ABSTRACT To fully utilize the advances in omics technologies and achieve a more comprehensive understanding of human diseases, novel computational methods are required for integrative analysis for multiple types of omics data. We present a novel multi-omics integrative method named Multi-Omics gRaph cOnvolutional NETworks (MORONET) for biomedical classification. MORONET jointly explores omics-specific learning and cross-omics correlation learning for effective multi-omics data classification. We demonstrate that MORONET outperforms other state-of-the-art supervised multi-omics integrative analysis approaches from a wide range of biomedical classification applications using mRNA expression data, DNA methylation data, and miRNA expression data. Furthermore, MORONET is able to identify important biomarkers from different omics data types that are related with the investigated diseases.

ABSTRACT The metabolic heterogeneity, and metabolic interplay between cells and their microenvironment have been known as significant contributors to disease treatment resistance. However, with the lack of a mature high-throughput single cell metabolomics technology, we are yet to establish systematic understanding of intra-tissue metabolic heterogeneity and cooperation phenomena among cell populations. To mitigate this knowledge gap, we developed a novel computational method, namely scFEA (single cell Flux Estimation Analysis), to infer single cell fluxome from single cell RNA-sequencing (scRNA-seq) data. scFEA is empowered by a comprehensively reconstructed human metabolic map into a factor graph, a novel probabilistic model to leverage the flux balance constraints on scRNA-seq data, and a novel graph neural network based optimization solver. The intricate information cascade from transcriptome to metabolome was captured using multi-layer neural networks to fully capitulate the non-linear dependency between enzymatic gene expressions and reaction rates. We experimentally validated scFEA by generating an scRNA-seq dataset with matched metabolomics data on cells of perturbed oxygen and genetic conditions. Application of scFEA on this dataset demonstrated the consistency between predicted flux and metabolic imbalance with the observed variation of metabolite abundance in the matched metabolomics data. We also applied scFEA on five publicly available scRNA-seq and spatial transcriptomics datasets and identified context and cell group specific metabolic variations. The cell-wise fluxome predicted by scFEA empowers a series of downstream analysis including identification of metabolic modules or cell groups that share common metabolic variations, sensitivity evaluation of enzymes with regards to their impact on the whole metabolic flux, and inference of cell-tissue and cell-cell metabolic communications.

Abstract Single cell RNA-sequencing technology (scRNA-seq) provides a new avenue to discover and characterize cell types, but the experiment-specific technical biases and analytic variability inherent to current pipelines may undermine the replicability of these studies. Meta-analysis of rapidly accumulating data is further hampered by the use of ad hoc naming conventions. Here we demonstrate our replication framework, MetaNeighbor, that allows researchers to quantify the degree to which cell types replicate across datasets, and to rapidly identify clusters with high similarity for further testing. We first measure the replicability of neuronal identity by comparing more than 13 thousand individual scRNA-seq transcriptomes, sampling with high specificity from within the data to define a range of robust practices. We then assess cross-dataset evidence for novel cortical interneuron subtypes identified by scRNA-seq and find that 24/45 cortical interneuron subtypes have evidence of replication in at least one other study. Identifying these putative replicates allows us to re-analyze the data for differential expression and provide lists of robust candidate marker genes. Across tasks we find that large sets of variably expressed genes can identify replicable cell types and subtypes with high accuracy, suggesting a general route forward for large-scale evaluation of scRNA-seq data.

The stability of functional brain network is maintained by homeostatic plasticity, which restores equilibrium following perturbation. As the initiation site of action potentials, the axon initial segment (AIS) of glutamatergic projection neurons (PyNs) undergoes dynamic adjustment that exerts powerful control over neuronal firing properties in response to changes in network states. Although AIS plasticity has been reported to be coupled with the changes of network activity, it is poorly understood whether it involves direct synaptic input to the AIS. Here we show that changes of GABAergic synaptic input to the AIS of cortical PyNs, specifically from chandelier cells (ChCs), are sufficient to drive homeostatic tuning of the AIS within 1-2 weeks, while those from parvalbumin-positive basket cells do not. This tuning is reflected in the morphology of the AIS, the expression level of voltage-gated sodium channels, and the intrinsic neuronal excitability of PyNs. Interestingly, the timing of AIS tuning in PyNs of the prefrontal cortex corresponds to the recovery of changes in social behavior caused by alterations of ChC synaptic transmission. Thus, homeostatic plasticity of the AIS at postsynaptic PyNs may counteract deficits elicited by imbalanced ChC presynaptic input.

