Abstract The sheep is a valuable model to test whether hormone mechanisms that sexually differentiate the brain underlie the expression of sexual partner preferences because as many as 8% of rams prefer same-sex partners. Epigenetic factors such as DNA methylation act as mediators in the interaction between steroid hormones and the genome. Variations in the epigenome could be important in determining morphological or behavior differences among individuals of the same species. In this study, we explored DNA methylation differences in the hypothalamus of male oriented rams (MORs) and female oriented rams (FORs). We employed reduced representation bisulfite sequencing (RRBS) to generate a genome-wide map of DNA methylation and RNA-Seq to profile the transcriptome. We found substantial DNA methylation and gene expression differences between FORs and MORs. Although none of the differentially methylated genes yielded significant functional terms directly associated with sex development, three differentially expressed genes were identified that have been associated previously with sexual behaviors. We hypothesize that these differences are involved in the phenotypic variation in ram sexual partner preferences, whereas future studies will have to find the specific mechanisms. Our results add an intriguing new dimension to sheep behavior that should be useful for further understanding epigenetic and transcriptomic involvement.

Purpose: Mixoploidy is a type of mosaicism where an organism is a mixture of cells with different numbers of chromosomes. There are a broad range of phenotypes associated with mixoploidy that vary greatly depending on the fraction of cells that are non-diploid, their chromosome number, their distribution, and presumably the specific variation present in the patient. Clinical detection of mixoploidy is important for diagnosis. Methods: We developed a method to detect mixoploidy from clinical whole genome sequencing (WGS) data through the identification of excess of variant calls centered on unusual B-allele frequencies. Our method isolates the signal from these variants using trio calls and then solves a basic linear equation to estimate levels of diploid-triploid mixoploidy within the sample. Results: We show that our method reflects the results from a cytogenetic test. We provide examples detailing how our method has been used to identify diploid-triploid mixoploid individuals from within the NIH Undiagnosed Diseases Network. We present confirmatory findings obtained by clinical cytogenetic testing and show that our method can be used to identify the diploid-triploid ratio in these cases. Conclusion: WGS data from patients with rare diseases can be used to identify mixoploid individuals. Individuals with certain characteristics as discussed should be tested for mixoploidy as part of standard clinical pipeline procedures. Scripts that perform this calculation are publicly available at https://github.com/HudsonAlpha/mixoviz.

Background The exponential growth of high-throughput sequencing technologies was an incredible opportunity for researchers to combine various -omics within computational frameworks. Among these, metagenomics and metabolomics data have gained an increasing interest due to their involvement in many complex diseases. However, currently, no standard seems to emerge for jointly integrating both microbiome and metabolome datasets within statistical models. Results Thus, in this paper we comprehensively benchmarked nineteen different integrative methods to untangle the complex relationships between microorganisms and metabolites. Methods evaluated in this paper cover most of the researcher's goals such as global associations, data summarization, individual associations, and feature selection. Through an extensive and realistic simulation we identified best methods across questions commonly encountered by researchers. We applied the most promising methods in an application to real gut microbial datasets, unraveling complementary biological processes involved between the two omics. We also provided practical guidelines for practitioners tailored to specific scientific questions and data types. Conclusion In summary, our work paves the way toward establishing research standards when mutually analyzing metagenomics and metabolomics data, building foundations for future methodological developments.