Abstract RNA sequencing (RNA-seq) is widely used to identify differentially expressed genes (DEGs) and reveal biological mechanisms underlying complex biological processes. RNA-seq is often performed on heterogeneous samples and the resulting DEGs do not necessarily indicate the cell types where the differential expression occurred. While single-cell RNA-seq (scRNA-seq) methods solve this problem, technical and cost constraints currently limit its widespread use. Here we present single cell Mapper (scMappR), a method that assigns cell-type specificity scores to DEGs obtained from bulk RNA-seq by integrating cell-type expression data generated by scRNA-seq and existing deconvolution methods. After benchmarking scMappR using RNA-seq data obtained from sorted blood cells, we asked if scMappR could reveal known cell-type specific changes that occur during kidney regeneration. We found that scMappR appropriately assigned DEGs to cell-types involved in kidney regeneration, including a relatively small proportion of immune cells. While scMappR can work with any user supplied scRNA-seq data, we curated scRNA-seq expression matrices for ∼100 human and mouse tissues to facilitate its use with bulk RNA-seq data alone. Overall, scMappR is a user-friendly R package that complements traditional differential expression analysis available at CRAN. Highlights scMappR integrates scRNA-seq and bulk RNA-seq to re-calibrate bulk differentially expressed genes (DEGs). scMappR correctly identified immune-cell expressed DEGs from a bulk RNA-seq analysis of mouse kidney regeneration. scMappR is deployed as a user-friendly R package available at CRAN.

Autism spectrum disorder (ASD), obsessive-compulsive disorder (OCD) and attention-deficit/hyperactivity disorder (ADHD) are clinically and biologically heterogeneous neurodevelopmental disorders (NDDs). The objective of the present study was to integrate brain imaging and behavioral measures to identify new brain-behavior subgroups cutting across these disorders. A subset of the data from the Province of Ontario Neurodevelopmental Disorder (POND) Network including participants with different NDDs (aged 6-16 years) that underwent cross-sectional T1-weighted and diffusion-weighted magnetic resonance imaging (MRI) scanning on the same 3T scanner, and behavioral/cognitive assessments was used. Similarity Network Fusion was applied to integrate cortical thickness, subcortical volume, white matter fractional anisotropy (FA), and behavioral measures in 176 children with ASD, ADHD or OCD with complete data that passed quality control. Normalized mutual information (NMI) was used to determine top contributing model features. Bootstrapping, out-of-model outcome measures and supervised machine learning were each used to examine stability and evaluate the new groups. Cortical thickness in socio-emotional and attention/executive networks and inattention symptoms comprised the top ten features driving participant similarity and differences between four transdiagnostic groups. Subcortical volumes (pallidum, nucleus accumbens, thalamus) were also different among groups, although white matter FA showed limited differences. Features driving participant similarity remained stable across resampling, and the new groups showed significantly different scores on everyday adaptive functioning. Our findings open the possibility of studying new data-driven groups that represent children with NDDs more similar to each other than others within their own diagnostic group. Such new groups can be evaluated longitudinally for prognostic utility and could be stratified for clinical trials targeted toward each groups unique brain and behavioral profiles.

Anorexia nervosa (AN) and obsessive-compulsive disorder (OCD) are often comorbid and likely to share genetic risk factors. Hence, we examine their shared genetic background using a cross-disorder GWAS meta-analysis of 3,495 AN cases, 2,688 OCD cases and 18,013 controls. We confirmed a high genetic correlation between AN and OCD (rg = 0.49 ± 0.13, p = 9.07x10-7) and a sizable SNP heritability (SNP h2 = 0.21 ± 0.02) for the cross-disorder phenotype. Although no individual loci reached genome-wide significance, the cross-disorder phenotype showed strong positive genetic correlations with other psychiatric phenotypes (e.g., bipolar disorder, schizophrenia, neuroticism) and negative correlations with metabolic phenotypes (e.g., BMI, triglycerides). Follow-up analyses revealed that although AN and OCD overlap heavily in their shared risk with other psychiatric phenotypes, the relationship with metabolic and anthropometric traits is markedly stronger for AN than for OCD. We further tested whether shared genetic risk for AN/OCD was associated with particular tissue or cell-type gene expression patterns and found that the basal ganglia and medium spiny neurons were most enriched for AN/OCD risk, consistent with neurobiological findings for both disorders. Our results confirm and extend genetic epidemiological findings of shared risk between AN and OCD and suggest that larger GWASs are warranted.

