Abstract Biology has become a data-intensive science. Recent technological advances in single-cell genomics have enabled the measurement of multiple facets of cellular state, producing datasets with millions of single-cell observations. While these data hold great promise for understanding molecular mechanisms in health and disease, analysis challenges arising from sparsity, technical and biological variability, and high dimensionality of the data hinder the derivation of such mechanistic insights. To promote the innovation of algorithms for analysis of multimodal single-cell data, we organized a competition at NeurIPS 2021 applying the Common Task Framework to multimodal single-cell data integration. For this competition we generated the first multimodal benchmarking dataset for single-cell biology and defined three tasks in this domain: prediction of missing modalities, aligning modalities, and learning a joint representation across modalities. We further specified evaluation metrics and developed a cloud-based algorithm evaluation pipeline. Using this setup, 280 competitors submitted over 2600 proposed solutions within a 3 month period, showcasing substantial innovation especially in the modality alignment task. Here, we present the results, describe trends of well performing approaches, and discuss challenges associated with running the competition.

Abstract How neurogenesis and gliogenesis are coordinated during development and why mature glial cells often share properties with neuroectodermal progenitors remains unclear. Here, we have used single cell RNA sequencing to map the regulatory landscape of neuronal and glial differentiation in the mammalian enteric nervous system (ENS). Our analysis indicates that neurogenic trajectories branch directly from a linear gliogenic axis defined by autonomic neural crest cells adopting sequential states as they progressively lose their strong neurogenic bias and acquire properties of adult enteric glia. We identify gene modules associated with transcriptional programs driving enteric neurogenesis and cell state transitions along the gliogenic axis. By comparing the chromatin accessibility profile of autonomic neural crest and adult enteric glia we provide evidence that the latter maintain an epigenetic memory of their neurogenic past. Finally, we demonstrate that adult enteric glia maintain neurogenic potential and are capable of generating enteric neurons in certain contexts by activating transcriptional programs employed by early ENS progenitors. Our studies uncover a novel configuration of enteric neurogenesis and gliogenesis that enables the coordinate development of ENS lineages and provides a mechanistic explanation for the ability of enteric glia to be functionally integrated into the adult intestine and simultaneously maintain attributes of early ENS progenitors.

Large cohorts of human induced pluripotent stem cells (iPSCs) from healthy donors are a potentially powerful tool for investigating the relationship between genetic variants and cellular phenotypes. Here we integrate high content imaging, gene expression and DNA sequence datasets from over 100 human iPSC lines to explore the genetic basis of inter-individual variability in cell behaviour. By applying a dimensionality reduction approach, Probabilistic Estimation of Expression Residuals (PEER), we extracted factors that captured the effects of intrinsic (genetic) and extrinsic (environmental) conditions. We identified genes that correlated in expression with intrinsic and extrinsic PEER factors and mapped outlier cell behaviour to expression of genes containing rare deleterious SNVs. Our study thus establishes a strategy for determining the genetic basis of inter-individual variability in cell behaviour.

Missense variants are present amongst the healthy population, but some of them are causative of human diseases. Therefore, a classification of variants associated with “healthy” or “diseased” states is not always straightforward. A deeper understanding of the nature of missense variants in health and disease, the cellular processes they may affect, and the general molecular principles which underlie these differences, is essential to better distinguish pathogenic from population variants. Here we quantify variant enrichment across full-length proteins, their domains and 3D-structure defined regions. We integrate this with available transcriptomic and proteomic (protein half-life, thermal stability, abundance) data. Using this approach we have mined a rich set of molecular features which enable us to understand the differences underlying pathogenic and population variants: pathogenic variants mainly affect proteins involved in cell proliferation and nucleotide processing, localise to protein cores and interaction interfaces, and are enriched in more abundant proteins. In terms of their molecular properties, we find that common population variants and pathogenic variants show the greatest contrast. Additionally, in contrary to other studies, we find that rare population variants display features closer to common than pathogenic variants. This study provides molecular details into how different proteins exhibit resilience and/or sensitivity towards missense variants. Such details could be harnessed to predict variant deleteriousness, and prioritise variant-enriched proteins and protein domains for therapeutic targeting and development. The ZoomVar database, which we created for this study, is available at . It allows users to programmatically annotate a large number of missense variants with protein structural information, and to calculate variant enrichment in different protein structural regions.Significance Statement One of the greatest challenges in understanding the genetic basis of diseases is to discriminate between likely harmless and potentially disease-causing sequence variants. To better evaluate the pathogenic potential of missense variants, we developed a strategy to quantitatively measure the enrichment of both disease and non disease-related variants within a protein based on its structural and domain organisation. By integrating available transcriptomics and proteomics data, our approach distinguishes pathogenic from population variants far more clearly than previously possible, and reveals hitherto unknown details of how different proteins exhibit resilience and/or sensitivity towards genetic variants. Our results will help to prioritise variant-enriched proteins for therapeutic targeting; we have created the ZoomVar database, accessible at , for programmatic mapping of user-defined variants to protein structural and domain information.

Recent advances in biotechnologies for genomics and proteomics have expanded our understanding of biological components which play crucial roles in complex mechanisms related to cancer. However, it is still challenging to extract from the available knowledge reliable targets to use in a translational setting. The reasons for this are manifold, but essentially distilling real biological signal from heterogeneous ″big data″ collections is the major hurdle. Here, we aim to establish an in-silico pipeline to explore mutations and their effects on protein-protein interactions, with a focus on acute myeloid leukaemia (AML), one of the most common blood cancers with the highest mortality rate. Our method, based on cyclic interactions of a small number of proteins topologically linked in the network (short loop network motifs), highlights specific protein-protein interactions (PPIs) and their functions in AML when compared with other leukaemias. We also developed a new property named ′short loop commonality′ to measure indirect PPIs occurring via common short loop interactions. This new method detects ″modules″ of PPI networks (PPINs) enriched with common biological functions which have proteins that contain mutation hotspots. We further perform 3D structural modelling to extract atomistic details, which shows that such hotspots map to PPI interfaces as well as active sites. Thus, our study proposes a framework for the macroscopic and microscopic investigation of PPINs, their relation to cancers, and highlights important functional modules in the network to be exploited in targeted drug screening.

A bstract Differentiation of multipotential progenitor cells is a key process in the development of any multi-cellular organism and often continues throughout its life. It is often assumed that a bi-potential progenitor develops along a (relatively) straight trajectory until it reaches a decision point where the trajectory bifurcates. At this point one of two directions is chosen, each direction representing the unfolding of a new transcriptomic programme. However, we have lacked quantitative means for testing this model. Accordingly, we have developed the R package TrajectoryGeometry. Applying this to published data we find several examples where, rather than bifurcate, developmental pathways branch . That is, the bipotential progenitor develops along a relatively straight trajectory leading to one of its potential fates. A second relatively straight trajectory branches off from this towards the other potential fate. In this sense only cells that branch off to follow the second trajectory make a “decision”. Our methods give precise descriptions of the genes and cellular pathways involved in these trajectories. We speculate that branching may be the more common behaviour and may have advantages from a control-theoretic viewpoint.