Alzheimer's disease (AD) is a chronic neurodegenerative disorder characterized by progressive neuropathology and cognitive decline. Here the authors describe an epigenome-wide association study (EWAS) of human post-mortem brain samples across multiple independent AD cohorts. They find consistent hypermethylation of the ANK1 gene associated with neuropathology. Alzheimer's disease (AD) is a chronic neurodegenerative disorder that is characterized by progressive neuropathology and cognitive decline. We performed a cross-tissue analysis of methylomic variation in AD using samples from four independent human post-mortem brain cohorts. We identified a differentially methylated region in the ankyrin 1 (ANK1) gene that was associated with neuropathology in the entorhinal cortex, a primary site of AD manifestation. This region was confirmed as being substantially hypermethylated in two other cortical regions (superior temporal gyrus and prefrontal cortex), but not in the cerebellum, a region largely protected from neurodegeneration in AD, or whole blood obtained pre-mortem from the same individuals. Neuropathology-associated ANK1 hypermethylation was subsequently confirmed in cortical samples from three independent brain cohorts. This study represents, to the best of our knowledge, the first epigenome-wide association study of AD employing a sequential replication design across multiple tissues and highlights the power of this approach for identifying methylomic variation associated with complex disease.

There are widespread genetic effects on DNA methylation in the developing brain. Fetal brain mQTLs are enriched in regulatory domains, overlapping with variants influencing gene expression. Most are developmentally stable, but some are fetal specific. These mQTLs are enriched in genomic regions associated with schizophrenia, a neuropsychiatric disorder with neurodevelopmental origins. We characterized DNA methylation quantitative trait loci (mQTLs) in a large collection (n = 166) of human fetal brain samples spanning 56–166 d post-conception, identifying >16,000 fetal brain mQTLs. Fetal brain mQTLs were primarily cis-acting, enriched in regulatory chromatin domains and transcription factor binding sites, and showed substantial overlap with genetic variants that were also associated with gene expression in the brain. Using tissue from three distinct regions of the adult brain (prefrontal cortex, striatum and cerebellum), we found that most fetal brain mQTLs were developmentally stable, although a subset was characterized by fetal-specific effects. Fetal brain mQTLs were enriched amongst risk loci identified in a recent large-scale genome-wide association study (GWAS) of schizophrenia, a severe psychiatric disorder with a hypothesized neurodevelopmental component. Finally, we found that mQTLs can be used to refine GWAS loci through the identification of discrete sites of variable fetal brain methylation associated with schizophrenia risk variants.

Schizophrenia is a highly heritable, neuropsychiatric disorder characterized by episodic psychosis and altered cognitive function. Despite success in identifying genetic variants associated with schizophrenia, there remains uncertainty about the causal genes involved in disease pathogenesis and how their function is regulated. We performed a multi-stage epigenome-wide association study, quantifying genome-wide patterns of DNA methylation in a total of 1714 individuals from three independent sample cohorts. We have identified multiple differentially methylated positions and regions consistently associated with schizophrenia across the three cohorts; these effects are independent of important confounders such as smoking. We also show that epigenetic variation at multiple loci across the genome contributes to the polygenic nature of schizophrenia. Finally, we show how DNA methylation quantitative trait loci in combination with Bayesian co-localization analyses can be used to annotate extended genomic regions nominated by studies of schizophrenia, and to identify potential regulatory variation causally involved in disease. This study represents the first systematic integrated analysis of genetic and epigenetic variation in schizophrenia, introducing a methodological approach that can be used to inform epigenome-wide association study analyses of other complex traits and diseases. We demonstrate the utility of using a polygenic risk score to identify molecular variation associated with etiological variation, and of using DNA methylation quantitative trait loci to refine the functional and regulatory variation associated with schizophrenia risk variants. Finally, we present strong evidence for the co-localization of genetic associations for schizophrenia and differential DNA methylation.

Abstract Human DNA-methylation data have been used to develop biomarkers of ageing - referred to ‘epigenetic clocks’ - that have been widely used to identify differences between chronological age and biological age in health and disease including neurodegeneration, dementia and other brain phenotypes. Existing DNA methylation clocks are highly accurate in blood but are less precise when used in older samples or on brain tissue. We aimed to develop a novel epigenetic clock that performs optimally in human cortex tissue and has the potential to identify phenotypes associated with biological ageing in the brain. We generated an extensive dataset of human cortex DNA methylation data spanning the life-course (n = 1,397, ages = 1 to 104 years). This dataset was split into ‘training’ and ‘testing’ samples (training: n = 1,047; testing: n = 350). DNA methylation age estimators were derived using a transformed version of chronological age on DNA methylation at specific sites using elastic net regression, a supervised machine learning method. The cortical clock was subsequently validated in a novel human cortex dataset (n = 1,221, ages = 41 to 104 years) and tested for specificity in a large whole blood dataset (n = 1,175, ages = 28 to 98 years). We identified a set of 347 DNA methylation sites that, in combination optimally predict age in the human cortex. The sum of DNA methylation levels at these sites weighted by their regression coefficients provide the cortical DNA methylation clock age estimate. The novel clock dramatically out-performed previously reported clocks in additional cortical datasets. Our findings suggest that previous associations between predicted DNA methylation age and neurodegenerative phenotypes might represent false positives resulting from clocks not robustly calibrated to the tissue being tested and for phenotypes that become manifest in older ages. The age distribution and tissue type of samples included in training datasets need to be considered when building and applying epigenetic clock algorithms to human epidemiological or disease cohorts.

