Abstract Brain regions communicate with each other via tracts of myelinated axons, commonly referred to as white matter. White matter microstructure can be measured in the living human brain using diffusion based magnetic resonance imaging (dMRI), and has been found to be altered in patients with neuropsychiatric disorders. Although under strong genetic control, few genetic variants influencing white matter microstructure have ever been identified. Here we identified common genetic variants influencing white matter microstructure using dMRI in 42,919 individuals (35,741 in the UK Biobank). The dMRIs were summarized into 215 white matter microstructure traits, including 105 measures from tract-specific functional principal component analysis. Genome-wide association analysis identified many novel white matter microstructure associated loci ( P < 2.3 × 10 −10 ). We identified shared genetic influences through genetic correlations between white matter tracts and 62 other complex traits, including stroke, neuropsychiatric disorders (e.g., ADHD, bipolar disorder, major depressive disorder, schizophrenia), cognition, neuroticism, chronotype, as well as non-brain traits. Common variants associated with white matter microstructure alter the function of regulatory elements in glial cells, particularly oligodendrocytes. White matter associated genes were enriched in pathways involved in brain disease pathogenesis, neurodevelopment process, and repair of white matter damage ( P < 1.5 × 10 −8 ). In summary, this large-scale tract-specific study provides a big step forward in understanding the genetic architecture of white matter and its genetic links to a wide spectrum of clinical outcomes.

Abstract The human brain remains active in the absence of explicit tasks and forms networks of correlated activity. Resting-state functional magnetic resonance imaging (rsfMRI) measures brain activity at rest, which has been linked with both cognitive and clinical outcomes. The genetic variants influencing human brain function are largely unknown. Here we utilized rsfMRI from 44,190 individuals of multiple ancestries (37,339 in the UK Biobank) to discover and validate the common genetic variants influencing intrinsic brain activity. We identified hundreds of novel genetic loci associated with intrinsic functional signatures ( P < 2.8 × 10 −11 ), including associations to the central executive, default mode, and salience networks involved in the triple network model of psychopathology. A number of intrinsic brain activity associated loci colocalized with brain disorder GWAS (e.g., Alzheimer’s disease, Parkinson’s disease, schizophrenia) and cognition, such as 19q13.32, 17q21.31, and 2p16.1. Particularly, we detected a colocalization between one (rs429358) of the two variants in the APOE ε4 locus and function of the default mode, central executive, attention, and visual networks. Genetic correlation analysis demonstrated shared genetic influences between brain function and brain structure in the same regions. We also detected significant genetic correlations with 26 other complex traits, such as ADHD, major depressive disorder, schizophrenia, intelligence, education, sleep, subjective well-being, and neuroticism. Common variants associated with intrinsic brain activity were enriched within regulatory element in brain tissues.

Abstract Structural and microstructural variations of human brain are heritable and highly polygenic traits, with hundreds of associated genes founded in recent genome-wide association studies (GWAS). Using gene expression data, transcriptome-wide association studies (TWAS) can prioritize these GWAS findings and also identify novel gene-trait associations. Here we performed TWAS analysis of 211 structural neuroimaging phenotypes in a discovery-validation analysis of six datasets. Using a cross-tissue approach, TWAS discovered 204 associated genes (86 new) exceeding Bonferroni significance threshold of 1.37*10 −8 (adjusted for testing multiple phenotypes) in the UK Biobank (UKB) cohort, and validated 18 TWAS or previous GWAS-detected genes. The TWAS-significant genes of brain structures had been linked to a wide range of complex traits in different domains. Additional TWAS analysis of 11 cognitive and mental health traits detected 69 overlapping significant genes with brain structures, further characterizing the genetic overlaps among these brain-related traits. Through TWAS gene-based polygenic risk scores (PRS) prediction, we found that TWAS PRS gained substantial power in association analysis compared to conventional variant-based PRS, and up to 6.97% of phenotypic variance (p-value=7.56*10 −31 ) in testing datasets can be explained by UKB TWAS-derived PRS. In conclusion, our study illustrates that TWAS can be a powerful supplement to traditional GWAS in imaging genetics studies for gene discovery-validation, genetic co-architecture analysis, and polygenic risk prediction.

Abstract Spatial transcriptomic (ST) technologies allow researchers to examine high-quality RNA-sequencing data along with maintained two-dimensional positional information as well as a co-registered histology image. A popular use of ST omics data is to provide insights about tissue structure and spatially unique features. However, due to the technical nature unique to most ST data, the resolution varies from a diameter of 2-10 μm to 50-100 μm instead of single-cell resolution, which brings uncertainty into cell number and cell mixture within each ST spot. Motivated by the important role for spatial arrangement of cell types within a tissue in physiology and disease pathogenesis, several ST deconvolution methods have been developed and are being used to explore gene expression variation and identification of spatial domains. The aim of this work is to review state-of-the-art methods for ST deconvolution, while comparing their strengths and weaknesses. Specifically, we use four real datasets to examine the performance of eight methods across different tissues and technological platforms. Key Points Cell mixture inference is a critical step in the analysis of spatial transcriptomics (ST) data to prevent downstream analysis suffering from confounding factors at the spot level. Existing ST deconvolution methods can be classified into three groups: probabilistic-based, non-negative matrix factorization and non-negative least squares based, and other deep learning framework-based methods. We compared eight ST deconvolution methods by using two single cell level resolution datasets and two spot level resolution ST datasets. We provided practical guidelines for the choice of method under different scenarios as well as the optimal subsets of genes to use for each method.

