Abstract Single-cell RNA sequencing (scRNA-seq) has enabled researchers to study gene expression at a cellular resolution. However, noise due to amplification and dropout may obstruct analyses, so scalable denoising methods for increasingly large but sparse scRNA-seq data are needed. We propose a deep count autoencoder network (DCA) to denoise scRNA-seq datasets. DCA takes the count distribution, overdispersion and sparsity of the data into account using a negative binomial noise model with or without zero-inflation, and nonlinear gene-gene dependencies are captured. Our method scales linearly with the number of cells and can, therefore, be applied to datasets of millions of cells. We demonstrate that DCA denoising improves a diverse set of typical scRNA-seq data analyses using simulated and real datasets. DCA outperforms existing methods for data imputation in quality and speed, enhancing biological discovery.

Cardiomyocytes (CMs) from human induced pluripotent stem cells (hiPSCs) are functionally immature, but this is improved by incorporation into engineered tissues or forced contraction. Here, we showed that tri-cellular combinations of hiPSC-derived CMs, cardiac fibroblasts (CFs), and cardiac endothelial cells also enhance maturation in easily constructed, scaffold-free, three-dimensional microtissues (MTs). hiPSC-CMs in MTs with CFs showed improved sarcomeric structures with T-tubules, enhanced contractility, and mitochondrial respiration and were electrophysiologically more mature than MTs without CFs. Interactions mediating maturation included coupling between hiPSC-CMs and CFs through connexin 43 (CX43) gap junctions and increased intracellular cyclic AMP (cAMP). Scaled production of thousands of hiPSC-MTs was highly reproducible across lines and differentiated cell batches. MTs containing healthy-control hiPSC-CMs but hiPSC-CFs from patients with arrhythmogenic cardiomyopathy strikingly recapitulated features of the disease. Our MT model is thus a simple and versatile platform for modeling multicellular cardiac diseases that will facilitate industry and academic engagement in high-throughput molecular screening.

Abstract Gastruloids have emerged as highly useful in vitro models of mammalian gastrulation. One of the most striking features of 3D gastruloids is their elongation, which mimics the extension of the embryonic anterior-posterior axis. Although axis extension is crucial for development, the underlying mechanism has not been fully elucidated in mammalian species. Gastruloids provide an opportunity to study this morphogenic process in vitro . Here, we measure and quantify the shapes of elongating gastruloids and show, by Cellular Potts model simulations, that a combination of convergent extension and differential adhesion can explain the observed shapes. We reveal that differential adhesion alone is insufficient and also directly observe hallmarks of convergent extension by time-lapse imaging of gastruloids. Finally, we show that gastruloid elongation can be abrogated by inhibition of the Rho kinase pathway, which is involved in convergent extension in vivo . All in all, our study demonstrates, how gastruloids can be used to elucidate morphogenic processes in embryonic development.

ABSTRACT Each tissue and organ in the body has its own type of vasculature. Here we demonstrate that organotypic vasculature for the heart can be recreated in a three-dimensional cardiac microtissue (MT) model composed of human induced pluripotent stem cell (hiPSC)-derived cardiomyocytes (CMs), cardiac fibroblasts (CFs) and endothelial cells (ECs). ECs in cardiac MTs upregulated expression of markers enriched in human intramyocardial ECs (iECs), such as CD36, CLDN5, APLNR, NOTCH4, IGFBP3, ARHGAP18 , which were previously identified in the single-cell RNA-seq dataset from the human fetal heart (6.5-7 weeks post coitum). We further show that the local microenvironment largely dictates the organ-specific identity of hiPSC-derived ECs: we compared ECs of different developmental origins derived from two distinct mesoderm subtypes (cardiac and paraxial mesoderm) and found that independent of whether the ECs were cardiac or paraxial mesoderm derived, they acquired similar identities upon integration into cardiac microtissues. This was confirmed by single-cell RNA-seq. Overall, the results indicated that whilst the initial gene profile of ECs was dictated by developmental origin, this could be modified by the local tissue environment such that the original identity was lost and the organotypic identity acquired through local environmental signals. This developmental “plasticity” in ECs has implications for multiple pathological and disease states.

