Weighted Gene Co-expression Network Analysis (WGCNA) is a widely used R software package for the generation of gene co-expression networks (GCN). WGCNA generates both a GCN and a derived partitioning of clusters of genes (modules). We propose k-means clustering as an additional processing step to conventional WGCNA, which we have implemented in the R package km2gcn (k-means to gene co-expression network, https://github.com/juanbot/km2gcn ).We assessed our method on networks created from UKBEC data (10 different human brain tissues), on networks created from GTEx data (42 human tissues, including 13 brain tissues), and on simulated networks derived from GTEx data. We observed substantially improved module properties, including: (1) few or zero misplaced genes; (2) increased counts of replicable clusters in alternate tissues (x3.1 on average); (3) improved enrichment of Gene Ontology terms (seen in 48/52 GCNs) (4) improved cell type enrichment signals (seen in 21/23 brain GCNs); and (5) more accurate partitions in simulated data according to a range of similarity indices.The results obtained from our investigations indicate that our k-means method, applied as an adjunct to standard WGCNA, results in better network partitions. These improved partitions enable more fruitful downstream analyses, as gene modules are more biologically meaningful.

ABSTRACT Parkinson’s disease (PD) is a common incurable neurodegenerative disease. The identification of genetic variants via genome-wide association studies (GWAS) has considerably advanced our understanding of the PD genetic risk. Understanding the functional significance of the risk loci is now a critical step towards translating these genetic advances into an enhanced biological understanding of the disease. Impaired mitophagy is a key causative pathway in familial PD, but its relevance to idiopathic PD is unclear. We used a mitophagy screening assay to evaluate the functional significance of risk genes identified through GWAS. We identified two new regulators of PINK1-mitophagy, KAT8 and KANSL1, previously shown to modulate lysine acetylation. We show that KAT8 and KANSL1 modulate PINK1 gene expression and subsequent PINK1-mitophagy. These findings suggest PINK1-mitophagy is a contributing factor to idiopathic PD. KANSL1 is located on chromosome 17q21 where the risk associated gene has long been considered to be MAPT . While our data does not exclude a possible association between the MAPT gene and PD, it provides strong evidence that KANSL1 plays a crucial role in the disease. Finally, these results enrich our understanding of physiological events regulating mitophagy and establish a novel pathway for drug targeting in neurodegeneration.

Neuropathological and experimental evidence suggests that the cell-to-cell transfer of α-synuclein has an important role in the pathogenesis of Parkinson’s disease (PD). However, the mechanism underlying this phenomenon is not fully understood. We undertook a small interfering RNA (siRNA), genome-wide screen to identify genes regulating the cell-to-cell transfer of α-synuclein. A genetically encoded reporter, GFP-2A-αSynuclein-RFP, suitable for separating donor and recipient cells, was transiently transfected into HEK cells stably overexpressing α-synuclein. We find that 38 genes regulate the transfer of α-synuclein-RFP, one of which is ITGA8, a candidate gene identified through a recent PD genome-wide association study (GWAS). Weighted gene co-expression network analysis (WGCNA) and weighted protein-protein network interaction analysis (WPPNIA) show that those hits cluster in networks that include known PD genes more frequently than expected by random chance. The findings expand our understanding of the mechanism of α-synuclein spread.

Abstract To facilitate precision medicine and neuroscience research, we developed a machine-learning technique that scores the likelihood that a gene, when mutated, will cause a neurological phenotype. We analysed 1126 genes relating to 25 subtypes of Mendelian neurological disease defined by Genomics England (March 2017) together with 154 gene-specific features capturing genetic variation, gene structure and tissue-specific expression and co-expression. We randomly re-sampled genes with no known disease association to develop bootstrapped decision-tree models, which were integrated to generate a decision tree-based ensemble for each disease subtype. Genes generating larger numbers of distinct transcripts and with higher probability of having missense mutations in normal individuals were significantly more likely to cause neurological diseases. Using mouse-mutant phenotypic data we tested the accuracy of gene-phenotype predictions and found that for 88% of all disease subtypes there was a significant enrichment of relevant phenotypic abnormalities when predicted genes were mutated in mice and in many cases mutations produced specific and matching phenotypes. Furthermore, using only newly identified genes included in the Genomics England November 2017 release, we assessed our gene-phenotype predictions and showed an 8.3 fold enrichment relative to chance for correct predictions. Thus, we demonstrate both the explanatory and predictive power of machine-learning-based models in neurological disease.

