Recent studies indicate an increased frequency of mutations in the gene encoding glucocerebrosidase (GBA), a deficiency of which causes Gaucher's disease, among patients with Parkinson's disease. We aimed to ascertain the frequency of GBA mutations in an ethnically diverse group of patients with Parkinson's disease.Sixteen centers participated in our international, collaborative study: five from the Americas, six from Europe, two from Israel, and three from Asia. Each center genotyped a standard DNA panel to permit comparison of the genotyping results across centers. Genotypes and phenotypic data from a total of 5691 patients with Parkinson's disease (780 Ashkenazi Jews) and 4898 controls (387 Ashkenazi Jews) were analyzed, with multivariate logistic-regression models and the Mantel-Haenszel procedure used to estimate odds ratios across centers.All 16 centers could detect two GBA mutations, L444P and N370S. Among Ashkenazi Jewish subjects, either mutation was found in 15% of patients and 3% of controls, and among non-Ashkenazi Jewish subjects, either mutation was found in 3% of patients and less than 1% of controls. GBA was fully sequenced for 1883 non-Ashkenazi Jewish patients, and mutations were identified in 7%, showing that limited mutation screening can miss half the mutant alleles. The odds ratio for any GBA mutation in patients versus controls was 5.43 across centers. As compared with patients who did not carry a GBA mutation, those with a GBA mutation presented earlier with the disease, were more likely to have affected relatives, and were more likely to have atypical clinical manifestations.Data collected from 16 centers demonstrate that there is a strong association between GBA mutations and Parkinson's disease.

Autosomal dominant parkinsonism has been attributed to pathogenic amino acid substitutions in leucine-rich repeat kinase 2 (LRRK2). By sequencing multiplex families consistent with a PARK8 assignment, we identified a novel heterozygous LRRK2 mutation. A referral sample of 248 affected probands from families with autosomal dominant parkinsonism was subsequently assessed; 7 (2.8%) were found to carry a heterozygous LRRK2 6055G-->A transition (G2019S). These seven patients originate from the United States, Norway, Ireland, and Poland. In samples of patients with idiopathic Parkinson disease (PD) from the same populations, further screening identified six more patients with LRRK2 G2019S; no mutations were found in matched control individuals. Subsequently, 42 family members of the 13 probands were examined; 22 have an LRRK2 G2019S substitution, 7 with a diagnosis of PD. Of note, all patients share an ancestral haplotype indicative of a common founder, and, within families, LRRK2 G2019S segregates with disease (multipoint LOD score 2.41). Penetrance is age dependent, increasing from 17% at age 50 years to 85% at age 70 years. In summary, our study demonstrates that LRRK2 G2019S accounts for parkinsonism in several families within Europe and North America. Our work highlights the fact that a proportion of clinically typical, late-onset PD cases have a genetic basis.

Objective

To test for an association between the apolipoprotein E (APOE) ϵ4 allele and dementias with synucleinopathy.

Design

Genetic case-control association study.

Setting

Academic research.

Patients

Autopsied subjects were classified into 5 categories: dementia with high-level Alzheimer disease (AD) neuropathologic changes (NCs) but without Lewy body disease (LBD) NCs (AD group; n = 244), dementia with LBDNCs and high-level ADNCs (LBD-AD group; n = 224), dementia with LBDNCs and no or low levels of ADNCs (pure DLB [pDLB] group; n = 91), Parkinson disease dementia (PDD) with no or low levels of ADNCs (n = 81), and control group (n = 269).

Main Outcome Measure

The APOE allele frequencies.

Results

The APOE ϵ4 allele frequency was significantly higher in the AD (38.1%), LBD-AD (40.6%), pDLB (31.9%), and PDD (19.1%) groups compared with the control group (7.2%; overall χ²₄ = 185.25; P = 5.56 × 10⁻³⁹), and it was higher in the pDLB group than the PDD group (P = .01). In an age-adjusted and sex-adjusted dominant model, ϵ4 was strongly associated with AD (odds ratio, 9.9; 95% CI, 6.4-15.3), LBD-AD (odds ratio, 12.6; 95% CI, 8.1-19.8), pDLB (odds ratio, 6.1; 95% CI, 3.5-10.5), and PDD (odds ratio, 3.1; 95% CI, 1.7-5.6).

Conclusions

The APOE ϵ4 allele is a strong risk factor across the LBD spectrum and occurs at an increased frequency in pDLB relative to PDD. This suggests that ϵ4 increases the likelihood of presenting with dementia in the context of a pure synucleinopathy. The elevated ϵ4 frequency in the pDLB and PDD groups, in which the overall brain neuritic plaque burden was low, indicates that apoE might contribute to neurodegeneration through mechanisms unrelated to amyloid processing.

Importance

 Parkinson disease (PD) is heterogeneous in symptom manifestation and rate of progression. Identifying factors that influence disease progression could provide mechanistic insight, improve prognostic accuracy, and elucidate novel therapeutic targets. 

Objective

 To determine whetherGBAmutations and the E326K polymorphism modify PD symptom progression. 

