Abstract A new type of pneumonia caused by a novel coronavirus SARS-CoV-2 outbreaks recently in China and spreads into many other countries. This disease, named as COVID-19, is similar to patients infected by SARS-CoV and MERS-CoV, and nearly 20% of patients developed severe condition. Cardiac injury is a prevalent complication of severe patients, exacerbating the disease severity in coronavirus disease 2019 (COVID-19) patients. Angiotensin-converting enzyme 2 (ACE2), the key host cellular receptor of SARS-CoV-2, has been identified in multiple organs, but its cellular distribution in human heart is not illuminated clearly. This study performed the first state-of-art single cell atlas of adult human heart, and revealed that pericytes with high expression of ACE2 might act as the target cardiac cell of SARS-CoV-2. The pericytes injury due to virus infection may result in capillary endothelial cells dysfunction, inducing microvascular dysfunction. And patients with basic heart failure disease showed increased ACE2 expression at both mRNA and protein levels, meaning that if infected by the virus these patients may have higher risk of heart attack and critically ill condition. The finding of this study explains the high rate of severe cases among COVID-19 patients with basic cardiovascular disease; and these results also perhaps provide important reference to clinical treatment of cardiac injury among severe patients infected by SARS-CoV-2.

Recent advances in spatially resolved transcriptomics (SRT) technologies have enabled comprehensive characterization of gene expression patterns in the context of tissue microenvironment. To elucidate spatial gene expression variation, we present SpaGCN, a graph convolutional network approach that integrates gene expression, spatial location and histology in SRT data analysis. Through graph convolution, SpaGCN aggregates gene expression of each spot from its neighboring spots, which enables the identification of spatial domains with coherent expression and histology. The subsequent domain guided differential expression (DE) analysis then detects genes with enriched expression patterns in the identified domains. Analyzing seven SRT datasets using SpaGCN, we show it can detect genes with much more enriched spatial expression patterns than competing methods. Furthermore, genes detected by SpaGCN are transferrable and can be utilized to study spatial variation of gene expression in other datasets. SpaGCN is computationally fast, platform independent, making it a desirable tool for diverse SRT studies.

The new type of pneumonia caused by the SARS-CoV-2 (Severe acute respiratory syndrome coronavirus 2) has been declared as a global public health concern by WHO. As of April 3, 2020, more than 1,000,000 human infections have been diagnosed around the world, which exhibited apparent person-to-person transmission characteristics of this virus. The capacity of vertical transmission in SARS-CoV-2 remains controversial recently. Angiotensin-converting enzyme 2 (ACE2) is now confirmed as the receptor of SARS-CoV-2 and plays essential roles in human infection and transmission. In present study, we collected the online available single-cell RNA sequencing (scRNA-seq) data to evaluate the cell specific expression of ACE2 in maternal-fetal interface as well as in multiple fetal organs. Our results revealed that ACE2 was highly expressed in maternal-fetal interface cells including stromal cells and perivascular cells of decidua, and cytotrophoblast and syncytiotrophoblast in placenta. Meanwhile, ACE2 was also expressed in specific cell types of human fetal heart, liver and lung, but not in kidney. And in a study containing series fetal and post-natal mouse lung, we observed ACE2 was dynamically changed over the time, and ACE2 was extremely high in neonatal mice at post-natal day 1~3. In summary, this study revealed that the SARS-CoV-2 receptor was widely spread in specific cell types of maternal-fetal interface and fetal organs. And thus, both the vertical transmission and the placenta dysfunction/abortion caused by SARS-CoV-2 need to be further carefully investigated in clinical practice.

Single-cell RNA sequencing (scRNA-seq) can characterize cell types and states through unsupervised clustering, but the ever increasing number of cells and batch effect impose computational challenges. We present DESC, an unsupervised deep embedding algorithm that clusters scRNA-seq data by iteratively optimizing a clustering objective function. Through iterative self-learning, DESC gradually removes batch effects, as long as technical differences across batches are smaller than true biological variations. As a soft clustering algorithm, cluster assignment probabilities from DESC are biologically interpretable and can reveal both discrete and pseudotemporal structure of cells. Comprehensive evaluations show that DESC offers a proper balance of clustering accuracy and stability, has a small footprint on memory, does not explicitly require batch information for batch effect removal, and can utilize GPU when available. As the scale of single-cell studies continues to grow, we believe DESC will offer a valuable tool for biomedical researchers to disentangle complex cellular heterogeneity.

Abstract Recent advances in spatial transcriptomics technologies have enabled comprehensive characterization of gene expression patterns in the context of tissue microenvironment. To elucidate spatial gene expression variation, we present SpaGCN, a graph convolutional network approach that integrates gene expression, spatial location and histology in spatial transcriptomics data analysis. Through graph convolution, SpaGCN aggregates gene expression of each spot from its neighboring spots, which enables the identification of spatial domains with coherent expression and histology. The subsequent domain guided differential expression analysis then detects genes with enriched expression patterns in the identified domains. Analyzing five spatially resolved transcriptomics datasets using SpaGCN, we show it can detect genes with much more enriched spatial expression patterns than existing methods. Furthermore, genes detected by SpaGCN are transferrable and can be utilized to study spatial variation of gene expression in other datasets. SpaGCN is computationally fast, making it a desirable tool for spatial transcriptomics studies.