Summary/Abstract Background Most epigenome-wide association studies (EWAS) quantify DNA methylation (DNAm) in peripheral tissues such as whole blood to identify positions in the genome where variation is statistically associated with a trait or exposure. As whole blood comprises a mix of cell types, it is unclear whether trait-associated variation is specific to an individual cellular population. Methods We collected three peripheral tissues (whole blood, buccal and nasal epithelial cells) from thirty individuals. Whole blood samples were subsequently processed using fluorescence-activated cell sorting (FACS) to purify five constituent cell-types (monocytes, granulocytes, CD4 + T cells, CD8 + T cells, and B cells). DNAm was profiled in all eight sample-types from each individual using the Illumina EPIC array. Results We identified significant differences in both the level and variability of DNAm between different tissues and cell types, and DNAm data-derived estimates of age and smoking were found to differ dramatically across sample types from the same individual. We found that for the majority of loci variation in DNAm in individual blood cell types was only weakly predictive of variance in DNAm measured in whole blood, however, the proportion of variance explained was greater than that explained by either buccal or nasal tissues. Instead we observe that DNAm variation in whole blood is additively influenced by a combination of the major blood cell types. For a subset of sites variable DNAm detected in whole blood can be attributed to variation in a single blood cell type providing potential mechanistic insight. Conclusions We identified major differences in DNAm between blood cell types and peripheral tissues, with each sample type being characterized by a unique DNAm signature across multiple loci. Our results suggest that associations between whole blood DNAm and traits or exposures reflect differences in multiple cell types and provide important insights for the interpretation of EWAS performed in whole blood. Key Messages We identified major differences in DNA methylation between blood cell types and peripheral tissues, with each sample type being characterized by a unique DNA methylation signature across multiple loci. Estimates of DNAmAge and tobacco smoking from DNA methylation data can be highly variable across different sample types collected from the same individual at the same time. While individual blood cell types did predict more of the variation in whole blood compared to buccal epithelial and nasal epithelial cells, the percentage of variance explained was still small. Instead our data indicate that at the majority of sites, variation in multiple blood cell types additively combines to drive variation in DNA methylation in whole blood. There are subset of sites where variable DNA methylation detected in whole blood can be attributed to variation in a single blood cell type.

ABSTRACT Alzheimer’s disease (AD) is a chronic neurodegenerative disease characterized by the progressive accumulation of amyloid-beta and neurofibrillary tangles of tau in the neocortex. Utilizing extensive neuropathology data from the Brains for Dementia Research (BDR) cohort we performed the most systematic epigenome-wide association study (EWAS) of multiple measures of AD neuropathology yet undertaken, profiling DNA methylation in two cortical regions from 631 donors. We meta-analyzed our results with those from previous studies of DNA methylation in AD cortex (total n = 2,013 donors), identifying 334 cortical differentially methylated positions (DMPs) associated with AD pathology including methylomic variation at novel loci not previously implicated in dementia. We subsequently characterized DNA methylation in purified nuclei populations - enriched for neurons, oligodendrocytes and microglia - exploring the extent to which cortex AD-associated DMPs reflect differences manifest in specific cell populations. We find that the majority of DMPs identified in ‘bulk’ cortex tissue actually reflect DNA methylation differences occurring in non-neuronal cells, with dramatically increased effect sizes observed in microglia-enriched nuclei populations. Our study highlights the power of utilizing multiple measures of neuropathology to identify epigenetic signatures of AD and the importance of characterizing disease-associated variation in purified neural cell-types.

