Autism spectrum disorder is a complex disease with a strong genetic basis that remains under-characterized by current genetics studies. Here, the authors use a computational approach based on a human brain-specific gene network to predict autism-associated genes across the genome and further delineate their functional and developmental characteristics. Autism spectrum disorder (ASD) is a complex neurodevelopmental disorder with a strong genetic basis. Yet, only a small fraction of potentially causal genes—about 65 genes out of an estimated several hundred—are known with strong genetic evidence from sequencing studies. We developed a complementary machine-learning approach based on a human brain-specific gene network to present a genome-wide prediction of autism risk genes, including hundreds of candidates for which there is minimal or no prior genetic evidence. Our approach was validated in a large independent case–control sequencing study. Leveraging these genome-wide predictions and the brain-specific network, we demonstrated that the large set of ASD genes converges on a smaller number of key pathways and developmental stages of the brain. Finally, we identified likely pathogenic genes within frequent autism-associated copy-number variants and proposed genes and pathways that are likely mediators of ASD across multiple copy-number variants. All predictions and functional insights are available at http://asd.princeton.edu .

The genome sequence (1.9-fold coverage) of an inbred Abyssinian domestic cat was assembled, mapped, and annotated with a comparative approach that involved cross-reference to annotated genome assemblies of six mammals (human, chimpanzee, mouse, rat, dog, and cow). The results resolved chromosomal positions for 663,480 contigs, 20,285 putative feline gene orthologs, and 133,499 conserved sequence blocks (CSBs). Additional annotated features include repetitive elements, endogenous retroviral sequences, nuclear mitochondrial (numt) sequences, micro-RNAs, and evolutionary breakpoints that suggest historic balancing of translocation and inversion incidences in distinct mammalian lineages. Large numbers of single nucleotide polymorphisms (SNPs), deletion insertion polymorphisms (DIPs), and short tandem repeats (STRs), suitable for linkage or association studies were characterized in the context of long stretches of chromosome homozygosity. In spite of the light coverage capturing approximately 65% of euchromatin sequence from the cat genome, these comparative insights shed new light on the tempo and mode of gene/genome evolution in mammals, promise several research applications for the cat, and also illustrate that a comparative approach using more deeply covered mammals provides an informative, preliminary annotation of a light (1.9-fold) coverage mammal genome sequence.

Abstract Autism spectrum disorder (ASD) is a range of major neurodevelopmental disabilities with a strong genetic basis. Yet, owing to extensive genetic heterogeneity, multiple modes of inheritance and limited study sizes, sequencing and quantitative genetics approaches have had limited success in characterizing the complex genetics of ASD. Currently, only a small fraction of potentially causal genes—about 65 genes out of an estimated severalhundred—are known based on strong genetic evidence. Hence, there isa critical need for complementary approaches to further characterize the genetic basis of ASD, enabling development of better screening and therapeutics. Here, we use a machine-learning approach based on a human brain-specific functional gene interaction network to present a genome-wide prediction of autism-associated genes, including hundreds of candidate genes for which there is minimal or no prior genetic evidence. Our approach is validated in an independent case-control sequencing study of approximately 2,500families. Leveraging these genome-wide predictions and the brain-specificnetwork, we demonstrate that the large set of ASD genes converges on a smaller number of key cellular pathways and specific developmental stages of the brain. Specifically, integration with spatiotemporal transcriptome expression data implicates early fetal and midfetal stages of the developing human brain in ASD etiology. Likewise, analysis of the connectivity of topautism genes in the brain-specific interaction network reveals the breadthof autism-associated functional modules, processes, and pathways in the brain. Finally, we identify likely pathogenic genes within the most frequent autism-associated copy-number-variants (CNVs) and propose genes and pathways that are likely mediators of autism across multiple CNVs. All the predictions, interactions, and functional insights from this work are available to biomedical researchers at asd.princeton.edu .

The aim of this study is to identify likely pathogenic (LP) and pathogenic (P) genetic results for autism that can be returned to participants in SPARK (SPARKforAutism.org): a large recontactable cohort of people with autism in the United States. We also describe the process to return these clinically confirmed genetic findings.

