Trait-associated genetic variants affect complex phenotypes primarily via regulatory mechanisms on the transcriptome. To investigate the genetics of gene expression, we performed cis- and trans-expression quantitative trait locus (eQTL) analyses using blood-derived expression from 31,684 individuals through the eQTLGen Consortium. We detected cis-eQTL for 88% of genes, and these were replicable in numerous tissues. Distal trans-eQTL (detected for 37% of 10,317 trait-associated variants tested) showed lower replication rates, partially due to low replication power and confounding by cell type composition. However, replication analyses in single-cell RNA-seq data prioritized intracellular trans-eQTL. Trans-eQTL exerted their effects via several mechanisms, primarily through regulation by transcription factors. Expression of 13% of the genes correlated with polygenic scores for 1,263 phenotypes, pinpointing potential drivers for those traits. In summary, this work represents a large eQTL resource, and its results serve as a starting point for in-depth interpretation of complex phenotypes. Analyses of expression profiles from whole blood of 31,684 individuals identify cis-expression quantitative trait loci (eQTL) effects for 88% of genes and trans-eQTL effects for 37% of trait-associated variants.

Abstract Single-cell RNA sequencing has enabled the characterization of highly specific cell types in many tissues, as well as both primary and stem cell-derived cell lines. An important facet of these studies is the ability to identify the transcriptional signatures that define a cell type or state. In theory, this information can be used to classify an individual cell based on its transcriptional profile. Here, we present scPred , a new generalizable method that is able to provide highly accurate classification of single cells, using a combination of unbiased feature selection from a reduced-dimension space, and machine-learning probability-based prediction method. We apply scPred to scRNA-seq data from pancreatic tissue, mononuclear cells, colorectal tumor biopsies, and circulating dendritic cells and show that scPred is able to classify individual cells with high accuracy. The generalized method is available at https://github.com/powellgenomicslab/scPred/ .

Many computational methods have been developed to infer cell type proportions from bulk transcriptomics data. However, an evaluation of the impact of data transformation, pre-processing, marker selection, cell type composition and choice of methodology on the deconvolution results is still lacking. Using five single-cell RNA-sequencing (scRNA-seq) datasets, we generate pseudo-bulk mixtures to evaluate the combined impact of these factors. Both bulk deconvolution methodologies and those that use scRNA-seq data as reference perform best when applied to data in linear scale and the choice of normalization has a dramatic impact on some, but not all methods. Overall, methods that use scRNA-seq data have comparable performance to the best performing bulk methods whereas semi-supervised approaches show higher error values. Moreover, failure to include cell types in the reference that are present in a mixture leads to substantially worse results, regardless of the previous choices. Altogether, we evaluate the combined impact of factors affecting the deconvolution task across different datasets and propose general guidelines to maximize its performance.

The human immune system displays substantial variation between individuals, leading to differences in susceptibility to autoimmune disease. We present single-cell RNA sequencing (scRNA-seq) data from 1,267,758 peripheral blood mononuclear cells from 982 healthy human subjects. For 14 cell types, we identified 26,597 independent cis-expression quantitative trait loci (eQTLs) and 990 trans-eQTLs, with most showing cell type-specific effects on gene expression. We subsequently show how eQTLs have dynamic allelic effects in B cells that are transitioning from naïve to memory states and demonstrate how commonly segregating alleles lead to interindividual variation in immune function. Finally, using a Mendelian randomization approach, we identify the causal route by which 305 risk loci contribute to autoimmune disease at the cellular level. This work brings together genetic epidemiology with scRNA-seq to uncover drivers of interindividual variation in the immune system.

Data sparsity in single-cell experiments prevents an accurate assessment of gene expression when visualized in a low-dimensional space. Here, we introduce Nebulosa, an R package that uses weighted kernel density estimation to recover signals lost through drop-out or low expression.Nebulosa can be easily installed from www.github.com/powellgenomicslab/Nebulosa.Supplementary data are available at Bioinformatics online.

