm states for each CpG site in single cells. Through comprehensive evaluations, we demonstrate the superior performance of scMeFormer compared to alternative models across four single-nucleus DNAm datasets generated by distinct technologies. Remarkably, scMeFormer exhibits high-fidelity imputation, even when dealing with significantly reduced coverage, as low as 10% of the original CpG sites. Furthermore, we applied scMeFormer to a single-nucleus DNAm dataset generated from the prefrontal cortex of four schizophrenia patients and four neurotypical controls. This enabled the identification of thousands of differentially methylated regions associated with schizophrenia that would have remained undetectable without imputation and added granularity to our understanding of epigenetic alterations in schizophrenia within specific cell types. Our study highlights the power of deep learning in imputing DNAm states in single cells, and we expect scMeFormer to be a valuable tool for single-cell DNAm studies.

RNA sequencing (RNA-seq) is a powerful approach for measuring gene expression levels in cells and tissues, but it relies on high-quality RNA. We demonstrate here that statistical adjustment employing existing quality measures largely fails to remove the effects of RNA degradation when RNA quality associates with the outcome of interest. Using RNA-seq data from a molecular degradation experiment of human brain tissue, we introduce the quality surrogate variable (qSVA) analysis framework for estimating and removing the confounding effect of RNA quality in differential expression analysis. We show this approach results in greatly improved replication rates (>3x) across two large independent postmortem human brain studies of schizophrenia. Finally, we explored public datasets to demonstrate potential RNA quality confounding when comparing expression levels of different brain regions and diagnostic groups beyond schizophrenia. Our approach can therefore improve the interpretation of differential expression analysis of transcriptomic data from the human brain.

Liability to schizophrenia is inversely correlated with general cognitive ability at both the phenotypic and genetic level. Paradoxically, a modest but consistent positive genetic correlation has been reported between schizophrenia and educational attainment, despite the strong positive genetic correlation between cognitive ability and educational attainment. Here we leverage published GWAS in cognitive ability, education, and schizophrenia to parse biological mechanisms underlying these results. Association analysis based on subsets (ASSET), a pleiotropic meta-analytic technique, allowed jointly associated loci to be identified and characterized. Specifically, we identified subsets of variants associated in the expected ("Concordant") direction across all three phenotypes (i.e., greater risk for schizophrenia, lower cognitive ability, and lower educational attainment); these were contrasted with variants demonstrating the counterintuitive ("Discordant") relationship between education and schizophrenia (i.e., greater risk for schizophrenia and higher educational attainment). ASSET analysis revealed 235 independent loci associated with cognitive ability, education and/or schizophrenia at p<5x10^-8. Pleiotropic analysis successfully identified more than 100 loci that were not significant in the input GWASs, and many of these have been validated by larger, more recent single-phenotype GWAS. Leveraging the joint genetic correlations of cognitive ability, education, and schizophrenia, we were able to dissociate two distinct biological mechanisms: early neurodevelopmental pathways that characterize concordant allelic variation, and adulthood synaptic pruning pathways that were linked to the paradoxical positive genetic association between education and schizophrenia. Further, genetic correlation analyses revealed that these mechanisms contribute not only to the etiopathogenesis of schizophrenia but also to the broader biological dimensions that are implicated in both general health outcomes and psychiatric illness.