Abstract We propose DEGAS (Diagnostic Evidence GAuge of Single cells), a novel deep transfer learning framework, to transfer disease information from patients to cells. We call such transferrable information “impressions,” which allow individual cells to be associated with disease attributes like diagnosis, prognosis, and response to therapy. Using simulated data and ten diverse single cell and patient bulk tissue transcriptomic datasets from Glioblastoma Multiforme (GBM), Alzheimer’s Disease (AD), and Multiple Myeloma (MM), we demonstrate the feasibility, flexibility, and broad applications of the DEGAS framework. DEGAS analysis on newly generated myeloma single cell transcriptomics led to the identification of PHF19 high myeloma cells associated with progression.

Abstract Resilience to Alzheimer’s disease (RAD) is an uncommon combination of high disease burden without dementia that may provide critical insights into limiting the clinical impact of this incurable disease. In this study, we used mass spectrometry-based proteomics to quantify regional protein differences that characterize RAD. Starting with over 700 brain donations, we identified 43 extensively annotated research participants who met stringent inclusion exclusion criteria and analyzed matched isocortical regions, hippocampus, and caudate nucleus. Differential expression analysis of 7,115 soluble proteins identified lower isocortical and hippocampal soluble Aβ peptide levels as a significant feature of RAD. Protein co-expression analysis revealed a group of 181 densely-interacting proteins significantly associated with RAD that were enriched for actin filament-based process, cellular detoxification, and wound healing in isocortex and hippocampus. We further support our findings using data from 689 human isocortical samples from four independent external cohorts that were the closest approximations of our clinico-pathologic groups. The molecular basis of RAD, a widely replicated state in older adults for which there is no experimental model, likely holds important insights into therapeutic interventions for Alzheimer’s disease.

Motivation: Rapid advances in single cell RNA sequencing have produced more granular subtypes of cells in multiple tissues from different species. There exists a need to develop rigorous methods that can i) model multiple datasets with ambiguous labels across species and studies and ii) remove systematic biases across datasets and species. Results: We developed a species- and dataset-independent transfer learning framework (LAmbDA) to train models on multiple datasets and applied our framework on scRNA-seq experiments. These models mapped corresponding cell types between datasets with inconsistent labels while simultaneously reducing batch effects. We achieved high accuracy in labeling cellular subtypes (weighted ac-curacy pancreas: 91%, brain: 78%) using LAmbDA Random Forest. LAmbDA Feedforward 1 Layer Neural Network achieved higher weighted accuracy in labeling cellular subtypes than CaSTLe or MetaNeighbor in brain (48%, 32%, 20% respectively). Furthermore, LAmbDA Feedforward 1 Layer Neural Network was the only method to correctly predict ambiguous cellular subtype labels in both pancreas and brain compared to CaSTLe and MetaNeighbor. LAmbDA is model- and dataset- independent and generalizable to diverse data types representing an advance in biocomputing.

A growing number of molecules have been identified as regulators of inhibitory synapse development, but whether dysregulated expression of these molecules contribute to brain disorders is poorly understood. Here we show that Down syndrome cell adhesion molecule (Dscam) regulates the inhibition of neocortical pyramidal neurons (PyNs) in an expression-level-dependent fashion. Loss of Dscam impairs inhibitory neuron development and function. In the Ts65Dn mouse model for Down syndrome, where Dscam is overexpressed, GABAergic innervation of cortical PyNs by chandelier and basket cells is increased. Genetic normalization of Dscam expression rescues the excessive GABAergic innervation and the increased inhibition of PyNs. These findings demonstrate excessive GABAergic innervation and inhibition in the neocortex of Down syndrome mouse model and identify Dscam overexpression as the cause. They also implicate dysregulated Dscam levels as a potential pathogenic driver in related neurological disorders.