Mutations in non-coding regulatory DNA sequences can alter gene expression, organismal phenotype and fitness1–3. Constructing complete fitness landscapes, in which DNA sequences are mapped to fitness, is a long-standing goal in biology, but has remained elusive because it is challenging to generalize reliably to vast sequence spaces4–6. Here we build sequence-to-expression models that capture fitness landscapes and use them to decipher principles of regulatory evolution. Using millions of randomly sampled promoter DNA sequences and their measured expression levels in the yeast Saccharomyces cerevisiae, we learn deep neural network models that generalize with excellent prediction performance, and enable sequence design for expression engineering. Using our models, we study expression divergence under genetic drift and strong-selection weak-mutation regimes to find that regulatory evolution is rapid and subject to diminishing returns epistasis; that conflicting expression objectives in different environments constrain expression adaptation; and that stabilizing selection on gene expression leads to the moderation of regulatory complexity. We present an approach for using such models to detect signatures of selection on expression from natural variation in regulatory sequences and use it to discover an instance of convergent regulatory evolution. We assess mutational robustness, finding that regulatory mutation effect sizes follow a power law, characterize regulatory evolvability, visualize promoter fitness landscapes, discover evolvability archetypes and illustrate the mutational robustness of natural regulatory sequence populations. Our work provides a general framework for designing regulatory sequences and addressing fundamental questions in regulatory evolution. A framework for studying and engineering gene regulatory DNA sequences, based on deep neural sequence-to-expression models trained on large-scale libraries of random DNA, provides insight into the evolution, evolvability and fitness landscapes of regulatory DNA.

Mutations in non-coding cis -regulatory DNA sequences can alter gene expression, organismal phenotype, and fitness. Fitness landscapes, which map DNA sequence to organismal fitness, are a long-standing goal in biology, but have remained elusive because it is challenging to generalize accurately to the vast space of possible sequences using models built on measurements from a limited number of endogenous regulatory sequences. Here, we construct a sequence-to-expression model for such a landscape and use it to decipher principles of cis -regulatory evolution. Using tens of millions of randomly sampled promoter DNA sequences and their measured expression levels in the yeast Sacccharomyces cerevisiae , we construct a deep transformer neural network model that generalizes with exceptional accuracy, and enables sequence design for gene expression engineering. Using our model, we predict and experimentally validate expression divergence under random genetic drift and strong selection weak mutation regimes, show that conflicting expression objectives in different environments constrain expression adaptation, and find that stabilizing selection on gene expression leads to the moderation of regulatory complexity. We present an approach for detecting selective constraint on gene expression using our model and natural sequence variation, and validate it using observed cis -regulatory diversity across 1,011 yeast strains, cross-species RNA-seq from three different clades, and measured expression-to-fitness curves. Finally, we develop a characterization of regulatory evolvability, use it to visualize fitness landscapes in two dimensions, discover evolvability archetypes, quantify the mutational robustness of individual sequences and highlight the mutational robustness of extant natural regulatory sequence populations. Our work provides a general framework that addresses key questions in the evolution of cis -regulatory sequences.

Abstract De novo heterozygous loss-of-function mutations in PTEN are strongly associated with Autism spectrum disorders (ASD); however, it is unclear how heterozygous mutations in this gene affects different cell types during human brain development, and how these effects vary across individuals. Here, we used human cortical organoids from different donors to identify cell-type-specific developmental events that are affected by heterozygous mutations in PTEN . We profiled individual organoids by single-cell RNA-seq, proteomics and spatial transcriptomics, and revealed abnormalities in developmental timing in human outer radial glia progenitors and deep layer cortical projection neurons, which varied with the donor genetic background. Calcium imaging in intact organoids showed that both accelerated and delayed neuronal development phenotypes resulted in similar abnormal activity of local circuits, irrespective of genetic background. The work reveals donor-dependent, cell-type specific developmental phenotypes of PTEN heterozygosity that later converge on disrupted neuronal activity.

Abstract Aging is a complex process involving transcriptomic changes associated with deterioration across multiple tissues and organs, including the brain. Recent studies using heterochronic parabiosis have shown that various aspects of aging-associated decline are modifiable or even reversible. To better understand how this occurs, we performed single-cell transcriptomic profiling of young and old mouse brains following parabiosis. For each cell type, we catalogued alterations in gene expression, molecular pathways, transcriptional networks, ligand-receptor interactions, and senescence status. Our analyses identified gene signatures demonstrating that heterochronic parabiosis regulates several hallmarks of aging in a cell-type-specific manner. Brain endothelial cells were found to be especially malleable to this intervention, exhibiting dynamic transcriptional changes that affect vascular structure and function. These findings suggest novel strategies for slowing deterioration and driving regeneration in the aging brain through approaches that do not rely on disease-specific mechanisms or actions of individual circulating factors.

