SH
Stevephen Hung
Author with expertise in Clustered Regularly Interspaced Short Palindromic Repeats and CRISPR-associated proteins
Achievements
Cited Author
Key Stats
Upvotes received:
0
Publications:
17
(47% Open Access)
Cited by:
465
h-index:
21
/
i10-index:
29
Reputation
Biology
< 1%
Chemistry
< 1%
Economics
< 1%
Show more
How is this calculated?
Publications
0

A single‐cell transcriptome atlas of the adult human retina

Samuel Lukowski et al.Aug 22, 2019
Resource22 August 2019free access Transparent process A single-cell transcriptome atlas of the adult human retina Samuel W Lukowski orcid.org/0000-0002-8598-7902 Institute for Molecular Bioscience, University of Queensland, Brisbane, Qld, Australia Search for more papers by this author Camden Y Lo Monash University, Melbourne, Vic., Australia Search for more papers by this author Alexei A Sharov National Institute for Aging, National Institutes of Health, Baltimore, MD, USA Search for more papers by this author Quan Nguyen orcid.org/0000-0001-7870-5703 Institute for Molecular Bioscience, University of Queensland, Brisbane, Qld, Australia Search for more papers by this author Lyujie Fang orcid.org/0000-0002-2286-0023 Centre for Eye Research Australia, Melbourne, Vic., Australia Ophthalmology, Department of Surgery, University of Melbourne, Melbourne, Vic., Australia Jinan University, Guangzhou, China Search for more papers by this author Sandy SC Hung Centre for Eye Research Australia, Melbourne, Vic., Australia Ophthalmology, Department of Surgery, University of Melbourne, Melbourne, Vic., Australia Search for more papers by this author Ling Zhu orcid.org/0000-0003-0776-1630 The University of Sydney, Faculty of Medicine, Save Sight Institute, Sydney, NSW, Australia Search for more papers by this author Ting Zhang orcid.org/0000-0001-8074-8999 The University of Sydney, Faculty of Medicine, Save Sight Institute, Sydney, NSW, Australia Search for more papers by this author Ulrike Grünert The University of Sydney, Faculty of Medicine, Save Sight Institute, Sydney, NSW, Australia Search for more papers by this author Tu Nguyen orcid.org/0000-0002-6165-1822 Centre for Eye Research Australia, Melbourne, Vic., Australia Ophthalmology, Department of Surgery, University of Melbourne, Melbourne, Vic., Australia Search for more papers by this author Anne Senabouth Garvan-Weizmann Centre for Cellular Genomics, Garvan Institute of Medical Research, Sydney, NSW, Australia Search for more papers by this author Jafar S Jabbari Australian Genome Research Facility, Melbourne, Vic., Australia Search for more papers by this author Emily Welby Stem Cells and Regenerative Medicine Section, NIHR Great Ormond Street Hospital Biomedical Research Centre, UCL Great Ormond Street Institute of Child Health, London, UK Search for more papers by this author Jane C Sowden Stem Cells and Regenerative Medicine Section, NIHR Great Ormond Street Hospital Biomedical Research Centre, UCL Great Ormond Street Institute of Child Health, London, UK Search for more papers by this author Hayley S Waugh Lions Eye Donation Services, Melbourne, Vic., Australia Search for more papers by this author Adrienne Mackey Lions Eye Donation Services, Melbourne, Vic., Australia Search for more papers by this author Graeme Pollock Lions Eye Donation Services, Melbourne, Vic., Australia Search for more papers by this author Trevor D Lamb John Curtin School of Medical Research, The Australian National University, Canberra, ACT, Australia Search for more papers by this author Peng-Yuan Wang Department of Chemistry and Biotechnology, Swinburne University of Technology, Melbourne, Vic., Australia Center for Human Tissues and Organs Degeneration, Institute of Biomedicine and Biotechnology, Shenzhen Institute of Advanced Technology, Chinese Academy of Science, Shenzhen, China Search for more papers by this author Alex W Hewitt Centre for Eye Research Australia, Melbourne, Vic., Australia Ophthalmology, Department of Surgery, University of Melbourne, Melbourne, Vic., Australia Menzies Institute for Medical Research, University of Tasmania, Hobart, Tas., Australia Search for more papers by this author Mark C Gillies The University of Sydney, Faculty of Medicine, Save Sight Institute, Sydney, NSW, Australia Search for more papers by this author Joseph E Powell orcid.org/0000-0001-9031-6356 Garvan-Weizmann Centre for Cellular Genomics, Garvan Institute of Medical Research, Sydney, NSW, Australia UNSW Cellular Genomics Futures Institute, University of New South Wales, Sydney, NSW, Australia Search for more papers by this author Raymond CB Wong Corresponding Author [email protected] orcid.org/0000-0002-8092-9455 Centre for Eye Research Australia, Melbourne, Vic., Australia Ophthalmology, Department of Surgery, University of Melbourne, Melbourne, Vic., Australia Shenzhen Eye Hospital, Shenzhen University School of Medicine, Shenzhen, China Search for more papers by this