Abstract Expression quantitative trait locus (eQTL) mapping provides a powerful means to identify functional variants influencing gene expression and disease pathogenesis. We report the identification of cis-eQTLs from 7,051 post-mortem samples representing 44 tissues and 449 individuals as part of the Genotype-Tissue Expression (GTEx) project. We find a cis-eQTL for 88% of all annotated protein-coding genes, with one-third having multiple independent effects. We identify numerous tissue-specific cis-eQTLs, highlighting the unique functional impact of regulatory variation in diverse tissues. By integrating large-scale functional genomics data and state-of-the-art fine-mapping algorithms, we identify multiple features predictive of tissue-specific and shared regulatory effects. We improve estimates of cis-eQTL sharing and effect sizes using allele specific expression across tissues. Finally, we demonstrate the utility of this large compendium of cis-eQTLs for understanding the tissue-specific etiology of complex traits, including coronary artery disease. The GTEx project provides an exceptional resource that has improved our understanding of gene regulation across tissues and the role of regulatory variation in human genetic diseases.

Summary Improving effector activity of antigen specific T cells is a major goal in cancer immunotherapy. Despite the identification of several effector T cell (T EFF )-driving transcription factors (TF), the transcriptional coordination of T EFF biology remains poorly understood. We developed an in vivo T cell CRISPR screening platform and identified a novel mechanism restraining T EFF biology through the ETS family TF, Fli1. Genetic deletion of Fli1 enhanced T EFF responses without compromising memory or exhaustion precursors. Fli1 restrained T EFF lineage differentiation by binding to cis -regulatory elements of effector-associated genes. Loss of Fli1 increased chromatin accessibility at ETS:RUNX motifs allowing more efficient Runx3-driven T EFF biology. CD8 T cells lacking Fli1 provided substantially better protection against multiple infections and tumors. These data indicate that Fli1 safeguards the developing CD8 T cell transcriptional landscape from excessive ETS:RUNX-driven T EFF cell differentiation. Moreover, genetic deletion of Fli1 improves T EFF differentiation and protective immunity in infections and cancer.

The Genotype-Tissue Expression (GTEx) project was established to characterize genetic effects on the transcriptome across human tissues, and to link these regulatory mechanisms to trait and disease associations. Here, we present analyses of the v8 data, based on 17,382 RNA-sequencing samples from 54 tissues of 948 post-mortem donors. We comprehensively characterize genetic associations for gene expression and splicing in cis and trans, showing that regulatory associations are found for almost all genes, and describe the underlying molecular mechanisms and their contribution to allelic heterogeneity and pleiotropy of complex traits. Leveraging the large diversity of tissues, we provide insights into the tissue-specificity of genetic effects, and show that cell type composition is a key factor in understanding gene regulatory mechanisms in human tissues.

Understanding the genetics of gene regulation provides information on the cellular mechanisms through which genetic variation influences complex traits. Expression quantitative trait loci, or eQTLs, are enriched for polymorphisms that have been found to be associated with disease risk. While most analyses of human data has focused on regulation of expression by nearby variants (cis-eQTLs), distal or trans-eQTLs may have broader effects on the transcriptome and important phenotypic consequences, necessitating a comprehensive study of the effects of genetic variants on distal gene transcription levels. In this work, we identify trans-eQTLs in the Genotype Tissue Expression (GTEx) project data, consisting of 449 individuals with RNA-sequencing data across 44 tissue types. We find 81 genes with a trans-eQTL in at least one tissue, and we demonstrate that trans-eQTLs are more likely than cis-eQTLs to have effects specific to a single tissue. We evaluate the genomic and functional properties of trans-eQTL variants, identifying strong enrichment in enhancer elements and Piwi-interacting RNA clusters. Finally, we describe three tissue-specific regulatory loci underlying relevant disease associations: 9q22 in thyroid that has a role in thyroid cancer, 5q31 in skeletal muscle, and a previously reported master regulator near KLF14 in adipose. These analyses provide a comprehensive characterization of trans-eQTLs across human tissues, which contribute to an improved understanding of the tissue-specific cellular mechanisms of regulatory genetic variation.

Background: Genetic regulation of gene expression, revealed by expression quantitative trait loci (eQTLs), varies across tissues in complex patterns ranging from highly tissue-specific effects to effects shared across many or all tissues. Improved characterization of these patterns may allow us to better understand the biological mechanisms that underlie tissue-specific gene regulation and disease etiology. Results: We develop a constrained matrix factorization model to learn patterns of tissue sharing and tissue specificity of eQTLs across 49 human tissues from the Genotype-Tissue Expression (GTEx) project. The learned factors include patterns reflecting tissues with known biological similarity or shared cell types, in addition to a dense factor representing a universal genetic effect across all tissues. To explore the regulatory mechanisms that generate tissue-specific patterns of expression, we evaluate chromatin state enrichment and identify specific transcription factors with binding sites enriched for eQTLs from each factor. Conclusions: Our results demonstrate that matrix factorization can be applied to learn the tissue specificity pattern of eQTLs and that it exhibits better biological interpretability than heuristic methods. We present a framework to characterize the tissue specificity of eQTLs, and we identify examples of tissue-specific eQTLs that may be driven by tissue-specific transcription factor (TF) binding, with relevance to interpretation of disease association. Keywords: Matrix factorization, Universal eQTLs, Tissue-specific eQTLs, Transcription factors