The first step towards realizing personalized healthcare is to catalog the genetic variations in a population. Since the dissemination of individual-level genomic information is strictly controlled, it will be useful to construct population-level allele frequency panels and to provide them through easy-to-use interfaces. In the Tohoku Medical Megabank Project, we have sequenced nearly 4,000 individuals from a Japanese population, and constructed an allele frequency panel of 3,552 individuals after removing related samples. The panel is called the 3.5KJPNv2. It was constructed by using a standard pipeline including the 1KGP and gnomAD algorithms to reduce technical biases and to allow comparisons to other populations. Our database is the first largescale panel providing the frequencies of variants present oN the X chromosome and on the mitochondria in the Japanese https://jmorp.megabank.tohoku.ac.jp.

Background Autism spectrum disorder (ASD) has phenotypically and genetically heterogeneous characteristics. A simulation study demonstrated that attempts to categorize patients with a complex disease into more homogeneous subgroups could have more power to elucidate hidden heritability.Methods We conducted cluster analyses using the k-means algorithm with a cluster number of 15 based on phenotypic variables from the Simons Simplex Collection (SSC). As a preliminary study, we conducted a conventional genome-wide association study (GWAS) with a dataset of 597 ASD cases and 370 controls. In the second step, we divided cases based on the clustering results and conducted GWAS in each of the subgroups vs controls (cluster-based GWAS). We also conducted cluster-based GWAS on another SSC dataset of 712 probands and 354 controls in the replication stage.Results In the preliminary study, we observed no significant associations. In the second step of cluster-based GWASs, we identified 65 chromosomal loci, which included 30 intragenic loci located in 21 genes and 35 intergenic loci that satisfied the threshold of P <5.0×10−8. Some of these loci were located within or near previously reported candidate genes for ASD: CDH5, CNTN5, CNTNAP5, DNAH17, DPP10, DSCAM, FOXK1, GABBR2, GRIN2A 5, ITPR1, NTM, SDK1, SNCA and SRRM4. Of these 65 significant chromosomal loci, rs11064685 located within the SRRM4 gene had a significantly different distribution in the cases vs. controls in the replication cohort.Conclusions These findings suggest that clustering may successfully identify subgroups with relatively homogeneous disease etiologies. Further cluster validation and replication studies are warranted in larger cohorts.

Deep learning algorithms have been successfully used in medical image classification and cancer detection. In the next stage, the technology of acquiring explainable knowledge from medical images is highly desired. Herein, fully automated acquisition of explainable features from annotation-free histopathological images is achieved via revealing statistical distortions in datasets by introducing the way of pathologists' examination into a set of deep neural networks. As validation, we compared the prediction accuracy of prostate cancer recurrence using our algorithm-generated features with that of diagnosis by an expert pathologist using established criteria on 13,188 whole-mount pathology images. Our method found not only the findings established by humans but also features that have not been recognized so far, and showed higher accuracy than human in prognostic prediction. This study provides a new field to the deep learning approach as a novel tool for discovering uncharted knowledge, leading to effective treatments and drug discovery.

Genetic maps are fundamental resources for linkage and association studies. A fine-scale genetic map can be constructed by inferring historical recombination events from the genome-wide structure of linkage disequilibrium—a non-random association of alleles among loci—by using population-scale sequencing data. We constructed a fine-scale genetic map and identified recombination hotspots from 10,092,573 bi-allelic high-quality autosomal markers segregating among 150 unrelated Japanese individuals. These individuals’ genotypes were determined by high-coverage (30×) whole-genome sequencing, and the genotype quality was carefully controlled by using their parents’ and offspring’s genotypes. The pedigree information was also utilized for haplotype phasing. The resulting genome-wide recombination rate profiles were concordant with those of the HapMap worldwide population on a broad scale, and the resolution was much improved. We identified 9487 recombination hotspots and confirmed the enrichment of previously known motifs in the hotspots. Moreover, we demonstrated that the Japanese genetic map improved the haplotype phasing and genotype imputation accuracy for the Japanese population. The construction of a population-specific genetic map will help make genetics research more accurate.