A chronic proinflammatory state precedes pathological change in arterial endothelial cells located within regions of susceptibility to atherosclerosis. The potential contributions of regulatory microRNAs to this disequilibrium were investigated by artery site-specific profiling in normal adult swine. Expression of endothelial microRNA10a (miR-10a) was lower in the athero-susceptible regions of the inner aortic arch and aorto-renal branches than elsewhere. Expression of Homeobox A1 (HOXA1), a known miR-10a target, was up-regulated in the same locations. Endothelial transcriptome microarray analysis of miR-10a knockdown in cultured human aortic endothelial cells (HAEC) identified IκB/NF-κB–mediated inflammation as the top category of up-regulated biological processes. Phosphorylation of IκBα, a prerequisite for IκBα proteolysis and NF-κB activation, was significantly up-regulated in miR-10a knockdown HAEC and was accompanied by increased nuclear expression of NF-κB p65. The inflammatory biomarkers monocyte chemotactic protein 1 (MCP-1), IL-6, IL-8, vascular cell adhesion molecule 1 (VCAM-1), and E-selectin were elevated following miR-10a knockdown. Conversely, knockin of miR-10a (a conservative 25-fold increase) inhibited the basal expression of VCAM-1 and E-selectin in HAEC. Two key regulators of IκBα degradation—mitogen-activated kinase kinase kinase 7 (MAP3K7; TAK1) and β-transducin repeat-containing gene (βTRC)—contain a highly conserved miR-10a binding site in the 3′ UTR. Both molecules were up-regulated by miR-10a knockdown and suppressed by miR-10a knockin, and evidence of direct miR-10a binding to the 3′ UTR was demonstrated by luciferase assay. Comparative expression studies of endothelium located in athero-susceptible aortic arch and athero-protected descending thoracic aorta identified significantly up-regulated MAP3K7, βTRC, phopho-IκBα, and nuclear p65 expression suggesting that the differential expression of miR-10a contributes to the regulation of proinflammatory endothelial phenotypes in athero-susceptible regions in vivo.

In the arterial circulation, regions of disturbed flow (DF), which are characterized by flow separation and transient vortices, are susceptible to atherogenesis, whereas regions of undisturbed laminar flow (UF) appear protected. Coordinated regulation of gene expression by endothelial cells (EC) may result in differing regional phenotypes that either favor or inhibit atherogenesis. Linearly amplified RNA from freshly isolated EC of DF (inner aortic arch) and UF (descending thoracic aorta) regions of normal adult pigs was used to profile differential gene expression reflecting the steady state in vivo . By using human cDNA arrays, ≈2,000 putatively differentially expressed genes were identified through false-discovery-rate statistical methods. A sampling of these genes was validated by quantitative real-time PCR and/or immunostaining en face . Biological pathway analysis revealed that in DF there was up-regulation of several broad-acting inflammatory cytokines and receptors, in addition to elements of the NF-κB system, which is consistent with a proinflammatory phenotype. However, the NF-κB complex was predominantly cytoplasmic (inactive) in both regions, and no significant differences were observed in the expression of key adhesion molecules for inflammatory cells associated with early atherogenesis. Furthermore, there was no histological evidence of inflammation. Protective profiles were observed in DF regions, notably an enhanced antioxidative gene expression. This study provides a public database of regional EC gene expression in a normal animal, implicates hemodynamics as a contributory mechanism to athero-susceptibility, and reveals the coexistence of pro- and antiatherosclerotic transcript profiles in susceptible regions. The introduction of additional risk factors may shift this balance to favor lesion development.

The Ontology for Biomedical Investigations (OBI) is an ontology that provides terms with precisely defined meanings to describe all aspects of how investigations in the biological and medical domains are conducted. OBI re-uses ontologies that provide a representation of biomedical knowledge from the Open Biological and Biomedical Ontologies (OBO) project and adds the ability to describe how this knowledge was derived. We here describe the state of OBI and several applications that are using it, such as adding semantic expressivity to existing databases, building data entry forms, and enabling interoperability between knowledge resources. OBI covers all phases of the investigation process, such as planning, execution and reporting. It represents information and material entities that participate in these processes, as well as roles and functions. Prior to OBI, it was not possible to use a single internally consistent resource that could be applied to multiple types of experiments for these applications. OBI has made this possible by creating terms for entities involved in biological and medical investigations and by importing parts of other biomedical ontologies such as GO, Chemical Entities of Biological Interest (ChEBI) and Phenotype Attribute and Trait Ontology (PATO) without altering their meaning. OBI is being used in a wide range of projects covering genomics, multi-omics, immunology, and catalogs of services. OBI has also spawned other ontologies (Information Artifact Ontology) and methods for importing parts of ontologies (Minimum information to reference an external ontology term (MIREOT)). The OBI project is an open cross-disciplinary collaborative effort, encompassing multiple research communities from around the globe. To date, OBI has created 2366 classes and 40 relations along with textual and formal definitions. The OBI Consortium maintains a web resource (http://obi-ontology.org) providing details on the people, policies, and issues being addressed in association with OBI. The current release of OBI is available at http://purl.obolibrary.org/obo/obi.owl.

