RNA editing enhances the diversity of gene products at the post-transcriptional level. Approaches for genome-wide identification of RNA editing face two main challenges: separating true editing sites from false discoveries and accurate estimation of editing levels. We developed an approach to analyze transcriptome sequencing data (RNA-seq) for global identification of RNA editing in cells for which whole-genome sequencing data are available. We applied the method to analyze RNA-seq data of a human glioblastoma cell line, U87MG. Around 10,000 DNA-RNA differences were identified, the majority being putative A-to-I editing sites. These predicted A-to-I events were associated with a low false-discovery rate (∼5%). Moreover, the estimated editing levels from RNA-seq correlated well with those based on traditional clonal sequencing. Our results further facilitated unbiased characterization of the sequence and evolutionary features flanking predicted A-to-I editing sites and discovery of a conserved RNA structural motif that may be functionally relevant to editing. Genes with predicted A-to-I editing were significantly enriched with those known to be involved in cancer, supporting the potential importance of cancer-specific RNA editing. A similar profile of DNA-RNA differences as in U87MG was predicted for another RNA-seq data set obtained from primary breast cancer samples. Remarkably, significant overlap exists between the putative editing sites of the two transcriptomes despite their difference in cell type, cancer type, and genomic backgrounds. Our approach enabled de novo identification of the RNA editome, which sets the stage for further mechanistic studies of this important step of post-transcriptional regulation.

Cardiac differentiation of human pluripotent stem cells (hPSCs) requires orchestration of dynamic gene regulatory networks during stepwise fate transitions but often generates immature cell types that do not fully recapitulate properties of their adult counterparts, suggesting incomplete activation of key transcriptional networks. We performed extensive single-cell transcriptomic analyses to map fate choices and gene expression programs during cardiac differentiation of hPSCs and identified strategies to improve in vitro cardiomyocyte differentiation. Utilizing genetic gain- and loss-of-function approaches, we found that hypertrophic signaling is not effectively activated during monolayer-based cardiac differentiation, thereby preventing expression of HOPX and its activation of downstream genes that govern late stages of cardiomyocyte maturation. This study therefore provides a key transcriptional roadmap of in vitro cardiac differentiation at single-cell resolution, revealing fundamental mechanisms underlying heart development and differentiation of hPSC-derived cardiomyocytes.

The neural fate commitment of pluripotent stem cells requires the repression of extrinsic inhibitory signals and the activation of intrinsic positive transcription factors. However, how these two events are integrated to ensure appropriate neural conversion remains unclear. In this study, we showed that Pou3f1 is essential for the neural differentiation of mouse embryonic stem cells (ESCs), specifically during the transition from epiblast stem cells (EpiSCs) to neural progenitor cells (NPCs). Chimeric analysis showed that Pou3f1 knockdown leads to a markedly decreased incorporation of ESCs in the neuroectoderm. By contrast, Pou3f1-overexpressing ESC derivatives preferentially contribute to the neuroectoderm. Genome-wide ChIP-seq and RNA-seq analyses indicated that Pou3f1 is an upstream activator of neural lineage genes, and also is a repressor of BMP and Wnt signaling. Our results established that Pou3f1 promotes the neural fate commitment of pluripotent stem cells through a dual role, activating internal neural induction programs and antagonizing extrinsic neural inhibitory signals.

Abstract Deep learning have made great successes in traditional fields like computer vision (CV), natural language processing (NLP) and speech processing. Those achievements greatly inspire researchers in genomic study and make deep learning in genomics a very hot topic. Convolutional neural network (CNN) and recurrent neural network (RNN) are frequently used for genomic sequence prediction problems; multiple layer perception (MLP) and auto-encoders (AE) are frequently used for genomic profiling data like RNA expression data and gene mutation data. Here, we introduce a new neural network architecture, named residual fully-connected neural network (RFCN) and demonstrate its advantage for modeling genomic profiling data. We further incorporate AutoML algorithms and implement AutoGenome, an end-to-end automated genomic deep learning framework. By utilizing the proposed RFCN architectures, automatic hyper-parameter search and neural architecture search algorithms, AutoGenome can train high-performance deep learning models for various kinds of genomic profiling data automatically. To make researchers better understand the trained models, AutoGenome can assess the feature importance and export the most important features for supervised learning tasks, and the representative latent vectors for unsupervised learning tasks. We envision AutoGenome to become a popular tool in genomic studies.