ABSTRACT The ability to differentiate human induced pluripotent stem cells (hiPSCs) efficiently into defined cardiac lineages, such as cardiomyocytes and cardiac endothelial cells, is crucial to study human heart development and model cardiovascular diseases in vitro . The mechanisms underlying the specification of these cell types during human development are not well-understood which limits fine-tuning and broader application of cardiac model systems. Here, we used the expression of ETV2, a master regulator of hematoendothelial specification in mice, to identify functionally distinct subpopulations during the co-differentiation of endothelial cells and cardiomyocytes from hiPSCs. Targeted analysis of single-cell RNA sequencing data revealed differential ETV2 dynamics in the two lineages. A newly created fluorescent reporter line allowed us to identify early lineage-predisposed states and show that a transient ETV2-high state initiates the specification of endothelial cells. We further demonstrated, unexpectedly, that functional cardiomyocytes can originate from progenitors expressing ETV2 at a low level. Our study thus sheds light on the in vitro differentiation dynamics of two important cardiac lineages. SIGNIFICANCE STATEMENT In vitro differentiation of cardiac cell types is of great importance for understanding heart development, disease modeling and future regenerative medicine. Currently, underlying molecular mechanisms are incompletely understood, which limits the efficiency and fine-tuning of present differentiation protocols. Here, we investigated the master regulator ETV2 and showed that its upregulation marks the specification of two cardiac cell types during co-differentiation. Using single-cell RNA-seq and a new fluorescent reporter line we identified lineage-predisposed subpopulations in the ETV2+ cells. We thus resolved ETV2 dynamics at the single-cell level in the context of in vitro human cardiac differentiation.

Recapitulating mammalian embryonic development in vitro is a major challenge in biology. It has been shown that gastruloids and ETX embryos can display hallmarks of gastrulation in vitro. However, these models fail to progress beyond spatially segregated, yet amorphous cellular assemblies. Systems such as organoids do show tissue stratification and organogenesis, but require adult stem cells or exogeneous induction of specific cell fates, and hence do not reflect the emergent organization of embryonic development. Notably, gastruloids are derived exclusively from embryonic stem cells (ESCs), whereas, in vivo, crucial patterning cues are provided by extraembryonic cells. Here, we show that assemblies of mouse ESCs (mESCs) and extraembryonic endoderm (XEN) cells can develop beyond gastrulation and produce a central hallmark of organogenesis: stratified neural epithelia resembling a neural tube, which can be further differentiated to cerebral cortex-like tissue. By single-cell RNA-seq, we show that our model has a larger cell type diversity than existing models, and that mESCs and XEN cells impact each other's differentiation. XEN cells promote neural tube formation through local inhibition of primitive streak formation. In turn, the presence of mESCs drives XEN cells to resemble visceral endoderm, which envelops the embryo in vivo. This study provides a model system to investigate neurulation and extraembryonic endoderm development, and may serve as a starting point to generate embryo models that advance further toward the formation of the vasculature, nervous system, and digestive tube.

Single-cell RNA sequencing (scRNA-seq) has enabled researchers to study gene expression at a cellular resolution. However, noise due to amplification and dropout may obstruct analyses, so scalable denoising methods for increasingly large but sparse scRNAseq data are needed. We propose a deep count autoencoder network (DCA) to denoise scRNA-seq datasets. DCA takes the count distribution, overdispersion and sparsity of the data into account using a zero-inflated negative binomial noise model, and nonlinear gene-gene or gene-dispersion interactions are captured. Our method scales linearly with the number of cells and can therefore be applied to datasets of millions of cells. We demonstrate that DCA denoising improves a diverse set of typical scRNA-seq data analyses using simulated and real datasets. DCA outperforms existing methods for data imputation in quality and speed, enhancing biological discovery.

Abstract The ability to discover new cell populations by unsupervised clustering of single-cell transcriptomics data has revolutionized biology. Currently, there is no principled way to decide, whether a cluster of cells contains meaningful subpopulations that should be further resolved. Here we present SIGMA, a clusterability measure derived from random matrix theory, that can be used to identify cell clusters with non-random sub-structure, testably leading to the discovery of previously overlooked phenotypes.