Abstract Background The integration of multi-omics information (e.g., epigenetics and transcriptomics) can be useful for interpreting findings from genome-wide association studies (GWAS). It has additionally been suggested that multi-omics may aid in novel variant discovery, thus circumventing the need to increase GWAS sample sizes. We tested whether incorporating multi-omics information in earlier and smaller sized GWAS boosts true-positive discovery of genes that were later revealed by larger GWAS of the same/similar traits. Methods We applied ten different analytic approaches to integrating multi-omics data from twelve sources (e.g., Genotype-Tissue Expression project) to test whether earlier and smaller GWAS of 4 brain-related traits (i.e., alcohol use disorder/problematic alcohol use [AUD/PAU], major depression [MDD], schizophrenia [SCZ], and intracranial volume [ICV]) could detect genes that were revealed by a later and larger GWAS. Results Multi-omics data did not reliably identify novel genes in earlier less powered GWAS (PPV<0.2; 80% false-positive associations). Machine learning predictions marginally increased the number of identified novel genes, correctly identifying 1-8 additional genes, but only for well-powered early GWAS of highly heritable traits (i.e., ICV and SCZ). Multi-omics, particularly positional mapping (i.e., fastBAT, MAGMA, and H-MAGMA), was useful for prioritizing genes within genome-wide significant loci (PPVs = 0.5 – 1.0). Conclusions Although the integration of multi-omics information, particularly when multiple methods agree, helps prioritize GWAS findings and translate them into information about disease biology, it does not substantively increase novel gene discovery in brain-related GWAS. To increase power for discovery of novel genes and loci, increasing sample size is a requirement.

Abstract Background The increasing statistical power of genome-wide association studies is fostering the development of precision medicine through genomic predictions of complex traits. Nevertheless, it has been shown that the results remain relatively modest. A reason might be the nature of the methods typically used to construct genomic predictions. Recent machine learning techniques have properties that could help to capture the architecture of complex traits better and improve genomic prediction accuracy. Methods We relied on crowd-sourcing to efficiently compare multiple genomic prediction methods. This represents an innovative approach in the genomic field because of the privacy concerns linked to human genetic data. There are two crowd-sourcing elements building our study. First, we constructed a dataset from openSNP (opensnp.org), an open repository where people voluntarily share their genotyping data and phenotypic information in an effort to participate in open science. To leverage this resource we release the ‘openSNP Cohort Maker’, a tool that builds a homogeneous and up-to-date cohort based on the data available on opensnp.org. Second, we organized an open online challenge on the CrowdAI platform (crowdai.org) aiming at predicting height from genome-wide genotyping data. Results The ‘openSNP Height Prediction’ challenge lasted for three months. A total of 138 challengers contributed to 1275 submissions. The winner computed a polygenic risk score using the publicly available summary statistics of the GIANT study to achieve the best result ( r 2 = 0.53 versus r 2 = 0.49 for the second-best). Conclusion We report here the first crowd-sourced challenge on publicly available genome-wide genotyping data. We also deliver the ‘openSNP Cohort Maker’ that will allow people to make use of the data available on opensnp.org.

ABSTRACT Background Alcohol use has been reliably associated with smaller subcortical and cortical regional gray matter volumes (GMVs). Whether these associations reflect shared predisposing risk factors and/or causal consequences of alcohol use remains poorly understood. Methods Data came from 3 neuroimaging samples (total n=2,423), spanning childhood/adolescence to middle age, with prospective or family-based data. First, we identified replicable GMV correlates of alcohol use. Next, we used family-based and longitudinal data to test whether these associations may plausibly reflect a predispositional liability for alcohol use, and/or a causal consequence of alcohol use. Finally, we evaluated whether GWAS-defined genomic risk for alcohol consumption is enriched for genes preferentially expressed in regions identified in our neuroimaging analyses, using heritability and gene-set enrichment, and transcriptome-wide association study (TWAS) approaches. Results Smaller right dorsolateral prefrontal cortex (DLPFC; i.e., middle and superior frontal gyri) and insula GMVs were associated with increased alcohol use across samples. Family-based and prospective longitudinal data suggest these associations are genetically conferred and that DLPFC GMV prospectively predicts future use and initiation. Genomic risk for alcohol use was enriched in gene-sets preferentially expressed in the DLPFC and associated with differential expression of C16orf93 , CWF19L1 , and C18orf8 in the DLPFC. Conclusions These data suggest that smaller DLPFC and insula GMV plausibly represent predispositional risk factors for, as opposed to consequences of, alcohol use. Alcohol use, particularly when heavy, may potentiate these predispositional risk factors. DLPFC and insula GMV represent promising biomarkers for alcohol consumption liability and related psychiatric and behavioral phenotypes.

