Abstract COVID-19 has effectively spread worldwide. As of May 2020, Turkey is among the top ten countries with the most cases. A comprehensive genomic characterization of the virus isolates in Turkey is yet to be carried out. Here, we built a phylogenetic tree with globally obtained 15,277 severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) genomes. We identified the subtypes based on the phylogenetic clustering in comparison with the previously annotated classifications. We performed a phylogenetic analysis of the first thirty SARS-CoV-2 genomes isolated and sequenced in Turkey. We suggest that the first introduction of the virus to the country is earlier than the first reported case of infection. Virus genomes isolated from Turkey are dispersed among most types in the phylogenetic tree. We find two of the seventeen sub-clusters enriched with the isolates of Turkey, which likely have spread expansively in the country. Finally, we traced virus genomes based on their phylogenetic placements. This analysis suggested multiple independent international introductions of the virus and revealed a hub for the inland transmission. We released a web application to track the global and interprovincial virus spread of the isolates from Turkey in comparison to thousands of genomes worldwide.

Most algorithms that are used to predict the effects of variants rely on evolutionary conservation. However, a majority of such techniques compute evolutionary conservation by solely using the alignment of multiple sequences while overlooking the evolutionary context of substitution events. We had introduced PHACT, a scoring-based pathogenicity predictor for missense mutations that can leverage phylogenetic trees, in our previous study. By building on this foundation, we now propose PHACTboost, a gradient boosting tree-based classifier that combines PHACT scores with information from multiple sequence alignments, phylogenetic trees, and ancestral reconstruction. By learning from data, PHACTboost outperforms PHACT. Furthermore, the results of comprehensive experiments on carefully constructed sets of variants demonstrated that PHACTboost can outperform 40 prevalent pathogenicity predictors reported in the dbNSFP, including conventional tools, metapredictors, and deep learning-based approaches as well as more recent tools such as AlphaMissense, EVE, and CPT-1. The superiority of PHACTboost over these methods was particularly evident in case of hard variants for which different pathogenicity predictors offered conflicting results. We provide predictions of 215 million amino acid alterations over 20,191 proteins. PHACTboost is available at https://github.com/CompGenomeLab/PHACTboost. PHACTboost can improve our understanding of genetic diseases and facilitate more accurate diagnoses.

Most algorithms that are used to predict the effects of variants rely on evolutionary conservation. However, a majority of such techniques compute evolutionary conservation by solely using the alignment of multiple sequences while overlooking the evolutionary context of substitution events. We had introduced PHACT, a scoring-based pathogenicity predictor for missense mutations that can leverage phylogenetic trees, in our previous study. By building on this foundation, we now propose PHACTboost, a gradient boosting tree-based classifier that combines PHACT scores with information from multiple sequence alignments, phylogenetic trees, and ancestral reconstruction. The results of comprehensive experiments on carefully constructed sets of variants demonstrated that PHACTboost can outperform 40 prevalent pathogenicity predictors reported in the dbNSFP, including conventional tools, meta-predictors, and deep learning-based approaches as well as state-of-the-art tools, AlphaMissense, EVE, and CPT-1. The superiority of PHACTboost over these methods was particularly evident in case of hard variants for which different pathogenicity predictors offered conflicting results. We provide predictions of 219 million missense variants over 20,191 proteins. PHACTboost can improve our understanding of genetic diseases and facilitate more accurate diagnoses.

Abstract While it is well-established that UV radiation threatens genomic integrity, the precise mechanisms by which cells orchestrate DNA damage response and repair within the context of 3D genome architecture remain unclear. Here, we address this gap by investigating the UV-induced reorganization of the 3D genome and its critical role in mediating damage response. Employing temporal maps of contact matrices and transcriptional profiles, we illustrate the immediate and holistic changes in genome architecture post-irradiation, emphasizing the significance of this reconfiguration for effective DNA repair processes. We demonstrate that UV radiation triggers a comprehensive restructuring of the 3D genome structure at all levels, including loops, topologically associating domains and compartments. Through the analysis of DNA damage and excision repair maps, we uncover a correlation between genome folding, gene regulation, damage formation probability, and repair efficacy. We show that adaptive reorganization of the 3D genome is a key mediator of the damage response, providing new insights into the complex interplay of genomic structure and cellular defense mechanisms against UV-induced damage, thereby advancing our understanding of cellular resilience.

Nucleotide excision repair is the primary DNA repair mechanism that removes bulky DNA adducts such as UV-induced pyrimidine dimers. Correspondingly, genome-wide mapping of nucleotide excision repair with eXcision Repair sequencing (XR-seq), provides comprehensive profiling of DNA damage repair. A number of XR-seq experiments at a variety of conditions for different damage types revealed heterogenous repair in the human genome. Although human repair profiles were extensively studied, how repair maps vary between primates is yet to be investigated. Here, we characterized the genome-wide UV-induced damage repair in gray mouse lemur, Microcebus murinus, in comparison to human. Mouse lemurs are strictly nocturnal, are the world's smallest living primates, and last shared a common ancestor with humans at least 60 million years ago. We derived fibroblast cell lines from mouse lemur, exposed them to UV irradiation. The following repair events were captured genome-wide through the XR-seq protocol. Mouse lemur repair profiles were analyzed in comparison to the equivalent human fibroblast datasets. We found that overall UV sensitivity, repair efficiency, and transcription-coupled repair levels differ between the two primates. Despite this, comparative analysis of human and mouse lemur fibroblasts revealed that genome-wide repair profiles of the homologous regions are highly correlated. This correlation is stronger for the highly expressed genes. With the inclusion of an additional XR-seq sample derived from another human cell line in the analysis, we found that fibroblasts of the two primates repair UV-induced DNA lesions in a more similar pattern than two distinct human cell lines do. Our results suggest that mouse lemurs and humans, and possibly primates in general, share a homologous repair mechanism as well as genomic variance distribution, albeit with their variable repair efficiency. This result also emphasizes the deep homologies of individual tissue types across the eukaryotic phylogeny.

