Abstract Soapberry ( Sapindus mukorossi Gaertn.) pericarps are rich in valuable bioactive triterpenoid saponins. However, the saponin content dynamics and the molecular regulatory network of saponin biosynthesis in soapberry pericarps remain largely unclear. Here, we performed combined metabolite profiling and transcriptome analysis to identify saponin accumulation kinetic patterns, investigate gene networks, and characterize key candidate genes and transcription factors involved in saponin biosynthesis in soapberry pericarps. A total of 54 saponins were tentatively identified, including 25 that were differentially accumulated. Furthermore, 49 genes putatively involved in sapogenin backbone biosynthesis and some candidate genes assumed to be responsible for the backbone modification, including 41 cytochrome P450s and 45 glycosyltransferases, were identified. Saponin-specific clusters/modules were identified by Mfuzz clustering and weighted gene co-expression network analysis, and one TF–gene regulatory network underlying saponin biosynthesis was proposed. The results of yeast one-hybrid assay and electrophoretic mobility shift assay suggested that SmbHLH2, SmTCP4, and SmWRKY27 may play important roles in the triterpenoid saponin biosynthesis by directly regulating the transcription of SmCYP71D-3 in soapberry pericarp. Overall, these findings provide valuable information for understanding the molecular regulatory mechanism of saponin biosynthesis, enriching the gene resources, and guiding further research on triterpenoid saponin accumulation in soapberry pericarps. One–sentence summary Combining metabolome and transcriptome analysis to identify saponin kinetic patterns, gene networks, and key candidate genes and transcription factors involved in saponin biosynthesis of soapberry.

GWAS have identified 108 loci that confer risk for schizophrenia, but risk mechanisms for individual loci are largely unknown. Using developmental, genetic, and illness-based RNA sequencing expression analysis, we characterized the human brain transcriptome around these loci and found enrichment for developmentally regulated genes with novel examples of shifting isoform usage across pre- and post-natal life. We found widespread expression quantitative trait loci (eQTLs), including many with transcript specificity and previously unannotated sequence that were independently replicated. We leveraged this eQTL database to show that 48.1% of risk variants for schizophrenia associated with nearby expression. Within patients and controls, we implemented a novel algorithm for RNA quality adjustment, and identified 237 genes significantly associated with diagnosis that replicated in an independent case-control dataset. These genes implicated synaptic processes and were strongly regulated in early development (p < 10-20). These data offer new targets for modeling schizophrenia risk in cellular systems.

DNA methylation (DNAm) plays an important role in epigenetic regulation of gene expression, orchestrating tissue differentiation and development during all stages of mammalian life. This epigenetic control is especially important in the human brain, with extremely dynamic gene expression during fetal and infant life, and becomes progressively more stable at later periods of development . We characterized the epigenetic state of the developing and aging human frontal cortex in post-mortem tissue from 351 individuals across the lifespan using the Illumina 450k DNA methylation microarray. The largest changes in the methylome occur at birth at varying spatial resolutions - we identify 359,087 differentially methylated loci, which form 23,732 significant differentially methylated regions (DMRs). There were also 298 regions of long-range changes in DNAm, termed "blocks", associated with birth that strongly overlap previously published colon cancer blocks. We then identify 55,439 DMRs associated with development and aging, of which 61.9% significantly associate with nearby gene expression levels. Lastly, we find enrichment of genomic loci of risk for schizophrenia and several other common diseases among these developmental DMRs. These data, integrated with existing genetic and transcriptomic data, create a rich genomic resource across brain development.