INTRODUCTION Our understanding of the pathophysiology of psychiatric disorders, including autism spectrum disorder (ASD), schizophrenia (SCZ), and bipolar disorder (BD), lags behind other fields of medicine. The diagnosis and study of these disorders currently depend on behavioral, symptomatic characterization. Defining genetic contributions to disease risk allows for biological, mechanistic understanding but is challenged by genetic complexity, polygenicity, and the lack of a cohesive neurobiological model to interpret findings. RATIONALE The transcriptome represents a quantitative phenotype that provides biological context for understanding the molecular pathways disrupted in major psychiatric disorders. RNA sequencing (RNA-seq) in a large cohort of cases and controls can advance our knowledge of the biology disrupted in each disorder and provide a foundational resource for integration with genomic and genetic data. RESULTS Analysis across multiple levels of transcriptomic organization—gene expression, local splicing, transcript isoform expression, and coexpression networks for both protein-coding and noncoding genes—provides an in-depth view of ASD, SCZ, and BD molecular pathology. More than 25% of the transcriptome exhibits differential splicing or expression in at least one disorder, including hundreds of noncoding RNAs (ncRNAs), most of which have unexplored functions but collectively exhibit patterns of selective constraint. Changes at the isoform level, as opposed to the gene level, show the largest effect sizes and genetic enrichment and the greatest disease specificity. We identified coexpression modules associated with each disorder, many with enrichment for cell type–specific markers, and several modules significantly dysregulated across all three disorders. These enabled parsing of down-regulated neuronal and synaptic components into a variety of cell type– and disease-specific signals, including multiple excitatory neuron and distinct interneuron modules with differential patterns of disease association, as well as common and rare genetic risk variant enrichment. The glial-immune signal demonstrates shared disruption of the blood-brain barrier and up-regulation of NFkB-associated genes, as well as disease-specific alterations in microglial-, astrocyte-, and interferon-response modules. A coexpression module associated with psychiatric medication exposure in SCZ and BD was enriched for activity-dependent immediate early gene pathways. To identify causal drivers, we integrated polygenic risk scores and performed a transcriptome-wide association study and summary-data–based Mendelian randomization. Candidate risk genes—5 in ASD, 11 in BD, and 64 in SCZ, including shared genes between SCZ and BD—are supported by multiple methods. These analyses begin to define a mechanistic basis for the composite activity of genetic risk variants. CONCLUSION Integration of RNA-seq and genetic data from ASD, SCZ, and BD provides a quantitative, genome-wide resource for mechanistic insight and therapeutic development at Resource.PsychENCODE.org. These data inform the molecular pathways and cell types involved, emphasizing the importance of splicing and isoform-level gene regulatory mechanisms in defining cell type and disease specificity, and, when integrated with genome-wide association studies, permit the discovery of candidate risk genes. The PsychENCODE cross-disorder transcriptomic resource. Human brain RNA-seq was integrated with genotypes across individuals with ASD, SCZ, BD, and controls, identifying pervasive dysregulation, including protein-coding, noncoding, splicing, and isoform-level changes. Systems-level and integrative genomic analyses prioritize previously unknown neurogenetic mechanisms and provide insight into the molecular neuropathology of these disorders.

Abstract Inflammation is a natural defence response of the immune system against environmental insult, stress and injury, but hyper- and hypo-inflammatory responses can trigger diseases. Accumulating evidence suggests that inflammation is involved in multiple psychiatric disorders. Using inflammation-related factors as biomarkers of psychiatric disorders requires the proof of reproducibility and specificity of the changes in different disorders, which remains to be established. We performed a cross-disorder study by systematically evaluating the meta-analysis results of inflammation-related factors in eight major psychiatric disorders, including schizophrenia (SCZ), bipolar disorder (BD), autism spectrum disorder (ASD), major depression disorder (MDD), post-trauma stress disorder (PTSD), sleeping disorder (SD), obsessive–compulsive disorder (OCD) and suicide. A total of 43 meta-analyses involving 704 publications on 44 inflammation-related factors were included in the study. We calculated the effect size and statistical power for every inflammation-related factor in each disorder. Our analyses showed that well-powered case–control studies provided more consistent results than underpowered studies when one factor was meta-analysed by different researchers. After removing underpowered studies, 30 of the 44 inflammation-related factors showed significant alterations in at least one disorder based on well-powered meta-analyses. Eleven of them changed in patients of more than two disorders when compared with the controls. A few inflammation-related factors showed unique changes in specific disorders (e.g., IL-4 increased in BD, decreased in suicide, but had no change in MDD, ASD, PTSD and SCZ). MDD had the largest number of changes while SD has the least. Clustering analysis showed that closely related disorders share similar patterns of inflammatory changes, as genome-wide genetic studies have found. According to the effect size obtained from the meta-analyses, 13 inflammation-related factors would need <50 cases and 50 controls to achieve 80% power to show significant differences ( p < 0.0016) between patients and controls. Changes in different states of MDD, SCZ or BD were also observed in various comparisons. Studies comparing first-episode SCZ to controls may have more reproducible findings than those comparing pre- and post-treatment results. Longitudinal, system-wide studies of inflammation regulation that can differentiate trait- and state-specific changes will be needed to establish valuable biomarkers.