Abstract INTRODUCTION The established link between DNA methylation and pathophysiology of dementia, along with its potential role as a molecular mediator of lifestyle and environmental influences, positions blood‐derived DNA methylation as a promising tool for early dementia risk detection. METHODS In conjunction with an extensive array of machine learning techniques, we employed whole blood genome‐wide DNA methylation data as a surrogate for 14 modifiable and non‐modifiable factors in the assessment of dementia risk in independent dementia cohorts. RESULTS We established a multivariate methylation risk score (MMRS) for identifying mild cognitive impairment cross‐sectionally, independent of age and sex ( P = 2.0 × 10 −3 ). This score significantly predicted the prospective development of cognitive impairments in independent studies of Alzheimer's disease (hazard ratio for Rey's Auditory Verbal Learning Test (RAVLT)‐Learning = 2.47) and Parkinson's disease (hazard ratio for MCI/dementia = 2.59). DISCUSSION Our work shows the potential of employing blood‐derived DNA methylation data in the assessment of dementia risk. Highlights We used whole blood DNA methylation as a surrogate for 14 dementia risk factors. Created a multivariate methylation risk score for predicting cognitive impairment. Emphasized the role of machine learning and omics data in predicting dementia. The score predicts cognitive impairment development at the population level.

Abstract Induced pluripotent stem cells (iPSCs) and their differentiated neurons (iPSC-neurons) are a widely used cellular model in the research of the central nervous system. However, it is unknown how well they capture age-associated processes, particularly given that pluripotent cells are only present during the earliest stages of mammalian development. Epigenetic clocks utilize coordinated age-associated changes in DNA methylation to make predictions that correlate strongly with chronological age. It has been shown that the induction of pluripotency rejuvenates predicted epigenetic age. As existing clocks are not optimized for the study of brain development, we developed the fetal brain clock (FBC), a bespoke epigenetic clock trained in human prenatal brain samples in order to investigate more precisely the epigenetic age of iPSCs and iPSC-neurons. The FBC was tested in two independent validation cohorts across a total of 194 samples, confirming that the FBC outperforms other established epigenetic clocks in fetal brain cohorts. We applied the FBC to DNA methylation data from iPSCs and iPSC-derived neuronal precursor cells and neurons, finding that these cell types are epigenetically characterized as having an early fetal age. Furthermore, while differentiation from iPSCs to neurons significantly increases epigenetic age, iPSC-neurons are still predicted as being fetal. Together our findings reiterate the need to better understand the limitations of existing epigenetic clocks for answering biological research questions and highlight a limitation of iPSC-neurons as a cellular model of age-related diseases.

Abstract Background Due to inter-individual variation in the cellular composition of the human cortex, it is essential that covariates that capture these differences are included in epigenome-wide association studies using bulk tissue. As experimentally derived cell counts are often unavailable, computational solutions have been adopted to estimate the proportion of different cell-types using DNA methylation data. Here, we validate and profile the use of an expanded reference DNA methylation dataset incorporating two neuronal- and three glial-cell subtypes for quantifying the cellular composition of the human cortex. Results We tested eight reference panels containing different combinations of neuronal- and glial-cell types and characterized their performance in deconvoluting cell proportions from computationally reconstructed or empirically-derived human cortex DNA methylation data. Our analyses demonstrate that these novel brain deconvolution models produce accurate estimates of cellular proportions from profiles generated on postnatal human cortex samples, they are not appropriate for the use in prenatal cortex or cerebellum tissue samples. Applying our models to an extensive collection of empirical datasets, we show that glial cells are twice as abundant as neuronal cells in the human cortex and identify significant associations between increased Alzheimer’s disease neuropathology and the proportion of specific cell types including a decrease in NeuNNeg/SOX10Neg nuclei and an increase of NeuNNeg/SOX10Pos nuclei. Conclusions Our novel deconvolution models produce accurate estimates for cell proportions in the human cortex. These models are available as a resource to the community enabling the control of cellular heterogeneity in epigenetic studies of brain disorders performed on bulk cortex tissue.

Abstract The majority of epigenetic epidemiology studies to date have generated genome-wide profiles from bulk tissues (e.g. whole blood) however these are vulnerable to confounding from variation in cellular composition. Proxies for cellular composition can be mathematically derived from the bulk tissue profiles using a deconvolution algorithm however, there is no method to assess the validity of these estimates for a dataset where the true cellular proportions are unknown. In this study, we describe, validate and characterise a sample level accuracy metric for derived cellular heterogeneity variables. The CETYGO score captures the deviation between a sample’s DNAm profile and its expected profile given the estimated cellular proportions and cell type reference profiles.We demonstrate that the CETYGO score consistently distinguishes inaccurate and incomplete deconvolutions when applied to reconstructed whole blood profiles. By applying our novel metric to > 6,300 empirical whole blood profiles, we find that estimating accurate cellular composition is influenced by both technical and biological variation. In particular, we show that when using the standard reference panel for whole blood, less accurate estimates are generated for females, neonates, older individuals and smokers. Our results highlight the utility of a metric to assess the accuracy of cellular deconvolution, and describe how it can enhance studies of DNA methylation that are reliant on statistical proxies for cellular heterogeneity. To facilitate incorporating our methodology into existing pipelines, we have made it freely available as an R package ( https://github.com/ds420/CETYGO ).