The relationships between the levels of transcripts and the levels of the proteins they encode have not been examined comprehensively in mammals, although previous work in plants and yeast suggest a surprisingly modest correlation. We have examined this issue using a genetic approach in which natural variations were used to perturb both transcript levels and protein levels among inbred strains of mice. We quantified over 5,000 peptides and over 22,000 transcripts in livers of 97 inbred and recombinant inbred strains and focused on the 7,185 most heritable transcripts and 486 most reliable proteins. The transcript levels were quantified by microarray analysis in three replicates and the proteins were quantified by Liquid Chromatography-Mass Spectrometry using O(18)-reference-based isotope labeling approach. We show that the levels of transcripts and proteins correlate significantly for only about half of the genes tested, with an average correlation of 0.27, and the correlations of transcripts and proteins varied depending on the cellular location and biological function of the gene. We examined technical and biological factors that could contribute to the modest correlation. For example, differential splicing clearly affects the analyses for certain genes; but, based on deep sequencing, this does not substantially contribute to the overall estimate of the correlation. We also employed genome-wide association analyses to map loci controlling both transcript and protein levels. Surprisingly, little overlap was observed between the protein- and transcript-mapped loci. We have typed numerous clinically relevant traits among the strains, including adiposity, lipoprotein levels, and tissue parameters. Using correlation analysis, we found that a low number of clinical trait relationships are preserved between the protein and mRNA gene products and that the majority of such relationships are specific to either the protein levels or transcript levels. Surprisingly, transcript levels were more strongly correlated with clinical traits than protein levels. In light of the widespread use of high-throughput technologies in both clinical and basic research, the results presented have practical as well as basic implications.

Obesity is a highly heritable disease driven by complex interactions between genetic and environmental factors. Human genome-wide association studies (GWAS) have identified a number of loci contributing to obesity; however, a major limitation of these studies is the inability to assess environmental interactions common to obesity. Using a systems genetics approach, we measured obesity traits, global gene expression, and gut microbiota composition in response to a high-fat/high-sucrose (HF/HS) diet of more than 100 inbred strains of mice. Here we show that HF/HS feeding promotes robust, strain-specific changes in obesity that are not accounted for by food intake and provide evidence for a genetically determined set point for obesity. GWAS analysis identified 11 genome-wide significant loci associated with obesity traits, several of which overlap with loci identified in human studies. We also show strong relationships between genotype and gut microbiota plasticity during HF/HS feeding and identify gut microbial phylotypes associated with obesity.

Genetics provides a potentially powerful approach to dissect host-gut microbiota interactions. Toward this end, we profiled gut microbiota using 16s rRNA gene sequencing in a panel of 110 diverse inbred strains of mice. This panel has previously been studied for a wide range of metabolic traits and can be used for high-resolution association mapping. Using a SNP-based approach with a linear mixed model, we estimated the heritability of microbiota composition. We conclude that, in a controlled environment, the genetic background accounts for a substantial fraction of abundance of most common microbiota. The mice were previously studied for response to a high-fat, high-sucrose diet, and we hypothesized that the dietary response was determined in part by gut microbiota composition. We tested this using a cross-fostering strategy in which a strain showing a modest response, SWR, was seeded with microbiota from a strain showing a strong response, A×B19. Consistent with a role of microbiota in dietary response, the cross-fostered SWR pups exhibited a significantly increased response in weight gain. To examine specific microbiota contributing to the response, we identified various genera whose abundance correlated with dietary response. Among these, we chose Akkermansia muciniphila , a common anaerobe previously associated with metabolic effects. When administered to strain A×B19 by gavage, the dietary response was significantly blunted for obesity, plasma lipids, and insulin resistance. In an effort to further understand host-microbiota interactions, we mapped loci controlling microbiota composition and prioritized candidate genes. Our publicly available data provide a resource for future studies.

