Influences of resilience on the presence and severity of depression following trauma exposure are largely unknown. Hence, we examined effects of resilience on depressive symptom severity in individuals with past childhood abuse and/or other trauma exposure.In this cross-sectional study of 792 adults, resilience was measured with the Connor-Davidson Resilience Scale, depression with the Beck Depression Inventory (BDI), childhood abuse with the Childhood Trauma Questionnaire, and other traumas with the Trauma Events Inventory.Multiple linear regression modeling with depression severity (BDI score) as the outcome yielded 4 factors: childhood abuse (β=2.5, p<0.0001), other trauma (β=3.5, p<0.0001), resilience (β=-0.5, p<0.0001), and other trauma × resilience interaction term (β=-0.1, p=0.0021), all of which were significantly associated with depression severity, even after adjusting for age, sex, race, education, employment, income, marital status, and family psychiatric history. Childhood abuse and trauma exposure contributed to depressive symptom severity while resilience mitigated it.Resilience moderates depressive symptom severity in individuals exposed to childhood abuse or other traumas both as a main effect and an interaction with trauma exposure. Resilience may be amenable to external manipulation and could present a potential focus for treatments and interventions.

The biological processes that are disrupted in the Alzheimer's disease (AD) brain remain incompletely understood. In this study, we analyzed the proteomes of more than 1,000 brain tissues to reveal new AD-related protein co-expression modules that were highly preserved across cohorts and brain regions. Nearly half of the protein co-expression modules, including modules significantly altered in AD, were not observed in RNA networks from the same cohorts and brain regions, highlighting the proteopathic nature of AD. Two such AD-associated modules unique to the proteomic network included a module related to MAPK signaling and metabolism and a module related to the matrisome. The matrisome module was influenced by the APOE ε4 allele but was not related to the rate of cognitive decline after adjustment for neuropathology. By contrast, the MAPK/metabolism module was strongly associated with the rate of cognitive decline. Disease-associated modules unique to the proteome are sources of promising therapeutic targets and biomarkers for AD.

Genome-wide association studies (GWAS) have identified many risk loci for Alzheimer's disease (AD)1,2, but how these loci confer AD risk is unclear. Here, we aimed to identify loci that confer AD risk through their effects on brain protein abundance to provide new insights into AD pathogenesis. To that end, we integrated AD GWAS results with human brain proteomes to perform a proteome-wide association study (PWAS) of AD, followed by Mendelian randomization and colocalization analysis. We identified 11 genes that are consistent with being causal in AD, acting via their cis-regulated brain protein abundance. Nine replicated in a confirmation PWAS and eight represent new AD risk genes not identified before by AD GWAS. Furthermore, we demonstrated that our results were independent of APOE e4. Together, our findings provide new insights into AD pathogenesis and promising targets for further mechanistic and therapeutic studies.

Abstract The biological processes that are disrupted in the Alzheimer’s disease (AD) brain remain incompletely understood. We recently performed a proteomic analysis of >2000 brains to better understand these changes, which highlighted alterations in astrocytes and microglia as likely key drivers of disease. Here, we extend this analysis by analyzing >1000 brain tissues using a tandem mass tag mass spectrometry (TMT-MS) pipeline, which allowed us to nearly triple the number of quantified proteins across cases. A consensus protein co-expression network analysis of this deeper dataset revealed new co-expression modules that were highly preserved across cohorts and brain regions, and strongly altered in AD. Nearly half of the protein co-expression modules, including modules significantly altered in AD, were not observed in RNA networks from the same cohorts and brain regions, highlighting the proteopathic nature of AD. Two such AD-associated modules unique to the proteomic network included a module related to MAPK signaling and metabolism, and a module related to the matrisome. Analysis of paired genomic and proteomic data within subjects showed that expression level of the matrisome module was influenced by the APOE ε4 allele, but was not related to the rate of cognitive decline after adjustment for neuropathology. In contrast, the MAPK/metabolism module was strongly associated with the rate of cognitive decline. Disease-associated modules unique to the proteome are sources of promising therapeutic targets and biomarkers for AD.

