Identifying single-cell types in the mouse brain The recent development of single-cell genomic techniques allows us to profile gene expression at the single-cell level easily, although many of these methods have limited throughput. Rosenberg et al. describe a strategy called split-pool ligation-based transcriptome sequencing, or SPLiT-seq, which uses combinatorial barcoding to profile single-cell transcriptomes without requiring the physical isolation of each cell. The authors used their method to profile >100,000 single-cell transcriptomes from mouse brains and spinal cords at 2 and 11 days after birth. Comparisons with in situ hybridization data on RNA expression from Allen Institute atlases linked these transcriptomes with spatial mapping, from which developmental lineages could be identified. Science , this issue p. 176

Abstract Single cell RNA sequencing (scRNA-seq) has become a core tool for researchers to understand biology. As scRNA-seq has become more ubiquitous, many applications demand higher scalability and sensitivity. Split-pool combinatorial barcoding makes it possible to scale projects to hundreds of samples and millions of cells, overcoming limitations of previous droplet based technologies. However, there is still a need for increased sensitivity for both droplet and combinatorial barcoding based scRNA-seq technologies. To meet this need, here we introduce an updated combinatorial barcoding method for scRNA-seq with dramatically improved sensitivity. To assess performance, we profile a variety of sample types, including cell lines, human peripheral blood mononuclear cells (PBMCs), mouse brain nuclei, and mouse liver nuclei. When compared to the previously best performing approach, we find up to a 2.6-fold increase in unique transcripts detected per cell and up to a 1.8-fold increase in genes detected per cell. These improvements to transcript and gene detection increase the resolution of the resulting data, making it easier to distinguish cell types and states in heterogeneous samples. Split-pool combinatorial barcoding already enables scaling to millions of cells, the ability to perform scRNA-seq on previously fixed and frozen samples, and access to scRNA-seq without the need to purchase specialized lab equipment. Our hope is that by combining these previous advantages with the dramatic improvements to sensitivity presented here, we will elevate the standards and capabilities of scRNA-seq for the broader community.

Summary We present a quantitative co-analysis of RNA abundance and sarcomere organization in single cells and an integrated framework to predict subcellular organization states from gene expression. We used human induced pluripotent stem cell (hiPSC)-derived cardiomyocytes expressing mEGFP-tagged alpha-actinin-2 to develop quantitative image analysis tools for systematic and automated classification of subcellular organization. This captured a wide range of sarcomeric organization states within cell populations that were previously difficult to quantify. We performed RNA FISH targeting genes identified by single cell RNA sequencing to simultaneously assess the relationship between transcript abundance and structural states in single cells. Co-analysis of gene expression and sarcomeric patterns in the same cells revealed biologically meaningful correlations that could be used to predict organizational states. This study establishes a framework for multi-dimensional analysis of single cells to study the relationships between gene expression and subcellular organization and to develop a more nuanced description of cell states. Graphical Abstract Transcriptional profiling and structural classification was performed on human induced pluripotent stem cell-derived cardiomyocytes to characterize the relationship between transcript abundance and subcellular organization.

ABSTRACT Cerebellar development and function require precise regulation of molecular and cellular programs to coordinate motor functions and integrate network signals required for cognition and emotional regulation. However, molecular understanding of human cerebellar development is limited. Here, we combined spatially resolved and single-cell transcriptomics to systematically map the molecular, cellular, and spatial composition of early and mid-gestational human cerebellum. This enabled us to transcriptionally profile major cell types and examine the dynamics of gene expression within cell types and lineages across development. The resulting ‘Developmental Cell Atlas of the Human Cerebellum’ demonstrates that the molecular organization of the cerebellar anlage reflects cytoarchitecturally distinct regions and developmentally transient cell types that are insufficiently captured in bulk transcriptional profiles. By mapping disease genes onto cell types, we implicate the dysregulation of specific cerebellar cell types, especially Purkinje cells, in pediatric and adult neurological disorders. These data provide a critical resource for understanding human cerebellar development with implications for the cellular basis of cerebellar diseases.

