Approximately one-third of all mammalian genes are essential for life. Phenotypes resulting from knockouts of these genes in mice have provided tremendous insight into gene function and congenital disorders. As part of the International Mouse Phenotyping Consortium effort to generate and phenotypically characterize 5,000 knockout mouse lines, here we identify 410 lethal genes during the production of the first 1,751 unique gene knockouts. Using a standardized phenotyping platform that incorporates high-resolution 3D imaging, we identify phenotypes at multiple time points for previously uncharacterized genes and additional phenotypes for genes with previously reported mutant phenotypes. Unexpectedly, our analysis reveals that incomplete penetrance and variable expressivity are common even on a defined genetic background. In addition, we show that human disease genes are enriched for essential genes, thus providing a dataset that facilitates the prioritization and validation of mutations identified in clinical sequencing efforts. Identification and characterization, using a comprehensive embryonic phenotyping pipeline, of 410 lethal alleles during the generation of the first 1,751 of 5,000 unique gene knockouts produced by the International Mouse Phenotyping Consortium. Stephen Murray and colleagues, including those from the International Mouse Phenotyping Consortium, report on the first phase of the project to generate and phenotypically characterize 5,000 knockout mouse lines, the first systematic efforts to characterize the phenotypes of embryonic lethal mutations. They identify 410 lethal genes during the production of the first 1,751 unique gene knockouts, and characterize these in a comprehensive phenotyping pipeline that includes high-resolution 3D imaging methods. Unexpectedly, given the defined genetic background, they find a number of phenotypes with incomplete penetrance, including some gene knockouts with subviability. The authors also show that orthologues of these mouse essential genes are enriched in genes associated with human disease and show evidence of purifying selection in the human population.

The goal of the Complex Trait Consortium is to promote the development of resources that can be used to understand, treat and ultimately prevent pervasive human diseases. Existing and proposed mouse resources that are optimized to study the actions of isolated genetic loci on a fixed background are less effective for studying intact polygenic networks and interactions among genes, environments, pathogens and other factors. The Collaborative Cross will provide a common reference panel specifically designed for the integrative analysis of complex systems and will change the way we approach human health and disease.

Mammals exhibit marked interindividual variations in their gut microbiota, but it remains unclear if this is primarily driven by host genetics or by extrinsic factors like dietary intake. To address this, we examined the effect of dietary perturbations on the gut microbiota of five inbred mouse strains, mice deficient for genes relevant to host-microbial interactions (MyD88−/−, NOD2−/−, ob/ob, and Rag1−/−), and >200 outbred mice. In each experiment, consumption of a high-fat, high-sugar diet reproducibly altered the gut microbiota despite differences in host genotype. The gut microbiota exhibited a linear dose response to dietary perturbations, taking an average of 3.5 days for each diet-responsive bacterial group to reach a new steady state. Repeated dietary shifts demonstrated that most changes to the gut microbiota are reversible, while also uncovering bacteria whose abundance depends on prior consumption. These results emphasize the dominant role that diet plays in shaping interindividual variations in host-associated microbial communities.

Abstract The JAX Diversity Outbred population is a new mouse resource derived from partially inbred Collaborative Cross strains and maintained by randomized outcrossing. As such, it segregates the same allelic variants as the Collaborative Cross but embeds these in a distinct population architecture in which each animal has a high degree of heterozygosity and carries a unique combination of alleles. Phenotypic diversity is striking and often divergent from phenotypes seen in the founder strains of the Collaborative Cross. Allele frequencies and recombination density in early generations of Diversity Outbred mice are consistent with expectations based on simulations of the mating design. We describe analytical methods for genetic mapping using this resource and demonstrate the power and high mapping resolution achieved with this population by mapping a serum cholesterol trait to a 2-Mb region on chromosome 3 containing only 11 genes. Analysis of the estimated allele effects in conjunction with complete genome sequence data of the founder strains reduced the pool of candidate polymorphisms to seven SNPs, five of which are located in an intergenic region upstream of the Foxo1 gene.

