Spatiotemporal gene expression in ALS Amyotrophic lateral sclerosis (ALS) is a progressive motor neuron disease that affects nerve cells in the brain and the spinal cord. It has proven difficult to identify the early stages of disease and where it spreads within the body. Maniatis et al. used RNA sequencing to define transcriptomic changes over the course of disease in different regions of the spinal cord of a mouse ALS model and a postmortem human ALS spinal cord. From changes in gene expression, they identified disease-associated pathways and established the key steps in motor neuron degeneration observed in ALS. Science , this issue p. 89

Abstract Motivation Gene regulatory networks define regulatory relationships between transcription factors and target genes within a biological system, and reconstructing them is essential for understanding cellular growth and function. Methods for inferring and reconstructing networks from genomics data have evolved rapidly over the last decade in response to advances in sequencing technology and machine learning. The scale of data collection has increased dramatically; the largest genome-wide gene expression datasets have grown from thousands of measurements to millions of single cells, and new technologies are on the horizon to increase to tens of millions of cells and above. Results In this work, we present the Inferelator 3.0, which has been significantly updated to integrate data from distinct cell types to learn context-specific regulatory networks and aggregate them into a shared regulatory network, while retaining the functionality of the previous versions. The Inferelator is able to integrate the largest single-cell datasets and learn cell-type specific gene regulatory networks. Compared to other network inference methods, the Inferelator learns new and informative Saccharomyces cerevisiae networks from single-cell gene expression data, measured by recovery of a known gold standard. We demonstrate its scaling capabilities by learning networks for multiple distinct neuronal and glial cell types in the developing Mus musculus brain at E18 from a large (1.3 million) single-cell gene expression dataset with paired single-cell chromatin accessibility data. Availability The inferelator software is available on GitHub ( https://github.com/flatironinstitute/inferelator ) under the MIT license and has been released as python packages with associated documentation ( https://inferelator.readthedocs.io/ ).

Summary Congenital abnormalities of the kidney and urinary tract are amongst the most common birth defects affecting 3% of newborns. The human kidney develops over a 30-week period in which a nephron progenitor pool gives rise to around a million nephrons. To establish a framework for human nephrogenesis, we spatially resolved a stereotypical process by which equipotent nephron progenitors generate a nephron anlagen, then applied data-driven approaches to construct three-dimensional protein maps on anatomical models of the nephrogenic program. Single cell RNA sequencing identified novel progenitor states which were spatially mapped to the nephron anatomy enabling the generation of functional gene-networks predicting interactions within and between nephron cell-types. Network mining identified known developmental disease genes and predicts new targets of interest. The spatially resolved nephrogenic program made available through the Human Nephrogenesis Atlas ( https://sckidney.flatironinstitute.org/ ) will facilitate an understanding of kidney development and disease, and enhance efforts to generate new kidney structures.

Transcriptional programming of the innate immune response is pivotal for host protection. However, the transcriptional mechanisms that link pathogen sensing with innate activation remain poorly understood. During infection with HIV-1, human dendritic cells (DCs) can detect the virus through an innate sensing pathway leading to antiviral interferon and DC maturation. Here, we developed an iterative experimental and computational approach to map the innate response circuitry during HIV-1 infection. By integrating genome-wide chromatin accessibility with expression kinetics, we inferred a gene regulatory network that links 542 transcription factors with 21,862 target genes. We observed that an interferon response is required, yet insufficient to drive DC maturation, and identified PRDM1 and RARA as essential regulators of the interferon response and DC maturation, respectively. Our work provides a resource for interrogation of regulators of HIV replication and innate immunity, highlighting complexity and cooperativity in the regulatory circuit controlling the DC response to infection.

CRLF2 overexpression in B-ALL patients with an IGH-CRLF2 translocation activates JAK-STAT, PI3K and ERK/MAPK signaling pathways. Although inhibitors of these pathways are available, investigating alternate targets could reduce treatment-associated toxicities. Comparing RNA-seq from IGH-CRLF2 and non-translocated patients we defined a translocation gene signature. Next, we assembled a B-ALL cancer-specific regulatory network using 529 B-ALL patient samples from the NCI TARGET database coupled with priors generated from ATAC-seq peak TF-motif analysis. The network was used to infer differential changes in TF activities predicted to control IGH-CRLF2 deregulated genes, thereby enabling identification of translocation-associated pathways and potential new therapeutic targets.

