Abstract We developed a framework for identifying trait-associated genes in rats and facilitating the transfer of polygenic evidence across species by expanding the transcriptome-wide association (TWAS) approach to rats. Our analysis successfully trained transcript predictors for over 8000 genes in each of the five brain regions of rats, revealing several shared properties of gene regulation with humans. Moreover, mirroring trends observed in humans, our findings showed that sparse predictors using variants in cis are more effective than polygenic predictors and that gene expression prediction in rats is highly correlated across brain regions. Importantly, our analysis also identified a significant overlap between genes associated with rat and human body length and BMI, indicating rat models may be useful for studying the genetic basis of complex traits in humans. RatXcan represents a valuable tool for uncovering shared biological mechanisms of complex traits across species, with potential applications in a wide range of research fields.

Obesity is a global health crisis that is influenced by both genetic and environmental factors. Rodent model organisms can be used to understand the biological and genetic basis of obesity and related morphological traits. A major advantage of model organisms is that they can be studied under uniform environmental conditions, thus reducing the complex role of environment and gene by environment interactions. Furthermore, fat pads and other tissues can be dissected and weighed, so that their role in determining body weight can be precisely defined. Highly recombinant populations allow for genetic fine-mapping of complex traits, greatly reducing the number of plausible candidate genes. We performed the largest rat GWAS ever undertaken, using 3,173 male and female adult N/NIH heterogeneous stock (HS) rats, which were created by mixing 8 inbred strains. We identified 31 independent loci for body weight, body length, body mass index, fat pad weight (retroperitoneal, epididymal, and parametrial), and fasting glucose. We observed strong evidence of pleotropic effects across multiple phenotypes. Three loci contained only a single gene (Epha5, Nrg1 and Klhl14), whereas others were larger and contained many genes. We replicated a locus containing Prlhr, and a second locus containing Adcy3, which we had previously identified in a smaller HS rat study. Finally, by subsampling our dataset, we showed an exponential growth of significant loci as sample size increased towards 3,173. Our results demonstrate the potential for rodent studies to add to our understanding of the molecular genetic factors that contribute to obesity-relevant traits and emphasize the importance of sample size.

Abstract Addiction vulnerability is associated with the tendency to attribute incentive salience to reward predictive cues; both addiction and the attribution of incentive salience are influenced by environmental and genetic factors. To characterize the genetic contributions to incentive salience attribution, we performed a genome-wide association study (GWAS) in a cohort of 1,645 genetically diverse heterogeneous stock (HS) rats. We tested HS rats in a Pavlovian conditioned approach task, in which we characterized the individual responses to food-associated stimuli (“cues”). Rats exhibited either cue-directed “sign-tracking” behavior or food-cup directed “goal-tracking” behavior. We then used the conditioned reinforcement procedure to determine whether rats would perform a novel operant response for unrewarded presentations of the cue. We found that these measures were moderately heritable (SNP heritability, h 2 = .189-.215). GWAS identified 14 quantitative trait loci (QTLs) for 11 of the 12 traits we examined. Interval sizes of these QTLs varied widely. 7 traits shared a QTL on chromosome 1 that contained a few genes ( e.g. Tenm4 , Mir708 ) that have been associated with substance use disorders and other mental health traits in humans. Other candidate genes ( e.g. Wnt11, Pak1 ) in this region had coding variants and expression-QTLs in mesocorticolimbic regions of the brain. We also conducted a Phenome-Wide Association Study (PheWAS) on other behavioral measures in HS rats and found that regions containing QTLs on chromosome 1 were also associated with nicotine self-administration in a separate cohort of HS rats. These results provide a starting point for the molecular genetic dissection of incentive salience and provide further support for a relationship between attribution of incentive salience and drug abuse-related traits.

Organisms must regulate their behavior flexibly in the face of environmental challenges. Failure can lead to a host of maladaptive behavioral traits associated with a range of neuropsychiatric disorders, including attention deficit hyperactivity disorder, autism, and substance use disorders. This maladaptive dysregulation of behavior is influenced by genetic and environmental factors. For example, environmental enrichment produces beneficial neurobehavioral effects in animal models of such disorders. The present study determined the effects of environmental enrichment on a range of measures related to behavioral regulation using a large cohort of male, outbred heterogeneous stock (HS) rats as subjects to mimic the genetic variability found in the human population. Subjects were reared from late adolescence onwards either in pairs in standard housing with minimal enrichment (n=200) or in groups of 16 in a highly enriched environment consisting of a large multi-level cage filled with toys, running wheels, and shelters (n=64). Rats were subjected to a battery of tests, including: (i) locomotor response to novelty, (iI) light reinforcement, (iii) social reinforcement, (iv) reaction time, (v) a patch-depletion foraging test, (vi) Pavlovian conditioned approach, (vii) conditioned reinforcement, and (viii) cocaine conditioned cue preference. Results indicated that rats housed in the enriched environment were able to filter out irrelevant stimuli more effectively and thereby regulate their behavior more efficiently than standard-housing rats. The dramatic impact of environmental enrichment suggests that behavioral studies using standard housing conditions may not generalize to more complex environments that may be more ethologically relevant.

Quantitative Trait Locus (QTL) analysis and Genome-Wide Association Studies (GWAS) have the power to identify variants that capture significant levels of phenotypic variance in complex traits. However, effort and time are required to select the best methods and optimize parameters and pre-processing steps. Although machine learning approaches have been shown to greatly assist in optimization and data processing, applying them to QTL analysis and GWAS is challenging due to the complexity of large, heterogenous datasets. Here, we describe proof-of-concept for an automated machine learning approach, AutoQTL, with the ability to automate many complex decisions related to analysis of complex traits and generate diverse solutions to describe relationships that exist in genetic data.Using a dataset of 18 putative QTL from a large-scale GWAS of body mass index in the laboratory rat, Rattus norvegicus , AutoQTL captures the phenotypic variance explained under a standard additive model while also providing evidence of non-additive effects including deviations from additivity and 2-way epistatic interactions from simulated data via multiple optimal solutions. Additionally, feature importance metrics provide different insights into the inheritance models and predictive power of multiple GWAS-derived putative QTL.This proof-of-concept illustrates that automated machine learning techniques can be applied to genetic data and has the potential to detect both additive and non-additive effects via various optimal solutions and feature importance metrics. In the future, we aim to expand AutoQTL to accommodate omics-level datasets with intelligent feature selection strategies.

Abstract Power analyses are often used to determine the number of animals required for a genome wide association analysis (GWAS). These analyses are typically intended to estimate the sample size needed for at least one locus to exceed a genome-wide significance threshold. A related question that is less commonly considered is the number of significant loci that will be discovered with a given sample size. We used simulations based on a real dataset that consisted of 3,173 male and female adult N/NIH heterogeneous stock (HS) rats to explore the relationship between sample size and the number of significant loci discovered. Our simulations examined the number of loci identified in sub-samples of the full dataset. The sub-sampling analysis was conducted for four traits with low (0.15 ± 0.03), medium (0.31 ± 0.03 and 0.36 ± 0.03) and high (0.46 ± 0.03) SNP-based heritabilities. For each trait, we sub-sampled the data 100 times at different sample sizes (500, 1,000, 1,500, 2,000, and 2,500). We observed an exponential increase in the number of significant loci with larger sample sizes. Our results are consistent with similar observations in human GWAS and imply that future rodent GWAS should use sample sizes that are significantly larger than those needed to obtain a single significant result.