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/ .

A longstanding puzzle in human genetics is what limits the clinical manifestation of hundreds of hereditary diseases to certain tissues or cell types, while their causal genes are present and expressed throughout the human body. Here we considered a possible role for paralogs of causal genes in affecting this tissue selectivity. It has been shown across organisms that paralogs can compensate for the loss of each other. We hypothesized that specifically in the disease tissue causal genes and their paralogs are imbalanced, leading to insufficient compensation and to the emergence of disease phenotypes. While demonstrated previously in the context of few specific diseases, this hypothesis was never assessed quantitatively at large-scale. For this, we analyzed functional relationships between causal genes and their paralogs associated with 112 tissue-selective hereditary diseases. To test our hypothesis we used several large-scale omics datasets, including RNA sequencing profiles of over 30 different human tissues. Indeed, the expression of causal genes and their paralogs was significantly imbalanced in their disease tissues compared to unaffected tissues. Imbalanced expression was evident across different disease tissues, and was common to causal genes with single or multiple paralogs. This imbalance was driven by significant up-regulation of the causal gene in its disease tissue, often combined with significant down-regulation of a paralog. Nevertheless, in additional 20% of the causal genes, a paralog alone was significantly down-regulated in the disease tissue. Our results suggest that dosage relationships between paralogs affect the phenotypic outcome of germline aberrations, adding paralogs as important modifiers of disease manifestation.