Genetic testing for families with hypertrophic cardiomyopathy (HCM) provides a significant opportunity to improve care. Recent trends to increase gene panel sizes often mean variants in genes with questionable association are reported to patients. Classification of HCM genes and variants is critical, as misclassification can lead to genetic misdiagnosis. We show the validity of previously reported HCM genes using an established method for evaluating gene-disease associations.A systematic approach was used to assess the validity of reported gene-disease associations, including associations with isolated HCM and syndromes including left ventricular hypertrophy. Genes were categorized as having definitive, strong, moderate, limited, or no evidence of disease causation. We also reviewed current variant classifications for HCM in ClinVar, a publicly available variant resource.Fifty-seven genes were selected for curation based on their frequent inclusion in HCM testing and prior association reports. Of 33 HCM genes, only 8 (24%) were categorized as definitive ( MYBPC3, MYH7, TNNT2, TNNI3, TPM1, ACTC1, MYL2, and MYL3); 3 had moderate evidence ( CSRP3, TNNC1, and JPH2; 33%); and 22 (66%) had limited (n=16) or no evidence (n=6). There were 12 of 24 syndromic genes definitively associated with isolated left ventricular hypertrophy. Of 4191 HCM variants in ClinVar, 31% were in genes with limited or no evidence of disease association.The majority of genes previously reported as causative of HCM and commonly included in diagnostic tests have limited or no evidence of disease association. Systematically curated HCM genes are essential to guide appropriate reporting of variants and ensure the best possible outcomes for HCM families.

Background: Each of the cardiomyopathies, classically categorized as hypertrophic cardiomyopathy, dilated cardiomyopathy (DCM), and arrhythmogenic right ventricular cardiomyopathy, has a signature genetic theme. Hypertrophic cardiomyopathy and arrhythmogenic right ventricular cardiomyopathy are largely understood as genetic diseases of sarcomere or desmosome proteins, respectively. In contrast, >250 genes spanning >10 gene ontologies have been implicated in DCM, representing a complex and diverse genetic architecture. To clarify this, a systematic curation of evidence to establish the relationship of genes with DCM was conducted. Methods: An international panel with clinical and scientific expertise in DCM genetics evaluated evidence supporting monogenic relationships of genes with idiopathic DCM. The panel used the Clinical Genome Resource semiquantitative gene-disease clinical validity classification framework with modifications for DCM genetics to classify genes into categories on the basis of the strength of currently available evidence. Representation of DCM genes on clinically available genetic testing panels was evaluated. Results: Fifty-one genes with human genetic evidence were curated. Twelve genes (23%) from 8 gene ontologies were classified as having definitive ( BAG3 , DES , FLNC , LMNA , MYH7 , PLN , RBM20 , SCN5A , TNNC1 , TNNT2 , TTN ) or strong ( DSP ) evidence. Seven genes (14%; ACTC1 , ACTN2 , JPH2 , NEXN , TNNI3 , TPM1 , VCL ) including 2 additional ontologies were classified as moderate evidence; these genes are likely to emerge as strong or definitive with additional evidence. Of these 19 genes, 6 were similarly classified for hypertrophic cardiomyopathy and 3 for arrhythmogenic right ventricular cardiomyopathy. Of the remaining 32 genes (63%), 25 (49%) had limited evidence, 4 (8%) were disputed, 2 (4%) had no disease relationship, and 1 (2%) was supported by animal model data only. Of the 16 evaluated clinical genetic testing panels, most definitive genes were included, but panels also included numerous genes with minimal human evidence. Conclusions: In the curation of 51 genes, 19 had high evidence (12 definitive/strong, 7 moderate). It is notable that these 19 genes explain only a minority of cases, leaving the remainder of DCM genetic architecture incompletely addressed. Clinical genetic testing panels include most high-evidence genes; however, genes lacking robust evidence are also commonly included. We recommend that high-evidence DCM genes be used for clinical practice and that caution be exercised in the interpretation of variants in variable-evidence DCM genes.

Autism Spectrum Disorder (ASD) is genetically heterogeneous in nature with convergent symptomatology, suggesting dysregulation of common molecular pathways. We analyzed transcriptional changes in the brains of five independent mouse models of Pitt-Hopkins Syndrome (PTHS), a syndromic ASD caused by autosomal dominant mutation in TCF4, and identified considerable overlap in differentially expressed genes (DEGs). Gene and cell-type enrichment analyses of these DEGs identified oligodendrocyte dysregulation that was subsequently validated by decreased protein levels. We further showed significant enrichment of myelination genes was prevalent in two additional mouse models of ASD (Ptenm3m4/m3m4, Mecp2KO). Moreover, we integrated syndromic ASD mouse model DEGs with ASD risk-gene sets (SFARI) and human idiopathic ASD postmortem brain RNA-seq and found significant enrichment of overlapping DEGs and common biological pathways associated with myelination and oligodendrocyte differentiation. These results from seven independent mouse models are validated in human brain, implicating disruptions in myelination is a common ASD pathophysiology.

Abstract Interpretation of a given variant’s pathogenicity is one of the most profound challenges to realizing the promise of genomic medicine. A large amount of information about associations between variants and diseases used by curators and researchers for interpreting variant pathogenicity is buried in biomedical literature. The development of text-mining tools that can extract relevant information from the literature will speed up and assist the variant interpretation curation process. In this work, we present a text-mining tool, MACE2k that extracts evidence sentences containing associations between variants and diseases from full-length PMC Open Access articles. We use different machine learning models (classical and deep learning) to identify evidence sentences with variant-disease associations. Evaluation shows promising results with the best F1-score of 82.9% and AUC-ROC of 73.9%. Classical ML models had a better recall (96.6% for Random Forest) compared to deep learning models. The deep learning model, Convolutional Neural Network had the best precision (75.6%), which is essential for any curation task.

Limb girdle muscular dystrophies (LGMDs) are a group of genetically heterogeneous autosomal conditions with some degree of phenotypic homogeneity. LGMD is defined as having onset >2 years of age with progressive proximal weakness, elevated serum creatine kinase levels and dystrophic features on muscle biopsy. Advances in massively parallel sequencing have led to a surge in genes linked to LGMD.