Autism spectrum disorder (ASD) is a genetically heterogeneous condition, caused by a combination of rare de novo and inherited variants as well as common variants in at least several hundred genes. However, significantly larger sample sizes are needed to identify the complete set of genetic risk factors. We conducted a pilot study for SPARK (SPARKForAutism.org) of 457 families with ASD, all consented online. Whole exome sequencing (WES) and genotyping data were generated for each family using DNA from saliva. We identified variants in genes and loci that are clinically recognized causes or significant contributors to ASD in 10.4% of families without previous genetic findings. Additionally, we identified variants that are possibly associated with autism in an additional 3.4% of families. A meta-analysis using the TADA framework at a false discovery rate (FDR) of 0.2 provides statistical support for 34 ASD risk genes with at least one damaging variant identified in SPARK. Nine of these genes (BRSK2, DPP6, EGR3, FEZF2, ITSN1, KDM1B, NR4A2, PAX5 and RALGAPB) are newly emerging genes in autism, of which BRSK2 has the strongest statistical support as a risk gene for autism (TADA q-value = 0.0015). Future studies leveraging the thousands of individuals with ASD that have enrolled in SPARK are likely to further clarify the genetic risk factors associated with ASD as well as allow accelerate autism research that incorporates genetic etiology.

Abstract The exploration of genotypic variants impacting phenotypes is a cornerstone in genetics research. The emergence of vast collections containing deeply genotyped and phenotyped families has made it possible to pursue the search for variants associated with complex diseases. However, managing these large-scale datasets requires specialized computational tools tailored to organize and analyze the extensive data. GPF (Genotypes and Phenotypes in Families) is an open-source platform ( https://github.com/iossifovlab/gpf ) that manages genotypes and phenotypes derived from collections of families. The GPF interface allows interactive exploration of genetic variants, enrichment analysis for de novo mutations, and phenotype/genotype association tools. In addition, GPF allows researchers to share their data securely with the broader scientific community. GPF is used to disseminate two large-scale family collection datasets (SSC, SPARK) for the study of autism funded by the SFARI foundation. However, GPF is versatile and can manage genotypic data from other small or large family collections. Our GPF-SFARI GPF instance ( https://gpf.sfari.org/ ) provides protected access to comprehensive genotypic and phenotypic data for the SSC and SPARK. In addition, GPF-SFARI provides public access to an extensive collection of de novo mutations identified in individuals with autism and related disorders and to gene-level statistics of the protected datasets characterizing the genes’ roles in autism. Here, we highlight the primary features of GPF within the context of GPF-SFARI.

Existing methods for interpreting protein variation focus on annotating mutation pathogenicity rather than detailed interpretation of variant deleteriousness and frequently use only sequence-based or structure-based information. We present VIPUR, a computational framework that seamlessly integrates sequence analysis and structural modeling (using the Rosetta protein modeling suite) to identify and interpret deleterious protein variants. To train VIPUR, we collected 9,477 protein variants with known effects on protein function from multiple organisms and curated structural models for each variant from crystal structures and homology models. VIPUR can be applied to mutations in any organism's proteome with improved generalized accuracy (AUROC .83) and interpretability (AUPR .87) compared to other methods. We demonstrate that VIPUR's predictions of deleteriousness match the biological phenotypes in ClinVar and provide a clear ranking of prediction confidence. We use VIPUR to interpret known mutations associated with inflammation and diabetes, demonstrating the structural diversity of disrupted functional sites and improved interpretation of mutations associated with human diseases. Lastly we demonstrate VIPUR's ability to highlight candidate genes associated with human diseases by applying VIPUR to de novo variants associated with autism spectrum disorders.

In individuals with Autism Spectrum Disorder (ASD), de novo mutations have previously been shown to be significantly correlated with lower IQ, but not with the core characteristics of ASD: deficits in social communication and interaction, and restricted interests and repetitive patterns of behavior. We extend these findings by demonstrating in the Simons Simplex Collection that damaging de novo mutations in ASD individuals are also significantly and convincingly correlated with measures of impaired motor skills. This correlation is not explained by a correlation between IQ and motor skills. We find that IQ and motor skills are distinctly associated with damaging mutations and, in particular, that motor skills are a more sensitive indicator of mutational severity, as judged by the type and its gene target. We use this finding to propose a combined classification of phenotypic severity: mild (little impairment of both), moderate (impairment mainly to motor skills) and severe (impairment of both).