Die Tatsache, dass sich DGKH-GAT in einer vorausgehenden Studie als ein krankheitsübergreifender Risiko-Haplotyp für verschiedene Stimmungserkrankungen herausstellte, legte für uns den Schluss nahe, dass dieser Einfluss auf psychiatrische Symptome haben könnte, die typischerweise mit Stimmungsschwankungen einhergehen. In Anlehnung an das Endophänotypenkonzept vermuteten wir, dass wir über die Symptomebene möglicherweise Parameter definieren könnten, die enger mit DGKH-GAT assoziiert sind als die bipolar-affektive Erkrankung selbst. Ziel dieser Doktorarbeit war es daher, den Einfluss von DGKH-GAT auf klinische Symptome in einer bipolaren Stichprobe darzustellen, wobei wir insbesondere eine Assoziation mit der Dimension „Erregung“, in welcher typische manische Symptome zusammengefasst sind, und der Dimension „Depression“, die typische depressive Symptome umfasst, vermuteten. Zur Erfassung der psychiatrischen Symptome verwendeten wir den OPCRIT (McGuffin et al., 1991; Farmer et al., 1992), eine Checkliste von 90 Items, die Psychopathologie und sozio-demographische Hintergrundinformation erfasst. Um die so erhobenen Daten statistisch sinnvoll auswerten zu können, war eine Zusammenfassung der Items in Dimensionen notwendig. In der Vergangenheit waren zahlreiche Faktorenmodelle für den OPCRIT berechnet worden. Wir entschlossen uns, das 9-Faktorenmodell von Maciukiewicz et al. (2012) zu übernehmen. Als Dimensionen wurden somit „Depression“, „atypische Depression“, „Desorganisation“, „soziales Funktionsniveau“, „Erregung“, „Positiv“, „Psychotisch“, „Substanzgebrauch“ und „Negativ“ definiert. In dieser Arbeit wurde nun für 186 bipolare Patienten die klinische Symptomatik über die gesamte Lebenszeit mittels OPCRIT erfasst. Das Sample setzte sich aus 106 GAT-Trägern und 80 Nicht-Trägern zusammen. Eine signifikante Assoziation mit dem Vorhandensein von DGKH-GAT konnte lediglich für die Dimension „Substanzgebrauch“ ermittelt werden. Da jedoch zwischen Frauen und Männern ein signifikanter Unterschied für diese Dimension bestand und die Merkmale Geschlecht und Vorhandensein von DGKH-GAT statistisch voneinander abhängig waren (t (108) = 3,7; p = 0,000), wurden die Geschlechter nochmals getrennt voneinander berechnet. Hierbei stellte sich heraus, dass bei den Frauen keine Assoziation von DGKH-GAT mit einer OPCRIT-Dimension mehr nachgewiesen werden, wohingegen die signifikante Assoziation zwischen DGKH-GAT und „Substanzgebrauch“ bei den männlichen Probanden weiterhin bestand (t (56,4) = -3,56; p = 0.01). DGKH-GAT zeigte entgegen unserer Erwartung keine Assoziation mit den Stimmungsdimensionen „Depression“ und „Erregung“. Diese Arbeit legt also nahe, dass DGKH-GAT keinen Einfluss auf die Ausprägung von Stimmungssymptomen hat. Möglicherweise lässt sich dieses Ergebnis dadurch erklären, dass, wenn man von einem polygenen Vererbungsmuster mit kleinen Effektstärkten eines einzelnen Haplotyps wie DGKH-GAT auf die klinische Ausprägung von psychiatrischen Symptomen ausgeht, unsere Samplegröße von 186 Patienten für den untersuchten genetischen Zusammenhang zu gering war. Damit wären weitere Untersuchungen mit größeren Kollektiven notwendig, um den Einfluss von DGKH-GAT sicher beurteilen zu können. Es erscheint auch denkbar, dass klinische Symptomkomplexe grundsätzlich nicht geeignet sind, um die Auswirkungen einer genetischen Risikovariante zuverlässig abzubilden, da sie zeitlich nicht stabil sind und durch viele Umweltfaktoren beeinflusst werden können. Bisher ist die exakte Rolle, die das von DGKH kodierte Enzym in der Pathophysiologie der bipolar-affektiven Erkrankung spielt, noch nicht vollständig aufgeklärt worden. Da DGKH am lithiumregulierten Signalweg beteiligt ist, könnte man spekulieren, dass es auf einer ähnlichen Ebene wirkt wie Lithium. Das Medikament übt keinen großen Einfluss auf den Phänotyp aus, sondern verhindert das „Kippen“ in eine Krankheitsphase. Möglicherweise wirkt der Risiko-Haplotyp DGKH-GAT entgegengesetzt, indem er die Erkrankung „anstößt“, wohingegen der Verlauf und die Ausprägung der klinischen Symptomatik durch andere Faktoren beeinflusst wird. / A previous study suggested that haplotyp DGKH-GAT can be seen as common risk factor for mood disorders (bipolar disorder, unipolar depression and aADHD). Our aim was to show associations between haplotyp DGKH-GAT and mood symptoms as well as other psychiatric symptoms. We could not find any associations between DGKH-GAT and clinical symptoms.

