The majority of genetic variants associated with complex human autoimmune diseases reside in enhancers 1–3 , non-coding regulatory elements that control gene expression. In contrast with variants that directly alter protein-coding sequences, enhancer variants are predicted to tune gene expression modestly and function in specific cellular contexts 4 , suggesting that small alterations in the functions of key immune cell populations are sufficient to shape disease risk. Here we tested this concept by experimentally perturbing distinct enhancers governing the high affinity IL-2 receptor alpha chain (IL2RA; also known as CD25). IL2RA is an immune regulator that promotes the pro- and anti-inflammatory functions of conventional T cells (Tconvs) and regulatory T cells (Tregs), respectively, and non-coding genetic variants in IL2RA have been linked to multiple autoimmune disorders 4 . We previously tiled across the IL2RA locus using CRISPR-activation and identified a stimulation-responsive element (CaRE4) with an enhancer that modestly affects the kinetics of IL2RA expression in Tconvs 5 . This enhancer is conserved across species and harbors a common human SNP associated with protection from Type 1 Diabetes (T1D) 5,6 . We now identified an additional conserved enhancer, termed CaRE3 enhancer, which modestly affected steady state IL2RA expression in regulatory T cells (Tregs). Despite their seemingly subtle impact on gene expression, the CaRE3 and CaRE4 enhancers had pronounced yet divergent effects on the incidence of diabetes in autoimmune prone animals. Deletion of the conserved CaRE4 enhancer completely protected against autoimmune diabetes even in animals treated with an immunostimulating anti-PD1 checkpoint inhibitor, whereas deletion of the CaRE3 enhancer accelerated spontaneous disease progression. Quantitative multiplexed imaging of the pancreatic lymph nodes (panLNs) revealed that each enhancer deletion preferentially affected the protein expression levels of IL2RA in activated Tconvs or Tregs, reciprocally tuning local competition for IL-2 input signals. In animals lacking the CaRE4 enhancer, skewed IL-2 signaling favored Tregs, increasing their local density around activated Tconvs to strongly suppress emergence of autoimmune effectors. By contrast, in animals lacking the CaRE3 enhancer, IL-2 signals were skewed towards activated Tconvs, promoting their escape from Treg control. Collectively, this work illustrates how subtle changes in gene regulation due to non-coding variation can significantly alter disease progression and how distinct enhancers controlling the same gene can have opposing effects on disease outcomes through cell type-selective activity.

A recurrent challenge in biology is the development of predictive quantitative models because most molecular and cellular parameters have unknown values and realistic models are analytically intractable. While the dynamics of the system can be analyzed via computer simulations, substantial computational resources are often required given uncertain parameter values resulting in large numbers of parameter combinations, especially when realistic biological features are included. Simulation alone also often does not yield the kinds of intuitive insights from analytical solutions. Here we introduce a general framework combining stochastic/mechanistic simulation of reaction systems and machine learning of the simulation data to generate computationally efficient predictive models and interpretable parameter-phenotype maps. We applied our approach to investigate stochastic gene expression propagation in biological networks, which is a contemporary challenge in the quantitative modeling of single-cell heterogeneity. We found that accurate, predictive machine-learning models of stochastic simulation results can be constructed. Even in the simplest networks existing analytical schemes generated significantly less accurate predictions than our approach, which revealed interesting insights when applied to more complex circuits, including the extensive tunability of information propagation enabled by feedforward circuits and how even single negative feedbacks can utilize stochastic fluctuations to generate robust oscillations. Our approach is applicable beyond biology and opens up a new avenue for exploring complex dynamical systems.

Genetic variants associated with human autoimmune diseases commonly map to non-coding control regions, particularly enhancers that function selectively in immune cells and fine-tune gene expression within a relatively narrow range of values. How such modest, cell-type-selective changes can meaningfully shape organismal disease risk remains unclear. To explore this issue, we experimentally manipulated species-conserved enhancers within the disease-associated IL2RA locus and studied accompanying changes in the progression of autoimmunity. Perturbing distinct enhancers with restricted activity in conventional T cells (Tconvs) or regulatory T cells (Tregs)—two functionally antagonistic T cell subsets—caused only modest, cell-type-selective decreases in IL2ra expression parameters. However, these same perturbations had striking and opposing effects in vivo , completely preventing or severely accelerating disease in a murine model of type 1 diabetes. Quantitative tissue imaging and computational modelling revealed that each enhancer manipulation impinged on distinct IL-2-dependent feedback circuits. These imbalances altered the intracellular signaling and intercellular communication dynamics of activated Tregs and Tconvs, producing opposing spatial domains that amplified or constrained ongoing autoimmune responses. These findings demonstrate how subtle changes in gene regulation stemming from non-coding variation can propagate across biological scales due to non-linearities in intra- and intercellular feedback circuitry, dramatically shaping disease risk at the organismal level.