Objective To identify genetic variants associated with obsessive-compulsive (OC) traits and test for sharing of genetic risks between OC traits and obsessive-compulsive disorder (OCD).Methods We conducted a genome-wide association analysis of OC traits using the Toronto Obsessive-Compulsive Scale (TOCS) in 5018 unrelated Caucasian children and adolescents from the community (Spit for Science sample). We tested the hypothesis that genetic variants associated with OC traits from the community would be associated with clinical OCD using a meta-analysis of three OCD case-controls samples (cases=3384, controls=8363). Shared genetic risk was examined between OC traits and OCD in the respective samples using polygenic risk score and genetic correlation analyses.Results A locus tagged by rs7856850 in an intron of PTPRD (protein tyrosine phosphatase δ) was significantly associated with OC traits at the genome-wide significance level ( p =2.48×10−8). The rs7856850 locus was also associated with OCD in a meta-analysis of three independent OCD case/control genome-wide datasets ( p =0.0069). Polygenic risk scores derived from OC traits were significantly associated with OCD in a sample of childhood-onset OCD and vice versa ( p ’s<0.01). OC traits were highly but not significantly genetically correlated with OCD ( r g =0.83, p =0.07).Conclusions We report the first validated genome-wide significant variant for OC traits. OC traits measured in the community sample shared genetic risk with OCD case/control status. Our results demonstrate the importance of the type of measure used to measure traits as well as the feasibility and power of using trait-based approaches in community samples for genetic discovery.

Abstract Background Cognitive flexibility encompasses the ability to efficiently shift focus and forms a critical component of goal-directed attention. The neural substrates of this process are incompletely understood in part due to difficulties in sampling the involved circuitry. Methods Stereotactic intracranial recordings that permit direct resolution of local-field potentials from otherwise inaccessible structures were employed to study moment-to-moment attentional activity in children with epilepsy during the performance of an attentional set-shifting task. A combined deep learning and model-agnostic feature explanation approach was used to analyze these data and decode attentionally-relevant neural features. Connectomic profiling of highly predictive attentional nodes was further employed to examine task-related engagement of large-scale functional networks. Results Through this approach, we show that beta/gamma power within executive control, salience, and default mode networks accurately predicts single-trial attentional performance. Connectomic profiling reveals that key attentional nodes exclusively recruit dorsal default mode subsystems during attentional shifts. Conclusions The identification of distinct substreams within the default mode system supports a key role for this network in cognitive flexibility and attention in children. Furthermore, convergence of our results onto consistent functional networks despite significant inter-subject variability in electrode implantations supports a broader role for deep learning applied to intracranial electrodes in the study of human attention. Funding No funds supported this specific investigation. Awards and grants supporting authors include: Canadian Institutes of Health Research (CIHR) Vanier Scholarship (NMW, HY); CIHR Frederick Banting and Charles Best Canada Graduate Scholarship Doctoral Award (SMW); CIHR Canada Graduate Scholarship Master’s Award (ONA); and a CIHR project grant (GMI).

Differential gene expression analysis using RNA sequencing (RNA-seq) data is a standard approach for making biological discoveries. Ongoing large-scale efforts to process and normalize publicly available gene expression data enable rapid and systematic reanalyses. While several powerful tools systematically process RNA-seq data enabling their re-analysis, few resources systematically recompute differentially expressed genes (DEGs) generated from individual studies. We developed a robust differential expression analysis pipeline that allowed us to recompute 3162 human DEG lists from The Cancer Genome Atlas, Genotype-Tissue Expression Consortium, and 142 studies within the Sequence Read Archive. After measuring the accuracy of the recomputed DEG lists, we built the Differential Expression Enrichment Tool (DEET) which enables users to interact with the recomputed DEG lists. DEET, available through CRAN and RShiny, systematically queries which of the recomputed DEG lists share similar genes, pathways, and TF targets to their own gene lists. DEET identifies relevant studies based on shared results with the user's gene lists, aiding in hypothesis generation and data-driven literature review.