Voltage-gated K+ (Kv) channels play important roles in regulating neuronal excitability. Kv channels comprise four principal α subunits, and transmembrane and/or cytoplasmic auxiliary subunits that modify diverse aspects of channel function. AMIGO-1, which mediates homophilic cell adhesion underlying neurite outgrowth and fasciculation during development, has recently been shown to be an auxiliary subunit of adult brain Kv2.1-containing Kv channels. We show that AMIGO-1 is extensively colocalized with both Kv2.1 and its paralog Kv2.2 in brain neurons across diverse mammals, and that in adult brain, there is no apparent population of AMIGO-1 outside of that colocalized with these Kv2 α subunits. AMIGO-1 is coclustered with Kv2 α subunits at specific plasma membrane (PM) sites associated with hypolemmal subsurface cisternae at neuronal ER:PM junctions. This distinct PM clustering of AMIGO-1 is not observed in brain neurons of mice lacking Kv2 α subunit expression. Moreover, in heterologous cells, coexpression of either Kv2.1 or Kv2.2 is sufficient to drive clustering of the otherwise uniformly expressed AMIGO-1. Kv2 α subunit coexpression also increases biosynthetic intracellular trafficking and PM expression of AMIGO-1 in heterologous cells, and analyses of Kv2.1 and Kv2.2 knockout mice show selective loss of AMIGO-1 expression and localization in neurons lacking the respective Kv2 α subunit. Together, these data suggest that in mammalian brain neurons, AMIGO-1 is exclusively associated with Kv2 α subunits, and that Kv2 α subunits are obligatory in determining the correct pattern of AMIGO-1 expression, PM trafficking and clustering.

Abstract The FOUNdational Data INitiative for Parkinson’s Disease (FOUNDIN-PD) is an international collaboration producing fundamental resources for Parkinson’s disease (PD). FOUNDIN-PD generated a multi-layered molecular dataset in a cohort of induced pluripotent stem cell (iPSC) lines differentiated to dopaminergic (DA) neurons, a major affected cell type in PD. The lines were derived from the Parkinson’s Progression Markers Initiative study including participants with PD carrying monogenic PD ( SNCA ) variants, variants with intermediate effects and variants identified by genome-wide association studies and unaffected individuals. We generated genetic, epigenetic, regulatory, transcriptomic, and longitudinal cellular imaging data from iPSC-derived DA neurons to understand molecular relationships between disease associated genetic variation and proximate molecular events. These data reveal that iPSC-derived DA neurons provide a valuable cellular context and foundational atlas for modelling PD genetic risk. We have integrated these data into a FOUNDIN-PD data browser ( https://www.foundinpd.org ) as a resource for understanding the molecular pathogenesis of PD.

Abstract Changes to neuronal morphology and loss of neurites and synaptic connections can be an important early indicator of neurological diseases, and a pathognomonic sign of neurodevelopmental disorders. These changes are typically detectable by microscopy in cell culture or histological samples, but quantification can be challenging. The neurites extending from cell soma can be quite thin, dim, overlapping and complex, making them laborious to trace manually and difficult to annotate and quantify computationally or automatically. Moreover, the tools available to aid this aim are limited in their capacity to generalize to high throughput image acquisition such as time-lapse or longitudinal imaging, where imaging conditions can change dramatically over the course of the experiment. In order to facilitate neurite quantification, we developed a deep learning (DL) neurite annotation prediction algorithm (NAPA) to predict the structure and length of neurites. NAPA overcomes experimental variation inherent to fluorescence imaging by learning more broader features that are important for neurite recognition. Based on a dataset with partial annotation, NAPA generated predictions on several unannotated datasets, and was able to capture differences between disease and control conditions. We also defined a sequence of steps to generate custom models with a small number of annotation inputs, and extended the predictions to a 3D tissue sample and longitudinal imaging. With this algorithm we developed an approach to quantify neurites with an accuracy that nears and sometimes exceeds human curation, in 1/100 th of the time. This approach makes accurate analysis of large or longitudinal datasets feasible across a broad range of datasets.