Summary Progenitor cells play fundamental roles in preserving optimal organismal functions under normal, aging, and disease conditions. However, progenitor cells are incompletely characterized, especially in the brain, partly because conventional methods are restricted by inadequate throughput and resolution for deciphering cell-type-specific proliferation and differentiation dynamics in vivo . Here, we developed TrackerSci , a new technique that combines in vivo labeling of newborn cells with single-cell combinatorial indexing to profile the single-cell chromatin landscape and transcriptome of rare progenitor cells and track cellular differentiation trajectories in vivo . We applied TrackerSci to analyze the epigenetic and gene expression dynamics of newborn cells across entire mouse brains spanning three age stages and in a mouse model of Alzheimer’s disease. Leveraging the dataset, we identified diverse progenitor cell types less-characterized in conventional single cell analysis, and recovered their unique epigenetic signatures. We further quantified the cell-type-specific proliferation and differentiation potentials of progenitor cells, and identified the molecular programs underlying their aging-associated changes ( e.g., reduced neurogenesis/oligodendrogenesis). Finally, we expanded our analysis to study progenitor cells in the aged human brain through profiling ∼800,000 single-cell transcriptomes across five anatomical regions from six aged human brains. We further explored the transcriptome signatures that are shared or divergent between human and mouse oligodendrogenesis, as well as the region-specific down-regulation of oligodendrogenesis in the human cerebellum. Together, the data provide an in-depth view of rare progenitor cells in mammalian brains. We anticipate TrackerSci will be broadly applicable to characterize cell-type-specific temporal dynamics in diverse systems.

Here we described PerturbSci-Kinetics, a novel combinatorial indexing method for capturing three-layer single-cell readout (i.e., whole transcriptomes, nascent transcriptomes, sgRNA identities) across hundreds of genetic perturbations. Through PerturbSci-Kinetics profiling of pooled CRISPR screens targeting a variety of biological processes, we were able to decipher the complexity of RNA regulations at multiple levels (e.g., synthesis, processing, degradation), and revealed key regulators involved in miRNA and mitochondrial RNA processing pathways. Our technique opens the possibility of systematically decoding the genome-wide regulatory network underlying RNA temporal dynamics at scale and cost-effectively.

Abstract Introduction Minor QTLs mining has a very important role in genomic selection, pathway analysis and trait development in agricultural and biological research. Since most individual loci contribute little to complex trait variations, it remains a challenge for traditional statistical methods to identify minor QTLs with subtle phenotypic effects. Here we applied a new framework which combined the GWAS analysis and machine learning feature selection to explore new ways for the study of minor QTLs mining. Results We studied the soybean branching trait with the 2,137 accessions from soybean ( Glycine max ) diversity panel, which was sequenced by 50k SNP chips with 42,080 valid SNPs. First as a baseline study, we conducted the GWAS GAPIT analysis, and we found that only one SNP marker significantly associated with soybean branching was identified. We then combined the GWAS analysis and feature importance analysis with Random Forest score analysis and permutation analysis. Our analysis results showed that there are 36,077 features (SNPs) identified by Random Forest score analysis, and 2,098 features (SNPs) identified by permutation analysis. In total, there are 1,770 features (SNPs) confirmed by both of the Random Forest score analysis and the permutation analysis. Based on our analysis, 328 branching development related genes were identified. A further analysis on GO (gene ontology) term enrichment were applied on these 328 genes. And the gene location and gene expression of these identified genes were provided. Conclusions We find that the combined analysis with GWAS and machine learning feature selection shows significant identification power for minor QTLs mining. The presented research results on minor QTLs mining will help understand the biological activities that lie between genotype and phenotype in terms of causal networks of interacting genes. This study will potentially contribute to effective genomic selection in plant breeding and help broaden the way of molecular breeding in plants.

Introduction Minor QTLs mining has a very important role in genomic selection, pathway analysis and trait development in agricultural and biological research. Since most individual loci contribute little to complex trait variations, it remains a challenge for traditional statistical methods to identify minor QTLs with subtle phenotypic effects. Here we applied a new framework which combined the GWAS analysis and machine learning feature selection to explore new ways for the study of minor QTLs mining. Results We studied the soybean branching trait with the 2,137 accessions from soybean (Glycine max) diversity panel, which was sequenced by 50k SNP chips with 42,080 valid SNPs. First as a baseline study, we conducted the GWAS GAPIT analysis, and we found that only one SNP marker significantly associated with soybean branching was identified. We then combined the GWAS analysis and feature importance analysis with Random Forest score analysis and permutation analysis. Our analysis results showed that there are 36,077 features (SNPs) identified by Random Forest score analysis, and 2,098 features (SNPs) identified by permutation analysis. In total, there are 1,770 features (SNPs) confirmed by both of the Random Forest score analysis and the permutation analysis. Based on our analysis, 328 branching development related genes were identified. A further analysis on GO (gene ontology) term enrichment were applied on these 328 genes. And the gene location and gene expression of these identified genes were provided. Conclusions We find that the combined analysis with GWAS and machine learning feature selection shows significant identification power for minor QTLs mining. The presented research results on minor QTLs mining will help understand the biological activities that lie between genotype and phenotype in terms of causal networks of interacting genes. This study will potentially contribute to effective genomic selection in plant breeding and help broaden the way of molecular breeding in plants.

Gene expression is a dynamic process on multiple scales, e.g. the cell cycle, response to stimuli, normal differentiation and development, etc. However, nearly all techniques for profiling gene expression in single cells fail to directly capture these temporal dynamics, which limits the scope of biology that can be effectively investigated. Towards addressing this, we developed sci-fate, a new technique that combines S4U labeling of newly synthesized mRNA with single cell combinatorial indexing (sci-), in order to concurrently profile the whole and newly synthesized transcriptome in each of many single cells. As a proof-of-concept, we applied sci-fate to a model system of cortisol response and characterized expression dynamics in over 6,000 single cells. From these data, we quantify the dynamics of the cell cycle and glucocorticoid receptor activation, while also exploring their intersection. We furthermore use these data to develop a framework for inferring the distribution of cell state transitions. We anticipate sci-fate may be broadly applicable to quantitatively characterize transcriptional dynamics in diverse systems.