Abstract Understanding the genetic architecture of gene expression and splicing in human brain is critical to unlocking the mechanisms of complex neuropsychiatric disorders like schizophrenia (SCZ). Large-scale brain transcriptomic studies are based primarily on populations of European (EUR) ancestry. The uniformity of mono-racial resources may limit important insights into the disease etiology. Here, we characterized brain transcriptional regulatory architecture of East Asians (EAS; n=151), identifying 3,278 expression quantitative trait loci (eQTL) and 4,726 spliceQTL (sQTL). Comparing these to PsychENCODE/BrainGVEX confirmed our hypothesis that the transcriptional regulatory architecture in EAS and EUR brains align. Furthermore, distinctive allelic frequency and linkage disequilibrium impede QTL translation and gene-expression prediction accuracy. Integration of eQTL/sQTL with genome-wide association studies reveals common and novel SCZ risk genes. Pathway-based analyses showing shared SCZ biology point to synaptic and GTPase dysfunction as a prospective pathogenesis. This study elucidates the transcriptional landscape of the EAS brain and emphasizes an essential convergence between EAS and EUR populations.

Abstract DNA methylation (DNAm) that occurs on promoter regions is primarily considered to repress gene expression. Previous studies indicated that DNAm could also show positive correlations with gene expression. Both DNAm and gene expression profiles are known to be tissue- and development-specific. This study aims to investigate how DNAm and gene expression are coordinated across different human tissues and developmental stages, as well as the biological significance of such correlations. By analyzing 2,239 samples with both DNAm and gene expression data in the same human subjects obtained from six published datasets, we evaluated the correlations between gene and CpG pairs (GCPs) at cis-regions and compared significantly correlated GCPs (cGCPs) across different tissues and brains at different age groups. A total of 37,363 cGCPs were identified in the six datasets; approximately 38% of the cGCPs were positively correlated. The majority (>90%) of cGCPs were tissue- or development-specific. We also observed that the correlation direction can be opposite in different tissues and ages. Further analysis highlighted the importance of cGCPs for their cellular functions and potential roles in complex traits and human diseases. For instance, early developmental brain possessed a highly unique set of cGCPs that were associated with neurogenesis and psychiatric disorders. By assessing the epigenetic factors involved in cGCPs, we discovered novel regulatory mechanisms of positive cGCPs distinct from negative cGCPs, which were related to multiple factors, such as H3K27me3, CTCF, and JARD2. The catalog of cGCPs compiled can be used to guide functional interpretation of genetic and epigenetic studies.

Network analysis helps us to understand how genes jointly affect biological functions. Weighted Gene Co-expression Network Analysis (WGCNA) is a frequently used method to build gene co-expression networks. WGCNA may be calculated with signed or unsigned correlations, with both methods having strengths and weaknesses, but both methods fail to capture weak and moderate negative correlations, which may be important in gene regulation. Combining the advantages and removing the disadvantages of both methods in one analysis would be desirable. In this study, we present a combination of signed and unsigned WGCNA (csuWGCNA), which combines the signed and unsigned methods and improves the detection of negative correlations. We applied csuWGCNA in 14 simulated datasets, six ground truth datasets and two large human brain datasets. Multiple metrics were used to evaluate csuWGCNA at gene pair and gene module levels. We found that csuWGCNA provides robust module detection and captures more negative correlations than the other methods, and is especially useful for non-coding RNA such as microRNA (miRNA) and long non-coding RNA (lncRNA). csuWGCNA enables detection of more informative modules with biological functions than signed or unsigned WGCNA, which enables discovery of novel gene regulation and helps interpretations in systems biology.

Abstract Single-cell genomics is a powerful tool for studying heterogeneous tissues such as the brain. Yet, little is understood about how genetic variants influence cell-level gene expression. Addressing this, we uniformly processed single-nuclei, multi-omics datasets into a resource comprising >2.8M nuclei from the prefrontal cortex across 388 individuals. For 28 cell types, we assessed population-level variation in expression and chromatin across gene families and drug targets. We identified >550K cell-type-specific regulatory elements and >1.4M single-cell expression-quantitative-trait loci, which we used to build cell-type regulatory and cell-to-cell communication networks. These networks manifest cellular changes in aging and neuropsychiatric disorders. We further constructed an integrative model accurately imputing single-cell expression and simulating perturbations; the model prioritized ∼250 disease-risk genes and drug targets with associated cell types. Summary Figure

