We have generated several stable cell lines expressing GFP-labeled centrin. This fusion protein becomes concentrated in the lumen of both centrioles, making them clearly visible in the living cell. Time-lapse fluorescence microscopy reveals that the centriole pair inherited after mitosis splits during or just after telophase. At this time the mother centriole remains near the cell center while the daughter migrates extensively throughout the cytoplasm. This differential behavior is not related to the presence of a nucleus because it is also observed in enucleated cells. The characteristic motions of the daughter centriole persist in the absence of microtubules (Mts). or actin, but are arrested when both Mts and actin filaments are disrupted. As the centrioles replicate at the G1/S transition the movements exhibited by the original daughter become progressively attenuated, and by the onset of mitosis its behavior is indistinguishable from that of the mother centriole. While both centrioles possess associated gamma-tubulin, and nucleate similar number of Mts in Mt repolymerization experiments. during G1 and S only the mother centriole is located at the focus of the Mt array. A model, based on differences in Mt anchoring and release by the mother and daughter centrioles, is proposed to explain these results.

Abstract Recent anecdotal and scientific reports have provided evidence of a link between COVID-19 and chemosensory impairments, such as anosmia. However, these reports have downplayed or failed to distinguish potential effects on taste, ignored chemesthesis, and generally lacked quantitative measurements. Here, we report the development, implementation, and initial results of a multilingual, international questionnaire to assess self-reported quantity and quality of perception in 3 distinct chemosensory modalities (smell, taste, and chemesthesis) before and during COVID-19. In the first 11 days after questionnaire launch, 4039 participants (2913 women, 1118 men, and 8 others, aged 19–79) reported a COVID-19 diagnosis either via laboratory tests or clinical assessment. Importantly, smell, taste, and chemesthetic function were each significantly reduced compared to their status before the disease. Difference scores (maximum possible change ±100) revealed a mean reduction of smell (−79.7 ± 28.7, mean ± standard deviation), taste (−69.0 ± 32.6), and chemesthetic (−37.3 ± 36.2) function during COVID-19. Qualitative changes in olfactory ability (parosmia and phantosmia) were relatively rare and correlated with smell loss. Importantly, perceived nasal obstruction did not account for smell loss. Furthermore, chemosensory impairments were similar between participants in the laboratory test and clinical assessment groups. These results show that COVID-19-associated chemosensory impairment is not limited to smell but also affects taste and chemesthesis. The multimodal impact of COVID-19 and the lack of perceived nasal obstruction suggest that severe acute respiratory syndrome coronavirus strain 2 (SARS-CoV-2) infection may disrupt sensory-neural mechanisms.

It is still not possible to predict whether a given molecule will have a perceived odor or what olfactory percept it will produce. We therefore organized the crowd-sourced DREAM Olfaction Prediction Challenge. Using a large olfactory psychophysical data set, teams developed machine-learning algorithms to predict sensory attributes of molecules based on their chemoinformatic features. The resulting models accurately predicted odor intensity and pleasantness and also successfully predicted 8 among 19 rated semantic descriptors ("garlic," "fish," "sweet," "fruit," "burnt," "spices," "flower," and "sour"). Regularized linear models performed nearly as well as random forest-based ones, with a predictive accuracy that closely approaches a key theoretical limit. These models help to predict the perceptual qualities of virtually any molecule with high accuracy and also reverse-engineer the smell of a molecule.

Abstract Neural networks have proven to be an immensely powerful tool in predicting functional genomic regions, in particular with many recent successes in deciphering gene regulatory logic. However, how model architecture and training strategy choices affect model performance has not been systematically evaluated for genomics models. To address this gap, we held a DREAM Challenge where competitors trained models on a dataset of millions of random promoter DNA sequences and corresponding experimentally determined expression levels to best capture the relationship between regulatory DNA and gene expression in yeast. To robustly evaluate the models, we designed a comprehensive suite of benchmarks encompassing various sequence types. While some benchmarks produced similar results across all models, others differed substantially. For some sequence types, model performances exhibited correlation scores as high as 0.98, while for others, substantial improvement is still required. The top-performing models were all neural networks, which demonstrated substantial performance gains by customizing model architectures to the nature of the experiment and utilizing novel training strategies tailored to genomics sequence data. Overall, our DREAM Challenge highlights the need to benchmark genomics models across different scenarios to uncover their limitations.

