Abstract Brain regions communicate with each other via tracts of myelinated axons, commonly referred to as white matter. White matter microstructure can be measured in the living human brain using diffusion based magnetic resonance imaging (dMRI), and has been found to be altered in patients with neuropsychiatric disorders. Although under strong genetic control, few genetic variants influencing white matter microstructure have ever been identified. Here we identified common genetic variants influencing white matter microstructure using dMRI in 42,919 individuals (35,741 in the UK Biobank). The dMRIs were summarized into 215 white matter microstructure traits, including 105 measures from tract-specific functional principal component analysis. Genome-wide association analysis identified many novel white matter microstructure associated loci ( P < 2.3 × 10 −10 ). We identified shared genetic influences through genetic correlations between white matter tracts and 62 other complex traits, including stroke, neuropsychiatric disorders (e.g., ADHD, bipolar disorder, major depressive disorder, schizophrenia), cognition, neuroticism, chronotype, as well as non-brain traits. Common variants associated with white matter microstructure alter the function of regulatory elements in glial cells, particularly oligodendrocytes. White matter associated genes were enriched in pathways involved in brain disease pathogenesis, neurodevelopment process, and repair of white matter damage ( P < 1.5 × 10 −8 ). In summary, this large-scale tract-specific study provides a big step forward in understanding the genetic architecture of white matter and its genetic links to a wide spectrum of clinical outcomes.

Abstract The human brain remains active in the absence of explicit tasks and forms networks of correlated activity. Resting-state functional magnetic resonance imaging (rsfMRI) measures brain activity at rest, which has been linked with both cognitive and clinical outcomes. The genetic variants influencing human brain function are largely unknown. Here we utilized rsfMRI from 44,190 individuals of multiple ancestries (37,339 in the UK Biobank) to discover and validate the common genetic variants influencing intrinsic brain activity. We identified hundreds of novel genetic loci associated with intrinsic functional signatures ( P < 2.8 × 10 −11 ), including associations to the central executive, default mode, and salience networks involved in the triple network model of psychopathology. A number of intrinsic brain activity associated loci colocalized with brain disorder GWAS (e.g., Alzheimer’s disease, Parkinson’s disease, schizophrenia) and cognition, such as 19q13.32, 17q21.31, and 2p16.1. Particularly, we detected a colocalization between one (rs429358) of the two variants in the APOE ε4 locus and function of the default mode, central executive, attention, and visual networks. Genetic correlation analysis demonstrated shared genetic influences between brain function and brain structure in the same regions. We also detected significant genetic correlations with 26 other complex traits, such as ADHD, major depressive disorder, schizophrenia, intelligence, education, sleep, subjective well-being, and neuroticism. Common variants associated with intrinsic brain activity were enriched within regulatory element in brain tissues.

Abstract Genotype-phenotype association is found in many biological systems, such as brain-related diseases and behavioral traits. Despite the recent improvement in the prediction of phenotypes from genotypes, they can be further improved and explainability of these predictions remains challenging, primarily due to complex underlying molecular and cellular mechanisms. Emerging multimodal data enables studying such mechanisms at different scales from genotype to phenotypes involving intermediate phenotypes like gene expression. However, due to the black-box nature of many machine learning techniques, it is challenging to integrate these multi-modalities and interpret the biological insights in prediction, especially when some modality is missing. Biological knowledge has recently been incorporated into machine learning modeling to help understand the reasoning behind the choices made by these models. To this end, we developed DeepGAMI, an interpretable deep learning model to improve genotype-phenotype prediction from multimodal data. DeepGAMI uses prior biological knowledge to define the neural network architecture. Notably, it embeds an auxiliary-learning layer for cross-modal imputation while training the model from multimodal data. Using this pre-trained layer, we can impute latent features of additional modalities and thus enable predicting phenotypes from a single modality only. Finally, the model uses integrated gradient to prioritize multimodal features and links for phenotypes. We applied DeepGAMI to multiple emerging multimodal datasets: (1) population-level genotype and bulk-tissue gene expression data for predicting schizophrenia, (2) population-level genotype and gene expression data for predicting clinical phenotypes in Alzheimer’s Disease, (3) gene expression and electrophysiological data of single neuronal cells in the mouse visual cortex, and (4) cell-type gene expression and genotype data for predicting schizophrenia. We found that DeepGAMI outperforms existing state-of-the-art methods and provides a profound understanding of gene regulatory mechanisms from genotype to phenotype, especially at cellular resolution. DeepGAMI is an open-source tool and is available at https://github.com/daifengwanglab/DeepGAMI .