Conventional polygenic scores derived from genome-wide association studies do not reflect gene networks that code for biological functions. We present an alternative approach creating a biologically informed polygenic score based on the insulin receptor (IR) gene networks in the mesocorticolimbic system and hippocampus that regulate reward sensitivity/inhibitory control and memory, respectively. Across multiple samples (n = 4300) our biologically-informed IR-PRS score showed better prediction of child impulsivity and cognitive performance, as well as risk for early addiction onset and Alzheimer's disease in comparison to conventional polygenic scores for ADHD, addiction and dementia. This novel, biologically-informed approach enables the use of genomic datasets to probe relevant biological processes involved in neural function and disorders.

Childhood psychiatric symptoms may be associated with advanced biological aging. This study examined whether epigenetic age acceleration (EAA) associates with internalizing and externalizing symptoms across childhood in a longitudinal cohort study. At age 6 buccal epithelial cells from 148 children (69 girls) were collected to survey genome-wide DNA methylation. EAA was estimated using the Horvath clock. Internalizing symptoms at ages 2.5 and 4 years significantly predicted higher EAA at age 6, which in turn was significantly associated with internalizing symptoms from ages 6 to 10 years. Similar trends for externalizing symptoms did not reach significance. These findings indicate advanced biological aging in relation to child mental health and may help better identify those at risk for lasting impairments associated with internalizing disorders.

Abstract The developing retina expresses multiple bHLH transcription factors. Their precise functions and interactions in uncommitted retinal progenitors remain to be fully elucidated. Here, we investigate the roles of bHLH factors ATOH7 and Neurog2 in developing human ES cell-derived 3D retinal organoids. Single cell transcriptome analyses identify three states of proliferating retinal progenitors: pre-neurogenic, neurogenic, and cell cycle-exiting progenitors. Each shows different expression profile of bHLH factors. The distinct cell cycle-exiting progenitors feed into a postmitotic heterozygous neuroblast pool that gives rise to early born neuronal lineages. Elevating ATOH7 or Neurog2 expression accelerates the transition from the pre-neurogenic to the neurogenic state, and expands the exiting progenitor and neuroblast populations. In addition, ATOH7 and Neurog2 significantly, yet differentially, enhance retinal ganglion cell and cone photoreceptor production. Moreover, single cell transcriptome analyses reveal that ATOH7 and Neurog2 assert positive autoregulation, suppress key bHLH factors associated with the neurogenic progenitors, and elevate bHLH factors expressed by exiting progenitors and differentiating neuroblasts. This study thus provides novel insight regarding how ATOH7 and Neurog2 impact human retinal progenitor behaviors and neuroblast fate choices.

Motivation: Polygenic risk scores describe the genomic contribution to complex phenotypes and consistently account for a larger proportion of the variance than single nucleotide polymorphisms alone. However, there is little consensus on the optimal data input for generating polygenic risk scores and existing approaches largely preclude the use of imputed posterior probabilities and strand-ambiguous SNPs. Results: We developed PRS-on-Spark (PRSoS) a polygenic risk score software implemented in Apache Spark and Python that accommodates a variety of data input (e.g., observed genotypes, imputed genotypes or imputed dosage data) and strand-ambiguous SNPs. We show that PRSoS is flexible and efficient, accommodates strand-ambiguous SNP and computes polygenic risk scores at a range of p-value thresholds more quickly than existing software (PRSice). We also show that the use of imputed posterior probabilities and the inclusion of strand ambiguous SNPs increase the proportion of variance explained by a polygenic risk scores for major depression. Availability and Implementation: PRSoS is written in Apache Spark and Python and is freely available (see https://github.com/MeaneyLab/PRSoS).