Abstract Machine Learning (ML) approaches are increasingly being used in biomedical applications. Important challenges of ML include choosing the right algorithm and tuning the parameters for optimal performance. Automated ML (AutoML) methods, such as Tree-based Pipeline Optimization Tool (TPOT), have been developed to take some of the guesswork out of ML thus making this technology available to users from more diverse backgrounds. The goals of this study were to assess applicability of TPOT to genomics and to identify combinations of single nucleotide polymorphisms (SNPs) associated with coronary artery disease (CAD), with a focus on genes with high likelihood of being good CAD drug targets. We leveraged public functional genomic resources to group SNPs into biologically meaningful sets to be selected by TPOT. We applied this strategy to data from the UK Biobank, detecting a strikingly recurrent signal stemming from a group of 28 SNPs. Importance analysis of these uncovered functional relevance of the top SNPs to genes whose association with CAD is supported in the literature and other resources. Furthermore, we employed game-theory based metrics to study SNP contributions to individual level TPOT predictions and discover distinct clusters of well-predicted CAD cases. The latter indicates a promising approach towards precision medicine.

Abstract Aims/hypothesis Genome-wide association studies (GWAS) have identified hundreds of type 2 diabetes loci, with the vast majority of signals located in non-coding regions; as a consequence, it remains largely unclear which ‘effector’ genes these variants influence. Determining these effector genes has been hampered by the relatively challenging cellular settings in which they are hypothesised to confer their effects. Methods To implicate such effector genes, we elected to generate and integrate high-resolution promoter-focused Capture-C, assay for transposase-accessible chromatin with sequencing (ATAC-seq) and RNA-seq datasets to characterise chromatin and expression profiles in multiple cell lines relevant to type 2 diabetes for subsequent functional follow-up analyses: EndoC-BH1 (pancreatic beta cell), HepG2 (hepatocyte) and Simpson–Golabi–Behmel syndrome (SGBS; adipocyte). Results The subsequent variant-to-gene analysis implicated 810 candidate effector genes at 370 type 2 diabetes risk loci. Using partitioned linkage disequilibrium score regression, we observed enrichment for type 2 diabetes and fasting glucose GWAS loci in promoter-connected putative cis -regulatory elements in EndoC-BH1 cells as well as fasting insulin GWAS loci in SGBS cells. Moreover, as a proof of principle, when we knocked down expression of the SMCO4 gene in EndoC-BH1 cells, we observed a statistically significant increase in insulin secretion. Conclusions/interpretation These results provide a resource for comparing tissue-specific data in tractable cellular models as opposed to relatively challenging primary cell settings. Data availability Raw and processed next-generation sequencing data for EndoC-BH1, HepG2, SGBS_undiff and SGBS_diff cells are deposited in GEO under the Superseries accession GSE262484. Promoter-focused Capture-C data are deposited under accession GSE262496. Hi-C data are deposited under accession GSE262481. Bulk ATAC-seq data are deposited under accession GSE262479. Bulk RNA-seq data are deposited under accession GSE262480. Graphical Abstract

Persistent enterovirus B infection has been proposed as an important contributor to the etiology of type 1 diabetes. We leveraged extensive bulk RNA-sequencing data from alpha, beta, and exocrine cells, as well as single cell islet RNA-Seq data from the Human Pancreas Analysis Program (HPAP), to evaluate the presence of enterovirus B sequences in the pancreas of type 1 diabetic and pre-diabetic (non-diabetic but auto-antibody positive) patients. We examined all available HPAP data for either assay type, including non-diabetic, type 1, and type 2 diabetic donors. To assess the presence of viral reads, we analyzed all reads not mapping to the human genome with the taxonomic classification system Kraken2 and its full viral database, augmented to encompass representatives for all (28) enterovirus B serotypes for which a complete genome is available. As a secondary approach, we input the same sequence reads into the STAR aligner using these 28 enterovirus B genomes as the reference. No enterovirus B sequences were detected by either approach in any of the 243 bulk RNA libraries nor in any of the 79 single cell RNA libraries. While we cannot rule out the possibility of a very low-grade persistent enterovirus B infection in the donors analyzed, our data do not support the notion of chronic viral infection by these viruses as a major driver of type 1 diabetes.

