In eukaryotic cells, lysosomes are distributed in the cytoplasm as individual membrane-bound compartments to degrade macromolecules and to control cellular metabolism. A fundamental yet unanswered question is whether and, if so, how individual lysosomes are spatially organized so that their functions can be coordinated and integrated to meet changing needs of cells. To address this question, we analyze their collective behavior in cultured cells using spatial statistical techniques. We find that in single cells, lysosomes maintain nonrandom, stable, yet distinct spatial distributions, which are mediated by the coordinated effects of the cytoskeleton and lysosomal biogenesis on different lysosomal subpopulations. Furthermore, we find that throughout the intracellular space, lysosomes form dynamic clusters that substantially increase their interactions with endosomes. Together, our findings reveal the spatial organization of lysosomes at the whole-cell scale and provide new insights into how organelle interactions are mediated and regulated over the entire intracellular space.

ABSTRACT Picking particles of biological macromolecules from their cryo-electron tomograms is critical to solving their 3D structures in situ . To reach sub-nanometre resolution, large numbers of particles often need to be picked, a laborious and time-consuming task if performed manually. To date, however, the adoption of automated particle-picking methods remains limited because of the limitations in their accuracy, processing speed and, for those based on learning models, manual annotation cost. To overcome the limitations, we develop DeepETPicker, a deep learning model for fast and accurate picking of 3D particles from cryo-electron tomograms. The training of DeepETPicker requires only weak supervision with low numbers of simplified Gaussian-type labels, reducing the burden of manual annotation of tomograms under very low signal-to-noise ratios. The simplified labels combined with the customized and lightweight model architecture of DeepETPicker as well as GPU-accelerated pooling enable substantially improved accuracy and accelerated processing speed. When tested on simulated as well as real tomograms, DeepETPicker outperforms the competing state-of-the-art methods by achieving the highest overall accuracy and speed, which translate into better quality of picked particles and higher resolutions of final reconstruction maps. DeepETPicker is provided in open source with a user-friendly interface to support automated particle picking for high-resolution cryo-electron tomography in situ .

Abstract Membrane-bound intracellular organelles engage in extensive direct interactions through membrane contact or fusion to work together for vital physiological functions. However, how their interactions are regulated is unclear. Lysosomes, for example, interact with ER and endosomes through membrane contact or fusion/fission to receive macromolecular cargos for recycling and degradation. The interactions are thought to be spatially regulated because participating lysosomes and endosomes must be positioned in close proximity. But the mechanism of spatial regulation is unknown. In this study, we examined how individual lysosomes and endosomes move along the endoplasmic reticulum (ER) network and found primarily two modes of movement. In the fast mode they explore different regions. In the slow mode they often pause and become confined near ER junctions to come near each other for interactions. The pause and confinement of lysosomes and endosomes occur in ER regions with elevated network density and connectivity and are mediated by condensation of the actin cytoskeleton, in which the VAP-STARD3-YWHAH pathway plays a key role. Together, these results reveal that ER mediates spatial regulation of lysosome-endosome interactions. Other organelles such as lipid droplets and peroxisomes are also found to pause near ER junctions. Overall, our findings suggest a general ER-mediated mechanism for spatial regulation of organelle interactions.

Abstract Cell fate changes are determined by gene regulatory network (GRN), a sophisticated system regulating gene expression in precise spatial and temporal patterns. However, existing methods for reconstructing GRNs suffer from inherent limitations, leading to compromised accuracy and application generalizability. In this study, we introduce CellPolaris, a computational system that leverages transfer learning algorithms to generate high-quality, cell-type-specific GRNs. Diverging from conventional GRN inference models, which heavily rely on integrating epigenomic data with transcriptomic information or adopt causal strategies through gene co-expression networks, CellPolaris employs high-confidence GRN sources for model training, relying exclusively on transcriptomic data to generate previously unknown cell-type-specific GRNs. Applications of CellPolaris demonstrate remarkable efficacy in predicting master regulatory factors and simulating in-silico perturbations of transcription factors during cell fate transition, attaining state-of-the-art performance in accurately predicting candidate key factors and outcomes in cell reprogramming and spermatogenesis with validated datasets. It is worth noting that, with a transfer learning framework, CellPolaris can perform GRN based predictions in all cell types even across species. Together, CellPolaris represents a significant advancement in deciphering the mechanisms of cell fate regulation, thereby enhancing the precision and efficiency of cell fate manipulation at high resolution.