Alzheimer’s disease (AD) is currently defined by the aggregation of amyloid-β (Aβ) and tau proteins in the brain. Although biofluid biomarkers are available to measure Aβ and tau pathology, few markers are available to measure the complex pathophysiology that is associated with these two cardinal neuropathologies. Here, we characterized the proteomic landscape of cerebrospinal fluid (CSF) changes associated with Aβ and tau pathology in 300 individuals using two different proteomic technologies—tandem mass tag mass spectrometry and SomaScan. Integration of both data types allowed for generation of a robust protein coexpression network consisting of 34 modules derived from 5242 protein measurements, including disease-relevant modules associated with autophagy, ubiquitination, endocytosis, and glycolysis. Three modules strongly associated with the apolipoprotein E ε4 ( APOE ε4) AD risk genotype mapped to oxidant detoxification, mitogen-associated protein kinase signaling, neddylation, and mitochondrial biology and overlapped with a previously described lipoprotein module in serum. Alterations of all three modules in blood were associated with dementia more than 20 years before diagnosis. Analysis of CSF samples from an AD phase 2 clinical trial of atomoxetine (ATX) demonstrated that abnormal elevations in the glycolysis CSF module—the network module most strongly correlated to cognitive function—were reduced by ATX treatment. Clustering of individuals based on their CSF proteomic profiles revealed heterogeneity of pathological changes not fully reflected by Aβ and tau.

INTRODUCTION: Multi-omics studies in Alzheimer's disease (AD) revealed many potential disease pathways and therapeutic targets. Despite their promise of precision medicine, these studies lacked African Americans (AA) and Latin Americans (LA), who are disproportionately affected by AD. METHODS: To bridge this gap, Accelerating Medicines Partnership in AD (AMP-AD) expanded brain multi-omics profiling to multi-ethnic donors. RESULTS: We generated multi-omics data and curated and harmonized phenotypic data from AA (n=306), LA (n=326), or AA and LA (n=4) brain donors plus Non-Hispanic White (n=252) and other (n=20) ethnic groups, to establish a foundational dataset enriched for AA and LA participants. This study describes the data available to the research community, including transcriptome from three brain regions, whole genome sequence, and proteome measures. DISCUSSION: Inclusion of traditionally underrepresented groups in multi-omics studies is essential to discover the full spectrum of precision medicine targets that will be pertinent to all populations affected with AD.

Abstract Background Alzheimer’s disease (AD), an incurable neurodegenerative disease, currently affecting 1.75% of the United States population, with projected growth to 3.46% by 2050. Identifying common genetic variants driving differences in transcript expression that confer AD-risk is necessary to elucidate AD mechanism and develop therapeutic interventions. We modify the FUSION Transcriptome Wide Association Study (TWAS) pipeline to ingest expression from multiple neocortical regions, provide a set of 6780 gene weights which are abstracatable across the neocortex, and leverage these to find 8 genes from six loci with associated AD risk validated through summary mendelian randomization (SMR) utilizing IGAP summary statistics. Method A combined dataset of 2003 genotypes clustered to Central European (CEU) ancestry was used to construct a training set of 790 genotypes paired to 888 RNASeq profiles across 6 Neo-cortical tissues (TCX=248, FP=50, IFG=41, STG=34, PHG=34, DLPFC=461). Following within-tissue normalization and covariate adjustment, predictive weights to impute expression components based on a gene’s surrounding cis -variants were trained. The FUSION pipeline was modified to support input of pre-scaled expression values and provide support for cross validation with a repeated measure design arising from the presence of multiple transcriptome samples from the same individual across different tissues. Results Cis -variant architecture alone was informative to train weights and impute expression for 6780 (49.67%) autosomal genes, the majority of which significantly correlated with gene expression; FDR < 5%: N=6775 (99.92%), Bonferroni: N=6716 (99.06%). Validation of weights in 515 matched genotype to RNASeq profiles from the CommonMind Consortium (CMC) was (72.14%) in DLPFC profiles. Association of imputed expression components from all 2003 genotype profiles yielded 8 genes significantly associated with AD (FDR < 0.05); APOC1, EED, CD2AP, CEACAM19, CLPTM1, MTCH2, TREM2, KNOP1. Conclusion We provide evidence of cis-genetic variation conferring AD risk through 8 genes across six distinct genomic loci. Moreover, we provide expression weights for 6780 genes as a valuable resource to the community, which can be abstracted across the neocortex and a wide range of neuronal phenotypes.