Abstract Massively parallel single cell RNA-seq (scRNA-seq) for diverse applications, from cell atlases to functional screens, is increasingly limited by sequencing costs, and large-scale low-cost sequencing can open many additional applications, including patient diagnostics and drug screens. Here, we adapted and systematically benchmarked a newly developed, mostly-natural sequencing by synthesis method for scRNA-seq. We demonstrate successful application in four scRNA-seq case studies of different technical and biological types, including 5’ and 3’ scRNA-seq, human peripheral blood mononuclear cells from a single individual and in multiplex, as well as Perturb-Seq. Our data show comparable results to existing technology, including compatibility with state-of-the-art scRNA-seq libraries independent of the sequencing technology used – thus providing an enhanced cost-effective path for large scale scRNA-seq.

Abstract BACKGROUND In droplet-based single-cell and single-nucleus RNA-seq experiments, not all reads associated with one cell barcode originate from the encapsulated cell. Such background noise is attributed to spillage from cell-free ambient RNA or barcode swapping events. Here, we characterize this background noise exemplified by three single-cell RNA-seq (scRNA-seq) and two single-nucleus RNA-seq (snRNA-seq) replicates of mouse kidney cells. For each experiment, kidney cells from two mouse subspecies were pooled, allowing to identify cross-genotype contaminating molecules and estimate the levels of background noise. RESULTS We find that background noise is highly variable across replicates and individual cells, making up on average 3-35% of the total counts (UMIs) per cell and show that this has a considerable impact on the specificity and detectability of marker genes. In search of the source of background noise, we find that expression profiles of cell-free droplets are very similar to expression profiles of cross-genotype contamination and hence that the majority of background molecules originates from ambient RNA. Finally, we use our genotype-based estimates to evaluate the performance of three methods (CellBender, DecontX, SoupX) that are designed to quantify and remove background noise. We find that CellBender provides the most precise estimates of background noise levels and also yields the highest improvement for marker gene detection. By contrast, clustering and classification of cells are fairly robust towards background noise and only small improvements can be achieved by background removal that may come at the cost of distortions in fine structure. CONCLUSION Our findings help to better understand the extent, sources and impact of background noise in single-cell experiments and provide guidance on how to deal with it.

Neuronal types in the central nervous system differ dramatically in their resilience to injury or insults. Here we studied the selective resilience of mouse retinal ganglion cells (RGCs) following optic nerve crush (ONC), which severs their axons and leads to death of ~80% of RGCs within 2 weeks. To identify expression programs associated with differential resilience, we first used single-cell RNA-seq (scRNA-seq) to generate a comprehensive molecular atlas of 46 RGC types in adult retina. We then tracked their survival after ONC, characterized transcriptomic, physiological, and morphological changes that preceded degeneration, and identified genes selectively expressed by each type. Finally, using loss- and gain-of-function assays in vivo, we showed that manipulating some of these genes improved neuronal survival and axon regeneration following ONC. This study provides a systematic framework for parsing type-specific responses to injury, and demonstrates that differential gene expression can be used to reveal molecular targets for intervention.

A multitude of single-cell RNA sequencing methods have been developed in recent years, with dramatic advances in scale and power, and enabling major discoveries and large scale cell mapping efforts. However, these methods have not been systematically and comprehensively benchmarked. Here, we directly compare seven methods for single cell and/or single nucleus profiling from three types of samples – cell lines, peripheral blood mononuclear cells and brain tissue – generating 36 libraries in six separate experiments in a single center. To analyze these datasets, we developed and applied scumi, a flexible computational pipeline that can be used for any scRNA-seq method. We evaluated the methods for both basic performance and for their ability to recover known biological information in the samples. Our study will help guide experiments with the methods in this study as well as serve as a benchmark for future studies and for computational algorithm development.

Abstract Background Many neurodegenerative diseases (NDs) develop only later in life, when cells in the nervous system lose their structure or function. In genetic forms of NDs, this late onset phenomenon remains largely unexplained. Results Analyzing single cell RNA sequencing (scRNA-seq) from Alzheimer’s disease (AD) patients, we find increased transcriptional heterogeneity in AD excitatory neurons. We hypothesized that transcriptional heterogeneity precedes ND pathologies. To test this idea experimentally, we used juvenile forms (72Q; 180Q) of Huntington’s disease (HD) iPSCs, differentiated them into committed neuronal progenitors, and obtained single cell expression profiles. We show a global increase in gene expression variability in HD. Autophagy genes become more stable, while energy and actin-related genes become more variable in the mutant cells. Knocking-down several differentially-variable genes resulted in increased aggregate formation, a pathology associated with HD. We further validated the increased transcriptional heterogeneity in CHD8 +/- cells, a model for autism spectrum disorder. Conclusions Overall, our results suggest that although NDs develop over time, transcriptional regulation imbalance is present already at very early developmental stages. Therefore, an intervention aimed at this early phenotype may be of high diagnostic value.