Abstract Spatially resolved transcriptomics provides a new way to define spatial contexts and understand biological functions in complex diseases. Although some computational frameworks can characterize spatial context via various clustering methods, the detailed spatial architectures and functional zonation often cannot be revealed and localized due to the limited capacities of associating spatial information. We present RESEPT, a deep-learning framework for characterizing and visualizing tissue architecture from spatially resolved transcriptomics. Given inputs as gene expression or RNA velocity, RESEPT learns a three-dimensional embedding with a spatial retained graph neural network from the spatial transcriptomics. The embedding is then visualized by mapping as color channels in an RGB image and segmented with a supervised convolutional neural network model. Based on a benchmark of sixteen 10x Genomics Visium spatial transcriptomics datasets on the human cortex, RESEPT infers and visualizes the tissue architecture accurately. It is noteworthy that, for the in-house AD samples, RESEPT can localize cortex layers and cell types based on a pre-defined region-or cell-type-specific genes and furthermore provide critical insights into the identification of amyloid-beta plaques in Alzheimer’s disease. Interestingly, in a glioblastoma sample analysis, RESEPT distinguishes tumor-enriched, non-tumor, and regions of neuropil with infiltrating tumor cells in support of clinical and prognostic cancer applications.

Single-cell sequencing transformed biology and medicine, providing an unprecedented high-resolution view at the cellular level. However, the vast variability inherent in single-cell sequencing data impedes its utility for in-depth downstream analysis. Inspired by the foundation models in natural language processing, recent advancements have led to the development of single-cell Large Language Models (scLLMs). These models are designed to discern universal patterns across diverse single-cell datasets, thereby enhancing the signal-to-noise ratio. Despite their potential, multiple studies indicate existing scLLMs do not perform well in zero-short settings, highlighting a pressing need for more effective adaptation techniques. This research proposes several adaptation techniques for scLLMs by preserving the original model parameters while selectively updating newly introduced tensors. This approach aims to overcome the limitations associated with traditional fine-tuning practices, such as catastrophic forgetting and computational inefficiencies. We introduce two Parameter-Efficient Fine-Tuning (PEFT) strategies specifically tailored to refine scLLMs for cell type identification. Our investigations utilizing scGPT demonstrate that PEFT can enhance performance, with the added benefit of up to a 90% reduction in parameter training compared to conventional fine-tuning methodologies. This work paves the way for a new direction in leveraging single-cell models with greater efficiency and efficacy in single-cell biology.

Long bones from mammals host blood cell formation and contain multiple cell types, including adipocytes. Overabundance of adipocytes in bone marrow is associated with pathological conditions such as age-related osteoporosis or marrow aplasia induced by irradiation or chemotherapy. However, physiological functions of bone marrow adipocytes are poorly documented. Herein, we investigated the consequence of total adipocyte deficiency on bone homeostasis in mice. By generating adipocyte-deficient mice using PPARγ deletion, we found that lipoatrophy leads to dramatic alterations of trabecular and cortical femoral bone. More specifically, cortical bone of these mice is extremely porous and poorly defined due to the excessive presence of active bone-resorbing osteoclasts. Thus, despite the supposed role of PPARγ in osteoclast formation, osteoclastogenesis is highly active in this mouse model. Two independent models of lipoatrophy recapitulated this phenotype, demonstrating that hyperosteoclastogenesis is not intrinsically linked to PPARγ deficiency. We further showed that adiponectin, a cytokine produced by adipocytes and mesenchymal stromal cells, is a potent inhibitor of osteoclastogenesis in vitro and in vivo . Consistently, pharmacological activation of adiponectin receptors by the synthetic agonist AdipoRon inhibits mature osteoclast activity both in mouse and human by blocking podosome formation. This adiponectin-inhibiting action on mature osteoclasts occurs though AMPK activation, thereby demonstrating that even fully differentiated and active osteoclasts are sensitive to adipose-derived signals. Finally, we showed that AdipoRon inhibits bone erosion in vivo in a murine model of inflammatory bone loss. Collectively, these data reveal that adiponectin-producing cells are key regulators of bone homeostasis, and that preserving functional bone marrow adiponectin pathway can improve bone integrity in the context of metabolic and inflammatory disorders.

Abstract FatPlants, an open-access, web-based database, consolidates data, annotations, analysis results, and visualizations of lipid-related genes, proteins, and metabolic pathways in plants. Serving as a minable resource, FatPlants offers a user-friendly interface for facilitating studies into the regulation of plant lipid metabolism and supporting breeding efforts aimed at increasing crop oil content. This web resource, developed using data derived from our own research, curated from public resources, and gleaned from academic literature, comprises information on known fatty-acid-related proteins, genes, and pathways in multiple plants, with an emphasis on Glycine max, Arabidopsis thaliana, and Camelina sativa. Furthermore, the platform includes machine-learning based methods and navigation tools designed to aid in characterizing metabolic pathways and protein interactions. Comprehensive gene and protein information cards, a Basic Local Alignment Search Tool search function, similar structure search capacities from AphaFold, and ChatGPT-based query for protein information are additional features. Database URL: https://www.fatplants.net/

Transmembrane proteins (TMPs) serve as important drug targets and accounts for nearly half of the drugs currently available in the market. Research into TMPs interactions and their structural basis will provide key information for drug research and new drug development. Based on previous works like a binding pocket or binding site, our main purpose in this study is to find whether the structural universality (Interaction Domain) exists in all kinds of TMPs interaction regions through a computational approach. After implementing the experiments using our 3D deep learning model and achieve the Matthews correlation coefficient (MCC) of 0.36, we found strong evidence for the existence of the structural basis among TMPs interaction regions. That means those regions, or we call them interaction domains, are structural specific distinguishing to the domains without any interaction. According to this, this work provides a new theoretical basis for TMPs interaction research and can greatly boost the development of the drug industry.