Abstract INTRODUCTION Multi‐omics studies in Alzheimer's disease (AD) revealed many potential disease pathways and therapeutic targets. Despite their promise of precision medicine, these studies lacked Black Americans (BA) and Latin Americans (LA), who are disproportionately affected by AD. METHODS To bridge this gap, Accelerating Medicines Partnership in Alzheimer's Disease (AMP‐AD) expanded brain multi‐omics profiling to multi‐ethnic donors. RESULTS We generated multi‐omics data and curated and harmonized phenotypic data from BA ( n = 306), LA ( n = 326), or BA and LA ( n = 4) brain donors plus non‐Hispanic White ( n = 252) and other ( n = 20) ethnic groups, to establish a foundational dataset enriched for BA and LA participants. This study describes the data available to the research community, including transcriptome from three brain regions, whole genome sequence, and proteome measures. DISCUSSION The inclusion of traditionally underrepresented groups in multi‐omics studies is essential to discovering the full spectrum of precision medicine targets that will be pertinent to all populations affected with AD. Highlights Accelerating Medicines Partnership in Alzheimer's Disease Diversity Initiative led brain tissue profiling in multi‐ethnic populations. Brain multi‐omics data is generated from Black American, Latin American, and non‐Hispanic White donors. RNA, whole genome sequencing and tandem mass tag proteomicsis completed and shared. Multiple brain regions including caudate, temporal and dorsolateral prefrontal cortex were profiled.

MicroRNAs are essential post-transcriptional regulators of gene expression and involved in many biological processes; however, our understanding of their genetic regulation and role in brain illnesses is limited. Here, we mapped brain microRNA expression quantitative trait loci (miR-QTLs) using genome-wide small RNA sequencing profiles from dorsolateral prefrontal cortex (dlPFC) samples of 604 older adult donors of European ancestry. miR-QTLs were identified for 224 miRNAs (48% of 470 tested miRNAs) at false discovery rate < 1%. We found that miR-QTLs were enriched in brain promoters and enhancers, and that intragenic miRNAs often did not share QTLs with their host gene. Additionally, we integrated the brain miR-QTLs with results from 16 GWAS of psychiatric and neurodegenerative diseases using multiple independent integration approaches and identified four miRNAs that contribute to the pathogenesis of bipolar disorder, major depression, post-traumatic stress disorder, schizophrenia, and Parkinson's disease. This study provides novel insights into the contribution of miRNAs to the complex biological networks that link genetic variation to disease.

Family-based heritability estimates of complex traits are often considerably larger than their single-nucleotide polymorphism (SNP) heritability estimates. This discrepancy may be due to non-additive effects of genetic variation, including variation that interacts with other genes or environmental factors to influence the trait. Variance-based procedures provide a computationally efficient strategy to screen for SNPs with potential interaction effects without requiring the specification of the interacting variable. While valuable, such variance-based tests consider only a single trait and ignore likely pleiotropy among related traits that, if present, could improve power to detect such interaction effects. To fill this gap, we propose SCAMPI (Scalable Cauchy Aggregate test using Multiple Phenotypes to test Interactions), which screens for variants with interaction effects across multiple traits. SCAMPI is motivated by the observation that SNPs with pleiotropic interaction effects induce genotypic differences in the patterns of correlation among traits. By studying such patterns across genotype categories among multiple traits, we show that SCAMPI has improved performance over traditional univariate variance-based methods. Like those traditional variance-based tests, SCAMPI permits the screening of interaction effects without requiring the specification of the interaction variable and is further computationally scalable to biobank data. We employed SCAMPI to screen for interacting SNPs associated with four lipid-related traits in the UK Biobank and identified multiple gene regions missed by existing univariate variance-based tests. SCAMPI is implemented in software for public use.