Abstract The non-coding genome is substantially larger than the protein-coding genome but is largely unexplored by genetic association studies. Here, we performed region-based burden analysis of >25,000 variants in untranslated regions of 6,139 amyotrophic lateral sclerosis (ALS) whole-genomes and 70,403 non-ALS controls. We identified Interleukin-18 Receptor Accessory Protein (IL18RAP) 3′UTR variants significantly enriched in non-ALS genomes, replicated in an independent cohort, and associated with a five-fold reduced risk of developing ALS. Variant IL18RAP 3′UTR reduces mRNA stability and the binding of RNA-binding proteins. Variant IL18RAP 3′UTR further dampens neurotoxicity of human iPSC-derived C9orf72-ALS microglia that depends on NF-κB signaling. Therefore, the variant IL18RAP 3′UTR provides survival advantage for motor neurons co-cultured with C9-ALS microglia. The study reveals direct genetic evidence and therapeutic targets for neuro-inflammation, and emphasizes the importance of non-coding genetic association studies. One Sentence Summary Non-coding genetic variants in IL-18 receptor 3’UTR decrease ALS risk by modifying IL-18-NF-κB signaling in microglia.

Abstract Systematic assessment of organelle architectures in cells, known as the organellome, could provide valuable insights into cellular states and disease pathologies but remains largely uncharted. Here, we devised a novel pipeline combining self-supervised deep learning and transfer learning to generate a Neuronal Organellomics Vision Atlas (NOVA). Analyzing over 1.5 million confocal images of 24 distinct membrane-bound and membrane-less organelles in human neurons, we enable a simultaneous evaluation of all organelles. We show that organellomics allows the study of cellular phenotypes by quantifying the localization and morphological properties embodied in multiple different organelles, using a unified score. We further developed a strategy to superimpose all organelles, which represents a new realization of cellular state. The value of our approach is demonstrated by characterizing specific organellar responses of human neurons to stress, cytoplasmic mislocalization of TDP-43, or disease-associated variations in ALS genes. Therefore, organellomics offers a novel approach to study the neuro-cellular biology of diseases. Highlights AI-driven organellomics without cell segmentation or multiplexed imaging. Analysis of 24 membrane-bound and membrane-less organelles in more than 1.5 million images of human neurons. Quantitative organelle-level description of neuronal response to chemical and genetic perturbations. Organelles ranked on a single metric scale and integrated organellome view via superposition of multiple organelles.

Abstract The endocrine pancreas is able to regenerate in response to insult, including by driving beta-cells into the cell division cycle. Until recently, communication between neighboring cells in islets of Langerhans was overlooked by single-cell genomic technologies, which require rigorous tissue dissociation into single cells. Here, we utilize sorting of physically interacting cells (PICs) with single-cell RNA-sequencing to systematically map cellular interactions in the regenerating endocrine pancreas. The cellular landscape of the regenerated pancreas features regeneration-associated endocrine populations. We explore the unexpected heterogeneity of beta-cells in regeneration, including an interaction-specific program between paired beta and delta-cells. Our analysis suggests that the particular cluster of beta-cells that pair with delta-cells benefits from stress protection, implying that the interaction between beta and delta-cells safeguards against regeneration-associated challenges.

Amyotrophic lateral sclerosis (ALS) is a relentless neurodegenerative disease affecting the motor neuron system. Variability in the rate of disease progression has limited the effectiveness of ALS clinical trials. Thus, better outcome measures are desperately needed in order to achieve therapeutic progress. Here, we investigate the potential of plasma cell-free microRNAs as biomarkers to predict ALS progression. We apply an unbiased high-throughput approach to define miRNA levels in a large cohort of ALS patients. Crucially, we conduct our analysis also on longitudinal samples reflecting disease progression, and are able to integrate detailed clinical phenotyping in our analysis. We find miR-181a-5p levels to be stable throughout the disease course and demonstrate that high miR-181a-5p plasma levels predict shortened survival in ALS patients, with a 2.5 fold reduction in median survival for patients with high miR-181a-5p plasma levels. We replicated this finding in an independent validation cohort, where an eight-fold (×8) difference in miR-181a-5p levels between the two prognosis subgroups was robustly measurable by quantitative real time PCR. In conclusion, miR-181a-5p plasma levels can predict disease course in ALS, identifying it as a novel biomarker for patient stratification with the potential to greatly enhance the effectiveness of clinical trials.One Sentence Summary higher plasma miR-181a-5p levels increase mortality risk in ALS patients.

Time-to-event prediction is a key task for biological discovery, experimental medicine, and clinical care. This is particularly true for neurological diseases where development of reliable biomarkers is often limited by difficulty visualising and sampling relevant cell and molecular pathobiology. To date, much work has relied on Cox regression because of ease-of-use, despite evidence that this model includes incorrect assumptions. We have implemented a set of deep learning and spline models for time-to-event modelling within a fully customizable app and accompanying online portal, both of which can be used for any time-to-event analysis in any disease by a non-expert user. Our online portal includes capacity for end-users including patients, Neurology clinicians, and researchers, to access and perform predictions using a trained model, and to contribute new data for model improvement, all within a data-secure environment. We demonstrate a pipeline for use of our app with three use-cases including imputation of missing data, hyperparameter tuning, model training and independent validation. We show that predictions are optimal for use in downstream applications such as genetic discovery, biomarker interpretation, and personalised choice of medication. We demonstrate the efficiency of an ensemble configuration, including focused training of a deep learning model. We have optimised a pipeline for imputation of missing data in combination with time-to-event prediction models. Overall, we provide a powerful and accessible tool to develop, access and share time-to-event prediction models; all software and tutorials are available at www.predictte.org.