Systems genetics relies on common genetic variants to elucidate biologic networks contributing to complex disease-related phenotypes. Mice are ideal model organisms for such approaches, but linkage analysis has been only modestly successful due to low mapping resolution. Association analysis in mice has the potential of much better resolution, but it is confounded by population structure and inadequate power to map traits that explain less than 10% of the variance, typical of mouse quantitative trait loci (QTL). We report a novel strategy for association mapping that combines classic inbred strains for mapping resolution and recombinant inbred strains for mapping power. Using a mixed model algorithm to correct for population structure, we validate the approach by mapping over 2500 cis -expression QTL with a resolution an order of magnitude narrower than traditional QTL analysis. We also report the fine mapping of metabolic traits such as plasma lipids. This resource, termed the Hybrid Mouse Diversity Panel, makes possible the integration of multiple data sets and should prove useful for systems-based approaches to complex traits and studies of gene-by-environment interactions.

We performed silencing and overexpression studies of flavin containing monooxygenase (FMO) 3 in hyperlipidemic mouse models to examine its effects on trimethylamine N-oxide (TMAO) levels and atherosclerosis. Knockdown of hepatic FMO3 in LDL receptor knockout mice using an antisense oligonucleotide resulted in decreased circulating TMAO levels and atherosclerosis. Surprisingly, we also observed significant decreases in hepatic lipids and in levels of plasma lipids, ketone bodies, glucose, and insulin. FMO3 overexpression in transgenic mice, on the other hand, increased hepatic and plasma lipids. Global gene expression analyses suggested that these effects of FMO3 on lipogenesis and gluconeogenesis may be mediated through the PPARα and Kruppel-like factor 15 pathways. In vivo and in vitro results were consistent with the concept that the effects were mediated directly by FMO3 rather than trimethylamine/TMAO; in particular, overexpression of FMO3 in the human hepatoma cell line, Hep3B, resulted in significantly increased glucose secretion and lipogenesis. Our results indicate a major role for FMO3 in modulating glucose and lipid homeostasis in vivo, and they suggest that pharmacologic inhibition of FMO3 to reduce TMAO levels would be confounded by metabolic interactions.

Human influenza viruses replicate almost exclusively in the respiratory tract, yet infected individuals may also develop gastrointestinal symptoms, such as vomiting and diarrhea. However, the molecular mechanisms remain incompletely defined. Using an influenza mouse model, we found that influenza pulmonary infection can significantly alter the intestinal microbiota profile through a mechanism dependent on type I interferons (IFN-Is). Notably, influenza-induced IFN-Is produced in the lungs promote the depletion of obligate anaerobic bacteria and the enrichment of Proteobacteria in the gut, leading to a “dysbiotic” microenvironment. Additionally, we provide evidence that IFN-Is induced in the lungs during influenza pulmonary infection inhibit the antimicrobial and inflammatory responses in the gut during Salmonella-induced colitis, further enhancing Salmonella intestinal colonization and systemic dissemination. Thus, our studies demonstrate a systemic role for IFN-Is in regulating the host immune response in the gut during Salmonella-induced colitis and in altering the intestinal microbial balance after influenza infection.

Emerging evidence suggests that microbes resident in the human intestine represent a key environmental factor contributing to obesity-associated disorders. Here, we demonstrate that the gut microbiota-initiated trimethylamine N-oxide (TMAO)-generating pathway is linked to obesity and energy metabolism. In multiple clinical cohorts, systemic levels of TMAO were observed to strongly associate with type 2 diabetes. In addition, circulating TMAO levels were associated with obesity traits in the different inbred strains represented in the Hybrid Mouse Diversity Panel. Further, antisense oligonucleotide-mediated knockdown or genetic deletion of the TMAO-producing enzyme flavin-containing monooxygenase 3 (FMO3) conferred protection against obesity in mice. Complimentary mouse and human studies indicate a negative regulatory role for FMO3 in the beiging of white adipose tissue. Collectively, our studies reveal a link between the TMAO-producing enzyme FMO3 and obesity and the beiging of white adipose tissue.

