Obesity and insulin resistance, the cardinal features of metabolic syndrome, are closely associated with a state of low-grade inflammation1,2. In adipose tissue chronic overnutrition leads to macrophage infiltration, resulting in local inflammation that potentiates insulin resistance3,4. For instance, transgenic expression of Mcp1 (also known as chemokine ligand 2, Ccl2) in adipose tissue increases macrophage infiltration, inflammation and insulin resistance5,6. Conversely, disruption of Mcp1 or its receptor Ccr2 impairs migration of macrophages into adipose tissue, thereby lowering adipose tissue inflammation and improving insulin sensitivity5,7. These findings together suggest a correlation between macrophage content in adipose tissue and insulin resistance. However, resident macrophages in tissues display tremendous heterogeneity in their activities and functions, primarily reflecting their local metabolic and immune microenvironment8. While Mcp1 directs recruitment of pro-inflammatory classically activated macrophages to sites of tissue damage5,8, resident macrophages, such as those present in the adipose tissue of lean mice, display the alternatively activated phenotype9. Despite their higher capacity to repair tissue10, the precise role of alternatively activated macrophages in obesity-induced insulin resistance remains unknown. Using mice with macrophage-specific deletion of the peroxisome proliferator activated receptor-γ (PPARγ), we show here that PPARγ is required for maturation of alternatively activated macrophages. Disruption of PPARγ in myeloid cells impairs alternative macrophage activation, and predisposes these animals to development of diet-induced obesity, insulin resistance, and glucose intolerance. Furthermore, gene expression profiling revealed that downregulation of oxidative phosphorylation gene expression in skeletal muscle and liver leads to decreased insulin sensitivity in these tissues. Together, our findings suggest that resident alternatively activated macrophages have a beneficial role in regulating nutrient homeostasis and suggest that macrophage polarization towards the alternative state might be a useful strategy for treating type 2 diabetes.

Macrophage infiltration and activation in metabolic tissues underlie obesity-induced insulin resistance and type 2 diabetes. While inflammatory activation of resident hepatic macrophages potentiates insulin resistance, the functions of alternatively activated Kupffer cells in metabolic disease remain unknown. Here we show that in response to the Th2 cytokine interleukin-4 (IL-4), peroxisome proliferator-activated receptor δ (PPARδ) directs expression of the alternative phenotype in Kupffer cells and adipose tissue macrophages of lean mice. However, adoptive transfer of PPARδ−/− (Ppard−/−) bone marrow into wild-type mice diminishes alternative activation of hepatic macrophages, causing hepatic dysfunction and systemic insulin resistance. Suppression of hepatic oxidative metabolism is recapitulated by treatment of primary hepatocytes with conditioned medium from PPARδ−/− macrophages, indicating direct involvement of Kupffer cells in liver lipid metabolism. Taken together, these data suggest an unexpected beneficial role for alternatively activated Kupffer cells in metabolic syndrome and type 2 diabetes.

Enhancer elements in the human genome control how genes are expressed in specific cell types and harbor thousands of genetic variants that influence risk for common diseases1–4. Yet, we still do not know how enhancers regulate specific genes, and we lack general rules to predict enhancer–gene connections across cell types5,6. We developed an experimental approach, CRISPRi-FlowFISH, to perturb enhancers in the genome, and we applied it to test >3,500 potential enhancer–gene connections for 30 genes. We found that a simple activity-by-contact model substantially outperformed previous methods at predicting the complex connections in our CRISPR dataset. This activity-by-contact model allows us to construct genome-wide maps of enhancer–gene connections in a given cell type, on the basis of chromatin state measurements. Together, CRISPRi-FlowFISH and the activity-by-contact model provide a systematic approach to map and predict which enhancers regulate which genes, and will help to interpret the functions of the thousands of disease risk variants in the noncoding genome. Combining CRISPRi-FlowFISH to perturb enhancers with an activity-by-contact model to predict complex connections allows systematic mapping of enhancer–gene connections in a given cell type, on the basis of chromatin-state measurements.

Understanding the molecular programs that guide differentiation during development is a major challenge. Here, we introduce Waddington-OT, an approach for studying developmental time courses to infer ancestor-descendant fates and model the regulatory programs that underlie them. We apply the method to reconstruct the landscape of reprogramming from 315,000 single-cell RNA sequencing (scRNA-seq) profiles, collected at half-day intervals across 18 days. The results reveal a wider range of developmental programs than previously characterized. Cells gradually adopt either a terminal stromal state or a mesenchymal-to-epithelial transition state. The latter gives rise to populations related to pluripotent, extra-embryonic, and neural cells, with each harboring multiple finer subpopulations. The analysis predicts transcription factors and paracrine signals that affect fates and experiments validate that the TF Obox6 and the cytokine GDF9 enhance reprogramming efficiency. Our approach sheds light on the process and outcome of reprogramming and provides a framework applicable to diverse temporal processes in biology.

