ABSTRACT Strategies to develop therapeutics for SARS-CoV-2 infection may be informed by experimental identification of viral-host protein interactions in cellular assays and measurement of host response proteins in COVID-19 patients. Identification of genetic variants that influence the level or activity of these proteins in the host could enable rapid ‘in silico’ assessment in human genetic studies of their causal relevance as molecular targets for new or repurposed drugs to treat COVID-19. We integrated large-scale genomic and aptamer-based plasma proteomic data from 10,708 individuals to characterize the genetic architecture of 179 host proteins reported to interact with SARS-CoV-2 proteins or to participate in the host response to COVID-19. We identified 220 host DNA sequence variants acting in cis (MAF 0.01-49.9%) and explaining 0.3-70.9% of the variance of 97 of these proteins, including 45 with no previously known protein quantitative trait loci (pQTL) and 38 encoding current drug targets. Systematic characterization of pQTLs across the phenome identified protein-drug-disease links, evidence that putative viral interaction partners such as MARK3 affect immune response, and establish the first link between a recently reported variant for respiratory failure of COVID-19 patients at the ABO locus and hypercoagulation, i.e. maladaptive host response. Our results accelerate the evaluation and prioritization of new drug development programmes and repurposing of trials to prevent, treat or reduce adverse outcomes. Rapid sharing and dynamic and detailed interrogation of results is facilitated through an interactive webserver ( https://omicscience.org/apps/covidpgwas/ ).

Drug repositioning presents a streamlined and cost-efficient way to expand the range of therapeutic possibilities. Furthermore, drugs with genetic evidence are more likely to progress successfully through clinical trials towards FDA approval. Exploiting these developments, single gene-based drug repositioning methods have been implemented, but approaches leveraging the entire spectrum of molecular signatures are critically underexplored. Most multi-gene-based approaches rely on differential gene expression (DGE) analysis, which is prone to identify the molecular consequence of disease and renders causal inference challenging. We propose a framework TReD (Transcriptome-informed Reversal Distance) that integrates population-level disease signatures robust to reverse causality and cell-based drug-induced transcriptome response profiles. TReD embeds the disease signature and drug profile in a high-dimensional normed space, quantifying the reversal potential of candidate drugs in a disease-related cell screen assay. The robustness is ensured by evaluation in additional cell screens. For an application, we implement the framework to identify potential drugs against COVID-19. Taking transcriptome-wide association study (TWAS) results from four relevant tissues and three DGE results as disease features, we identify 37 drugs showing potential reversal roles in at least four of the seven disease signatures. Notably, over 70% (27/37) of the drugs have been linked to COVID-19 from other studies, and among them, eight drugs are supported by ongoing/completed clinical trials. For example, TReD identifies the well-studied JAK1/JAK2 inhibitor baricitinib, the first FDA-approved immunomodulatory treatment for COVID-19. Novel potential candidates, including enzastaurin, a selective inhibitor of PKC-beta which can be activated by SARS-CoV-2, are also identified. In summary, we propose a comprehensive genetics-anchored framework integrating population-level signatures and cell-based screens that can accelerate the search for new therapeutic strategies.

ABSTRACT Genome-wide association studies (GWAS) of serum metabolites have the potential to uncover genes that influence human metabolism. Here, we combined an integrative genetic analysis associating serum metabolites to membrane transporters with a coessentiality map of metabolic genes. This analysis revealed a connection between feline leukemia virus subgroup C cellular receptor 1 (FLVCR1) - a plasma membrane protein - and phosphocholine, a downstream metabolite of choline metabolism. Loss of FLVCR1 in human cells and in mice strongly impairs choline metabolism due to a block in choline import. Consistently, CRISPR-based genetic screens identified several components of the membrane phospholipid machinery as synthetic lethal with FLVCR1 loss. Finally, cells lacking FLVCR1 exhibit mitochondrial defects and upregulate the integrated stress response (ISR) through heme regulated inhibitors kinase (HRI). Altogether, these findings identify FLVCR1 as a universal mediator of choline transport in mammals and provide a platform to discover substrates for unknown metabolite transporters.