Abstract Summary Data sparsity in single-cell experiments prevents an accurate assessment of gene expression when visualised in a low-dimensional space. Here, we introduce Nebulosa , an R package that uses weighted kernel density estimation to recover signals lost through drop-out or low expression. Availability and implementation Nebulosa can be easily installed from www.github.com/powellgenomicslab/Nebulosa

Abstract A recent study by Wilk et al. of the transcriptome of peripheral blood mononuclear cells (PBMCs) in seven patients hospitalized with COVID-19 described a population of “developing neutrophils” that were “phenotypically related by dimensionality reduction” to plasmablasts, and that these two cell populations represent a “linear continuum of cellular phenotype” 1 . The authors suggest that, in the setting of acute respiratory distress syndrome (ARDS) secondary to severe COVID-19, a “differentiation bridge from plasmablasts to developing neutrophils” connected these distantly related cell types. This conclusion is controversial as it appears to violate several basic principles in cell biology relating to cell lineage identity and fidelity. Correctly classifying cells and their developmental history is an important issue in cell biology and we suggest that this conclusion is not supported by the data as we show here that: (1) regressing out covariates such as unique molecular identifiers (UMIs) can lead to overfitting; and (2) that UMAP embeddings may reflect the expression of similar genes but not necessarily direct cell lineage relationships.

SUMMARY Children infected with severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) develop less severe coronavirus disease 2019 (COVID-19) than adults. The mechanisms for the age-specific differences and the implications for infection-induced immunity are beginning to be uncovered. We show by longitudinal multimodal analysis that SARS-CoV-2 leaves a small footprint in the circulating T cell compartment in children with mild/asymptomatic COVID-19 compared to adult household contacts with the same disease severity who had more evidence of systemic T cell interferon activation, cytotoxicity and exhaustion. Children harbored diverse polyclonal SARS-CoV- 2-specific naïve T cells whereas adults harbored clonally expanded SARS-CoV-2-specific memory T cells. More naïve interferon-activated CD4 + T cells were recruited into the memory compartment and recovery was associated with the development of robust CD4 + memory T cell responses in adults but not children. These data suggest that rapid clearance of SARS-CoV-2 in children may compromise their cellular immunity and ability to resist reinfection. HIGHLIGHTS Children have diverse polyclonal SARS-CoV-2-specific naïve T cells Adults have clonally expanded exhausted SARS-CoV-2-specific memory T cells Interferon-activated naïve T cells differentiate into memory T cells in adults but not children Adults but not children develop robust memory T cell responses to SARS-CoV-2

Abstract Kidney organoids provide a valuable resource to understand kidney development and disease. Clustering algorithms and marker genes fail to accurately and robustly classify cellular identity between human pluripotent stem cell (hPSC)-derived organoid datasets. Here we present a new method able to accurately classify kidney cell subtypes, a hierarchical machine learning model trained using comprehensive reference data from single cell RNA-sequencing of human fetal kidney (HFK). We demonstrate the tool’s ( DevKidCC ) performance by application to all published kidney organoid datasets and a novel dataset. DevKidCC is available on Github and can be used on any kidney single cell RNA-sequence data.

Abstract Summary: ascend is an R package comprised of fast, streamlined analysis functions optimized to address the statistical challenges of single cell RNA-seq. The package incorporates novel and established methods to provide a flexible framework to perform filtering, quality control, normalization, dimension reduction, clustering, differential expression and a wide-range of plotting. ascend is designed to work with scRNA-seq data generated by any high-throughput platform, and includes functions to convert data objects between software packages. Availability: The R package and associated vignettes are freely available at https://github.com/IMB-Computational-Genomics-Lab/ascend. Contact: joseph.powell@uq.edu.au Supplementary information: An example dataset is available at ArrayExpress, accession number E-MTAB-6108