The Calcium Sensing Receptor (CaSR) is a key player in regulating calcium levels and has been linked to disorders like hypercalcemia and hypocalcemia. Despite advancements in understanding CaSR9s structure and functions, there are still gaps in our understanding of its specific residues and their differences from receptors within the same class. In this study, we used phylogeny-based techniques to identify functionally equivalent orthologs of CaSR, predict residue significance, and compute specificity-determining position (SDP) scores to understand its evolutionary basis. The analysis revealed exceptional conservation of the CaSR subfamily, with high SDP scores being critical in receptor activation and pathogenicity. To further enhance the findings, gradient-boosting trees were applied to differentiate between gain- and loss-of-function mutations responsible for hypocalcemia and hypercalcemia. Lastly, we investigated the importance of these mutations in the context of receptor activation dynamics. In summary, through comprehensive exploration of the evolutionary history of the CaSR subfamily, coupled with innovative phylogenetic methodologies, we identified activating and inactivating residues, providing valuable insights into the regulation of calcium homeostasis and its connections to associated disorders.

Abstract Sequence content is heterogeneous throughout genomes. Therefore, Genome-wide NGS reads biased towards specific nucleotide profiles are affected by the genome-wide heterogeneous nucleotide distribution. Boquila generates sequences that mimic the nucleotide profile of true reads, which can be used to correct the nucleotide-based bias of genome-wide distribution of NGS reads. Boquila can be configured to generate reads from only specified regions of the reference genome. It also allows the use of input DNA sequencing to correct the bias due to the copy number variations in the genome. Boquila uses standard file formats for input and output data, and it can be easily integrated into any workflow for high-throughput sequencing applications.

Abstract Major Depressive Disorder (MDD) is a commonly observed psychiatric disorder that affects more than 2% of the world population with a rising trend. However, disease-associated pathways and biomarkers are yet to be fully comprehended. In this study, we analyzed previously generated RNA-seq data across seven different brain regions from three distinct studies to identify differentially and co-expressed genes for patients with MDD. Differential gene expression (DGE) analysis revealed that NPAS4 is the only gene downregulated in three different brain regions. Furthermore, co-expressing gene modules responsible for glutamatergic signaling are negatively enriched in these regions. We used the results of both DGE and co-expression analyses to construct a novel MDD-associated pathway. In our model, we propose that disruption in glutamatergic signaling-related pathways might be associated with the downregulation of NPAS4 and many other immediate-early genes (IEGs) that control synaptic plasticity. In addition to DGE analysis, we identified the relative importance of KEGG pathways in discriminating MDD phenotype using a machine learning-based approach. We anticipate that our study will open doors to developing better therapeutic approaches targeting glutamatergic receptors in the treatment of MDD.

Abstract Long non-coding RNAs (lncRNAs) are the largest class of non-coding RNAs (ncRNAs). However, recent experimental evidence has shown that some lncRNAs contain small open reading frames (sORFs) that are translated into functional micropeptides. Current methods to detect misannotated lncRNAs rely on ribosome-profiling (ribo-seq) experiments, which are expensive and cell-type dependent. In addition, while very accurate machine learning models have been trained to distinguish between coding and non-coding sequences, little attention has been paid to the increasing evidence about the incorrect ground-truth labels of some lncRNAs in the underlying training datasets. We present a framework that leverages deep learning models’ training dynamics to determine whether a given lncRNA transcript is misannotated. Our models achieve AUC scores > 91% and AUPR > 93% in classifying non-coding vs. coding sequences while allowing us to identify possible misannotated lncRNAs present in the dataset. Our results overlap significantly with a set of experimentally validated misannotated lncRNAs as well as with coding sORFs within lncRNAs found by a ribo-seq dataset. The general framework applied here offers promising potential for use in curating datasets used for training coding potential predictors and assisting experimental efforts in characterizing the hidden proteome encoded by misannotated lncRNAs. Source code is available at https://github.com/nabiafshan/DetectingMisannotatedLncRNAs .

Abstract G protein-coupled receptors (GPCRs) induce signal transduction pathways through coupling to four main subtypes of G proteins (G s , G i , G q , G 12/13 ), selectively. However, G protein selective activation mechanisms and residual determinants in GPCRs have remained obscure. Herein, we performed an extensive phylogenetic analysis and identified specifically conserved residues for the receptors having similar coupling profiles in each aminergic receptor. By integrating our methodology of differential evolutionary conservation of G protein-specific amino acids with structural analyses, we identified selective activation networks for G s , G i1 , G o , and G q . To validate that these networks could determine coupling selectivity we further analyzed Gs specific activation network and associated it with the larger TM6 tilt which is a signature of Gs-coupled receptors. Through molecular dynamics simulations, we showed that previously uncharacterized Glycine at position 7×41 plays an important role in both receptor activation and G s coupling selectivity by inducing a larger TM6 movement. Finally, we gathered our results into a comprehensive model of G protein selectivity called “sequential switches of activation” describing three main molecular switches controlling GPCR activation: ligand binding, G protein selective activation mechanisms and G protein contact.