Abstract Background Genome-wide association and fine-mapping studies have enabled the discovery of single nucleotide polymorphisms (SNPs) and other variants that are significantly associated with many autoimmune diseases including type 1 diabetes (T1D). However, many of the SNPs lie in non-coding regions, limiting the identification of mechanisms that contribute to autoimmune disease progression. Methods Autoimmunity results from a failure of immune tolerance, suggesting that regulatory T cells (Treg) are likely a significant point of impact for this genetic risk, as Treg are critical for immune tolerance. Focusing on T1D as a model of defective function of Treg in autoimmunity, we designed a SNPs filtering workflow called 3 Dimensional Functional Annotation of Accessible Cell Type Specific SNPs (3DFAACTS-SNP) that utilises overlapping profiles of Treg-specific epigenomic data (ATAC-seq, Hi-C and FOXP3-ChIP) to identify regulatory elements potentially driving the effect of variants associated with T1D, and the gene(s) that they control. Results Using 3DFAACTS-SNP we identified 36 SNPs with plausible Treg-specific mechanisms of action contributing to T1D from 1,228 T1D fine-mapped variants, identifying 119 novel interacting regions resulting in the identification of 51 candidate target genes. We further demonstrated the utility of the workflow by applying it to three other fine-mapped/meta-analysed SNP autoimmune datasets, identifying 17 Treg-centric candidate variants and 35 interacting genes. Finally, we demonstrate the broad utility of 3DFAACTS-SNP for functional annotation of any genetic variation using all common (>10% allele frequency) variants from the Genome Aggregation Database (gnomAD). We identified 7,900 candidate variants and 3,245 candidate target genes, generating a list of potential sites for future T1D or autoimmune research. Conclusions We demonstrate that it is possible to further prioritise variants that contribute to T1D based on regulatory function and illustrate the power of using cell type specific multi-omics datasets to determine disease mechanisms. The 3DFAACTS-SNP workflow can be customised to any cell type for which the individual datasets for functional annotation have been generated, giving broad applicability and utility.

Abstract Understanding complex cellular niches and neighborhoods are giving us new insights into tissue biology. Accurate neighborhood identification is crucial, yet existing methodologies often struggle to detect mixed neighborhoods and generate cell-specific neighborhood profiles. To address these limitations, we introduce hoodscanR, a Bioconductor package designed for neighborhood identification and downstream analyses using spatial data. Applying hoodscanR to breast and lung cancer datasets, we showcase its efficacy in conducting detailed neighborhood analyses and identify subtle transcriptional changes in tumor cells from different neighborhoods. Such analyses can help researchers gain valuable insights into disease mechanisms and potential therapeutic targets.

ABSTRACT To gain a better understanding of the complexity of gene expression in normal and diseased tissues it is important to account for the spatial context and identity of cell in situ . State-of-the-art spatial profiling technologies, such as the Nanostring GeoMx Digital Spatial Profiler (DSP), now allow quantitative spatially resolved measurement of the transcriptome in tissues. However, the bioinformatics pipelines currently used to analyse GeoMx data often fail to successfully account for the technical variability within the data and the complexity of experimental designs, thus limiting the accuracy and reliability of subsequent analysis. Carefully designed quality control workflows, that include in-depth experiment-specific investigations into technical variation and appropriate adjustment for such variation can address this issue. Here we present standR , a R/Bioconductor package that enables an end-to-end analysis of GeoMx DSP data. With four case studies from previously published experiments, we demonstrate how the standR workflow can enhance the statistical power of GeoMx DSP data analysis and how application of standR enables scientists to develop in-depth insights into the biology of interest.