ABSTRACT Background The development of CRISPR genome editing has transformed biomedical research. Most applications reported thus far rely upon the Cas9 protein from Streptococcus pyogenes SF370 (SpyCas9). With many RNA guides, wild-type SpyCas9 can induce significant levels of unintended mutations at near-cognate sites, necessitating substantial efforts toward the development of strategies to minimize off-target activity. Although the genome-editing potential of thousands of other Cas9 orthologs remains largely untapped, it is not known how many will require similarly extensive engineering to achieve single-site accuracy within large (e.g. mammalian) genomes. In addition to its off-targeting propensity, SpyCas9 is encoded by a relatively large (~4.2 kb) open reading frame, limiting its utility in applications that require size-restricted delivery strategies such as adeno-associated virus vectors. In contrast, some genome-editing-validated Cas9 orthologs (e.g. from Staphylococcus aureus, Campylobacter jejuni, Geobacillus stearothermophilus and Neisseria meningitidis ) are considerably smaller and therefore better suited for viral delivery. Results Here we show that wild-type NmeCas9, when programmed with guide sequences of natural length (24 nucleotides), exhibits a nearly complete absence of unintended editing in human cells, even when targeting sites that are prone to off-target activity with wildtype SpyCas9. We also validate at least six variant protospacer adjacent motifs (PAMs), in addition to the preferred consensus PAM (5’-N 4 GATT-3’), for NmeCas9 genome editing in human cells. Conclusions Our results show that NmeCas9 is a naturally high-fidelity genome editing enzyme and suggest that additional Cas9 orthologs may prove to exhibit similarly high accuracy, even without extensive engineering.

The rapid accumulation of Genome Wide Association Studies (GWAS) and association studies of intermediate molecular traits provides new opportunities for comparative analysis of the genetic basis of complex human phenotypes. Using a newly developed statistical framework called Sherlock-II that integrates GWAS with eQTL (expression Quantitative Trait Loci) and metabolite-QTL data, we systematically analyzed 445 GWAS datasets, and identified 1371 significant gene-phenotype associations and 308 metabolites-phenotype associations (passing a Q value cutoff of 1/3). This integrative analysis allows us to translate SNP-phenotype associations into functionally informative gene-phenotype association profiles. Genetic similarity analyses based on these profiles clustered phenotypes into sub-trees that reveal both expected and unexpected relationships. We employed a statistical approach to delineate sets of functionally related genes that contribute to the similarity between their association profiles. This approach suggested common molecular mechanisms that connect the phenotypes in a subtree. For example, we found that fasting insulin, fasting glucose, breast cancer, prostate cancer, and lung cancer clustered into a subtree, and identified cyclic AMP/GMP signaling that connects breast cancer and insulin, NAPDH oxidase/ROS generation that connects the three cancers, and apoptosis that connects all five phenotypes. Our approach can be used to assess genetic similarity and suggest mechanistic connections between phenotypes. It has the potential to improve the diagnosis and treatment of a disease by mapping mechanistic insights from one phenotype onto others based on common molecular underpinnings.

Abstract Phenotypic correlations between complex human traits have long been observed based on epidemiological studies. However, the genetic basis and underlying mechanisms are largely unknown. The recent accumulation of GWAS data has made it possible to analyze the genetic similarity between human traits through comparative analysis. Here we developed a gene-based approach to measure genetic similarity between a pair of traits and to delineate the shared genes/pathways, through three steps: 1) translating SNP-phenotype association profile to genephenotype association profile by integrating GWAS with eQTL data; 2) measuring the similarity between a pair of traits by a normalized distance between the two gene-phenotype association profiles; 3) delineating genes/pathways supporting the similarity. Application of this approach to a set of GWAS data covering 59 human traits detected significant similarity between many known and unexpected pairs of traits; a significant fraction of them are not detectable by SNP based similarity measures. Examples include Height and Schizophrenia, Cancer and Alzheimer’s Disease, and Rheumatoid Arthritis and Crohn’s disease. Functional analysis revealed specific genes/pathways shared by these pairs. For example, Height and Schizophrenia are co-associated with genes involved in neural development, skeletal muscle regeneration, protein synthesis, magnesium homeostasis, and immune response, suggesting growth and development as a common theme underlying both traits. Our approach can detect yet unknown relationships between complex traits and generate mechanistic hypotheses, and has the potential to improve diagnosis and treatment by transferring knowledge from one disease to another.