Design, Setting, and Participants

 The entireGBAcoding region was screened for mutations and E326K in 740 patients with PD enrolled at 7 sites from the PD Cognitive Genetics Consortium. Detailed longitudinal motor and cognitive assessments were performed with patients in the on state. 

Main Outcomes and Measures

 Linear regression was used to test for an association betweenGBAgenotype and motor progression, with the Movement Disorder Society–sponsored version of the Unified Parkinson’s Disease Rating Scale Part III (MDS-UPDRS III) score at the last assessment as the outcome andGBAgenotype as the independent variable, with adjustment for levodopa equivalent dose, sex, age, disease duration, MDS-UPDRS III score at the first assessment, duration of follow-up, and site. Similar methods were used to examine the association between genotype and tremor and postural instability and gait difficulty (PIGD) scores. To examine the effect ofGBAgenotype on cognitive progression, patients were classified into those with conversion to mild cognitive impairment or dementia during the study (progression) and those without progression. The association betweenGBAgenotype and progression status was then tested using logistic regression, adjusting for sex, age, disease duration, duration of follow-up, years of education, and site. 

Results

 Of the total sample of 733 patients who underwent successful genotyping, 226 (30.8%) were women and 507 (69.2%) were men (mean [SD] age, 68.1 [8.8] years). The mean (SD) duration of follow-up was 3.0 (1.7) years.GBAmutations (β = 4.65; 95% CI, 1.72-7.58;P = .002), E326K (β = 3.42; 95% CI, 0.66-6.17;P = .02), andGBAvariants combined as a single group (β = 4.01; 95% CI, 1.95-6.07;P = 1.5 × 10⁻⁴) were associated with a more rapid decline in MDS-UPDRS III score. CombinedGBAvariants (β = 0.38; 95% CI, 0.23-0.53;P = .01) and E326K (β = 0.64; 95% CI, 0.43-0.86;P = .002) were associated with faster progression in PIGD scores, but not in tremor scores. A significantly higher proportion of E326K carriers (10 of 21 [47.6%];P = .01) andGBAvariant carriers (15 of 39 [38.5%];P = .04) progressed to mild cognitive impairment or dementia. 

Conclusions and Relevance

 GBAvariants predict a more rapid progression of cognitive dysfunction and motor symptoms in patients with PD, with a greater effect on PIGD than tremor. Thus,GBAvariants influence the heterogeneity in symptom progression observed in PD.

SUMMARY Background Personalized medicine promises individualized disease prediction and treatment. The convergence of machine learning (ML) and available multi-modal data is key moving forward. We build upon previous work to deliver multi-modal predictions of Parkinson’s Disease (PD). Methods We performed automated ML on multi-modal data from the Parkinson’s Progression Marker Initiative (PPMI). After selecting the best performing algorithm, all PPMI data was used to tune the selected model. The model was validated in the Parkinson’s Disease Biomarker Program (PDBP) dataset. Finally, networks were built to identify gene communities specific to PD. Findings Our initial model showed an area under the curve (AUC) of 89.72% for the diagnosis of PD. The tuned model was then tested for validation on external data (PDBP, AUC 85.03%). Optimizing thresholds for classification, increased the diagnosis prediction accuracy (balanced accuracy) and other metrics. Combining data modalities outperforms the single biomarker paradigm. UPSIT was the largest contributing predictor for the classification of PD. The transcriptomic data was used to construct a network of disease-relevant transcripts. Interpretation We have built a model using an automated ML pipeline to make improved multi-omic predictions of PD. The model developed improves disease risk prediction, a critical step for better assessment of PD risk. We constructed gene expression networks for the next generation of genomics-derived interventions. Our automated ML approach allows complex predictive models to be reproducible and accessible to the community. Funding National Institute on Aging, National Institute of Neurological Disorders and Stroke, the Michael J. Fox Foundation, and the Global Parkinson’s Genetics Program. RESEARCH IN CONTEXT Evidence before this study Prior research into predictors of Parkinson’s disease (PD) has either used basic statistical methods to make predictions across data modalities, or they have focused on a single data type or biomarker model. We have done this using an open-source automated machine learning (ML) framework on extensive multi-modal data, which we believe yields robust and reproducible results. We consider this the first true multi-modality ML study of PD risk classification. Added value of this study We used a variety of linear, non-linear, kernel, neural networks, and ensemble ML algorithms to generate an accurate classification of both cases and controls in independent datasets using data that is not involved in PD diagnosis itself at study recruitment. The model built in this paper significantly improves upon our previous models that used the entire training dataset in previous work 1 . Building on this earlier work, we showed that the PD diagnosis can be refined using improved algorithmic classification tools that may yield potential biological insights. We have taken careful consideration to develop and validate this model using public controlled-access datasets and an open-source ML framework to allow for reproducible and transparent results. Implications of all available evidence Training, validating, and tuning a diagnostic algorithm for PD will allow us to augment clinical diagnoses or risk assessments with less need for complex and expensive exams. Going forward, these models can be built on remote or asynchronously collected data which may be important in a growing telemedicine paradigm. More refined diagnostics will also increase clinical trial efficiency by potentially refining phenotyping and predicting onset, allowing providers to identify potential cases earlier. Early detection could lead to improved treatment response and higher efficacy. Finally, as part of our workflow, we built new networks representing communities of genes correlated in PD cases in a hypothesis-free manner, showing how new and existing genes may be connected and highlighting therapeutic opportunities.