Carbapenem-resistant Klebsiella pneumoniae (CRKP) increases the difficulty of clinical treatment of giant pandas. This study aimed to investigate the antibiotic susceptibility, antibiotic resistance genes (ARGs), mobile genetic elements (MGEs), virulence genes, and molecular epidemiology of CRKP strains isolated from giant pandas. A total of 187 nonduplicated Klebsiella pneumoniae (KP) isolates were collected from fresh feces of captive giant pandas at the Chengdu Research Base of Giant Panda Breeding. Then CRKP were isolated and identified through carbapenase Carba NP assay. Subsequently, the antimicrobial susceptibility testing and antibiotic resistance genes of CRKP isolates were studied by disk diffusion (K-B) and HT-qPCR, respectively. Then both the MGEs and virulence genes of CRKP isolates were analyzed by PCR. In addition, molecular epidemiology was analyzed among the CRKP strains using pulsed-field gel electrophoresis (PFGE) and multi-locus sequence typing (MLST). Eight strains of CRKP (4.5%) were isolated and identified among the 187 KP strains, and seven of eight CRKP strains both exhibited resistance to imipenem, while one strain showed resistance to meropenem, and one demonstrated multiple resistance; eight CRKP strains carried a large amount of ARGs, among which ampC/blaDHA, blaSHV−01, blaSHV−02, tetB−01, tetB−02, tetC−01, and tetC−02 were the most abundant. The MGEs analysis revealed the presence of intI1 in all strains, while the detection rates of other MGEs varied, and strain 24 exhibited the highest diversity of MGE species. Seven virulence genes, including wabG, uge, ycf, entB, kpn, alls, and wcaG, showed positive results with different proportions across the strains. In addition, PFGE patterns indicated a high level of genetic diversity among the CRKP strains. MLST analysis classified the strains into different sequence types (STs). This study highlighted the diversity of CRKP strains isolated from giant panda feces, which exhibited varying levels of antibiotic resistance along with multiple ARGs, MGEs and virulence genes present. These findings emphasized the importance of monitoring and researching antibiotic resistance within wildlife populations to protect the health status of these conservation dependent animals.

To investigate the topological properties of the white matter network in the drug-naive first-episode children and adolescent with obsessive-compulsive disorder (OCD).

Background: Cognitive traits demonstrate significant genetic correlations with many psychiatric disorders and other health-related traits, and many neuropsychiatric and neurodegenerative disorders are marked by cognitive deficits. Therefore, genome-wide association studies (GWAS) of general cognitive ability might suggest potential targets for nootropic drug repurposing. Our previous effort to identify "druggable genes" (i.e., GWAS-identified genes that produce proteins targeted by known small molecules) was modestly powered due to the small cognitive GWAS sample available at the time. Since then, two large cognitive GWAS meta-analyses have reported 148 and 205 genome-wide significant loci, respectively. Additionally, large-scale gene expression databases, derived from post-mortem human brain, have recently been made available for GWAS annotation. Here, we 1) reconcile results from these two cognitive GWAS meta-analyses to further enhance power for locus discovery; 2) employ several complementary transcriptomic methods to identify genes in these loci with variants that are credibly associated with cognition, and 3) further annotate the resulting genes to identify "druggable" targets. Methods: GWAS summary statistics were harmonized and jointly analysed using Multi-Trait Analysis of GWAS [MTAG], which is optimized for handling sample overlaps. Downstream gene identification was carried out using MAGMA, S-PrediXcan/S-TissueXcan Transcriptomic Wide Analysis, and eQTL mapping, as well as more recently developed methods that integrate GWAS and eQTL data via Summary-statistics Mendelian Randomization [SMR] and linkage methods [HEIDI]. Available brain-specific eQTL databases included GTEXv7, BrainEAC, CommonMind, ROSMAP, and PsychENCODE. Intersecting credible genes were then annotated against multiple chemoinformatic databases [DGIdb, KI, and a published review on "druggability"]. Results: Using our meta-analytic data set (N = 373,617) we identified 241 independent cognition-associated loci (29 novel), and 76 genes were identified by 2 or more methods of gene identification. 26 genes were associated with general cognitive ability via SMR, 16 genes via STissueXcan/S-PrediXcan, 47 genes via eQTL mapping, and 68 genes via MAGMA pathway analysis. The use of the HEIDI test permitted the exclusion of candidate genes that may have been artifactually associated to cognition due to linkage, rather than direct causal or indirect pleiotropic effects. Actin and chromatin binding gene sets were identified as novel pathways that could be targeted via drug repurposing. Leveraging on our various transcriptome and pathway analyses, as well as available chemoinformatic databases, we identified 16 putative genes that may suggest drug targets with nootropic properties. Discussion: Results converged on several categories of significant drug targets, including serotonergic and glutamatergic genes, voltage-gated ion channel genes, carbonic anhydrase genes, and phosphodiesterase genes. The current results represent the first efforts to apply a multi-method approach to integrate gene expression and SNP level data to identify credible actionable genes for general cognitive ability.