Abstract Age-associated neurodegenerative disorders demonstrating tau-laden intracellular inclusions, including Alzheimer’s disease (AD), frontotemporal lobar degeneration (FTLD) and progressive supranuclear palsy (PSP), are collectively known as tauopathies. The vast majority of human tauopathies accumulate non-mutant tau rather than mutant forms of the protein, yet cell and animal models for non-mutant tauopathies are lacking. We previously linked a monoallelic mutation in the TSC1 gene to tau accumulation and FTLD. Now, we have identified new variants in TSC1 that predisposed to other tauopathies such as AD and PSP. These new TSC1 risk variants significantly decreased the half-life of TSC1/hamartin in vitro . Cellular and murine models of TSC1 haploinsufficiency ( TSC1 +/-) accumulated tau protein that exhibited aberrant acetylation on six lysine residues. Tau acetylation hindered its lysosomal degradation via chaperone-mediated autophagy leading to neuronal tau accumulation. Enhanced tau acetylation in TSC1 +/- models was achieved through both an increase in p300 acetyltransferase activity and a decrease in SIRT1 deacetylase levels. Pharmacological modulation of either enzyme restored tau levels. Together, these studies substantiate TSC1 as a novel tauopathy risk gene and advance TSC1 haploinsufficiency as a new genetic model for tauopathy. In addition, these results promote acetylated tau as a rational target for diagnostic and therapeutic modalities in multiple tauopathies.

INTRODUCTION: We set out to characterize the causal variants, regulatory mechanisms, tissue contexts, and target genes underlying noncoding late-onset Alzheimer's Disease (LOAD)-associated genetic signals. METHODS: We applied our INFERNO method to the IGAP genome-wide association study (GWAS) data, annotating all potentially causal variants with tissue-specific regulatory activity. Bayesian co-localization analysis of GWAS summary statistics and eQTL data was performed to identify tissue-specific target genes. RESULTS: INFERNO identified enhancer dysregulation in all 19 tag regions analyzed, significant enrichments of enhancer overlaps in the immune-related blood category, and co-localized eQTL signals overlapping enhancers from the matching tissue class in ten regions (ABCA7, BIN1, CASS4, CD2AP, CD33, CELF1, CLU, EPHA1, FERMT2, ZCWPW1). We validated the allele-specific effects of several variants on enhancer function using luciferase expression assays. DISCUSSION: Integrating functional genomics with GWAS signals yielded insights into the regulatory mechanisms, tissue contexts, and genes affected by noncoding genetic variation associated with LOAD risk.

Summary: We report SparkINFERNO (Spark-based INFERence of the molecular mechanisms of NOn-coding genetic variants), a scalable bioinformatics pipeline characterizing noncoding GWAS association findings. SparkINFERNO prioritizes causal variants underlying GWAS association signals and reports relevant regulatory elements, tissue contexts, and plausible target genes they affect. To achieve this, the SparkINFERNO algorithm integrates GWAS summary statistics with large-scale collection of functional genomics datasets spanning enhancer activity, transcription factor binding, expression quantitative trait loci, and other functional datasets across ore than 400 tissues and cell types. Scalability is achieved by an underlying API implemented using Apache Spark and Giggle-based genomic indexing. We evaluated SparkINFERNO on large GWAS studies and show that SparkINFERNO is more than 60-times efficient and scales with data size and amount of computational resources. Availability: SparkINFERNO runs on clusters or a single server with Apache Spark environment, and is available at https://bitbucket.org/wanglab-upenn/SparkINFERNO or https://hub.docker.com/r/wanglab/spark-inferno.

The majority of variants identified by genome-wide association studies (GWAS) reside in the noncoding genome, where they affect regulatory elements including transcriptional enhancers. We propose INFERNO (INFERring the molecular mechanisms of NOncoding genetic variants), a novel method which integrates hundreds of diverse functional genomics data sources with GWAS summary statistics to identify putatively causal noncoding variants underlying association signals. INFERNO comprehensively infers the relevant tissue contexts, target genes, and downstream biological processes affected by causal variants. We apply INFERNO to schizophrenia GWAS data, recapitulating known schizophrenia-associated genes including CACNA1C and discovering novel signals related to transmembrane cellular processes.