The Diversity Outbred (DO) population is a heterogeneous stock derived from the same eight founder strains as the Collaborative Cross (CC) inbred strains. Genetically heterogeneous DO mice display a broad range of phenotypes. Natural levels of heterozygosity provide genetic buffering and, as a result, DO mice are robust and breed well. Genetic mapping analysis in the DO presents new challenges and opportunities. Specialized algorithms are required to reconstruct haplotypes from high-density SNP array data. The eight founder haplotypes can be combined into 36 possible diplotypes, which must be accommodated in QTL mapping analysis. Population structure of the DO must be taken into account here. Estimated allele effects of eight founder haplotypes provide information that is not available in two-parent crosses and can dramatically reduce the number of candidate loci. Allele effects can also distinguish chance colocation of QTL from pleiotropy, which provides a basis for establishing causality in expression QTL studies. We recommended sample sizes of 200–800 mice for QTL mapping studies, larger than for traditional crosses. The CC inbred strains provide a resource for independent validation of DO mapping results. Genetic heterogeneity of the DO can provide a powerful advantage in our ability to generalize conclusions to other genetically diverse populations. Genetic diversity can also help to avoid the pitfall of identifying an idiosyncratic reaction that occurs only in a limited genetic context. Informatics tools and data resources associated with the CC, the DO, and their founder strains are developing rapidly. We anticipate a flood of new results to follow as our community begins to adopt and utilize these new genetic resource populations.

Genetic variation modulates protein expression through both transcriptional and post-transcriptional mechanisms. To characterize the consequences of natural genetic diversity on the proteome, here we combine a multiplexed, mass spectrometry-based method for protein quantification with an emerging outbred mouse model containing extensive genetic variation from eight inbred founder strains. By measuring genome-wide transcript and protein expression in livers from 192 Diversity outbred mice, we identify 2,866 protein quantitative trait loci (pQTL) with twice as many local as distant genetic variants. These data support distinct transcriptional and post-transcriptional models underlying the observed pQTL effects. Using a sensitive approach to mediation analysis, we often identified a second protein or transcript as the causal mediator of distant pQTL. Our analysis reveals an extensive network of direct protein–protein interactions. Finally, we show that local genotype can provide accurate predictions of protein abundance in an independent cohort of collaborative cross mice. The effect of natural genetic diversity on the proteome is characterized using an outbred mouse model with extensive variation; both transcripts and proteins from mouse livers are quantified to identify a large set of protein quantitative trait loci (pQTL), and mediation analysis identifies causal protein intermediates of distant pQTL. The investigation of how genetic variation governs gene expression has so far focused mainly on quantifying the impact on RNA transcripts. These authors have focused on protein and transcript abundance in a genetically diverse population of mice. In a proteome-wide analysis, they quantify transcripts and proteins from mouse livers and identify a large set of protein-level quantitative trait loci (pQTL). Mediation analysis identifies causal protein intermediates underlying distant pQTL, and hundreds of protein–protein associations.

Damian Smedley and colleagues report the phenotypic characterization of the first 3,328 genes by the International Mouse Phenotyping Consortium. They develop new mouse models based on genes known to be associated with human mendelian diseases and identify potential disease-associated genes with little or no previous functional annotation. Although next-generation sequencing has revolutionized the ability to associate variants with human diseases, diagnostic rates and development of new therapies are still limited by a lack of knowledge of the functions and pathobiological mechanisms of most genes. To address this challenge, the International Mouse Phenotyping Consortium is creating a genome- and phenome-wide catalog of gene function by characterizing new knockout-mouse strains across diverse biological systems through a broad set of standardized phenotyping tests. All mice will be readily available to the biomedical community. Analyzing the first 3,328 genes identified models for 360 diseases, including the first models, to our knowledge, for type C Bernard–Soulier, Bardet–Biedl-5 and Gordon Holmes syndromes. 90% of our phenotype annotations were novel, providing functional evidence for 1,092 genes and candidates in genetically uncharacterized diseases including arrhythmogenic right ventricular dysplasia 3. Finally, we describe our role in variant functional validation with The 100,000 Genomes Project and others.

