Abstract Among the biggest challenges in the post-GWAS (genome-wide association studies) era is the interpretation of disease-associated genetic variants in non-coding genomic regions. Enhancers have emerged as key players in mediating the effect of genetic variants on complex traits and diseases. Their activity is regulated by a combination of transcription factors (TFs), epigenetic changes and genetic variants. Several approaches exist to link enhancers to their target genes, and others that infer TF-gene connections. However, we currently lack a framework that systematically integrates enhancers into TF-gene regulatory networks. Furthermore, we lack an unbiased way of assessing whether inferred regulatory interactions are biologically meaningful. Here we present two methods, implemented as user-friendly R packages: GRaNIE (Gene Regulatory Network Inference including Enhancers) for building enhancer-based gene regulatory networks (eGRNs) and GRaNPA (Gene Regulatory Network Performance Analysis) for evaluating GRNs. GRaNIE jointly infers TF-enhancer, enhancer-gene and TF-gene interactions by integrating open chromatin data such as ATAC-Seq or H3K27ac with RNA-seq across a set of samples (e.g. individuals), and optionally also Hi-C data. GRaNPA is a general framework for evaluating the biological relevance of TF-gene GRNs by assessing their performance for predicting cell-type specific differential expression. We demonstrate the power of our tool-suite by investigating gene regulatory mechanisms in macrophages that underlie their response to infection and cancer, their involvement in common genetic diseases including autoimmune diseases, and identify the TF PURA as putative regulator of pro-inflammatory macrophage polarisation. Availability - GRaNIE: https://bioconductor.org/packages/release/bioc/html/GRaNIE.html - GRaNPA: https://git.embl.de/grp-zaugg/GRaNPA Graphical abstract

Summary CD4+ T cells play a crucial role in adaptive immune responses and have been implicated in the pathogenesis of autoimmune diseases (ADs). Despite numerous studies, the molecular mechanisms underlying T cell dysregulation in ADs remain incompletely understood. Here, we used transcriptomic and epigenomic data from CD4+ T cells of healthy donors and patients with systemic lupus erythematosus (SLE), psoriasis, juvenile idiopathic arthritis (JIA), and Graves’ disease to investigate the role of enhancers in AD pathogenesis. By generating enhancer-based gene regulatory networks (eGRNs), we identified disease-specific dysregulated pathways and potential downstream target genes of enhancers harbouring AD-associated single-nucleotide polymorphisms, which we also validated using CRISPRi in primary CD4+ T cells. Our results suggest that alterations in the regulatory landscapes of CD4+ T cells, including enhancers, contribute to the development of ADs and provide a basis for developing new therapeutic approaches.

Transcription factor (TF) activity is an important read-out of cellular signalling pathways and thus to assess regulatory differences across conditions. However, current technologies lack the ability to simultaneously assess activity changes for multiple TFs and in particular to determine whether a specific TF acts globally as transcriptional repressor or activator. To this end, we introduce a widely applicable genome-wide method diffTF to assess differential TF activity and to classify TFs as activator or repressor (available at https://git.embl.de/grp-zaugg/diffTF). This is done by integrating any type of genome-wide chromatin accessibility data with RNA-Seq data and in-silico predicted TF binding sites. We corroborated the classification of TFs into repressors and activators by three independent analyses based on enrichments of active/repressive chromatin states, correlation of TF activity with gene expression, and activator- and repressor-specific chromatin footprints. To show the power of diffTF, we present two case studies: First, we applied diffTF in to a large ATAC-Seq/RNA-Seq dataset comparing mutated and unmutated chronic lymphocytic leukemia samples, where we identified dozens of known (40%) and potentially novel (60%) TFs that are differentially active. We were also able to classify almost half of them as either repressor and activator. Second, we applied diffTF to a small ATAC-Seq/RNA-Seq data set comparing two cell types along the hematopoietic differentiation trajectory (multipotent progenitors - MPP - versus granulocyte-macrophage progenitors - GMP). Here we identified the known drivers of differentiation and found that the majority of the differentially active TFs are transcriptional activators. Overall, diffTF was able to recover the known TFs in both case studies, additionally identified TFs that have been less well characterized in the given condition, and provides a classification of the TFs into transcriptional activators and repressors.

ABSTRACT Owing to the inefficacy of available treatments, the survival rate of patients with metastatic prostate cancer (mPCa) is severely decreased. Therefore, it is crucial to identify new therapeutic targets to increase their survival. This study aim was to identify the most relevant regulators of mPCa onset by performing two high-throughput CRISPR/Cas9 screenings. Furthermore, some of the top hits were validated using small interfering RNA (siRNA) technology, with protein arginine methyltransferase 7 (PRMT7) being the best candidate. Its inhibition or depletion via CRISPR significantly reduced mPCa cell capacities in vitro . Moreover, PRMT7 ablation reduced mPCa appearance in chicken chorioallantoic membrane and mouse xenograft assays. Molecularly, PRMT7 reprograms the expression of several adhesion molecules through methylation of several transcription factors, such as FoxK1 or NR1H2, which results in primary tumor PCa cell adhesion loss and motility gain. Importantly, PRMT7 is upregulated in advanced stages of Spanish PCa tumor samples and PRMT7 pharmacological inhibition reduces the dissemination of mPCa cells. Thus, here is shown that PRMT7 is a potential therapeutic target and biomarker of mPCa.