Systemic lupus erythematosus (SLE) is a complex inflammatory disease mediated by autoreactive antibodies that damages multiple tissues in children and adults. Genome-wide association studies (GWAS) have statistically implicated hundreds of loci in the susceptibility to human disease, including SLE, but the majority have failed to identify the causal variants or the effector genes. As a physicochemical approach to detecting functional variants and connecting them to target genes, we generated comprehensive, high-resolution maps of SLE variant accessibility and gene connectivity in the context of the three-dimensional chromosomal architecture of human tonsillar follicular helper T cells (TFH), a cell type required for the production of anti-nuclear antibodies characteristic of SLE. These spatial epigenomic maps identified a shortlist of over 400 potentially functional variants across 48 GWAS-implicated SLE loci. Twenty percent of these variants were located in open promoters of highly-expressed TFH genes, while 80% reside in non-promoter genomic regions that are connected in 3D to genes that likewise tend to be highly expressed in TFH. Importantly, we find that 90% of SLE-associated variants exhibit spatial proximity to genes that are not nearby in the 1D sequence of the genome, and over 60% of variants skip the nearest gene to physically interact only with the promoters of distant genes. Gene ontology confirmed that genes in spatial proximity to SLE variants reside in highly SLE-relevant networks, including accessible variants that loop 200-1000 kb to interact with the promoters of the canonical TFH genes BCL6 and CXCR5. CRISPR-Cas9 genome editing confirmed that these variants reside in novel, distal regulatory elements required for normal BCL6 and CXCR5 expression by T cells. Furthermore, SLE-associated SNP-promoter interactomes implicated a set of novel genes with no known role in TFH or SLE disease biology, including the homeobox-interacting protein kinase HIPK1 and the Ste kinase homolog MINK1. Targeting these kinases in primary human TFH cells inhibited production of IL-21, a requisite cytokine for production of class-switched antibodies by B cells. This 3D-variant-to-gene mapping approach gives mechanistic insight into the SLE-associated regulatory architecture of the human genome.

Abstract Impaired glucose suppression of glucagon secretion (GSGS) is a hallmark of type 2 diabetes. A critical role for α-cell intrinsic mechanisms in regulating glucagon secretion was previously established through genetic manipulation of the glycolytic enzyme glucokinase (GCK) in mice. Genetic variation at the G6PC2 locus, encoding an enzyme that opposes GCK, has been reproducibly associated with fasting blood glucose and hemoglobin A1c levels. Here, we find that trait-associated variants in the G6PC2 promoter are located in open chromatin not just in β− but also in α-cells, and document allele-specific G6PC2 expression of linked variants in human α– cells. Using α-cell specific gene ablation of G6pc2 in mice, we show that this gene plays a critical role in controlling glucagon secretion independent of alterations in insulin output, islet hormone content, or islet morphology; findings we confirmed in primary human α-cells. Collectively, our data demonstrate that G6PC2 impacts glycemic control via its action in α-cells and suggest that G6PC2 inhibitors could help control blood glucose through a novel, bi-hormonal mechanism.

Abstract Background A typical task in bioinformatics consists of identifying which features are associated with a target outcome of interest and building a predictive model. Automated machine learning (AutoML) systems such as the Tree-based Pipeline Optimization Tool (TPOT) constitute an appealing approach to this end. However, in biomedical data, there are often baseline characteristics of the subjects in a study or batch effects that need to be adjusted for in order to better isolate the effects of the features of interest on the target. Thus, the ability to perform covariate adjustments becomes particularly important for applications of AutoML to biomedical big data analysis. Results We present an approach to adjust for covariates affecting features and/or target in TPOT. Our approach is based on regressing out the covariates in a manner that avoids ‘leakage’ during the cross-validation training procedure. We then describe applications of this approach to toxicogenomics and schizophrenia gene expression data sets. The TPOT extensions discussed in this work are available at https://github.com/EpistasisLab/tpot/tree/v0.11.1-resAdj . Conclusions In this work, we address an important need in the context of AutoML, which is particularly crucial for applications to bioinformatics and medical informatics, namely covariate adjustments. To this end we present a substantial extension of TPOT, a genetic programming based AutoML approach. We show the utility of this extension by applications to large toxicogenomics and differential gene expression data. The method is generally applicable in many other scenarios from the biomedical field.

Abstract Long non-coding RNAs (lncRNAs) play an important role in gene regulation and contribute to tumorigenesis. While pan-cancer studies of lncRNA expression have been performed for adult malignancies, the lncRNA landscape across pediatric cancers remains largely uncharted. Here, we curate RNA sequencing data for 1,044 pediatric leukemia and solid tumors and integrate paired tumor whole genome sequencing and epigenetic data in relevant cell line models to explore lncRNA expression, regulation, and association with cancer. We report a total of 2,657 robustly expressed lncRNAs across six pediatric cancers, including 1,142 exhibiting histotype-specific expression. DNA copy number alterations contributed to lncRNA dysregulation at a proportion comparable to protein coding genes. Application of a multi-dimensional framework to identify and prioritize lncRNAs impacting gene networks revealed that lncRNAs dysregulated in pediatric cancer are associated with proliferation, metabolism, and DNA damage hallmarks. Analysis of upstream regulation via cell-type specific transcription factors further implicated distinct histotype-specific and developmental lncRNAs. We integrated our analyses to prioritize lncRNAs for experimental validation and showed that silencing of TBX2-AS1 , our top-prioritized neuroblastoma-specific lncRNA, resulted in significant growth inhibition of neuroblastoma cells, confirming our computational predictions. Taken together, these data provide a comprehensive characterization of lncRNA regulation and function in pediatric cancers and pave the way for future mechanistic studies.