Abstract Background African American (AA) kidney transplant recipients exhibit a higher rate of graft loss compared to other racial and ethnic populations, highlighting the need to identify causative factors underlying this disparity. Method We analyzed RNA sequences of pretransplant whole blood from subjects followed in three kidney transplant cohorts to identify single nucleotide polymorphisms (SNPs) associated with death censored graft loss (DCGL). We employed a meta-analysis to uncover key transcriptional signatures and pathways associated with the identified SNPs and used single cell RNA to define cellular specificity. We characterized SNP functions using in vitro immunological and survival assays and tested for associations between the identified SNPs and other immune-related diseases using a ∼30,100 subject, electronic health record (EHR)-linked database. Results We uncovered a cluster of four consecutive missense SNPs in the Leukocyte Immunoglobulin-Like Receptor B3 ( LILRB3 , a negative immune response regulator) gene that strongly associated with DCGL. This LILRB3 -4SNPs cluster encodes missense mutations at amino acids 617-618 proximal to a SHP-1/2 phosphatase-binding ITIM motif. LILRB3 -4SNPs is specifically enriched within subjects of AA ancestry (8.6% prevalence vs 2.3% in Hispanic and 0.1% in European populations), is not linked to APOL1 G1/G2 alleles, and exhibited a strong association with DCGL. Analysis of PBMC and transplant biopsies from recipients with LILRB3 -4SNPs showed evidence of enhanced adaptive immune responsiveness and ferroptosis-associated death in monocytes. Overexpression of the variant allele in THP-1 cells (macrophage line) induced augmented inflammation and ferroptosis, which were attenuated by a ferroptosis inhibitor, verifying a causal link. The LILRB3 -4SNPs also associated with multiple systemic and organ-specific immune-related diseases in AAs, consistent with conferring a broadly relevant immune function. Conclusion the LILRB3 -4SNPs represent a functionally important, distinct genetic risk factor for kidney transplant outcome and development/severity of other immune-related diseases in patients of AA ancestry. Pharmacological targeting of ferroptosis should be tested to prevent or treat these disease processes in AA recipients carrying LILRB3 -4SNPs.

Abstract Background Lesion scores on procurement donor biopsies are commonly used to guide organ utilization. However, frozen sections present challenges for histological scoring, leading to inter- and intra-observer variability and inappropriate discard. Methods We constructed deep-learning based models to recognize kidney tissue compartments in H&E stained sections from procurement biopsies performed at 583 hospitals nationwide in year 2011-2020. The models were trained and tested respectively on 11473 and 3986 images sliced from 100 slides. We then extracted whole-slide abnormality features from 2431 kidneys, and correlated with pathologists’ scores and transplant outcomes. Finally, a Kidney Donor Quality Score (KDQS) incorporating digital features and the Kidney Donor Profile Index (KDPI) was derived and used in combination with recipient demographic and peri-transplant characteristics to predict graft loss or assist organ utilization. Results Our model accurately identified 96% and 91% of normal/sclerotic glomeruli respectively; 94% of arteries/arterial intimal fibrosis regions; 90% of tubules. Three whole-slide features (Sclerotic Glomeruli%, Arterial Intimal Fibrosis%, and Interstitial Fibrosis%) demonstrated strong correlations with corresponding pathologists’ scores (n=2431), but had superior associations with post-transplant eGFR (n=2033) and graft loss (n=1560). The combination of KDQS and other factors predicted 1- and 4-year graft loss (discovery: n=520, validation: n=1040). Finally, by matching 398 discarded kidneys due to “biopsy findings” to transplanted population, the matched transplants from discarded KDQS<4 group (110/398, 27.6%) showed similar graft survival rate to unmatched transplanted kidneys (2-, 5-year survival rate: 97%, 86%). KDQS ≥ 7 (37/398, 9.3%) and 1-year survival model score ≥ 0.55 were determined to identify possible discards (PPV=0.92). Conclusion This deep-learning based approach provides automatic and reliable pathological assessment of procurement kidney biopsies, which could facilitate graft loss risk stratification and organ utilization. Translational Statement This deep-learning based approach provides rapid but more objective, sensitive and reliable assessment of deceased-donor kidneys before transplantation, and improves the prognostic value of procurement biopsies, thus could potentially reduce inappropriate discard and stratify patients needing monitoring or preventative measures after transplantation. The pipeline can be integrated into various types of scanners and conveniently generates report after slide scanning. Such report can be used in conjunction with pathologists’ report or independently for centers lacking renal pathologists.

Abstract Background Interstitial fibrosis, tubular atrophy, and inflammation are major contributors to renal allograft failure. Here we seek an objective, quantitative pathological assessment of these lesions to improve predictive utility. Methods We constructed a deep-learning-based pipeline recognizing normal vs. abnormal kidney tissue compartments and mononuclear leukocyte (MNL) infiltrates from Periodic acid-Schiff (PAS) stained slides of transplant biopsies (training: n=60, testing: n=33) that quantified pathological lesions specific for interstitium, tubules and MNL infiltration. The pipeline was applied to 789 whole slide images (WSI) from baseline (n=478, pre-implantation) and 12-month post-transplant (n=311) protocol biopsies in two independent cohorts (GoCAR: 404 patients, AUSCAD: 212 patients) of transplant recipients to correlate composite lesion features with graft loss. Results Our model accurately recognized kidney tissue compartments and MNLs. The digital features significantly correlated with Banff scores, but were more sensitive to subtle pathological changes below the thresholds in Banff scores. The Interstitial and Tubular Abnormality Score (ITAS) in baseline samples was highly predictive of 1-year graft loss ( p =2.8e-05), while a Composite Damage Score (CDS) in 12-month post-transplant protocol biopsies predicted later graft loss ( p =7.3e-05). ITAS and CDS outperformed Banff scores or clinical predictors with superior graft loss prediction accuracy. High/intermediate risk groups stratified by ITAS or CDS also demonstrated significantly higher incidence of eGFR decline and subsequent graft damage. Conclusions This deep-learning approach accurately detected and quantified pathological lesions from baseline or post-transplant biopsies, and demonstrated superior ability for prediction of posttransplant graft loss with potential application as a prevention, risk stratification or monitoring tool.