The human genome contains thousands of long non-coding RNAs1, but specific biological functions and biochemical mechanisms have been discovered for only about a dozen2-7. A specific long non-coding RNA-non-coding RNA activated by DNA damage (NORAD)-has recently been shown to be required for maintaining genomic stability8, but its molecular mechanism is unknown. Here we combine RNA antisense purification and quantitative mass spectrometry to identify proteins that directly interact with NORAD in living cells. We show that NORAD interacts with proteins involved in DNA replication and repair in steady-state cells and localizes to the nucleus upon stimulation with replication stress or DNA damage. In particular, NORAD interacts with RBMX, a component of the DNA-damage response, and contains the strongest RBMX-binding site in the transcriptome. We demonstrate that NORAD controls the ability of RBMX to assemble a ribonucleoprotein complex-which we term NORAD-activated ribonucleoprotein complex 1 (NARC1)-that contains the known suppressors of genomic instability topoisomerase I (TOP1), ALYREF and the PRPF19-CDC5L complex. Cells depleted for NORAD or RBMX display an increased frequency of chromosome segregation defects, reduced replication-fork velocity and altered cell-cycle progression-which represent phenotypes that are mechanistically linked to TOP1 and PRPF19-CDC5L function. Expression of NORAD in trans can rescue defects caused by NORAD depletion, but rescue is significantly impaired when the RBMX-binding site in NORAD is deleted. Our results demonstrate that the interaction between NORAD and RBMX is important for NORAD function, and that NORAD is required for the assembly of the previously unknown topoisomerase complex NARC1, which contributes to maintaining genomic stability. In addition, we uncover a previously unknown function for long non-coding RNAs in modulating the ability of an RNA-binding protein to assemble a higher-order ribonucleoprotein complex.

Abstract Understanding the molecular programs that guide cellular differentiation during development is a major goal of modern biology. Here, we introduce an approach, WADDINGTON-OT, based on the mathematics of optimal transport, for inferring developmental landscapes, probabilistic cellular fates and dynamic trajectories from large-scale single-cell RNA-seq (scRNA-seq) data collected along a time course. We demonstrate the power of WADDINGTON-OT by applying the approach to study 65,781 scRNA-seq profiles collected at 10 time points over 16 days during reprogramming of fibroblasts to iPSCs. We construct a high-resolution map of reprogramming that rediscovers known features; uncovers new alternative cell fates including neuraland placental-like cells; predicts the origin and fate of any cell class; highlights senescent-like cells that may support reprogramming through paracrine signaling; and implicates regulatory models in particular trajectories. Of these findings, we highlight Obox6 , which we experimentally show enhances reprogramming efficiency. Our approach provides a general framework for investigating cellular differentiation.

Abstract The application of Machine Learning (ML) tools to engineer novel antibodies having predictable functional properties is gaining prominence. Herein, we present a platform that employs an ML-guided optimization of the complementarity-determining region (CDR) together with a CDR framework (FR) shuffling method to engineer affinity-enhanced and clinically developable monoclonal antibodies (mAbs) from a limited experimental screen space (order of 10^2 designs) using only two experimental iterations. Although high-complexity deep learning models like graph neural networks (GNNs) and large language models (LLMs) have shown success on protein folding with large dataset sizes, the small and biased nature of the publicly available antibody-antigen interaction datasets is not sufficient to capture the diversity of mutations virtually screened using these models in an affinity enhancement campaign. To address this key gap, we introduced inductive biases learned from extensive domain knowledge on protein-protein interactions through feature engineering and selected model hyper parameters to reduce overfitting of the limited interaction datasets. Notably we show that this platform performs better than GNNs and LLMs on an in-house validation dataset that is enriched in diverse CDR mutations that go beyond alanine-scanning. To illustrate the broad applicability of this platform, we successfully solved a challenging problem of redesigning two different anti-SARS-COV-2 mAbs to enhance affinity (up to 2 orders of magnitude) and neutralizing potency against the dynamically evolving SARS-COV-2 Omicron variants.

ABSTRACT Single-cell quantification of RNAs is important for understanding cellular heterogeneity and gene regulation, yet current approaches suffer from low sensitivity for individual transcripts, limiting their utility for many applications. Here we present Hybridization of Probes to RNA for sequencing (HyPR-seq), a method to sensitively quantify the expression of up to 100 chosen genes in single cells. HyPR-seq involves hybridizing DNA probes to RNA, distributing cells into nanoliter droplets, amplifying the probes with PCR, and sequencing the amplicons to quantify the expression of chosen genes. HyPR-seq achieves high sensitivity for individual transcripts, detects nonpolyadenylated and low-abundance transcripts, and can profile more than 100,000 single cells. We demonstrate how HyPR-seq can profile the effects of CRISPR perturbations in pooled screens, detect time-resolved changes in gene expression via measurements of gene introns, and detect rare transcripts and quantify cell type frequencies in tissue using low-abundance marker genes. By directing sequencing power to genes of interest and sensitively quantifying individual transcripts, HyPR-seq reduces costs by up to 100-fold compared to whole-transcriptome scRNA-seq, making HyPR-seq a powerful method for targeted RNA profiling in single cells.

Mammalian genomes harbor millions of noncoding elements called enhancers that quantitatively regulate gene expression, but it remains unclear which enhancers regulate which genes. Here we describe an experimental approach, based on CRISPR interference, RNA FISH, and flow cytometry (CRISPRi-FlowFISH), to perturb enhancers in the genome, and apply it to test >3,000 potential regulatory enhancer-gene connections across multiple genomic loci. A simple equation based on a mechanistic model for enhancer function performed remarkably well at predicting the complex patterns of regulatory connections we observe in our CRISPR dataset. This Activity-by-Contact (ABC) model involves multiplying measures of enhancer activity and enhancer-promoter 3D contacts, and can predict enhancer-gene connections in a given cell type based on chromatin state maps. Together, CRISPRi-FlowFISH and the ABC model provide a systematic approach to map and predict which enhancers regulate which genes, and will help to interpret the functions of the thousands of disease risk variants in the noncoding genome.