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 Motivation Accurate prediction of cancer drug response (CDR) is challenging due to the uncertainty of drug efficacy and heterogeneity of cancer patients. Strong evidences have implicated the high dependence of CDR on tumor genomic and transcriptomic profiles of individual patients. Precise identification of CDR is crucial in both guiding anti-cancer drug design and understanding cancer biology. Results In this study, we present DeepCDR which integrates multi-omics profiles of cancer cells and explores intrinsic chemical structures of drugs for predicting cancer drug response. Specifically, DeepCDR is a hybrid graph convolutional network consisting of a uniform graph convolutional network (UGCN) and multiple subnetworks. Unlike prior studies modeling hand-crafted features of drugs, DeepCDR automatically learns the latent representation of topological structures among atoms and bonds of drugs. Extensive experiments showed that DeepCDR outperformed state-of-the-art methods in both classification and regression settings under various data settings. We also evaluated the contribution of different types of omics profiles for assessing drug response. Furthermore, we provided an exploratory strategy for identifying potential cancer-associated genes concerning specific cancer types. Our results highlighted the predictive power of DeepCDR and its potential translational value in guiding disease-specific drug design. Availability DeepCDR is freely available at https://github.com/kimmo1019/DeepCDR Contact ruijiang@tsinghua.edu.cn ; muzhou@sensebrain.site Supplementary information Supplementary data are available at Bioinformatics online.

Abstract Although computational approaches have been complementing high-throughput biological experiments for the identification of functional regions in the human genome, it remains a great challenge to systematically decipher interactions between transcription factors and regulatory elements to achieve interpretable annotations of chromatin accessibility across diverse cellular contexts. Towards this problem, we propose DeepCAGE, a deep learning framework that integrates sequence information and binding status of transcription factors, for the accurate prediction of chromatin accessible regions at a genome-wide scale in a variety of cell types. DeepCAGE takes advantage of a densely connected deep convolutional neural network architecture to automatically learn sequence signatures of known chromatin accessible regions, and then incorporates such features with expression levels and binding activities of human core transcription factors to predict novel chromatin accessible regions. In a series of systematic comparisons with existing methods, DeepCAGE exhibits superior performance in not only the classification but also the regression of chromatin accessibility signals. In detailed analysis of transcription factor activities, DeepCAGE successfully extracts novel binding motifs and measures the contribution of a transcription factor to the regulation with respect to a specific locus in a certain cell type. When applied to whole-genome sequencing data analysis, our method successfully prioritizes putative deleterious variants underlying a human complex trait, and thus provides insights into the understanding of disease-associated genetic variants. DeepCAGE can be downloaded from https://github.com/kimmo1019/DeepCAGE .

Air-plasma-sprayed thermal barrier coatings have complex and variable microstructures. As a result, they require repeated numerical or experimental analyses in each case, which increases the computation time and limits the optimization of the coating structure and processing parameters. In this work, a neural network-based framework for rapidly evaluating the thermal strain of thermal barrier coatings is proposed. The deformation compatibility condition and the generalized Hooke's law considering thermal expansion are applied to constrain the network. The training database is established using one high-resolution scanning electron microscopy structural image. The proposed model is validated using another image database with different microstructure characteristics and cooling temperature ranges. The model strains generated by the proposed model, the general pixel-to-pixel network, and finite-element models are compared. The results show that the constraint equations improve the generalization ability of the neural networks, and the proposed model exhibits higher prediction accuracy and confidence than general networks.

Abstract Fluorescence polarization microscopy is widely used in biology for molecular orientation properties. However, due to the limited temporal resolution of single-molecule orientation localization microscopy and the limited orientation dimension of polarization modulation techniques, achieving simultaneous high temporal-spatial resolution mapping of the three-dimensional (3D) orientation of fluorescent dipoles remains an outstanding problem. Here, we present a super-resolution 3D orientation mapping (3DOM) microscope that resolves 3D orientation by extracting phase information of the six polarization modulation components in reciprocal space. 3DOM achieves an azimuthal precision of 2° and a polar precision of 3° with spatial resolution of 128 nm in the experiments. We validate that 3DOM not only reveals the heterogeneity of the milk fat globule membrane, but also elucidates the 3D structure of biological filaments, including the 3D spatial conformation of λ-DNA and the structural disorder of actin filaments. Furthermore, 3DOM images the dipole dynamics of microtubules labeled with green fluorescent protein in live U2OS cells, reporting dynamic 3D orientation variations. Given its easy integration into existing wide-field microscopes, we expect the 3DOM microscope to provide a multi-view versatile strategy for investigating molecular structure and dynamics in biological macromolecules across multiple spatial and temporal scales.

Abstract CRISPR/Cas9-mediated gene editing provides an effective method for deciphering the molecular mechanisms underlying mosquito development and mosquito-borne disease transmission, as well as for exploring genetic control strategies. However, delivering the Cas9 ribonucleoprotein complex by embryo injection to produce genetic modifications is challenging, is mostly confined to model mosquitoes and specialized laboratories, and has low editing efficiency. Here, we established an effective Receptor-Mediated Ovary Transduction of Cargo (ReMOT) control method, enabling the introduction of heritable mutations into Anopheles sinensis , the major malaria vector in China and Southeast Asia, via the injection of female adult mosquitoes. Injection of a mixture of P2C-DsRed and saponin resulted in red fluorescence in the ovaries, with a 100% success rate. Using this system, we knocked-out the pigment synthesis genes, Aswhite and Asyellow , using injected wild-type (WT) females mated with WT males, resulting in the highest efficiency of gene editing among mosquitoes under the same mating conditions. Furthermore, the gene-editing efficiency was increased by at least 2.1-fold using injected WT females mated with mutant males. This improved ReMOT control method exhibits high editing efficiency, with important benefits in terms of functional genomics research and genetic control strategies in An. sinensis . Moreover, this represents a convenient method for gene manipulation in laboratories that are unable to perform embryo injection or that lack embryo-injection equipment.

