ABSTRACT Genetic studies of Mendelian and rare diseases face the critical challenges of identifying pathogenic gene variants and their modes-of-action. Previous efforts rarely utilized the tissue-selective manifestation of these diseases for their elucidation. Here we introduce an interpretable machine learning (ML) platform that utilizes heterogeneous and large-scale tissue-aware datasets of human genes, and rigorously, concurrently and quantitatively assesses hundreds of candidate mechanisms per disease. The resulting tissue-aware ML platform is applicable in gene-specific, tissue-specific, or patient-specific modes. Application of the platform to selected Mendelian disease genes pinpointed mechanisms that lead to tissue-specific disease manifestation. When applied jointly to diseases that manifest in the same tissue, the models revealed common known and previously underappreciated factors that underlie tissue-selective disease manifestation. Lastly, we harnessed our ML platform toward genetic diagnosis of tissue-selective rare diseases. Patient-specific models of candidate disease-causing genes from 50 patients successfully prioritized the pathogenic gene in 86% of the cases, implying that the tissue-selectivity of rare diseases aids in filtering out unlikely candidate genes. Thus, interpretable tissue-aware ML models can boost mechanistic understanding and genetic diagnosis of tissue-selective heritable diseases. A webserver supporting gene prioritization is available at https://netbio.bgu.ac.il/trace/ .

Abstract Aneuploidy, an abnormal number of chromosomes within a cell, is considered a hallmark of cancer. Patterns of aneuploidy differ across cancers, yet are similar in cancers affecting closely-related tissues. The selection pressures underlying aneuploidy patterns are not fully understood, hindering our understanding of cancer development and progression. Here, we applied interpretable machine learning (ML) methods to study tissue-selective aneuploidy patterns. We defined 20 types of features of normal and cancer tissues, and used them to model gains and losses of chromosome-arms in 24 cancer types. In order to reveal the factors that shape the tissue-specific cancer aneuploidy landscapes, we interpreted the ML models by estimating the relative contribution of each feature to the models. While confirming known drivers of positive selection, our quantitative analysis highlighted the importance of negative selection for shaping the aneuploidy landscapes of human cancer. Tumor-suppressor gene density was a better predictor of gain patterns than oncogene density, and vice-versa for loss patterns. We identified the contribution of tissue-selective features and demonstrated them experimentally for chr13q gain in colon cancer. In line with an important role for negative selection in shaping the aneuploidy landscapes, we found compensation by paralogs to be a top predictor of chromosome-arm loss prevalence, and demonstrated this relationship for one such paralog interaction. Similar factors were found to shape aneuploidy patterns in human cancer cell lines, demonstrating their relevance for aneuploidy research. Overall, our quantitative, interpretable ML models improve the understanding of the genomic properties that shape cancer aneuploidy landscapes.

ABSTRACT Human adipose depots are functionally distinct. Yet, recent single-nucleus RNA-sequencing (snRNA-seq) analyses largely uncovered overlapping/similar cell-type landscapes. We hypothesized that adipocytes subtypes, differentiation trajectories, and/or intercellular communication patterns could illuminate this depot similarity-difference gap. For this, we performed snRNA-seq of human subcutaneous and visceral adipose tissue. Whereas the majority of adipocytes in both depots were ‘classical’, namely enriched in lipid metabolism pathways, we also observed ‘specialized’ adipocyte subtypes that were enriched in immune-related, extracellular matrix deposition (fibrosis), vascularization/angiogenesis, or ribosomal processes. Pseudo-temporal analysis suggested a developmental trajectory from adipose progenitor cells to classical adipocytes via specialized adipocytes, suggesting that the classical state stems from loss, rather than gain, of specialized functions. Lastly, intercellular communication routes were consistent with the different inflammatory tone of the two depots. Jointly, these findings provide a high-resolution view into the contribution of cellular composition, differentiation, and intercellular communication patterns to human fat depot differences.

Abstract Background Anomaly detection in graphs is critical in various domains, notably in medicine and biology, where anomalies often encapsulate pivotal information. Here, we focused on network analysis of molecular interactions between proteins, which is commonly used to study and infer the impact of proteins on health and disease. In such a network, an anomalous protein might indicate its impact on the organism’s health. Results We propose Weighted Graph Anomalous Node Detection (WGAND), a novel machine learning-based method for detecting anomalies in weighted graphs. WGAND is based on the observation that edge patterns of anomalous nodes tend to deviate significantly from expected patterns. We quantified these deviations to generate features, and utilized the resulting features to model the anomaly of nodes, resulting in node anomaly scores. We created four variants of the WGAND methods and compared them to two previously-published (baseline) methods. We evaluated WGAND on data of protein interactions in 17 human tissues, where anomalous nodes corresponded to proteins with major roles in tissue contexts. In 13 of the tissues, WGAND obtained higher AUC and P@K than baseline methods. We demonstrate that WGAND effectively identified proteins that participate in tissue-specific processes and diseases. Conclusion We present WGAND, a new approach to anomaly detection in weighted graphs. Our results underscore its capability to highlight critical proteins within protein-protein interaction networks. WGAND holds the promise to enhance our understanding of intricate biological processes and might pave the way for novel therapeutic strategies targeting tissue-specific diseases. Its versatility ensures its applicability across diverse weighted graphs, making it a robust tool for detecting anomalous nodes.

ABSTRACT Protein clearance is fundamental to proteome health. In eukaryotes, it is carried by two highly conserved proteolytic systems, the ubiquitin-proteasome system (UPS) and the autophagy-lysosome pathway (ALP). Despite their pivotal role, the basal organization of the human protein clearance systems across tissues and cell types remains uncharacterized. Here, we interrogated this organization using diverse omics datasets. Relative to other protein-coding genes, UPS and ALP genes were more widely expressed, encoded more housekeeping proteins, and were more essential for growth, in accordance with their fundamental roles. Most of the UPS and ALP genes were nevertheless differentially expressed across tissues, and their tissue-specific upregulation was associated with tissue-specific functions, phenotypes, and disease susceptibility. The small subset of UPS and ALP genes that was stably expressed across tissues was more highly and widely expressed and more essential for growth than other UPS and ALP genes, suggesting that it acts as a core. Lastly, we compared protein clearance to other branches of the proteostasis network. Protein clearance and folding were closely coordinated across tissues, yet both were less pivotal than protein synthesis. Taken together, we propose that the proteostasis network is organized hierarchically and is tailored to the proteome needs. This organization could contribute to and illuminate tissue-selective phenotypes.

The sensitivity of the protein-folding environment to chaperone disruption can be highly tissue-specific. Yet, the organization of the chaperone system across physiological human tissues has received little attention. Here, we used human tissue RNA-sequencing profiles to analyze the expression and organization of chaperones across 29 main tissues. We found that relative to protein-coding genes, chaperones were significantly more ubiquitously and highly expressed across all tissues. Nevertheless, differential expression analysis revealed that most chaperones were up- or down-regulated in certain tissues, suggesting that they have tissue-specific roles. In agreement, chaperones that were upregulated in skeletal muscle were highly enriched in mouse myoblasts and in nematode's muscle tissue, and overlapped significantly with chaperones that are causal for muscle diseases. We also identified a distinct subset of chaperones that formed a uniformly-expressed, cross-family core group conducting basic cellular functions that was significantly more essential for cell survival. Altogether, this suggests a layered architecture of chaperones across tissues that is composed of shared core elements that are complemented by variable elements which give rise to tissue-specific functions and sensitivities, thereby contributing to the tissue-specificity of protein misfolding diseases.