Abstract Single particle tracking is an important image analysis technique widely used in biomedical sciences to follow the movement of sub-cellular structures, which typically appear as individual particles in fluorescence microscopy images. In practice, the low signal-to-noise ratio (SNR) of fluorescence microscopy images as well as the high density and complex movement of subcellular structures pose substantial technical challenges for accurate and robust tracking. In this paper, we propose a novel Transformer-based single particle tracking method called Motion Transformer Tracker (MoTT). By using its attention mechanism to learn complex particle behaviors from past and hypothetical future tracklets (i.e., fragments of trajectories), MoTT estimates the matching probabilities between each live/established tracklet and its multiple hypothesis tracklets simultaneously, as well as the existence probability and position of each live tracklet. Global optimization is then used to find the overall best matching for all live tracklets. For those tracklets with high existence probabilities but missing detections due to e.g., low SNRs, MoTT utilizes its estimated particle positions to substitute for the missed detections, a strategy we refer to as relinking in this study. Experiments have confirmed that this strategy substantially alleviates the impact of missed detections and enhances the robustness of our tracking method. Overall, our method substantially outperforms competing state-of-the-art methods on the ISBI Particle Tracking Challenge datasets. It provides a powerful tool for studying the complex spatiotemporal behavior of subcellular structures. The source code is publicly available at https://github.com/imzhangyd/MoTT.git .

Abstract Deciphering the universal gene regulatory mechanisms in diverse organisms holds great potential to advance our knowledge of fundamental life process and facilitate research on clinical applications. However, the traditional research paradigm primarily focuses on individual model organisms, resulting in limited collection and integration of complex features on various cell types across species. Recent breakthroughs in single-cell sequencing and advancements in deep learning techniques present an unprecedented opportunity to tackle this challenge. In this study, we developed GeneCompass, the first knowledge-informed, cross-species foundation model pre-trained on an extensive dataset of over 120 million single-cell transcriptomes from human and mouse. During pre-training, GeneCompass effectively integrates four types of biological prior knowledge to enhance the understanding of gene regulatory mechanisms in a self-supervised manner. Fine-tuning towards multiple downstream tasks, GeneCompass outperforms competing state-of-the-art models in multiple tasks on single species and unlocks new realms of cross-species biological investigation. Overall, GeneCompass marks a milestone in advancing knowledge of universal gene regulatory mechanisms and accelerating the discovery of key cell fate regulators and candidate targets for drug development.

Volume electron microscopy (vEM) is a state-of-the-art technique for visualizing 3D structures of biological systems such as cells, tissues and organs at nanometer resolution. But the conflicting requirements of large scale, high throughput and isotropic resolution remain a bottleneck for vEM. In this work, we developed the method EMformer, leverages the video transformer model architecture to boost the axial resolution and make isotropic reconstruction. EMformer adopts a self-supervision strategy that requires no ground truth for training. Instead, it utilizes high resolution horizontal information to guide the recovery of missing axial information. More importantly, EMformer achieves isotropic reconstruction and session inpainting simultaneously in the case of session missing or inevitable damage. Different from the existing deep learning methods based on 2D models, EMformer makes full use of the three-dimensional spatial continuity of biological structures, thus achieving a higher resolution (improve by ~50% measured by FSC), more continuous and reliable ultrastructure reconstructions than existing methods. Moreover, EMformer can achieve arbitrary-scale isotropic reconstruction, even for fractional anisotropic factor. This enables EMformer to achieve strong robustness and transferability on 3D EM images of different modalities and different anisotropic factors, indicating its potential as a universal pre-trained isotropic reconstruction model for vEM. Experiments on simulated data constructed on the isotropic FIB-SEM dataset (EPFL) and the real anisotropic ssTEM dataset (Cremi), demonstrate that EMformer achieves the best reconstruction with higher performance metrics and lower uncertainty than competing methods, improves the segmentation efficiency, and statistical analysis accuracy for various structures such as neurons, mitochondria, vesicles and bilayers. EMformer will substantially improve the isotropic reconstruction efficiency and throughput of vEM, and extend vEM to larger biological system with higher resolution.