Abstract Individuals with schizophrenia frequently experience co-occurring substance use, including tobacco smoking and heavy cannabis use, and substance use disorders. There is interest in understanding the extent to which these relationships are causal, and to what extent shared genetic factors play a role. We explored the relationships between schizophrenia (Scz; European ancestry N = 161,405; African ancestry N = 15,846), cannabis use disorder (CanUD; European ancestry N = 886,025; African ancestry N = 120,208), and ever-regular tobacco smoking (Smk; European ancestry N = 805,431; African ancestry N = 24,278) using the largest available genome-wide studies of these phenotypes in individuals of African and European ancestries. All three phenotypes were positively genetically correlated (r g s = 0.17–0.62). Genetic instrumental variable analyses suggested the presence of shared heritable factors, but evidence for bidirectional causal relationships was also found between all three phenotypes even after correcting for these shared genetic factors. We identified 327 pleiotropic loci with 439 lead SNPs in the European ancestry data, 150 of which were novel (i.e., not genome-wide significant in the original studies). Of these pleiotropic loci, 202 had lead variants which showed convergent effects (i.e., same direction of effect) on Scz, CanUD, and Smk. Genetic variants convergent across all three phenotypes showed strong genetic correlations with risk-taking, executive function, and several mental health conditions. Our results suggest that both shared genetic factors and causal mechanisms may play a role in the relationship between CanUD, Smk, and Scz, but longitudinal, prospective studies are needed to confirm a causal relationship.

Itch is a protective sensation that drives scratching. Although specific cell types have been proposed to underlie itch, the neural circuit basis for itch remains unclear. Here, we used two-photon Ca2+ imaging in the dorsal horn to visualize the neuronal populations that are activated by itch-inducing agents. We identify a convergent population of spinal neurons that is defined by the expression of GRPR. Moreover, we discover that itch is conveyed to the brain via GRPR-expressing spinal output neurons that target the lateral parabrachial nucleus. Finally, we demonstrate that a subset of GRPR spinal neurons show persistent, cell-intrinsic Ca2+ oscillations. These experiments provide the first population-level view of the spinal neurons that respond to pruritic stimuli and pinpoint the output neurons that convey itch to the brain.

Itch is a protective sensation that drives scratching. Although specific cell types have been proposed to underlie itch, the neural basis for itch remains unclear. Here, we used two-photon Ca 2+ imaging of the dorsal horn to visualize neuronal populations that are activated by itch-inducing agents. We identify a convergent population of spinal interneurons recruited by diverse itch-causing stimuli that represents a subset of neurons that express the gastrin-releasing peptide receptor (GRPR). Moreover, we find that itch is conveyed to the brain via GRPR-expressing spinal output neurons that target the lateral parabrachial nuclei. We then show that the kappa opioid receptor agonist nalfurafine relieves itch by selectively inhibiting GRPR spinoparabrachial neurons. These experiments provide a population-level view of the spinal neurons that respond to pruritic stimuli, pinpoint the output neurons that convey itch to the brain, and identify the cellular target of kappa opioid receptor agonists for the inhibition of itch.

Abstract Background The use of functional neuroimaging has been an extremely fruitful avenue for investigating the neural basis of human reward function. This approach has included identification of potential neurobiological mechanisms of psychiatric disease and examination of environmental, experiential, and biological factors that may contribute to disease risk via effects on the reward system. However, a central and largely unexamined assumption of much of this research is that neural reward function is an individual difference characteristic that is relatively stable over time. Methods In two independent samples of adolescents and young adults studied longitudinally ( Ns = 145 & 153, 100% female & 100% male, ages 15-21 & 20-22, 2-4 scans & 2 scans respectively), we tested within-person stability of reward-task BOLD activation, with a median of 1 and 2 years between scans. We examined multiple commonly used contrasts of active states and baseline in both the anticipation and feedback phases of a card-guessing reward task. We examined the effects of cortical parcellation resolution, contrast, network (reward regions and resting-state networks), region-size, and activation strength and variability on the stability of reward-related activation. Results Overall, stability (ICC; intra-class correlation) across 1-2 years was modest. In both samples, contrasts of an active state relative to a baseline were more stable (e.g., Win>Baseline; mean ICC = 0.13 – 0.33) than contrasts of two active states (e.g., Win>Loss; mean ICC = 0.048 – 0.05). Additionally, activation in reward regions was less stable than in many non-task networks (e.g., dorsal attention), and activation in regions with greater between-subject variability showed higher stability in both samples. Conclusions These results show that functional neuroimaging activation to reward has modest stability over 1-2 years. Notably, results suggest that contrasts intended to map cognitive function and show robust group-level effects (i.e. Win > Loss) may be less effective in studies of individual differences and disease risk. The robustness of group-level activation should be weighed against other factors when selecting regions of interest in individual difference fMRI studies.