The arrangement (syntax) of transcription factor (TF) binding motifs is an important part of the cis-regulatory code, yet remains elusive. We introduce a deep learning model, BPNet, that uses DNA sequence to predict base-resolution chromatin immunoprecipitation (ChIP)-nexus binding profiles of pluripotency TFs. We develop interpretation tools to learn predictive motif representations and identify soft syntax rules for cooperative TF binding interactions. Strikingly, Nanog preferentially binds with helical periodicity, and TFs often cooperate in a directional manner, which we validate using clustered regularly interspaced short palindromic repeat (CRISPR)-induced point mutations. Our model represents a powerful general approach to uncover the motifs and syntax of cis-regulatory sequences in genomics data.

Summary The response to signaling pathways is highly context-specific, and identifying the transcription factors and mechanisms that are responsible is very challenging. Using the Hippo pathway in mouse trophoblast stem cells as a model, we show here that this information is encoded in cis -regulatory sequences and can be learned from high-resolution binding data of signaling transcription factors. Using interpretable deep learning, we show that the binding levels of TEAD4 and YAP1 are enhanced in a distance-dependent manner by cell type-specific transcription factors, including TFAP2C. We also discovered that strictly spaced Tead double motifs are widespread highly active canonical response elements that mediate cooperativity by promoting labile TEAD4 protein-protein interactions on DNA. These syntax rules and mechanisms apply genome-wide and allow us to predict how small sequence changes alter the activity of enhancers in vivo . This illustrates the power of interpretable deep learning to decode canonical and cell type-specific sequence rules of signaling pathways. Graphical abstract

Genes are regulated by cis-regulatory sequences, which contain transcription factor (TF) binding motifs in specific arrangements (syntax). To understand how motif syntax influences TF binding, we train a deep learning model, BPNet, that uses DNA sequence to predict base-resolution ChIP-nexus binding profiles of four pluripotency TFs Oct4, Sox2, Nanog, and Klf4. We interpret the model to accurately map hundreds of thousands of motifs in the genome, learn predictive motif representations, and identify rules by which specific motifs interact. We find that instances of strict motif spacing are largely due to retrotransposons, but that soft motif syntax influences TF binding in a directional manner. Most strikingly, Nanog shows a strong preference for binding with helical periodicity. We validate our model using CRISPR-induced point mutations, demonstrating that interpretable deep learning models are a powerful approach to uncover the motifs and syntax of cis-regulatory sequences.

ABSTRACT SATB homeobox proteins are important regulators of developmental gene expression. Among the stem cell lineages determined during early embryonic development, trophoblast stem (TS) cells exhibit robust SATB expression. Both SATB1 and SATB2 act to maintain trophoblast stem-state. However, the molecular mechanisms that regulate TS-specific Satb expression are not yet known. We identified Satb1 variant 2 as the predominant transcript in trophoblasts. Histone marks, and RNA polymerase II occupancy in TS cells indicated active state of the promoter. A novel cis-regulatory region with active histone marks was identified ∼21kbp upstream of variant 2 promoter. CRISPR/Cas9 mediated disruption of this sequence decreased Satb1 expression in TS cells and chromatin conformation capture confirmed looping of this regulatory region into the promoter. Scanning position weight matrices across the enhancer predicted two ELF5 binding sites in close vicinity of SATB1 sites, which were confirmed by chromatin immunoprecipitation. Knockdown of ELF5 downregulated Satb1 expression in TS cells and overexpression of ELF5 increased the enhancer-reporter activity. Interestingly, ELF5 interacts with SATB1 in TS cells, and the enhancer activity was upregulated following SATB overexpression. Our findings indicate that trophoblast-specific Satb1 expression is regulated by long-range chromatin looping of an enhancer that interacts with ELF5 and SATB proteins.