Abstract Sleep is a critical process that is well-conserved across mammalian species, and perhaps most animals, yet its functions and underlying mechanisms remain poorly understood. Identification of genes and pathways that can influence sleep may shed new light on these functions. Genomic screens enable the detection of previously unsuspected molecular processes that influence sleep. In this study, we report results from a large-scale phenotyping study of sleep-wake parameters for a population of single-gene knockout mice. Sleep-wake parameters were measured using a high throughput, non-invasive piezoelectric system called PiezoSleep. Knockout mice generated on a C57BL6/N (B6N) background were monitored for sleep and wake parameters for five days. By analyzing data from over 6000 mice representing 343 single gene knockout lines, we identified 122 genes influencing traits like sleep duration and bout length that have not been previously implicated in sleep, including those that affect sleep only during a specific circadian phase. PiezoSleep also allows assessment of breath rates during sleep and this was integrated as a supplemental tool in identifying aberrant physiology in these knockout lines. Sex differences were evident in both normal and altered sleep behavior. Through a combination of genetic and phenotypic associations, and known QTLs for sleep, we propose a set of candidate genes playing specific roles in sleep. The high “hit rate” demonstrates that many genes can alter normal sleep behaviors through a variety of mechanisms. Further investigation of these genes may provide insight into the pathways regulating sleep, functional aspects of sleep, or indirect potentially pathological processes that alter normal sleep.

ABSTRACT Recent literature suggests machine learning methods can capture interactions between loci and therefore could outperform linear models when predicting traits with relevant epistatic effects. However, investigating this empirically requires data with high mapping resolution and phenotypes for traits with known non-additive gene action. The objective of the present study was to compare the performance of linear (GBLUP, BayesB and elastic net [ENET]) methods to a non-parametric tree-based ensemble (gradient boosting machine – GBM) method for genomic prediction of complex traits in mice. The dataset used contained phenotypic and genotypic information for 835 animals from 6 non-overlapping generations. Traits analyzed were bone mineral density (BMD), body weight at 10, 15 and 20 weeks (BW10, BW15 and BW20), fat percentage (FAT%), circulating cholesterol (CHOL), glucose (GLUC), insulin (INS) and triglycerides (TGL), and urine creatinine (UCRT). After quality control, the genotype dataset contained 50,112 SNP markers. Animals from older generations were considered as a reference subset, while animals in the latest generation as candidates for the validation subset. We also evaluated the impact of different levels of connectedness between reference and validation sets. Model performance was measured as the Pearson’s correlation coefficient and mean squared error (MSE) between adjusted phenotypes and the model’s prediction for animals in the validation subset. Outcomes were also compared across models by checking the overlapping top markers and animals. Linear models outperformed GBM for seven out of ten traits. For these models, accuracy was proportional to the trait’s heritability. For traits BMD, CHOL and GLU, the GBM model showed better prediction accuracy and lower MSE. Interestingly, for these three traits there is evidence in literature of a relevant portion of phenotypic variance being explained by epistatic effects. We noticed that for lower connectedness, i.e., imposing a gap of one to two generations between reference and validation populations, the superior performance of GBM was only maintained for GLU. Using a subset of top markers selected from a GBM model helped for some of the traits to improve accuracy of prediction when these were fitted into linear and GBM models. The GBM model showed consistently fewer markers and animals in common among the top ranked than linear models. Our results indicate that GBM is more strongly affected by data size and decreased connectedness between reference and validation sets than the linear models. Nevertheless, our results indicate that GBM is a competitive method to predict complex traits in an outbred mice population, especially for traits with assumed epistatic effects.

ABSTRACT Recent developments allowed generating multiple high quality ‘omics’ data that could increase predictive performance of genomic prediction for phenotypes and genetic merit in animals and plants. Here we have assessed the performance of parametric and non-parametric models that leverage transcriptomics in genomic prediction for 13 complex traits recorded in 478 animals from an outbred mouse population. Parametric models were implemented using best linear unbiased prediction (BLUP), while non-parametric models were implemented using the gradient boosting machine algorithm (GBM). We also propose a new model named GTCBLUP that aims to remove between-omics-layer covariance from predictors, whereas its counterpart GTBLUP does not do that. While GBM models captured more phenotypic variation, their predictive performance did not exceed the BLUP models for most traits. Models leveraging gene transcripts captured higher proportions of the phenotypic variance for almost all traits when these were measured closer to the moment of measuring gene transcripts in the liver. In most cases, the combination of layers was not able to outperform the best single-omics models to predict phenotypes. Using only gene transcripts, the GBM model was able to outperform BLUP for most traits except body weight, but the same pattern was not observed when using both SNP genotypes and gene transcripts. Although the GTCBLUP model was not able to produce the most accurate phenotypic predictions, it showed highest accuracies for breeding values for 9 out of 13 traits. We recommend using the GTBLUP model for prediction of phenotypes and using the GTCBLUP for prediction of breeding values.