Recent studies have demonstrated that SARS-CoV-2 cell entry depends on both ACE2 and TMPRSS2 genes (DOI: 10.1016/j.cell.2020.02.052), but our current work only focus on ACE2, which is insufficient to support the conclusion of this paper. So the authors have withdrawn their manuscript whilst they perform additional experiments and analysis to test some of their conclusions further. Therefore, the authors do not wish this work to be cited as reference for the project.

Abstract Recent development of single-cell RNA-seq (scRNA-seq) technologies has led to enormous biological discoveries. As the scale of scRNA-seq studies increases, a major challenge in analysis is batch effect, which is inevitable in studies involving human tissues. Most existing methods remove batch effect in a low-dimensional embedding space. Although useful for clustering, batch effect is still present in the gene expression space, leaving downstream gene-level analysis susceptible to batch effect. Recent studies have shown that batch effect correction in the gene expression space is much harder than in the embedding space. Popular methods such as Seurat3.0 rely on the mutual nearest neighbor (MNN) approach to remove batch effect in the gene expression space, but MNN can only analyze two batches at a time and it becomes computationally infeasible when the number of batches is large. Here we present CarDEC, a joint deep learning model that simultaneously clusters and denoises scRNA-seq data, while correcting batch effect both in the embedding and the gene expression space. Comprehensive evaluations spanning different species and tissues showed that CarDEC consistently outperforms scVI, DCA, and MNN. With CarDEC denoising, those non-highly variable genes offer as much signal for clustering as the highly variable genes, suggesting that CarDEC substantially boosted information content in scRNA-seq. We also showed that trajectory analysis using CarDEC’s denoised and batch corrected expression as input revealed marker genes and transcription factors that are otherwise obscured in the presence of batch effect. CarDEC is computationally fast, making it a desirable tool for large-scale scRNA-seq studies.

Much effort has been made to uncover the cellular heterogeneities of human hearts by single-nucleus RNA sequencing. However, the cardiac transcriptional regulation networks have not been systematically described because of the limitations in detecting transcription factors. In this study, we optimized a pipeline for isolating nuclei and conducting single-nucleus RNA sequencing targeted to detect a higher number of cell signal genes and an optimal number of transcription factors. With this unbiased protocol, we characterized the cellular composition of healthy human hearts and investigated the transcriptional regulation networks involved in determining the cellular identities and functions of the main cardiac cell subtypes. Particularly in fibroblasts, a novel regulator, PKNOX2, was identified as being associated with physiological fibroblast activation in healthy hearts. To validate the roles of these transcription factors in maintaining homeostasis, we used single-nucleus RNA-sequencing analysis of transplanted failing hearts focusing on fibroblast remodelling. The trajectory analysis suggested that PKNOX2 was abnormally decreased from fibroblast activation to pathological myofibroblast formation. Both gain- and loss-of-function in vitro experiments demonstrated the inhibitory role of PKNOX2 in pathological fibrosis remodelling. Moreover, fibroblast-specific overexpression and knockout of PKNOX2 in a heart failure mouse model induced by transverse aortic constriction surgery significantly improved and aggravated myocardial fibrosis, respectively. In summary, this study established a high-quality pipeline for single-nucleus RNA-sequencing analysis of heart muscle. With this optimized protocol, we described the transcriptional regulation networks of the main cardiac cell subtypes and identified PKNOX2 as a novel regulator in suppressing fibrosis and a potential therapeutic target for future translational studies.

Abstract Aims: This study aimed to explore the biological activities of miR-199a-5p in dextran sulphate sodium (DSS)-induced ulcerative colitis and apoptosis and identify the direct target of miR-199a-5p in this process. Main methods: HT-29 cells and C57BL/6 mice were used to examine the function of miR-199a-5p in vitro and in vivo, respectively. Expression of miRNA and mRNA was measured using quantitative real-time PCR and western blotting was used to measure the change in protein expression. Flow cytometry was subsequently employed to determine cell apoptosis, and a luciferase assay was used to confirm the direct target of miR-199a-5p. Results: Expression of miR-199a-5p was increased by DSS treatment in mice. In parallel, miR-199a-5p is found to be involved in endoplasmic reticulum stress (ERS) and cell apoptosis in HT-29 cells, and its upregulation induced ERS, apoptosis, weight loss, and ulcerative colitis in mice in vivo, which could be prevented by the suppression of miR-199a-5p. Luciferase assay confirmed that the 3′ untranslated region (3′-UTR) of XBP1 is the target binding site of miR-199a-5p. Conclusion: miR-199a-5p promotes ulcerative colitis and cell apoptosis by targeting the 3′-UTR of XBP1. Our findings reveal a new regulatory mechanism for ERS signaling and suggest that miR-199a-5p might be a potential target for UC therapy.

Single-cell RNA sequencing (scRNA-seq) can characterize cell types and states through unsupervised clustering, but the ever increasing number of cells imposes computational challenges. We present an unsupervised deep embedding algorithm for single-cell clustering (DESC) that iteratively learns cluster-specific gene expression signatures and cluster assignment. DESC significantly improves clustering accuracy across various datasets and is capable of removing complex batch effects while maintaining true biological variations.