DNA and histone modifications combine into characteristic patterns that demarcate functional regions of the genome1,2. While many 'readers' of individual modifications have been described3-5, how chromatin states comprising composite modification signatures, histone variants and internucleosomal linker DNA are interpreted is a major open question. Here we use a multidimensional proteomics strategy to systematically examine the interaction of around 2,000 nuclear proteins with over 80 modified dinucleosomes representing promoter, enhancer and heterochromatin states. By deconvoluting complex nucleosome-binding profiles into networks of co-regulated proteins and distinct nucleosomal features driving protein recruitment or exclusion, we show comprehensively how chromatin states are decoded by chromatin readers. We find highly distinctive binding responses to different features, many factors that recognize multiple features, and that nucleosomal modifications and linker DNA operate largely independently in regulating protein binding to chromatin. Our online resource, the Modification Atlas of Regulation by Chromatin States (MARCS), provides in-depth analysis tools to engage with our results and advance the discovery of fundamental principles of genome regulation by chromatin states.

Abstract Chromatin, the nucleoprotein complex consisting of DNA and histone proteins, plays a crucial role in regulating gene expression by controlling access to DNA. Chromatin modifications are key players in this regulation, as they help to orchestrate DNA transcription, replication, and repair. These modifications recruit epigenetic “reader” proteins, which mediate downstream events. Most modifications occur in distinctive combinations within a nucleosome, suggesting that epigenetic information can be encoded in combinatorial chromatin modifications. A detailed understanding of how multiple modifications cooperate in recruiting such proteins has, however, remained largely elusive. Here, we integrate nucleosome affinity purification data with high-throughput quantitative proteomics and hierarchical interaction modeling to estimate combinatorial effects of chromatin modifications on protein recruitment. This is facilitated by the computational workflow asteRIa which combines hierarchical interaction modeling, stability-based model selection, and replicate-consistency checks for a st able e stimation of R obust I nter a ctions among chromatin modifications. asteRIa identifies several epigenetic reader candidates responding to specific interactions between chromatin modifications. For the polycomb protein CBX8, we independently validate our results using genome-wide ChIP-Seq and bisulphite datasets. We provide the first quantitative framework for identifying cooperative effects of chromatin modifications on protein binding.

Somatic mutations in the tumor suppressor Ring finger protein 43 (RNF43) were frequently found in colitis-associated cancer (CAC) and related to the duration of chronic inflammation, but their significance in inflammation and inflammation-associated carcinogenesis remained elusive. We assessed the onset of RNF43 mutations at different stages of human CAC development by exome sequencing, and comprehensively characterized RNF43 loss-of-function-driven malignant transformation in mice by RNA sequencing, flow cytometry, immunohistochemistry, computational transcriptome-microbiome associations, and determined the underlying mechanisms by performing functional stem-cell derived organoid studies and fecal microbiota transfers. Mutations in RNF43 were frequent (12.9 %) in precancerous lesions of ulcerative colitis (UC) patients and eventually detectable in 24.4 % of CAC patients. In a bacterial-induced colitis mouse model, Rnf43 mutations caused invasive colorectal carcinomas by aggravating and perpetuating inflammation due to impaired epithelial barrier integrity and pathogen control. We could demonstrate that Rnf43 loss-of-function-mutations were even sufficient to cause spontaneous intestinal inflammation, resulting in UC-typical pathological features and subsequent invasive carcinoma development. In detail, mutant Rnf43 impaired intestinal epithelial and particularly goblet cell homeostasis in a cell-intrinsic manner, and caused dysbiosis. The altered microbiota composition induced epithelial DNA damage and spontaneous mucosal inflammation characterized by TGF-b-activating dendritic cells and pro-inflammatory (IL-17+, IL-22+, TNFa+) T cells. Over time, the continuous epithelial and goblet cell dysfunction, combined with pro-tumorigenic and pro-inflammatory microbiota, resulted in accumulated epithelial damage with transformation into inflammation-associated cancer in the presence of constitutive WNT signaling activation. We identified mutant RNF43 as susceptibility gene for UC and bona fide driver of CAC.

Microbial interactions are of fundamental importance for the functioning and the maintenance of microbial communities. Deciphering these interactions from observational data or controlled lab experiments remains a formidable challenge due to their context-dependent nature, i.e., their dependence on (a)biotic factors, host characteristics, and overall community composition. Here, we present a statistical regression framework for microbial data that allows the inclusion and parsimonious estimation of species interaction effects for an outcome of interest. We adapt the penalized quadratic interaction model to accommodate common microbial data types as predictors, including microbial presence-absence data, relative (or compositional) abundance data from microbiome surveys, and quantitative (absolute abundance) microbiome data. We study the effect of including hierarchical interaction constraints and stability-based model selection on model performance and propose novel interaction model formulations for compositional data. To illustrate our framework's versatility, we consider prediction tasks across a wide range of microbial datasets and ecosystems, including metabolite production in model communities in designed experiments and environmental covariate prediction from marine microbiome data. While we generally observe superior predictive performance of our interaction models, we also assess limits of these models in presence of extreme data sparsity and with respect to data type. On a large-scale gut microbiome cohort data, we identify sparse family-level interaction models that accurately predict the abundance of antimicrobial resistance genes, enabling the formulation of novel biological hypotheses about microbial community composition and antimicrobial resistance.