Galectin-3 (Gal3) is a β-galactoside-binding lectin predominantly known as a secreted inflammatory biomarker in cardiovascular disease, with significantly elevated circulating levels in patients with atherosclerosis and myocardial infarction. However, the molecular mechanisms of Galectin-3 action and whether its intracellular role contributes to atherogenesis remain unclear. Using several databases of bulk and single cell RNAseq, we first show that Gal3 transcripts are upregulated during plaque progression with particular abundance in the myeloid/macrophage lineage and foamy macrophages. Furthermore, Gal3 transcripts correlate significantly with increases in a network of lysosomal genes, suggesting a possible link between macrophage Gal3 and lysosomal function. Indeed, instigation of lysosome membrane damage in primary macrophages via cholesterol crystals and LLOMe triggers robust recruitment of Gal3 to lysosomes by sensing exposed carbohydrate moieties of proteins including Lamp1. Gal3 recruitment initiates a two-pronged lysosomal recovery program composed of either lysosomal repair involving the ESCRT complex or lysosomal removal and replacement involving autophagy/lysophagy and TFEB-mediated lysosomal biogenesis. Gal3-KO macrophages corroborate these findings displaying blunted ESCRT recruitment, diminished autophagy and TFEB activation, and resultant accumulation of damaged lysosomes. Gal3-deficiency also results in enhanced apoptosis and inflammasome/IL-1β activation upon triggering of lysosomal stress in macrophages. These findings are recapitulated in vivo, where Gal3-null bone marrow transplanted in atherogenic LDLR-null mice yields increased lesion size as well as altered plaque composition with macrophage accumulation, apoptosis, and necrotic core formation, characteristic features of the advanced plaque. Taken together, our data implicate unique and previously unrecognized protective function for intracellular Galectin-3 in macrophages and atherosclerosis which are distinct from its traditional role as an inflammatory biomarker in cardiovascular disease.

ABSTRACT Background Many diseases may result from disrupted metabolic regulation. Metabolite-GWAS studies assess the association of polymorphic variants with metabolite levels in body fluids. While these studies are successful, they have a high cost and technical expertise burden due to combining the analytical biochemistry of metabolomics with the computational genetics of GWAS. Currently, there are 100s of standalone metabolomics and GWAS studies related to similar diseases or phenotypes. A method that could statically evaluate these independent studies to find novel metabolites-genes association is of high interest. Although such an analysis is limited to genes with known metabolite interactions due to the unpaired nature of the data sets, any discovered associations may represent biomarkers and druggable targets for treatment and prevention. Methods We developed a bioinformatics tool, metGWAS 1.0, that generates and statistically compares metabolic and genomic gene sets using a hypergeometric test. Metabolic gene sets are generated by mapping disease-associated metabolites to interacting proteins (genes) via online databases. Genomic gene sets are identified from a network representation of the GWAS Catalog comprising 100s of studies. Results The metGWAS 1.0 tool was evaluated using standalone metabolomics datasets extracted from two metabolomics-GWAS case studies. In case-study 1, a cardiovascular disease association study, we identified nine genes (APOA5, PLA2G5, PLA2G2D, PLA2G2E, PLA2G2F, LRAT, PLA2G2A, PLB1, and PLA2G7) that interact with metabolites in the KEGG glycerophospholipid metabolism pathway and contain polymorphic variants associated with cardiovascular disease ( P < 0.005). The gene APOA5 was matched from the original metabolomics-GWAS study. In case study 2, a urine metabolome study of kidney metabolism in healthy subjects, we found marginal significance ( P = 0 . 10 and P = 0 . 13 ) for glycine, serine, and threonine metabolism and alanine, aspartate, and glutamate metabolism pathways to GWAS data relating to kidney disease. Conclusion The metGWAS 1.0 platform provides insight into developing methods that bridge standalone metabolomics and disease and phenotype GWAS data. We show the potential to reproduce findings of paired metabolomics-GWAS data and provide novel associations of gene variation and metabolite expression.

ABSTRACT Aims Gestational diabetes mellitus (GDM) poses a significant risk for developing type 2 diabetes mellitus (T2D) and exhibits heterogeneity. However, understanding the link between different types of post‐GDM individuals without diabetes and their progression to T2D is crucial to advance personalised medicine approaches. Materials and Methods We employed a discovery‐based unsupervised machine learning clustering method to generate clustering models for analysing metabolomics, clinical, and biochemical datasets. For this analysis, we selected 225 women who later developed T2D during the 12‐year follow‐up period from the cohort of 1010 women who returned to a non‐diabetic state at 6–9 weeks (study baseline) after a GDM pregnancy based on 2‐h 75 g research OGTTs. The optimal model was selected by assessing Bayesian Information Criterion values, class separation performance, and the potential for clinically distinguishable clusters, accounting for participant prenatal and early postpartum characteristics. Results The selected model comprises three clusters: pancreatic beta cell dysfunction (cluster‐β: median HOMA‐B 161.3 and median HOMA‐IR 3.8), insulin‐resistance (cluster‐IR: median HOMA‐B 630.5 and median HOMA‐IR 16.8), and a mixed cluster (cluster‐mixed: median HOMA‐B 307.2 and median HOMA‐IR 8.6). These clusters are distinguishable based on postpartum blood test parameters such as glucose tolerance, HOMA indices, and fasting lipid profiles including triglycerides, leptin, HDL‐c, and adiponectin, as well as participant age and BMI. Metabolomic analysis identified unique molecular signatures for each cluster. However, the time to T2D onset was not statistically significant among the three clusters ( p = 0.22). Conclusion This study enhances our understanding of the heterogeneity of early postpartum metabolic profiles that characterise the future onset of T2D diabetes in a diverse cohort of women with GDM, revealing insights into distinct mechanisms and personalised intervention strategies for the prevention of T2D.

Gestational diabetes mellitus (GDM), a transient form of diabetes that resolves postpartum, is a major risk factor for type 2 diabetes (T2D) in women. While the progression from GDM to T2D is not fully understood, it involves both genetic and environmental components. By integrating clinical, metabolomic, and genome-wide association study (GWAS) data, we identified associations between decreased sphingolipid biosynthesis and future T2D, in part through the rs267738 allele of the CERS2 gene in Hispanic women shortly after a GDM pregnancy. To understand the impact of the CERS2 gene and risk allele on glucose regulation, we examined whole-body Cers2 knockout and rs267738 knock-in mice. Both models exhibited glucose intolerance and impaired insulin secretion in vivo. Islets isolated from these models also demonstrated reduced β cell function, as shown by decreased insulin secretion ex vivo. Overall, reduced circulating sphingolipids may indicate a high risk of GDM-to-T2D progression and reflect deficits in CERS2 activity that negatively affect glucose homeostasis and β cell function.