Abstract Background Children born extremely preterm are at heightened risk for intellectual and social impairment, including Autism Spectrum Disorder (ASD). There is increasing evidence for a key role of the placenta in prenatal developmental programming, suggesting that the placenta may explain origins of neurodevelopmental outcomes. Methods We examined associations between placental genomic and epigenomic profiles and assessed their ability to predict intellectual and social impairment at age 10 years in 379 children from the Extremely Low Gestational Age Newborn (ELGAN) cohort. Assessment of intellectual ability (IQ) and social function was completed with the Differential Ability Scales-II (DAS-II) and Social Responsiveness Scale (SRS), respectively. Examining IQ and SRS allows for studying ASD risk beyond the diagnostic criteria, as IQ and SRS are continuous measures strongly correlated with ASD. Genome-wide mRNA, CpG methylation and miRNA were assayed with the Illumina Hiseq 2500, HTG EdgeSeq miRNA Whole Transcriptome Assay, and Illumina EPIC/850K array, respectively. We conducted genome-wide differential mRNA/miRNA and epigenome-wide placenta analyses. These molecular features were integrated for a predictive analysis of IQ and SRS outcomes using kernel aggregation regression. We lastly examined associations between ASD and the genomically-predicted component of IQ and SRS. Results Genes with important roles in placenta angiogenesis and neural function were associated with intellectual and social impairment. Kernel aggregations of placental multi-omics strongly predicted intellectual and social function, explaining approximately 8% and 12% of the variance in SRS and IQ scores via cross-validation, respectively. Predicted in-sample SRS and IQ showed significant positive and negative associations with ASD case-control status. Limitations The ELGAN is a cohort of children born pre-term, andgeneralization may be affected by unmeasured confounders associated with low gestational age. We conducted external validation of predictive models, though the sample size of the out-sample dataset ( N = 49) and the scope of the available placental datasets are limited. Further validation of the models is merited. Conclusions Aggregating information from biomarkers within and between molecular data types improves prediction of complex traits like social and intellectual ability in children born extremely preterm, suggesting that traits influenced by the placenta-brain axis may be omnigenic.

Latina mothers, who have the highest fertility rate among all ethnic groups in the US, are often exposed to discrimination. The biological impacts of this discrimination are unknown. This study is the first to explore the relationship between discrimination and DNA methylation of stress regulatory genes in Latinas. Our sample was Latina women (n = 147) with a mean age of 27.6 years who were assessed at 24-32 weeks gestation (T1) and 4-6 weeks postpartum (T2) and reside in the U.S. Blood was collected at T1, and the Everyday Discrimination Scale (EDS) was administered at T1 and T2. DNA Methylation at candidate gene regions was determined by bisulphite pyrosequencing. Associations between EDS and DNA methylation were assessed via zero-inflated Poisson models, adjusting for covariates and multiple-test comparisons. Discrimination was negatively associated with methylation at CpG sites within the glucocorticoid receptor (NR3C1) and brain-derived neurotrophic factor (BDNF) genes that were consistent over time. In addition, discrimination was negatively associated with methylation of a CpG in the glucocorticoid binding protein (FKBP5) at T1 but not at T2. This study underscores the complex biological pathways between discrimination and epigenetic modification in Latina women that warrant further investigation to better understand the genetic and psychopathological impact of discrimination on Latino mothers and their families.

Abstract DNA methylation at CpG dinucleotides is one of the most extensively studied epigenetic marks. With technological advancements, geneticists can profile DNA methylation with multiple reliable approaches. However, profiling platforms can differ substantially in the CpGs they assess, consequently hindering integrated analysis across platforms. Here, we present CpG impUtation Ensemble (CUE), which leverages multiple classical statistical and modern machine learning methods, to impute from the Illumina HumanMethylation450 (HM450) BeadChip to the Illumina HumanMethylationEPIC (HM850) BeadChip. Data were analyzed from two population cohorts with methylation measured both by HM450 and HM850: the Extremely Low Gestational Age Newborns (ELGAN) study ( n =127, placenta) and the VA Boston Posttraumatic Stress Disorder (PTSD) genetics repository ( n =144, whole blood). Cross-validation results show that CUE achieves the lowest predicted root mean square error (RMSE) (0.026 in PTSD) and the highest accuracy (99.97% in PTSD) compared with five individual methods tested, including k-nearest-neighbors, logistic regression, penalized functional regression, random forest and XGBoost. Finally, among all 339,033 HM850-only CpG sites shared between ELGAN and PTSD, CUE successfully imputed 289,604 (85.4%) sites, where success was defined as RMSE < 0.05 and accuracy >95% in PTSD. In summary, CUE is a valuable tool for imputing CpG methylation from the HM450 to HM850 platform.

Caregivers who provide transitional care to people with functional dependence require the mastery of skills that ensure successful continuity of care. This domain of care requires nursing interventions to support the caregiver. This study aims to understand aspects of the development of caregiver mastery for continuity of care after hospital discharge.