Abstract Variants in seven genes (LRRK2, GBA1, PRKN, SNCA, PINK1, PARK7 and VPS35) have been formally adjudicated as causal contributors to Parkinson’s disease; however, individuals with Parkinson’s disease are often unaware of their genetic status since clinical testing is infrequently offered. As a result, genetic information is not incorporated into clinical care, and variant-targeted precision medicine trials struggle to enrol people with Parkinson’s disease. Understanding the yield of genetic testing using an established gene panel in a large, geographically diverse North American population would help patients, clinicians, clinical researchers, laboratories and insurers better understand the importance of genetics in approaching Parkinson’s disease. PD GENEration is an ongoing multi-centre, observational study (NCT04057794, NCT04994015) offering genetic testing with results disclosure and genetic counselling to those in the US (including Puerto Rico), Canada and the Dominican Republic, through local clinical sites or remotely through self-enrolment. DNA samples are analysed by next-generation sequencing including deletion/duplication analysis (Fulgent Genetics) with targeted testing of seven major Parkinson’s disease-related genes. Variants classified as pathogenic/likely pathogenic/risk variants are disclosed to all tested participants by either neurologists or genetic counsellors. Demographic and clinical features are collected at baseline visits. Between September 2019 and June 2023, the study enrolled 10 510 participants across >85 centres, with 8301 having received results. Participants were: 59% male; 86% White, 2% Asian, 4% Black/African American, 9% Hispanic/Latino; mean age 67.4 ± 10.8 years. Reportable genetic variants were observed in 13% of all participants, including 18% of participants with one or more ‘high risk factors’ for a genetic aetiology: early onset (<50 years), high-risk ancestry (Ashkenazi Jewish/Basque/North African Berber), an affected first-degree relative; and, importantly, in 9.1% of people with none of these risk factors. Reportable variants in GBA1 were identified in 7.7% of all participants; 2.4% in LRRK2; 2.1% in PRKN; 0.1% in SNCA; and 0.2% in PINK1, PARK7 or VPS35 combined. Variants in more than one of the seven genes were identified in 0.4% of participants. Approximately 13% of study participants had a reportable genetic variant, with a 9% yield in people with no high-risk factors. This supports the promotion of universal access to genetic testing for Parkinson’s disease, as well as therapeutic trials for GBA1 and LRRK2-related Parkinson’s disease.

Exploring the role of underrepresented populations in polygenic risk scores for neurodegenerative disease risk prediction

Abstract Background Open science and collaboration are necessary to facilitate the advancement of Parkinson’s disease (PD) research. Hackathons are collaborative events that bring together people with different skill sets and backgrounds to generate resources and creative solutions to problems. These events can be used as training and networking opportunities. Objective To coordinate a virtual hackathon to develop novel PD research tools. Methods 49 early career scientists from 12 countries collaborated in a virtual 3-day hackathon event in May 2021, during which they built tools and pipelines with a focus on PD. Resources were created with the goal of helping scientists accelerate their own research by having access to the necessary code and tools. Results Each team was allocated one of nine different projects, each with a different goal. These included developing post-genome-wide association studies (GWAS) analysis pipelines, downstream analysis of genetic variation pipelines, and various visualization tools. Conclusion Hackathons are a valuable approach to inspire creative thinking, supplement training in data science, and foster collaborative scientific relationships, which are foundational practices for early career researchers. The resources generated can be used to accelerate research on the genetics of PD.

Genome-wide association studies (GWAS) have increased our understanding of Parkinson's disease (PD) genetics by identifying common disease-associated variants. However, much of the heritability remains unaccounted for and we hypothesized that this could be partly explained by epistasis, the statistical interaction between two or more genetic variants. Here, we developed a genome-wide non-exhaustive epistasis screening pipeline called Variant-variant interaction through variable thresholds (VARI3) and applied it to diverse PD GWAS cohorts. We used 14 cohorts of European ancestry (14,671 cases and 17,667 controls) as a discovery stage, identifying 14 significant candidate variant-variant interactions. We then used four independent cohorts (13,377 cases and 413,789 controls) as replication stage, successfully replicating three epistasis signals located nearby SNCA and within MAPT and WNT3. Admixture analysis showed that the epistatic effect on PD of those variants at these loci was observed in both European ancestry and Native American ancestry individuals. We assessed the functional impact of the epistasis signals across a range of functional/-omics datasets identifying significant single-variant eQTLs across brain tissues, epistasis eQTL signals in whole-blood, PD-relevant pathways and ontologies, and chromatin interactions between the regions of the interacting SNPs. In conclusion, we identified and replicated novel epistatic signals associated with PD risk across multiple diverse genetic ancestry cohorts, highlighting their enrichment in pathways relevant to Parkinson's disease.