There has been recent progress in predicting whether common verbal descriptors such as fishy, floral or fruity apply to the smell of odorous molecules. However, the number of descriptors for which such a prediction is possible to date is very small compared to the large number of descriptors that have been suggested for the profiling of smells. We show here that the use of natural language semantic representations on a small set of general olfactory perceptual descriptors allows for the accurate inference of perceptual ratings for mono-molecular odorants over a large and potentially arbitrary set of descriptors. This is a noteworthy approach given that the prevailing view is that human capacity to identify or characterize odors by name is poor. Our methods, when combined with a molecule-to-ratings model using chemoinformatic features, also allow for the zero-shot learning inference of perceptual ratings for arbitrary molecules. We successfully applied our semantics-based approach to predict perceptual ratings with an accuracy higher than 0.5 for up to 70 olfactory perceptual descriptors in a well-known dataset, a ten-fold increase in the number of descriptors from previous attempts. More- over we accurately predict paradigm odors of four common families of molecules with an AUC of up to 0.75. Our approach solves the need for the consuming task of handcrafting domain specific sets of descriptors in olfaction and collecting ratings for large numbers of descriptors and odorants while establishing that the semantic distance between descriptors defines the equivalent of an odorwheel.

Single-cell RNA-seq technologies are rapidly evolving but while very informative, in standard scRNAseq experiments the spatial organization of the cells in the tissue of origin is lost. Conversely, spatial RNA-seq technologies designed to keep the localization of the cells have limited throughput and gene coverage. Mapping scRNAseq to genes with spatial information increases coverage while providing spatial location. However, methods to perform such mapping have not yet been benchmarked. To bridge the gap, we organized the DREAM Single-Cell Transcriptomics challenge focused on the spatial reconstruction of cells from the Drosophila embryo from scRNAseq data, leveraging as gold standard genes with in situ hybridization data from the Berkeley Drosophila Transcription Network Project reference atlas. The 34 participating teams used diverse algorithms for gene selection and location prediction, while being able to correctly localize rare subpopulations of cells. Selection of predictor genes was essential for this task and such genes showed a relatively high expression entropy, high spatial clustering and the presence of prominent developmental genes such as gap and pair-ruled genes and tissue defining markers.

Abstract Language is often thought as being poorly adapted to precisely describe or quantify smell and olfactory attributes. In this work, we show that semantic descriptors of odors can be implemented in a model to successfully predict odor mixture discriminability, an olfactory attribute. We achieved this by taking advantage of the structure-to-percept model we previously developed for monomolecular odorants, using chemical descriptors to predict pleasantness, intensity and 19 semantic descriptors such as ‘fish’, ‘cold’, ‘burnt’, ‘garlic’, ‘grass’ and ‘sweet’ for odor mixtures, followed by a metric learning to obtain odor mixture discriminability. Through this expansion of the representation of olfactory mixtures, our Semantic model outperforms state of the art methods by taking advantage of the intermediary semantic representations learned from human perception data to enhance and generalize the odor discriminability/similarity predictions. As 10 of the semantic descriptors were selected to predict discriminability/similarity, our approach meets the need of rapidly obtaining interpretable attributes of odor mixtures as illustrated by the difficulty of finding olfactory metamers. More fundamentally, it also shows that language can be used to establish a metric of discriminability in the everyday olfactory space.

Despite 25 years of progress in understanding the molecular mechanisms of olfaction, it is still not possible to predict whether a given molecule will have a perceived odor, or what olfactory percept it will produce. To address this stimulus-percept problem for olfaction, we organized the crowd-sourced DREAM Olfaction Prediction Challenge. Working from a large olfactory psychophysical dataset, teams developed machine learning algorithms to predict sensory attributes of molecules based on their chemoinformatic features. The resulting models predicted odor intensity and pleasantness with high accuracy, and also successfully predicted eight semantic descriptors (garlic, fish, sweet, fruit, burnt, spices, flower, sour). Regularized linear models performed nearly as well as random-forest-based approaches, with a predictive accuracy that closely approaches a key theoretical limit. The models presented here make it possible to predict the perceptual qualities of virtually any molecule with an impressive degree of accuracy to reverse-engineer the smell of a molecule.

Individual cells in clonal populations often respond differently to environmental changes; for binary phenotypes, such as cell death, this can be measured as a fractional response. These types of responses have been attributed to cell-intrinsic stochastic processes and variable abundances of biochemical constituents, such as proteins, but the influence of organelles has yet to be determined. We use the response to TNF-related apoptosis inducing ligand (TRAIL) and a new statistical framework for determining parameter influence on cell-to-cell variability through the inference of variance explained, DEPICTIVE, to demonstrate that variable mitochondria abundance correlates with cell survival and determines the fractional cell death response. By quantitative data analysis and modeling we attribute this effect to variable effective concentrations at the mitochondria surface of the pro-apoptotic protein Bax. Further, we demonstrate that inhibitors of anti-apoptotic Bcl-2 family proteins, used in cancer treatment, may increase the diversity of cellular responses, enhancing resistance to treatment.