Abstract As tissues elongate, cell rearrangement alters positional information in manner that must be accounted for to generate gene expression pattern. How this is achieved during paraxial mesoderm elongation is unknown. By reverse-engineering gene regulatory networks that predict single cell expression trajectories across the tissue, we find a network capable of recapitulating the full range of dynamic differentiation profiles observed both in vivo and in vitro . Simulating gene expression profiles on in toto cell tracking data sets reveal that temporal exposure to Wnt and FGF is generated by cell movement. The absence of reversal in gene expression towards a more premature gene expression state predicts the generation of aberrant tbx6 expression in the posterior progenitor zone that we then confirm by quantitative single cell imaging. Taken together, these results demonstrate cell rearrangement tunes the dynamics of mesoderm progenitor differentiation to generate pattern emergence as a function of temporal Wnt and FGF exposure.

Abstract Plasma lipids are heritable modifiable causal factors for coronary artery disease, the leading cause of death globally. Despite the well-described monogenic and polygenic bases of dyslipidemia, limitations remain in discovery of lipid-associated alleles using whole genome sequencing, partly due to limited sample sizes, ancestral diversity, and interpretation of potential clinical significance. Increasingly larger whole genome sequence datasets with plasma lipids coupled with methodologic advances enable us to more fully catalog the allelic spectrum for lipids. Here, among 66,329 ancestrally diverse (56% non-European ancestry) participants, we associate 428M variants from deep-coverage whole genome sequences with plasma lipids. Approximately 400M of these variants were not studied in prior lipids genetic analyses. We find multiple lipid-related genes strongly associated with plasma lipids through analysis of common and rare coding variants. We additionally discover several significantly associated rare non-coding variants largely at Mendelian lipid genes. Notably, we detect rare LDLR intronic variants associated with markedly increased LDL-C, similar to rare LDLR exonic variants. In conclusion, we conducted a systematic whole genome scan for plasma lipids expanding the alleles linked to lipids for multiple ancestries and characterize a clinically-relevant rare non-coding variant model for lipids.

Abstract A major challenge of genome-wide association studies (GWAS) is to translate phenotypic associations into biological insights. Here, we integrate a large GWAS on blood lipids involving 1.6 million individuals from five ancestries with a wide array of functional genomic datasets to discover regulatory mechanisms underlying lipid associations. We first prioritize lipid-associated genes with expression quantitative trait locus (eQTL) colocalizations, and then add chromatin interaction data to narrow the search for functional genes. Polygenic enrichment analysis across 697 annotations from a host of tissues and cell types confirms the central role of the liver in lipid levels, and highlights the selective enrichment of adipose-specific chromatin marks in high-density lipoprotein cholesterol and triglycerides. Overlapping transcription factor (TF) binding sites with lipid-associated loci identifies TFs relevant in lipid biology. In addition, we present an integrative framework to prioritize causal variants at GWAS loci, producing a comprehensive list of candidate causal genes and variants with multiple layers of functional evidence. Two prioritized genes, CREBRF and RRBP1 , show convergent evidence across functional datasets supporting their roles in lipid biology.

Large-scale whole-genome sequencing (WGS) studies have improved our understanding of the contributions of coding and noncoding rare variants to complex human traits. Leveraging association effect sizes across multiple traits in WGS rare variant association analysis can improve statistical power over single-trait analysis, and also detect pleiotropic genes and regions. Existing multi-trait methods have limited ability to perform rare variant analysis of large-scale WGS data. We propose MultiSTAAR, a statistical framework and computationally-scalable analytical pipeline for functionally-informed multi-trait rare variant analysis in large-scale WGS studies. MultiSTAAR accounts for relatedness, population structure and correlation among phenotypes by jointly analyzing multiple traits, and further empowers rare variant association analysis by incorporating multiple functional annotations. We applied MultiSTAAR to jointly analyze three lipid traits (low-density lipoprotein cholesterol, high-density lipoprotein cholesterol and triglycerides) in 61,861 multi-ethnic samples from the Trans-Omics for Precision Medicine (TOPMed) Program. We discovered new associations with lipid traits missed by single-trait analysis, including rare variants within an enhancer of NIPSNAP3A and an intergenic region on chromosome 1.

Music editing primarily entails the modification of instrument tracks or remixing in the whole, which offers a novel reinterpretation of the original piece through a series of operations. These music processing methods hold immense potential across various applications but demand substantial expertise. Prior methodologies, although effective for image and audio modifications, falter when directly applied to music. This is attributed to music's distinctive data nature, where such methods can inadvertently compromise the intrinsic harmony and coherence of music. In this paper, we develop InstructME, an Instruction guided Music Editing and remixing framework based on latent diffusion models. Our framework fortifies the U-Net with multi-scale aggregation in order to maintain consistency before and after editing. In addition, we introduce chord progression matrix as condition information and incorporate it in the semantic space to improve melodic harmony while editing. For accommodating extended musical pieces, InstructME employs a chunk transformer, enabling it to discern long-term temporal dependencies within music sequences. We tested InstructME in instrument-editing, remixing, and multi-round editing. Both subjective and objective evaluations indicate that our proposed method significantly surpasses preceding systems in music quality, text relevance and harmony. Demo samples are available at https://musicedit.github.io

Enhancing signal control efficiency through deep reinforcement learning constitutes a focal point of research in the field of traffic control. Existing methods primarily rely on copious state information and complex networks to attain precise timing schemes, which can result in decision biases and protracted training cycles. Addressing these shortcomings, a two-stage control algorithm is proposed. The algorithm employs discrete encoding of traffic states to optimize the exploration of the state space and enhances performance by utilizing a competitive Q-network structure. Concurrently, control is divided into two stages: in the first stage, traditional methods are employed to select a subset of traffic state information for phase decision-making, while in the second stage, reinforcement learning techniques are used to select another subset of state information for phase duration prediction. Experiments are conducted on the traffic simulation platform CityFlow, and results demonstrate that the proposed algorithm surpasses traditional control methods and reinforcement learning-based approaches, exhibiting higher traffic flow efficiency and reduced travel times.

