The degree of myocardial injury, as reflected by troponin elevation, and associated outcomes among U.S. hospitalized patients with coronavirus disease-2019 (COVID-19) are unknown. The purpose of this study was to describe the degree of myocardial injury and associated outcomes in a large hospitalized cohort with laboratory-confirmed COVID-19. Patients with COVID-19 admitted to 1 of 5 Mount Sinai Health System hospitals in New York City between February 27, 2020, and April 12, 2020, with troponin-I (normal value <0.03 ng/ml) measured within 24 h of admission were included (n = 2,736). Demographics, medical histories, admission laboratory results, and outcomes were captured from the hospitals' electronic health records. The median age was 66.4 years, with 59.6% men. Cardiovascular disease (CVD), including coronary artery disease, atrial fibrillation, and heart failure, was more prevalent in patients with higher troponin concentrations, as were hypertension and diabetes. A total of 506 (18.5%) patients died during hospitalization. In all, 985 (36%) patients had elevated troponin concentrations. After adjusting for disease severity and relevant clinical factors, even small amounts of myocardial injury (e.g., troponin I >0.03 to 0.09 ng/ml; n = 455; 16.6%) were significantly associated with death (adjusted hazard ratio: 1.75; 95% CI: 1.37 to 2.24; p < 0.001) while greater amounts (e.g., troponin I >0.09 ng/dl; n = 530; 19.4%) were significantly associated with higher risk (adjusted HR: 3.03; 95% CI: 2.42 to 3.80; p < 0.001). Myocardial injury is prevalent among patients hospitalized with COVID-19; however, troponin concentrations were generally present at low levels. Patients with CVD are more likely to have myocardial injury than patients without CVD. Troponin elevation among patients hospitalized with COVID-19 is associated with higher risk of mortality.

Early reports indicate that AKI is common among patients with coronavirus disease 2019 (COVID-19) and associated with worse outcomes. However, AKI among hospitalized patients with COVID-19 in the United States is not well described.

Abstract Multiple tools have been developed to identify copy number variants (CNVs) from whole exome (WES) and whole genome sequencing (WGS) data. Current tools such as XHMM for WES and CNVnator for WGS identify CNVs based on changes in read depth. For WGS, other methods to identify CNVs include utilizing discordant read pairs and split reads and genome-wide local assembly with tools such as Lumpy and SvABA, respectively. Here, we introduce a new method to identify deletion CNVs from WES and WGS trio data based on the clustering of Mendelian errors (MEs). Using our Mendelian Error Method (MEM), we identified 127 deletions (inherited and de novo ) in 2,601 WES trios from the Pediatric Cardiac Genomics Consortium, with a validation rate of 88% by digital droplet PCR. MEM identified additional de novo deletions compared to XHMM, and also identified sample switches, DNA contamination, a significant enrichment of 15q11.2 deletions compared to controls and eight cases of uniparental disomy. We applied MEM to WGS data from the Genome In A Bottle Ashkenazi trio and identified deletions with 97% specificity. MEM provides a robust, computationally inexpensive method for identifying deletions, and an orthogonal approach for verifying deletions called by other tools.

Motivation: De novo variant (DNV) calling typically relies on heuristic filters intrinsic to specific platforms and variant calling algorithms. FreeBayes and neural network approaches have overcome this limitation for variant calling, and we implemented a similar approach for DNV identification. Results: We developed a DNV calling framework that uses Genome Analysis Toolkit (GATK), FreeBayes and a neural network trained on Integrative Genomics Viewer pile-up plots (IGV-bot). We identified DNVs in 2,390 WGS trios and benchmarked results against heuristics based on GATK parameters. Results were validated in silico and with Sanger sequencing, with the latter showing true positive rates of 98.4% and 97.3% for SNVs and indels, respectively. Taken together, we describe a scalable framework for DNV identification based on both FreeBayes and neural network methods.

Isolation of cell populations is untangling complex biological interactions, but studies comparing methodologies lack in vivo complexity and draw limited conclusions about the types of transcripts identified by each technique. Furthermore, few studies compare FACS-based techniques to ribosomal affinity purification, and none do so genome-wide. We addressed this gap by systematically comparing nuclear-FACS, whole cell-FACS, and RiboTag affinity purification in the context of D1 or D2 dopamine receptor-expressing medium spiny neuron (MSN) subtypes of the nucleus accumbens (NAc), a key brain reward region. We find that nuclear-FACS-seq generates a substantially longer list of differentially expressed genes between these cell types, and a significantly larger number of neuropsychiatric GWAS hits than the other two methods. RiboTag-seq has much lower coverage of the transcriptome than the other methods, but very efficiently distinguishes D1- and D2-MSNs. We also demonstrate differences between D1- and D2-MSNs with respect to RNA localization, suggesting fundamental cell type differences in mechanisms of transcriptional regulation and subcellular transport of RNAs. Together, these findings guide the field in selecting the RNAseq method that best suits the scientific questions under investigation.