Abstract Spatial transcriptomics (ST) technology, providing spatially resolved transcriptional profiles, facilitates advanced understanding of key biological processes related to health and disease. Sequencing-based ST technologies provide whole-transcriptome profiles, but are limited by the non-single cell level resolution. Lack of knowledge in the number of cells or cell type composition at each spot can lead to invalid downstream analysis, which is a critical issue recognized in ST data analysis. Methods developed, however, tend to under-utilize histological images, which conceptually provide important and complementary information including anatomical structure and distribution of cells. To fill in the gaps, we present POLARIS, a versatile ST analysis method that can perform cell type deconvolution, identify anatomical or functional layer-wise differentially expressed (LDE) genes and enable cell composition inference from histology images. Applied to four tissues, POLARIS demonstrates high deconvolution accuracy, accurately predicts cell composition solely from images, and identifies LDE genes that are biologically relevant and meaningful.

Volumetric variations of human brain are heritable and are associated with many brain-related complex traits. Here we performed genome-wide association studies (GWAS) and post-GWAS analyses of 101 brain volumetric phenotypes using the UK Biobank (UKB) sample including 19,629 participants. GWAS identified 287 independent SNPs exceeding genome-wide significance threshold of 4.9*10-10, adjusted for testing multiple phenotypes. Gene-based association study found 142 associated genes (113 new) and functional gene mapping analysis linked 122 more genes. Many of the discovered genetic variants have previously been implicated with cognitive and mental health traits (such as cognitive performance, education, mental disease/disorders), and significant genetic correlations were detected for 29 pairs of traits. The significant SNPs discovered in the UKB sample were supported by a joint analysis with other four independent studies (total sample size 2,192), and we performed a meta-analysis of five samples to provide GWAS summary statistics with sample size larger than 20,000. Using genome-wide polygenic risk scores prediction, up to 4.36% of phenotypic variance (p-value=2.97*10-22) in the four independent studies can be explained by the UKB GWAS results. In conclusion, our study identifies many new genetic variants at SNP, locus and gene levels and advances our understanding of the pleiotropy and genetic co-architecture between brain volumes and other traits.

A bstract Spatial transcriptomics (ST) technologies have gained increasing popularity due to their ability to provide positional context of gene expressions in a tissue. One major limitation of current commercially available ST methods such as the 10X Genomics Visium platform is the lack of single cell resolution. Cell type deconvolution for ST data is critical in order to fully reveal underlying biological mechanisms. Existing ST data deconvolution methods share two common limitations: first, few of them utilize spatial neighborhood information. Existing methods such as RCTD and SPOTlight intrinsically treat each spatial spot as independent of neighboring spots, although we anticipate nearby spots to share similar cell type compositions based on clinical evidence of tissue structures. Such limitation could be amplified when sequencing depths at single spots are relatively low so that borrowing information from neighboring spots is necessary in order to obtain reliable deconvolution results. Second, although Visium data provide us with a histological image which could add additional information regarding spot heterogeneity, most existing methods do not utilize this H&E image. To solve these two limitations, we developed Multiscale Adaptive ST Deconvolution (MAST-Decon), a smooth deconvolution method for ST data. MAST-Decon uses a weighted likelihood approach and incorporates both gene expression data, spatial neighborhood information and H&E image features by constructing different kernel functions to obtain a smooth deconvolution result. We showcased the strength of MAST-Decon through simulations based on real data, including a single-cell dataset of mouse brain primary visual cortex, and real-world Visium datasets to demonstrate its robust and superior performance compared with other state-of-the-art methods.

CRISPR epigenomic editing technologies enable functional interrogation of non-coding elements. However, current computational methods for guide RNA (gRNA) design do not effectively predict the power potential, molecular and cellular impact to optimize for efficient gRNAs, which are crucial for successful applications of these technologies. We present "launch-dCas9" (machine LeArning based UNified CompreHensive framework for CRISPR-dCas9) to predict gRNA impact from multiple perspectives, including cell fitness, wildtype abundance (gauging power potential), and gene expression in single cells. Our launchdCas9, built and evaluated using experiments involving >1 million gRNAs targeted across the human genome, demonstrates relatively high prediction accuracy (AUC up to 0.81) and generalizes across cell lines. Method-prioritized top gRNA(s) are 4.6-fold more likely to exert effects, compared to other gRNAs in the same cis-regulatory region. Furthermore, launchdCas9 identifies the most critical sequence-related features and functional annotations from >40 features considered. Our results establish launch-dCas9 as a promising approach to design gRNAs for CRISPR epigenomic experiments.