Abstract There is growing evidence to suggest that human gene annotation remains incomplete, with a disproportionate impact on the brain transcriptome. We used RNA-sequencing data from GTEx to detect novel transcription in an annotation-agnostic manner across 13 human brain regions and 28 human tissues. We found that genes highly expressed in brain are significantly more likely to be re-annotated, as are genes associated with Mendelian and complex neurodegenerative disorders. We improved the annotation of 63% of known OMIM-morbid genes and 65% of those with a neurological phenotype. We determined that novel transcribed regions, particularly those identified in brain, tend to be poorly conserved across mammals but are significantly depleted for genetic variation within humans. As exemplified by SNCA , we explored the implications of re-annotation for Mendelian and complex Parkinson’s disease. We validated in silico and experimentally a novel, brain-specific, potentially protein-coding exon of SNCA . We release our findings as tissue-specific transcriptomes in BED format and via vizER: http://rytenlab.com/browser/app/vizER . Together these resources will facilitate basic genomics research with the greatest impact on neurogenetics.

ABSTRACT Parkinson’s disease (PD) is a common, devastating, and incurable neurodegenerative disorder. Several molecular mechanisms have been proposed to drive PD, with genetic and pathological evidence pointing towards aberrant protein homeostasis and mitochondrial dysfunction. PD is clinically highly heterogeneous, it is likely that different mechanisms underlie the pathology in different individuals, each requiring a specific targeted treatment. Recent advances in stem cell technology and fluorescent live-cell imaging have enabled the generation of patient-derived neurons with different mechanistic subtypes of PD. Here, we performed multi-dimensional fluorescent labelling of organelles in iPSC-derived neurons, in healthy control cells, and in four different disease subclasses. We generated a machine learning-based model that can simultaneously predict the presence of disease, and its primary mechanistic subtype. We independently trained a series of classifiers using both quantitative single-cell fluorescence variables and images to build deep neural networks. Quantitative cellular profile-based classifiers achieve an accuracy of 82%, whilst image based deep neural networks predict control, and four distinct disease subtypes with an accuracy of 95%. The classifiers achieve their accuracy across all subtypes primarily utilizing the organellar features of the mitochondria, with additional contribution of the lysosomes, confirming their biological importance in PD. Taken together, we show that machine learning approaches applied to patient-derived cells are able to predict disease subtypes, demonstrating that this approach may be used to guide personalized treatment approaches in the future.

Abstract Neuronal insulin resistance is linked to the pathogenesis of Parkinson’s disease through unclear, but potentially targetable, mechanisms. We delineated neuronal and glial mechanisms of insulin resistance and glucagon-like 1 peptide (GLP-1) receptor agonism in human iPSC models of synucleinopathy, and corroborated our findings in patient samples from a Phase 2 trial of a GLP-1R agonist in Parkinson’s ( NCT01971242 ). Human iPSC models of synucleinopathy exhibit neuronal insulin resistance and dysfunctional insulin signalling, which is associated with inhibition of the neuroprotective Akt pathways, and increased expression of the MAPK-associated p38 and JNK stress pathways. Ultimately, this imbalance is associated with cellular stress, impaired proteostasis, accumulation of α-synuclein, and neuronal loss. The GLP-1R agonist exenatide led to restoration of insulin signalling, associated with restoration of Akt signalling and suppression of the MAPK pathways in neurons. GLP-1R agonism reverses the neuronal toxicity associated with the synucleinopathy, through reduction of oxidative stress, improved mitochondrial and lysosomal function, reduced aggregation of α-synuclein, and enhanced neuronal viability. GLP-1R agonism further suppresses synuclein induced inflammatory states in glia, leading to neuroprotection through non cell autonomous effects. In the exenatide-PD2 clinical trial, exenatide treatment was associated with clinical improvement in individuals with higher baseline MAPK expression (and thus insulin resistance). Exenatide treatment led to a reduction of α-synuclein aggregates, and a reduction in inflammatory cytokine IL-6. Taken together, our patient platform defines the mechanisms of GLP-1R action in neurons and astrocytes, identifies the population likely to benefit from GLP-1R agonism, and highlights the utility of GLP-1R agonism as a disease modifying strategy in synucleinopathies.