Abstract We performed a comprehensive analysis of the transcriptional changes within and across cell populations during human induced pluripotent stem cell (hiPSC) differentiation to cardiomyocytes. Using the single cell RNA-seq combinatorial barcoding method SPLiT-seq, we sequenced >20,000 single cells from 55 independent samples representing two differentiation protocols and multiple hiPSC lines. Samples included experimental replicates ranging from undifferentiated hiPSCs to mixed populations of cells at D90 post-differentiation. As expected, differentiated cell populations clustered by time point, with differential expression analysis revealing markers of cardiomyocyte differentiation and maturation changing from D12 to D90. We next performed a complementary cluster-independent sparse regression analysis to identify and rank genes that best assigned cells to differentiation time points. The two highest ranked genes between D12 and D24 ( MYH7 and MYH6 ) resulted in an accuracy of 0.84, and the three highest ranked genes between D24 and D90 ( A2M, H19, IGF2 ) resulted in an accuracy of 0.94, revealing that low dimensional gene features can identify differentiation or maturation stages in differentiating cardiomyocytes. Expression levels of select genes were validated using RNA FISH. Finally, we interrogated differences in differentiation population composition and cardiac gene expression resulting from two differentiation protocols, experimental replicates, and three hiPSC lines in the WTC-11 background to identify sources of variation across these experimental variables.

Abstract We report the synthesis of a molecular machine, fabricated from nucleic acids, which is capable of digesting viral RNA and utilizing it to assemble additional copies of itself inside living cells. The machine’s body plan combines several parts that build upon the target RNA, assembling an immobile, DNA:RNA 4-way junction, which contains a single gene encoding a hammerhead ribozyme (HHR). Full assembly of the machine’s body from its parts enables the subsequent elongation of the gene and transcription of HHR molecules, followed by HHR-mediated digestion of the target molecule. This digestion converts the target to a building block suitable for participation in the assembly of more copies of the machine, mimicking biological heterotrophy. In this work we describe the general design of a prototypical machine, characterize its activity cycle and kinetics, and show that it can be efficiently and safely delivered into live cells. As a proof of principle, we constructed a machine that targets the Autographa californica multicapsid nucleopolyhedrovirus (AcMNPV) GP64 gene, and show that it effectively suppresses viral propagation in a cell population, exhibiting predator/prey-like dynamics with the infecting virus. In addition, the machine significantly reduced viral infection, stress signaling, and innate immune activation inside virus-infected animals. This preliminary design could control the behavior of antisense therapies for a range of applications, particularly against dynamic targets such as viruses and cancer.

Engineering gene sequences with defined functional properties is a major goal of synthetic biology. Deep neural network models, together with gradient ascent-style optimization, show promise for sequence generation. The generated sequences can however get stuck in local minima, have low diversity and their fitness depends heavily on initialization. Here, we develop deep exploration networks (DENs), a type of generative model tailor-made for searching a sequence space to minimize the cost of a neural network fitness predictor. By making the network compete with itself to control sequence diversity during training, we obtain generators capable of sampling hundreds of thousands of high-fitness sequences. We demonstrate the power of DENs in the context of engineering RNA isoforms, including polyadenylation and cell type-specific differential splicing. Using DENs, we engineered polyadenylation signals with more than 10-fold higher selection odds than the best gradient ascent-generated patterns and identified splice regulatory elements predicted to result in highly differential splicing between cell lines.

Our ability to predict protein expression from DNA sequence alone remains poor, reflecting our limited understanding of cis-regulatory grammar and hampering the design of engineered genes for synthetic biology applications. Here, we generate a model that predicts the translational efficiency of the 5′ untranslated region (UTR) of mRNAs in the yeast Saccharomyces cerevisiae. We constructed a library of half a million 50-nucleotide-long random 5′ UTRs and assayed their activity in a massively parallel growth selection experiment. The resulting data allow us to quantify the impact on translation of Kozak sequence composition, upstream open reading frames (uORFs) and secondary structure. We trained a convolutional neural network (CNN) on the random library and showed that it performs well at predicting the translational efficiency of both a held-out set of the random 5′ UTRs as well as native S. cerevisiae 5′ UTRs. The model additionally was used to computationally evolve highly translating 5′ UTRs. We confirmed experimentally that the great majority of the evolved sequences lead to higher translation rates than the starting sequences, demonstrating the predictive power of this model.

Alternative polyadenylation (APA) is a major driver of transcriptome diversity in human cells. Here, we use deep learning to predict APA from DNA sequence alone. We trained our model (APARENT, APA REgression NeT) on isoform expression data from over three million APA reporters, built by inserting random sequence into twelve distinct 3′UTR contexts. Predictions are highly accurate across both synthetic and genomic contexts; when tasked with inferring APA in human 3′UTRs, APARENT outperforms models trained exclusively on endogenous data. Visualizing features learned across all network layers reveals that APARENT recognizes sequence motifs known to recruit APA regulators, discovers previously unknown sequence determinants of cleavage site selection, and integrates these features into a comprehensive, interpretable cis-regulatory code. Finally, we use APARENT to quantify the impact of genetic variants on APA. Our approach detects pathogenic variants in a wide range of disease contexts, expanding our understanding of the genetic origins of disease.