The study of pattern formation has benefited from our ability to reverse-engineer gene regulatory network (GRN) structure from spatiotemporal quantitative gene expression data. Traditional approaches have focused on systems where the timescales of pattern formation and morphogenesis can be separated. Unfortunately, this is not the case in most animal patterning systems, where pattern formation and morphogenesis are co-occurring and tightly linked. To elucidate patterning mechanisms in such systems we need to adapt our GRN inference methodologies to include cell movements. In this work, we fill this gap by integrating quantitative data from live and fixed embryos to approximate gene expression trajectories (AGETs) in single cells and use these to reverse-engineer GRNs. This framework generates candidate GRNs that recapitulate pattern at the tissue level, gene expression dynamics at the single cell level, recover known genetic interactions and recapitulate experimental perturbations while incorporating cell movements explicitly for the first time.

Abstract The study of pattern formation has benefited from reverse-engineering gene regulatory network (GRN) structure from spatio-temporal quantitative gene expression data. Traditional approaches omit tissue morphogenesis, hence focusing on systems where the timescales of pattern formation and morphogenesis can be separated. In such systems, pattern forms as an emergent property of the underlying GRN. This is not the case in many animal patterning systems, where patterning and morphogenesis are simultaneous. To address pattern formation in these systems we need to adapt our methodologies to explicitly accommodate cell movements and tissue shape changes. In this work we present a novel framework to reverse-engineer GRNs underlying pattern formation in tissues experiencing morphogenetic changes and cell rearrangements. By combination of quantitative data from live and fixed embryos we approximate gene expression trajectories (AGETs) in single cells and use a subset to reverse-engineer candidate GRNs using a Markov Chain Monte Carlo approach. GRN fit is assessed by simulating on cell tracks (live-modelling) and comparing the output to quantitative data-sets. This framework outputs candidate GRNs that recapitulate pattern formation at the level of the tissue and the single cell. To our knowledge, this inference methodology is the first to integrate cell movements and gene expression data, making it possible to reverse-engineer GRNs patterning tissues undergoing morphogenetic changes.

This study continues the discussion of the relationship between globalization and innovation. Unlike existing studies, this paper shifts attention to the impact of changes in the trade environment caused by Technical Barriers to Trade (TBT) measures on innovation. With Chinese Manufacturing firms' micro panel dataset and using the number of firm patent applications as a proxy variable to measure innovation, we empirically test the effect of TBT measures on this innovation. This study further distinguishes the heterogeneous effects of the total TBT measures and highly restrictive measures among them. The main estimation results indicate that the total amount of TBT measures imposed by trading partners does not significantly affect the number of patent applications by Chinese exporting firms. However, highly restrictive TBT measures demonstrate a significant negative effect. This once again proves that not all TBT measures are harmful. In addition, we obtained more interesting results through further heterogeneity analyses.

Abstract Chinese tongue sole ( Cynoglossus semilaevis ) is one of the representative species in flatfish aquaculture in China. In recent years, massive mortality of farmed Chinese tongue soles occurred in Tianjin, China. The causative pathogens were determined as Cynoglossus semilaevis papillomavirus (CsPaV) and parvovirus (CsPV) by electron microscopy, virus isolation, experimental challenge, histopathological analysis, genome sequencing, fluorescence In situ hybridization (FISH) and epidemiology investigation. Electron microscopy showed large numbers of spherical non-enveloped virus particles presenting in liver, kidney, spleen, gill and heart of the diseased fish. The viruses were isolated and propagated in flounder gill cells (FG) and induced a typical cytopathic effect (CPE). The cumulative mortality reached 100% at 8 dpi by intraperitoneal injection. The complete genome of CsPaV and CsPV was 5939 bp and 3663 bp in size respectively, and both viral genomes shared no nucleotide sequence similarity with other viruses. The CsPaV contained seven predicated protein coding regions (E1, E2, L2, L1a, L1b, sORF1 and sORF2) and CsPV contained three predicated protein coding regions (NS1, VP and ORF3). Phylogenetic analysis basing on L1 and NS1 protein sequences revealed that CsPaV and CsPV are novel members belonging to new genus in Papillomaviridae and Parvoviridae family. FISH results showed positive signals in spleen and kidney tissues from CsPaV and CsPV infected fish and the two viruses could co-infected one cell. Epidemiological investigation showed that the two viruses cocurrented in 82.9% sampled fish and they were proved to be the pathogenic agents of the emerging disease in farmed Chinese tongue soles in China. This study represents the first report of co-infection of papillomavirus and parvovirus in farmed fish and provides a basis for further studies on prevention and treatment of the emerging viral disease, and also represents clues to elucidate the the mechanisms of viruses co-infection and evolution of viruses. Author summary Chinese tongue sole is a valuable fish kept in marincultures. Outbreak of an emerging disease caused massive mortality and resulted in significant economic loss. The pathogenic agent remains unknown. In this study, we identified papillomavirus (CsPaV) and parvovirus (CsPV) from the diseased fish simultaneously, and they are proved to be novel members belonging to new genus in Papillomaviridae and Parvoviridae family. It was shown that the emerging disease was caused by co-infection with the two viruses. Viral co-infections are widespread in nature, however, studies and available data on viral co-infections in fish aquaculture are limited. Our findings represent new clues to elucidate the mechanisms of viruses co-infection and evolution of viruses, and moreover, the present study provide a solution for the control of emerging viral diseases in Chinese tongue sole.