ABSTRACT Accurate and robust prediction of patient-specific responses to drug treatments is critical for drug development and personalized medicine. However, patient data are often too scarce to train a generalized machine learning model. Although many methods have been developed to utilize cell line data, few of them can reliably predict individual patient clinical responses to new drugs due to data distribution shift and confounding factors. We develop a novel Context-aware Deconfounding Autoencoder (CODE-AE) that can extract common biological signals masked by context-specific patterns and confounding factors. Extensive studies demonstrate that CODE-AE effectively alleviates the out-of-distribution problem for the model generalization, significantly improves accuracy and robustness over state-of-the-art methods in both predicting patient-specific ex vivo and in vivo drug responses purely from in vitro screens and disentangling intrinsic biological signals from confounding factors. Using CODE-AE, we screened 50 drugs for 9,808 cancer patients and discovered novel personalized anti-cancer therapies and drug-response biomarkers. Contact: lxie@iscb.org

Abstract Hepatocellular carcinoma (HCC) is a highly lethal cancer for which current available treatment options have limited efficacy. Immunotherapy has emerged as a promising therapeutic option for HCC, yet resistance to immunotherapy is a major challenge. Here, we uncover protein arginine methyltransferase 3 (PRMT3) as a novel driver of immunotherapy resistance in HCC. We show that PRMT3 expression is induced by activated T cells in response to immune checkpoint blockade (ICB) via an interferon-gamma (IFNγ)−STAT1 signaling pathway, and that high PRMT3 expression inversely correlates with tumor-infiltrating CD8 + T cells and predicts poor response to ICB in HCC patients. We demonstrate that genetic depletion and pharmacological inhibition of PRMT3 induce a profound influx of T cells into tumors and activate anti-tumor immunity to suppress HCC progression. Mechanistically, we demonstrate that PRMT3 methylates HSP60, a mitochondrial chaperone protein, at R446, and that this novel post-translational modification is required for HSP60 oligomerization and maintaining mitochondrial homeostasis. We reveal that targeting PRMT3-dependent HSP60-R446 methylation boosts anti-tumor immunity by disrupting mitochondrial function, increasing mitochondrial DNA (mtDNA) leakage, and activating the cGAS/STING pathway, a key innate immune sensor of cytosolic DNA. Importantly, we provide genetic and pharmacologic evidence that targeting PRMT3 enhances anti-PD1 efficacy and anti-tumor immunity in HCC mouse models. Our study identifies PRMT3 as a potential biomarker and therapeutic target to overcome immunotherapy resistance in HCC.

Abstract Emotion is closely related to human cognition and behaviour. In recent years, scholars have conducted extensive research on emotion in waking state based on electroencephalography (EEG) and achieved certain results. However, Emotional activity continues after sleep, with a concentrated response of sleep emotions in dreams. Sleep emotions are concentrated in dreams, which can better reflect a series of real physical and psychological states of the human body. Currently, there is no publicly available dataset for the assessment of dream mood. Therefore, we present a physiological dataset Dream Emotion Evaluation Dataset (DEED) for the assessment of dream mood, which recorded EEG signals from 38 participants over 89 whole sleep nights and 533 dream segments(after exclusion of unqualified nights, those dream segments are extracted from 82 whole sleep nights). We studied the correlations between the subjective ratings and the EEG signals and brain network patterns for dream emotions. In addition, the relationship between the asymmetry of left and right brain bands and positive and negative dream emotions was studied. The machine learning algorithm was also used to classify different emotional EEG, which confirmed the validity of the dataset. In the meantime, we encourage other researchers to explore the underlying neural mechanisms involved in sleep.

Abstract Recent studies have shown that DNA N6-methyladenine (N6-mA) modification is emerging to be a novel and important epigenetic regulator of mammalian gene transcription. Several studies demonstrated DNA N6-mA in human or rodents was regulated by methyltransferase N6AMT1 and demethylase ALKBH1. Moreover, studies in mouse brain or human glioblastoma cells showed that reduced level of N6-mA or higher level of ALKBH1 was correlated with up regulated levels of genes associated with neuronal development. We thus investigated the functional roles of ALKBH1 in sensory axon regeneration. Our results showed that ALKBH1 regulated the level of N6-mA in sensory neurons, and upon peripheral nerve injury ALKBH1 was up regulated in mouse sensory neurons. Functionally, knocking down ALKBH1 in sensory neurons resulted in reduced axon regeneration in vitro and in vivo , which could be rescued by simultaneously knocking down N6AMT1. Moreover, knocking down ALKBH1 led to decreased levels of many neurodevelopment regulatory genes, including neuritin that is well known to enhance axon growth and regeneration. Our study not only revealed a novel physiological function of DNA N6-mA, but also identified a new epigenetic mechanism regulating mammalian axon regeneration. Significance Statement The study demonstrated that DNA N6-methyladenine (N6-mA) modification played important roles in regulation of sensory axon regeneration, likely through controlling the expression of neurodevelopmental associated genes. The results will add new evidence about the physiological function of DNA N6-mA and its regulatory demethylase ALKBH1 in neurons.