Brain are complex biological tissues which function relies on coordinated anatomical and molecular structure comprised by a large number of specialized cells. The spatial architecture of brain which is key to the understanding of its physiological and pathological significance is formed during embryo development. However, the molecular basis for discrete neuroanatomical domains particularly in the context of spatial organization of the brain is inadequate. Here, we introduced microfluidic indexing based spatial ATAC and RNA sequencing (MISAR-seq), a method for joint profiling of chromatin accessibility and gene expression with spatial information retained in the developing mouse brain. Our study has established a direct means to spatially determine the coordination between chromatin accessibility and transcriptome, identified the chromatin potential to define cell fate determination of brain organization, and uncovered spatiotemporal regulatory principles during mammalian brain development.

Abstract Recent developments of sequencing-based spatial transcriptomics (sST) have catalyzed important advancements by facilitating transcriptome-scale spatial gene expression measurement. Despite this progress, efforts to comprehensively benchmark different platforms are currently lacking. The extant variability across technologies and datasets poses challenges in formulating standardized evaluation metrics. In this study, we established a collection of reference tissues and regions characterized by well-defined histological architectures, and used them to generate data to compare 11 sST methods. We highlighted molecular diffusion as a variable parameter across different methods and tissues, significantly affecting the effective resolutions. Furthermore, we observed that spatial transcriptomic data demonstrate unique attributes beyond merely adding a spatial axis to single-cell data, including an enhanced ability to capture patterned rare cell states along with specific markers, albeit being influenced by multiple factors including sequencing depth and resolution. Our study assists biologists in sST platform selection, and helps foster a consensus on evaluation standards and establish a framework for future benchmarking efforts that can be used as a gold standard for the development and benchmarking of computational tools for spatial transcriptomic analysis.

Summary During mammalian embryogenesis, spatial regulation of gene expression and cell signaling are functionally coupled with lineage specification, patterning of tissue progenitors and germ layer morphogenesis. While the mouse model has been instrumental for our understanding of mammalian development, comparatively little is known about human and non-human primate gastrulation due to the restriction of both technical and ethical issues. Here, we present a morphological and molecular survey of spatiotemporal dynamics of cell types populating the non-human primate embryos during gastrulation. We performed serial sections of Cynomolgus monkeys ( Macaca fascicularis ) gastrulating embryos at 1-day temporal resolution from E17 to E21, and reconstructed three-dimensional digital models based on high-resolution anatomical atlas that revealed the dynamic changes in the geography of the mesoderm and primitive streaks. Spatial transcriptomics identified unique gene profiles that correspond to distinct germ layers and cross-species spatiotemporal transcriptome analysis revealed a developmental coordinate of germ layer segregation between mouse and primate. Furthermore, we identified species-specific transcription programs during gastrulation. These results offer important insights into evolutionarily conserved and divergent processes during mammalian gastrulation. Highlight A high-resolution anatomical atlas of Cynomolgus gastrulation embryos Created a three-dimensional digital template from serial sections of five developmental stages A two-dimensional spatiotemporal transcriptome of the germ layers of gastrulating embryos Cross-species comparison infers conservation of functional attributes of regulome and signaling activity in germ layer formation

Abstract Spatially resolved transcriptomics (SRT) is poised to advance our understanding of cellular organization within complex tissues under various physiological and pathological conditions at unprecedented resolution. Despite the development of numerous computational tools that facilitate the automatic identification of statistically significant intra-/inter-slice patterns (like spatial domains), these methods typically operate in an unsupervised manner, without leveraging sample characteristics like physiological/pathological states. Here we present PASSAGE ( P henotype A ssociated S patial S ignature A nalysis with G raph-based E mbedding), a rationally-designed deep learning framework for characterizing phenotype-associated signatures across multiple heterogeneous spatial slices effectively. In addition to its outstanding performance in systematic benchmarks, we have demonstrated PASSAGE’s unique capability in identifying sophisticated signatures in multiple real-world datasets. The full package of PASSAGE is available at https://github.com/gao-lab/PASSAGE .