Recently, Quinn and Erb et al made the case that when used correctly, correlation and proportionality can outperform MMvec when identifying microbe-metabolite interactions. We revisit this comparison and show that the proposed correlation and proportionality are outperformed by MMvec on real data due to their inability to deal with sparsity commonly observed in microbiome and metabolome datasets.

Paralysis occurring in amyotrophic lateral sclerosis (ALS) results from denervation of skeletal muscle as a consequence of motor neuron degeneration. Interactions between motor neurons and glia contribute to motor neuron loss, but the spatiotemporal ordering of molecular events that drive these processes in intact spinal tissue remains poorly understood. Here, we use a spatially resolved view of disease-driven gene expression changes to stratify these events, reveal the relevant sub-populations of cells involved in each stage of disease progression, and characterize the underlying molecular mechanisms that trigger and drive the course of disease. Based on the well characterized cellular organization of the spinal cord and the importance of intercellular interactions in ALS disease progression, we applied spatial transcriptomics (ST) to obtain spatially and anatomically resolved quantitative gene expression measurements of mouse spinal cords over the course of disease, as well as in postmortem tissue from ALS patients. We developed a novel Bayesian generative model for assembling a spatiotemporal atlas of gene expression in ALS that integrates cell-type, anatomical region, space, and time. We identify novel pathways implicated in ALS progression, key differences between microglia and astrocyte populations at early time-points and in different anatomical regions, and discern several transcriptional pathways shared between murine models of ALS and human postmortem spinal cords. We provide a general experimental-computational design for mapping and understanding the transcriptional landscape of diseases in complex tissues. An interactive data exploration portal for our ST analysis is available at als-st.nygenome.org.

For investigations into fate specification and cell rearrangements in live images of preimplantation embryos, automated and accurate 3D instance segmentation of nuclei is invaluable; however, the performance of segmentation methods is limited by the images' low signal-to-noise ratio and high voxel anisotropy and the nuclei's dense packing and variable shapes. Supervised machine learning approaches have the potential to radically improve segmentation accuracy but are hampered by a lack of fully annotated 3D data. In this work, we first establish a novel mouse line expressing near-infrared nuclear reporter H2B-miRFP720. H2B-miRFP720 is the longest wavelength nuclear reporter in mice and can be imaged simultaneously with other reporters with minimal overlap. We then generate a dataset, which we call BlastoSPIM, of 3D microscopy images of H2B-miRFP720-expressing embryos with ground truth for nuclear instance segmentation. Using BlastoSPIM, we benchmark the performance of five convolutional neural networks and identify Stardist-3D as the most accurate instance segmentation method across preimplantation development. Stardist-3D, trained on BlastoSPIM, performs robustly up to the end of preimplantation development (> 100 nuclei) and enables studies of fate patterning in the late blastocyst. We, then, demonstrate BlastoSPIM's usefulness as pre-train data for related problems. BlastoSPIM and its corresponding Stardist-3D models are available at: blastospim.flatironinstitute.org.

Transcriptional regulatory networks (TRNs) provide insight into cellular behavior by describing interactions between transcription factors (TFs) and their gene targets. The Assay for Transposase Accessible Chromatin (ATAC)-seq, coupled with transcription-factor motif analysis, provides indirect evidence of chromatin binding for hundreds of TFs genome-wide. Here, we propose methods for TRN inference in a mammalian setting, using ATAC-seq data to influence gene expression modeling. We rigorously test our methods in the context of T Helper Cell Type 17 (Th17) differentiation, generating new ATAC-seq data to complement existing Th17 genomic resources (plentiful gene expression data, TF knock-outs and ChIP-seq experiments). In this resource-rich mammalian setting, our extensive benchmarking provides quantitative, genome-scale evaluation of TRN inference combining ATAC-seq and RNA-seq data. We refine and extend our previous Th17 TRN, using our new TRN inference methods to integrate all Th17 data (gene expression, ATAC-seq, TF KO, ChIP-seq). We highlight new roles for individual TFs and groups of TFs ("TF-TF modules") in Th17 gene regulation. Given the popularity of ATAC-seq, which provides high-resolution with low sample input requirements, we anticipate that application of our methods will improve TRN inference in new mammalian systems, especially in vivo, for cells directly from humans and animal models.