Die Untersuchung des Phänotyps bringt z.B. bei genetischen Krankheiten ein Verständnis der zugrunde liegenden Mechanismen mit sich. Aufgrund dessen wurden neue Technologien wie RNA-Interferenz (RNAi) entwickelt, die Genfunktionen entschlüsseln und mehr phänotypische Daten erzeugen. Interpretation der Ergebnisse solcher Versuche ist insbesondere bei heterogenen Daten eine große Herausforderung. Wenige Ansätze haben bisher Daten über die direkte Verknüpfung von Genotyp und Phänotyp hinaus interpretiert. Diese Dissertation zeigt neue Methoden, die Entdeckungen in Phänotypen über Spezies und Methodik hinweg ermöglichen. Es erfolgt eine Erfassung der verfügbaren Datenbanken und der Ansätze zur Analyse ihres Inhalts. Die Grenzen und Hürden, die noch bewältigt werden müssen, z.B. fehlende Datenintegration, lückenhafte Ontologien und der Mangel an Methoden zur Datenanalyse, werden diskutiert. Der Ansatz zur Integration von Genotyp- und Phänotypdaten, PhenomicDB 2, wird präsentiert. Diese Datenbank assoziiert Gene mit Phänotypen durch Orthologie über Spezies hinweg. Im Fokus sind die Integration von RNAi-Daten und die Einbindung von Ontologien für Phänotypen, Experimentiermethoden und Zelllinien. Ferner wird eine Studie präsentiert, in der Phänotypendaten aus PhenomicDB genutzt werden, um Genfunktionen vorherzusagen. Dazu werden Gene aufgrund ihrer Phänotypen mit Textclustering gruppiert. Die Gruppen zeigen hohe biologische Kohärenz, da sich viele gemeinsame Annotationen aus der Gen-Ontologie und viele Protein-Protein-Interaktionen innerhalb der Gruppen finden, was zur Vorhersage von Genfunktionen durch Übertragung von Annotationen von gut annotierten Genen zu Genen mit weniger Annotationen genutzt wird. Zuletzt wird der Prototyp PhenoMIX präsentiert, in dem Genotypen und Phänotypen mit geclusterten Phänotypen, PPi, Orthologien und weiteren Ähnlichkeitsmaßen integriert und deren Gruppierungen zur Vorhersage von Genfunktionen, sowie von phänotypischen Wörtern genutzt. / In diseases with a genetic component, examination of the phenotype can aid understanding the underlying genetics. Technologies to generate high-throughput phenotypes, such as RNA interference (RNAi), have been developed to decipher functions for genes. This large-scale characterization of genes strongly increases phenotypic information. It is a challenge to interpret results of such functional screens, especially with heterogeneous data sets. Thus, there have been only few efforts to make use of phenotype data beyond the single genotype-phenotype relationship. Here, methods are presented for knowledge discovery in phenotypes across species and screening methods. The available databases and various approaches to analyzing their content are reviewed, including a discussion of hurdles to be overcome, e.g. lack of data integration, inadequate ontologies and shortage of analytical tools. PhenomicDB 2 is an approach to integrate genotype and phenotype data on a large scale, using orthologies for cross-species phenotypes. The focus lies on the uptake of quantitative and descriptive RNAi data and ontologies of phenotypes, assays and cell-lines. Then, the results of a study are presented in which the large set of phenotype data from PhenomicDB is taken to predict gene annotations. Text clustering is utilized to group genes based on their phenotype descriptions. It is shown that these clusters correlate well with indicators for biological coherence in gene groups, such as functional annotations from the Gene Ontology (GO) and protein-protein interactions. The clusters are then used to predict gene function by carrying over annotations from well-annotated genes to less well-characterized genes. Finally, the prototype PhenoMIX is presented, integrating genotype and phenotype data with clustered phenotypes, orthologies, interaction data and other similarity measures. Data grouped by these measures are evaluated for theirnpredictiveness in gene functions and phenotype terms.