Understanding the genetics of gene regulation provides information on the cellular mechanisms through which genetic variation influences complex traits. Expression quantitative trait loci, or eQTLs, are enriched for polymorphisms that have been found to be associated with disease risk. While most analyses of human data has focused on regulation of expression by nearby variants (cis-eQTLs), distal or trans-eQTLs may have broader effects on the transcriptome and important phenotypic consequences, necessitating a comprehensive study of the effects of genetic variants on distal gene transcription levels. In this work, we identify trans-eQTLs in the Genotype Tissue Expression (GTEx) project data, consisting of 449 individuals with RNA-sequencing data across 44 tissue types. We find 81 genes with a trans-eQTL in at least one tissue, and we demonstrate that trans-eQTLs are more likely than cis-eQTLs to have effects specific to a single tissue. We evaluate the genomic and functional properties of trans-eQTL variants, identifying strong enrichment in enhancer elements and Piwi-interacting RNA clusters. Finally, we describe three tissue-specific regulatory loci underlying relevant disease associations: 9q22 in thyroid that has a role in thyroid cancer, 5q31 in skeletal muscle, and a previously reported master regulator near KLF14 in adipose. These analyses provide a comprehensive characterization of trans-eQTLs across human tissues, which contribute to an improved understanding of the tissue-specific cellular mechanisms of regulatory genetic variation.

Organisms maintain metabolic homeostasis through the combined functions of small molecule transporters and enzymes. While many of the metabolic components have been well-established, a substantial number remains without identified physiological substrates. To bridge this gap, we have leveraged large-scale plasma metabolome genome-wide association studies (GWAS) to develop a multiomic Gene-Metabolite Associations Prediction (GeneMAP) discovery platform. GeneMAP can generate accurate predictions, even pinpointing genes that are distant from the variants implicated by GWAS. In particular, our work identified SLC25A48 as a genetic determinant of plasma choline levels. Mechanistically, SLC25A48 loss strongly impairs mitochondrial choline import and synthesis of its downstream metabolite, betaine. Rare variant testing and polygenic risk score analyses have elucidated choline-relevant phenomic consequences of SLC25A48 dysfunction. Altogether, our study proposes SLC25A48 as a mitochondrial choline transporter and provides a discovery platform for metabolic gene function.

Major depression is a common and severe psychiatric disorder with a highly polygenic genetic architecture. Genome-wide association studies have successfully identified multiple independent genetic loci that harbour variants associated with major depression, but the exact causal genes and biological mechanisms are largely unknown. Tissue-specific network approaches may identify molecular mechanisms underlying major depression and provide a biological substrate for integrative analyses. We provide a framework for the identification of individual risk genes and gene co-expression networks using genome-wide association summary statistics and gene expression information across multiple human brain tissues and whole blood. We developed a novel gene-based method called eMAGMA that leverages multi-tissue eQTL information to identify 99 biologically plausible risk genes associated with major depression, of which 58 are novel. Among these novel associations is Complement Factor 4A (C4A), recently implicated in schizophrenia through its role in synaptic pruning during postnatal development. Major depression risk genes were enriched in gene co-expression modules in multiple brain tissues and the implicated gene modules contained genes involved in synaptic signalling, neuronal development, and cell transport pathways. Modules enriched with major depression signals were strongly preserved across brain tissues, but were weakly preserved in whole blood, highlighting the importance of using disease-relevant tissues in genetic studies of psychiatric traits. We identified tissue-specific genes and gene co-expression networks associated with major depression. Our novel analytical framework can be used to gain fundamental insights into the functioning of the nervous system in major depression and other brain-related traits.

Transcriptomic imputation approaches offer an opportunity to test associations between disease and gene expression in otherwise inaccessible tissues, such as brain, by combining eQTL reference panels with large-scale genotype data. These genic associations could elucidate signals in complex GWAS loci and may disentangle the role of different tissues in disease development. Here, we use the largest eQTL reference panel for the dorso-lateral pre-frontal cortex (DLPFC), collected by the CommonMind Consortium, to create a set of gene expression predictors and demonstrate their utility. We applied these predictors to 40,299 schizophrenia cases and 65,264 matched controls, constituting the largest transcriptomic imputation study of schizophrenia to date. We also computed predicted gene expression levels for 12 additional brain regions, using publicly available predictor models from GTEx. We identified 413 genic associations across 13 brain regions. Stepwise conditioning across the genes and tissues identified 71 associated genes (67 outside the MHC), with the majority of associations found in the DLPFC, and of which 14/67 genes did not fall within previously genome-wide significant loci. We identified 36 significantly enriched pathways, including hexosaminidase-A deficiency, and multiple pathways associated with porphyric disorders. We investigated developmental expression patterns for all 67 non-MHC associated genes using BRAINSPAN, and identified groups of genes expressed specifically pre-natally or post-natally.