Genome-wide association studies have generated an increasing number of common genetic variants that affect neurological and psychiatric disease risk. Given that many causal variants are likely to operate by regulating gene expression, an improved understanding of the genetic control of gene expression in human brain is vital. However, the difficulties of sampling human brain, and its complexity, has meant that brain-related expression quantitative trait loci (eQTL) and allele specific expression (ASE) signals have been more limited in their explanatory power than might otherwise be expected. To address this, we use paired genomic and transcriptomic data from putamen and substantia nigra dissected from 117 brains, combined with a comprehensive set of analyses, to interrogate regulation at different stages of RNA processing and uncover novel transcripts. We identify disease-relevant regulatory loci and reveal the types of analyses and regulatory positions yielding the most disease-specific information. We find that splicing eQTLs are enriched for neuron-specific regulatory information; that ASE analyses provide highly cell-specific regulatory information; and that incomplete annotation of the brain transcriptome limits the interpretation of risk loci for neuropsychiatric disease. We release this rich resource of regulatory data through a searchable webserver, http://braineacv2.inf.um.es/.

Summary Neuropathological and experimental evidence suggests that the cell-to-cell transfer of a-synuclein has an important role in the pathogenesis of Parkinson’s disease (PD). However, the mechanism underlying this phenomenon is not fully understood. We undertook an siRNA, genome-wide high throughput screen to identify genes regulating the cell-to-cell transfer of a-synuclein. We transiently transfected HEK cells stably overexpressing a-synuclein with a construct encoding GFP-2a-aSynuclein-RFP. The cells expressing a-synuclein-RFP through transfection were double positive for GFP and RFP fluorescence, whereas the cells receiving it through transfer were positive only for RFP fluorescence. The amount of a-synuclein transfer was quantified by high content microscopy. A series of unbiased screens confirmed the involvement of 38 genes in the regulation of a-synuclein-RFP transfer. One of those hits was ITGA8 , a candidate gene recently identified through a large PD genome wide association study (GWAS). Weighted gene co-expression network analysis (WGCNA) and weighted protein-protein network interaction analysis (WPPNIA) showed that the hits clustered in networks that included known PD Mendelian and GWAS risk genes more frequently than expected than random chance. Given the genetic overlap between a-synuclein transfer and PD, those findings provide supporting evidence for the importance of the cell-to-cell transfer of a-synuclein in the pathogenesis of PD, and expand our understanding of the mechanism of a-synuclein spread.

ABSTRACT Gaining insight into the genetic regulation of gene expression in human brain is key to the interpretation of genome-wide association studies for major neurological and neuropsychiatric diseases. Expression quantitative trait loci (eQTL) analyses have largely been used to achieve this, providing valuable insights into the genetic regulation of steady-state RNA in human brain, but not distinguishing between molecular processes regulating transcription and stability. RNA quantification within cellular fractions can disentangle these processes in cell types and tissues which are challenging to model in vitro. We investigated the underlying molecular processes driving the genetic regulation of gene expression specific to a cellular fraction using allele-specific expression (ASE). Applying ASE analysis to genomic and transcriptomic data from paired nuclear and cytoplasmic fractions of anterior prefrontal cortex, cerebellar cortex and putamen tissues from 4 post-mortem neuropathologically-confirmed control human brains, we demonstrate that a significant proportion of genetic regulation of gene expression occurs post-transcriptionally in the cytoplasm, with genes undergoing this form of regulation more likely to be synaptic. These findings have implications for understanding the structure of gene expression regulation in human brain, and importantly the interpretation of rapidly growing single-nucleus brain RNA-sequencing and eQTL datasets, where cytoplasm-specific regulatory events could be missed.