Abstract The incidence of type 2 diabetes (T2D) has been increasing globally and a growing body of evidence links type 2 diabetes with altered microbiota composition. Type 2 diabetes is preceded by a long pre-diabetic state characterized by changes in various metabolic parameters. We tested whether the gut microbiome could have predictive potential for T2D development during the healthy and pre-diabetic disease stages. We used prospective data of 608 well-phenotyped Finnish men collected from the population-based Metabolic Syndrome In Men (METSIM) study to build machine learning models for predicting continuous glucose and insulin measures in a shorter (1.5 year) and longer (4.5 year) period. Our results show that the inclusion of gut microbiome improves prediction accuracy for modelling T2D associated parameters such as glycosylated hemoglobin and insulin measures. We identified novel microbial biomarkers and described their effects on the predictions using interpretable machine learning techniques, which revealed complex linear and non-linear associations. Additionally, the modelling strategy carried out allowed us to compare the stability of model performances and biomarker selection, also revealing differences in short-term and long-term predictions. The identified microbiome biomarkers provide a predictive measure for various metabolic traits related to T2D, thus providing an additional parameter for personal risk assessment. Our work also highlights the need for robust modelling strategies and the value of interpretable machine learning. Importance Recent studies have shown a clear link between gut microbiota and type 2 diabetes. However, current results are based on cross-sectional studies that aim to determine the microbial dysbiosis when the disease is already prevalent. In order to consider microbiome as a factor in disease risk assessment, prospective studies are needed. Our study is the first study that assesses the gut microbiome as a predictive measure for several type 2 diabetes associated parameters in a longitudinal study setting. Our results revealed a number of novel microbial biomarkers that can improve the prediction accuracy for continuous insulin measures and glycosylated hemoglobin levels. These results make the prospect of using microbiome in personalized medicine promising.

ABSTRACT Mitochondria play a key role in the normal function of the heart as well as in the pathogenesis of diseases. We report analysis of common genetic variations contributing to mitochondrial and heart functions using an integrative proteomics approach in a panel of inbred mouse strains called the Hybrid Mouse Diversity Panel (HMDP). We performed a whole heart proteomic analysis in the HMDP (72 strains, n=2-3 mice) and retrieved 840 mitochondrial proteins (quantified in ≥50 strains). High-resolution association mapping on their respective abundance levels identified three trans-acting genetic loci, located on chromosome (chr) 7, chr13 and chr17, that control distinct classes of mitochondrial proteins as well as heart hypertrophy. Follow-up high resolution regional mapping identified NDUFS4, LRPPRC and COQ7 as the candidate genes for chr13, chr17 and chr7 loci, respectively, and both experimental and statistical analyses supported their causal roles. Variations of all three were associated with heart mass in two independent heart stress models, namely, isoproterenol (ISO)-induced heart failure and diet-induced obesity (DIO) models. To identify the aspects of mitochondrial metabolism regulated by these loci, we constructed co-expression protein networks using weighted gene co-expression network analysis (WGCNA). DAVID enrichment analyses of genes regulated by each of the loci revealed that the chr13 locus was highly enriched for complex-I proteins (24 proteins, P = 2.2E-61), the chr17 locus for mitochondrial ribonucleoprotein complex (17 proteins, P = 3.1E-25) and the chr7 locus for ubiquinone biosynthesis (3 proteins, P = 6.9E-05). These results indicate that common variations of certain mitochondrial proteins can act in trans to influence mitochondrial functions and contribute to heart hypertrophy, elucidating mechanisms that may underlie genetic susceptibility to heart failure in human populations.

Abstract A better understanding of the role of sex in studies of genetic architecture for complex traits and diseases will help translate genetic data into improved precision-based medicine and clinical care. Towards this end, we explored the use of sex-stratified versus sex-combined analyses for several metabolic and blood traits in the Hybrid Mouse Diversity Panel (HMDP). Traits such as body weight and glucose levels exhibited a high degree of genetic correlation between males and females whereas other traits such as HDL levels and white blood count did not. Nonetheless, even with the high genetic correlation between males and females for body weight, the use of sex-stratified analyses enabled the identification of dozens of loci regulating adiposity not identified in sex-combined analyses or sex-stratified analyses in the opposite sex. In addition, comparisons of the direction of allelic effects in males and females detected in the sex-stratified analyses demonstrated a high concordance, even among loci that were not statistically significant using a conventional p-value threshold. Simulation studies indicated that these elevated concordance rates were consistent with a genetic architecture consisting of hundreds of additive loci regulating every trait analyzed, including those for which no statistically significant loci were identified. These findings demonstrate the importance of stratifying by sex and suggest a method for identifying biologically rather than statistically significant associations. Applying these methods to GWAS data broadly may result in the identification of many additional loci contributing to the genetic architecture of complex traits that were missed using conventional sex-adjusted GWAS methods.