Neurogenesis in the adult hippocampus contributes to learning and memory in the healthy brain but is dysregulated in metabolic and neurodegenerative diseases. The molecular relationships between neural stem cell activity, adult neurogenesis, and global metabolism are largely unknown. Here we applied unbiased systems genetics methods to quantify genetic covariation among adult neurogenesis and metabolic phenotypes in peripheral tissues of a genetically diverse family of rat strains, derived from a cross between the spontaneously hypertensive (SHR/OlaIpcv) strain and Brown Norway (BN-Lx/Cub). The HXB/BXH family is a very well established model to dissect genetic variants that modulate metabolic and cardiovascular diseases and we have accumulated deep phenome and transcriptome data in a FAIR-compliant resource for systematic and integrative analyses. Here we measured rates of precursor cell proliferation, survival of new neurons, and gene expression in the hippocampus of the entire HXB/BXH family, including both parents. These data were combined with published metabolic phenotypes to detect a neurometabolic quantitative trait locus (QTL) for serum glucose and neuronal survival on Chromosome 16: 62.1–66.3 Mb. We subsequently fine-mapped the key phenotype to a locus that includes the Telo2-interacting protein 2 gene (Tti2)—a chaperone that modulates the activity and stability of PIKK kinases. To verify the hypothesis that differences in neurogenesis and glucose levels are caused by a polymorphism in Tti2, we generated a targeted frameshift mutation on the SHR/OlaIpcv background. Heterozygous SHR-Tti2+/- mutants had lower rates of hippocampal neurogenesis and hallmarks of dysglycemia compared to wild-type littermates. Our findings highlight Tti2 as a causal genetic link between glucose metabolism and structural brain plasticity. In humans, more than 800 genomic variants are linked to TTI2 expression, seven of which have associations to protein and blood stem cell factor concentrations, blood pressure and frontotemporal dementia.

Die biotechnologischen Entwicklungen der letzten Jahre ermöglichen eine immer detailliertere Untersuchung von genetischen und molekularen Markern mit multiplen komplexen Traits. Allerdings liefern vorhandene statistische Methoden für diese komplexen Analysen oft keine valide Inferenz. Das erste Ziel der vorliegenden Arbeit ist, zwei neue statistische Methoden für Assoziationsstudien von genetischen Markern mit multiplen Phänotypen zu entwickeln, effizient und robust zu implementieren, und im Vergleich zu existierenden statistischen Methoden zu evaluieren. Der erste Ansatz, C-JAMP (Copula-based Joint Analysis of Multiple Phenotypes), ermöglicht die Assoziation von genetischen Varianten mit multiplen Traits in einem gemeinsamen Copula Modell zu untersuchen. Der zweite Ansatz, CIEE (Causal Inference using Estimating Equations), ermöglicht direkte genetische Effekte zu schätzen und testen. C-JAMP wird in dieser Arbeit für Assoziationsstudien von seltenen genetischen Varianten mit quantitativen Traits evaluiert, und CIEE für Assoziationsstudien von häufigen genetischen Varianten mit quantitativen Traits und Ereigniszeiten. Die Ergebnisse von umfangreichen Simulationsstudien zeigen, dass beide Methoden unverzerrte und effiziente Parameterschätzer liefern und die statistische Power von Assoziationstests im Vergleich zu existierenden Methoden erhöhen können - welche ihrerseits oft keine valide Inferenz liefern. Für das zweite Ziel dieser Arbeit, neue genetische und transkriptomische Marker für kardiometabolische Traits zu identifizieren, werden zwei Studien mit genom- und transkriptomweiten Daten mit C-JAMP und CIEE analysiert. In den Analysen werden mehrere neue Kandidatenmarker und -gene für Blutdruck und Adipositas identifiziert. Dies unterstreicht den Wert, neue statistische Methoden zu entwickeln, evaluieren, und implementieren. Für beide entwickelten Methoden sind R Pakete verfügbar, die ihre Anwendung in zukünftigen Studien ermöglichen. / In recent years, the biotechnological advancements have allowed to investigate associations of genetic and molecular markers with multiple complex phenotypes in much greater depth. However, for the analysis of such complex datasets, available statistical methods often don’t yield valid inference. The first aim of this thesis is to develop two novel statistical methods for association analyses of genetic markers with multiple phenotypes, to implement them in a computationally efficient and robust manner so that they can be used for large-scale analyses, and evaluate them in comparison to existing statistical approaches under realistic scenarios. The first approach, called the copula-based joint analysis of multiple phenotypes (C-JAMP) method, allows investigating genetic associations with multiple traits in a joint copula model and is evaluated for genetic association analyses of rare genetic variants with quantitative traits. The second approach, called the causal inference using estimating equations (CIEE) method, allows estimating and testing direct genetic effects in directed acyclic graphs, and is evaluated for association analyses of common genetic variants with quantitative and time-to-event traits. The results of extensive simulation studies show that both approaches yield unbiased and efficient parameter estimators and can improve the power of association tests in comparison to existing approaches, which yield invalid inference in many scenarios. For the second goal of this thesis, to identify novel genetic and transcriptomic markers associated with cardiometabolic traits, C-JAMP and CIEE are applied in two large-scale studies including genome- and transcriptome-wide data. In the analyses, several novel candidate markers and genes are identified, which highlights the merit of developing, evaluating, and implementing novel statistical approaches. R packages are available for both methods and enable their application in future studies.