1 Abstract Quantitative trait loci (QTL) denote regions of DNA whose variation is associated with variations in quantitative traits. QTL discovery is a powerful approach to understand how changes in molecular and clinical phenotypes may be related to DNA sequence changes. However, QTL discovery analysis encompasses multiple analytical steps and the processing of multiple input files, which can be laborious, error prone, and hard to reproduce if performed manually. In order to facilitate and automate large-scale QTL analysis, we developed the yQTL Pipeline , where the ‘ y’ indicates the dependent quantitative variable being modeled. Prior to genome-wide association test, the pipeline supports the calculation or the direct input of pre-defined genome-wide principal components and genetic relationship matrix when applicable. User-specified covariates can also be provided. Depending on whether familial relatedness exists among the subjects, genome-wide association tests will be performed using either a linear mixed-effect model or a linear model. Using the workflow management tool Nextflow, the pipeline parallelizes the analysis steps to optimize run-time and ensure results reproducibility. In addition, a user-friendly R Shiny App is developed to facilitate result visualization. Upon uploading the result file, it can generate Manhattan plots of user-selected phenotype traits and trait-QTL connection networks based on user-specified p-value thresholds. We applied the yQTL Pipeline to analyze metabolomics profiles of blood serum from the New England Centenarians Study (NECS) participants. A total of 9.1M SNPs and 1,052 metabolites across 194 participants were analyzed. Using a p-value cutoff 5e-8, we found 14,983 mQTLs cumulatively associated with 312 metabolites. The built-in parallelization of our pipeline reduced the run time from ∼90 min to ∼26 min. Visualization using the R Shiny App revealed multiple mQTLs shared across multiple metabolites. The yQTL Pipeline is available with documentation on GitHub at https://github.com/montilab/yQTL-Pipeline .

Abstract Gaussian Graphical Models (GGM) have been widely used in biomedical research to explore complex relationships between many variables. There are well established procedures to build GGMs from a sample of independent and identical distributed observations. However, many studies include clustered and longitudinal data that result in correlated observations and ignoring this correlation among observations can lead to inflated Type I error. In this paper, we propose a Bootstrap algorithm to infer GGM from correlated data. We use extensive simulations of correlated data from family-based studies to show that the Bootstrap method does not inflate the Type I error while retaining statistical power compared to alternative solutions. We apply our method to learn the GGM that represents complex relations between 47 Polygenic Risk Scores generated using genome-wide genotype data from a family-based study known as the Long Life Family Study. By comparing it to the conventional methods that ignore within-cluster correlation, we show that our method controls the Type I error well in this real example.

Abstract We conducted a genome-wide association study (GWAS) of Digit Symbol Substitution Test (DSST) scores administered in 4207 family members of the Long Life Family Study (LLFS). Genotype data were imputed to the HRC panel of 64,940 haplotypes resulting in ~15M genetic variants with quality score > 0.7. The results were replicated using genetic data imputed to the 1000 Genomes phase 3 reference panel from two Danish twin cohorts: the study of Middle Aged Danish Twins and the Longitudinal Study of Aging Danish Twins. The GWAS in LLFS discovered 20 rare genetic variants (minor allele frequency (MAF) < 1.0%) that reached genome-wide significance (p-value < 5×10 −8 ). Among these, 18 variants had large protective effects on the processing speed, including rs7623455, rs9821776, rs9821587, rs78704059 on chromosome 3, which were replicated in the combined Danish twin cohort. These SNPs are located in/near two genes, THRB and RARB , that belonged to thyroid hormone receptors family that may influence speed of metabolism and cognitive aging. The gene-level tests in LLFS confirmed that these two genes are associated with processing speed.

Quantitative trait loci (QTL) denote regions of DNA whose variation is associated with variations in quantitative traits. QTL discovery is a powerful approach to understand how changes in molecular and clinical phenotypes may be related to DNA sequence changes. However, QTL discovery analysis encompasses multiple analytical steps and the processing of multiple input files, which can be laborious, error prone, and hard to reproduce if performed manually. To facilitate and automate large-scale QTL analysis, we developed the yQTL Pipeline , where the ‘ y’ indicates the dependent quantitative variable being modeled. Prior to the association test, the pipeline supports the calculation or the direct input of pre-defined genome-wide principal components and genetic relationship matrix when applicable. User-specified covariates can also be provided. Depending on whether familial relatedness exists among the subjects, genome-wide association tests will be performed using either a linear mixed-effect model or a linear model. The options to run an ANOVA model or testing the interaction with a covariate are also available. Using the workflow management tool Nextflow, the pipeline parallelizes the analysis steps to optimize run-time and ensure results reproducibility. In addition, a user-friendly R Shiny App is developed to facilitate result visualization. It can generate Manhattan and Miami plots of phenotype traits, genotype-phenotype boxplots, and trait-QTL connection networks. We applied the yQTL Pipeline to analyze metabolomics profiles of blood serum from the New England Centenarians Study (NECS) participants. A total of 9.1M SNPs and 1,052 metabolites across 194 participants were analyzed. Using a p-value cutoff 5e-8, we found 14,983 mQTLs associated with 312 metabolites. The built-in parallelization of our pipeline reduced the run time from ~90 min to ~26 min. Visualization using the R Shiny App revealed multiple mQTLs shared across multiple metabolites. The yQTL Pipeline is available with documentation on GitHub at https://github.com/montilab/yQTLpipeline .

Introduction: Vascular endothelial growth factor receptor inhibitors (VEGFRis) are a class of tyrosine kinase inhibitors (TKIs) used to treat human and canine cancers, but these drugs also cause hypertension (HTN) and endothelial cell (EC) dysfunction. Purpose: We combined phosphoproteomic analysis in ECs with a cross-species in-vitro and in-vivo approach to identify mitigating therapies for VEGFRi-induced EC dysfunction and HTN. Methods and Results: We developed a sorafenib-induced HTN mouse model showing increased blood pressure, mesenteric resistance vessel EC dysfunction (decreased phosphorylation of Ser1177 on endothelial nitric oxide synthase [p-eNOS], increased endothelin-1 [ET-1]), and renal glomerular endotheliosis. Human umbilical vein ECs were treated with VEGFR TKIs, non-VEGFR TKIs, and cardiovascular drugs. Phosphoproteomic mass spectrometry and a marker selection algorithm identified a 14-phosphopeptide signature differentiating VEGFR TKIs from non-VEGFR TKIs. The signature peptide RBM17 pS222 increased with VEGFRi treatment in human, canine, and mouse aortic ECs, correlating with reduced p-eNOS. By screening for cardiovascular drugs that reverse the VEGFRi phosphoproteomic signature, we found alpha-adrenergic antagonists, particularly doxazosin, had the most anti-correlated signatures. Doxazosin prevented VEGFRi-induced EC dysfunction in primary aortic ECs across species. In mice, doxazosin reversed sorafenib-induced EC dysfunction in resistance vessels without affecting blood pressure or renal glomerular endotheliosis. Conversely, lisinopril reduced HTN and glomerular endotheliosis but not EC dysfunction. Preliminary results from our clinical trial in canine cancer patients confirmed that toceranib induced HTN and showed that both doxazosin and lisinopril significantly lowered blood pressure in dogs with cancer and VEGFRi-induced HTN. Conclusion: Our study demonstrates the utility of phosphoproteomics and cross-species analysis in identifying EC-protective effects of doxazosin in VEGFRi-induced HTN. Our mouse data suggest distinct mechanisms for VEGFRi-induced EC dysfunction and HTN, potentially involving renal glomerular damage.