author Samuel W Lukowski orcid.org/0000-0002-8598-7902 Institute for Molecular Bioscience, University of Queensland, Brisbane, Qld, Australia Search for more papers by this author Camden Y Lo Monash University, Melbourne, Vic., Australia Search for more papers by this author Alexei A Sharov National Institute for Aging, National Institutes of Health, Baltimore, MD, USA Search for more papers by this author Quan Nguyen orcid.org/0000-0001-7870-5703 Institute for Molecular Bioscience, University of Queensland, Brisbane, Qld, Australia Search for more papers by this author Lyujie Fang orcid.org/0000-0002-2286-0023 Centre for Eye Research Australia, Melbourne, Vic., Australia Ophthalmology, Department of Surgery, University of Melbourne, Melbourne, Vic., Australia Jinan University, Guangzhou, China Search for more papers by this author Sandy SC Hung Centre for Eye Research Australia, Melbourne, Vic., Australia Ophthalmology, Department of Surgery, University of Melbourne, Melbourne, Vic., Australia Search for more papers by this author Ling Zhu orcid.org/0000-0003-0776-1630 The University of Sydney, Faculty of Medicine, Save Sight Institute, Sydney, NSW, Australia Search for more papers by this author Ting Zhang orcid.org/0000-0001-8074-8999 The University of Sydney, Faculty of Medicine, Save Sight Institute, Sydney, NSW, Australia Search for more papers by this author Ulrike Grünert The University of Sydney, Faculty of Medicine, Save Sight Institute, Sydney, NSW, Australia Search for more papers by this author Tu Nguyen orcid.org/0000-0002-6165-1822 Centre for Eye Research Australia, Melbourne, Vic., Australia Ophthalmology, Department of Surgery, University of Melbourne, Melbourne, Vic., Australia Search for more papers by this author Anne Senabouth Garvan-Weizmann Centre for Cellular Genomics, Garvan Institute of Medical Research, Sydney, NSW, Australia Search for more papers by this author Jafar S Jabbari Australian Genome Research Facility, Melbourne, Vic., Australia Search for more papers by this author Emily Welby Stem Cells and Regenerative Medicine Section, NIHR Great Ormond Street Hospital Biomedical Research Centre, UCL Great Ormond Street Institute of Child Health, London, UK Search for more papers by this author Jane C Sowden Stem Cells and Regenerative Medicine Section, NIHR Great Ormond Street Hospital Biomedical Research Centre, UCL Great Ormond Street Institute of Child Health, London, UK Search for more papers by this author Hayley S Waugh Lions Eye Donation Services, Melbourne, Vic., Australia Search for more papers by this author Adrienne Mackey Lions Eye Donation Services, Melbourne, Vic., Australia Search for more papers by this author Graeme Pollock Lions Eye Donation Services, Melbourne, Vic., Australia Search for more papers by this author Trevor D Lamb John Curtin School of Medical Research, The Australian National University, Canberra, ACT, Australia Search for more papers by this author Peng-Yuan Wang Department of Chemistry and Biotechnology, Swinburne University of Technology, Melbourne, Vic., Australia Center for Human Tissues and Organs Degeneration, Institute of Biomedicine and Biotechnology, Shenzhen Institute of Advanced Technology, Chinese Academy of Science, Shenzhen, China Search for more papers by this author Alex W Hewitt Centre for Eye Research Australia, Melbourne, Vic., Australia Ophthalmology, Department of Surgery, University of Melbourne, Melbourne, Vic., Australia Menzies Institute for Medical Research, University of Tasmania, Hobart, Tas., Australia Search for more papers by this author Mark C Gillies The University of Sydney, Faculty of Medicine, Save Sight Institute, Sydney, NSW, Australia Search for more papers by this author Joseph E Powell orcid.org/0000-0001-9031-6356 Garvan-Weizmann Centre for Cellular Genomics, Garvan Institute of Medical Research, Sydney, NSW, Australia UNSW Cellular Genomics Futures Institute, University of New South Wales, Sydney, NSW, Australia Search for more papers by this author Raymond CB Wong Corresponding Author [email protected] orcid.org/0000-0002-8092-9455 Centre for Eye Research Australia, Melbourne, Vic., Australia Ophthalmology, Department of Surgery, University of Melbourne, Melbourne, Vic., Australia Shenzhen Eye Hospital, Shenzhen University School of Medicine, Shenzhen, China Search for more papers by this author Author Information Samuel W Lukowski1,‡, Camden Y Lo2,‡, Alexei A Sharov3, Quan Nguyen1, Lyujie Fang4,5,6, Sandy SC Hung4,5, Ling Zhu7, Ting Zhang7, Ulrike Grünert7, Tu Nguyen4,5, Anne Senabouth8, Jafar S Jabbari9, Emily Welby10, Jane C Sowden10, Hayley S Waugh11, Adrienne Mackey11, Graeme Pollock11, Trevor D Lamb12, Peng-Yuan Wang13,14, Alex W Hewitt4,5,15, Mark C Gillies7, Joseph E Powell8,16,‡ and Raymond CB Wong *,4,5,17,‡ 1Institute for Molecular Bioscience, University of Queensland, Brisbane, Qld, Australia 2Monash University, Melbourne, Vic., Australia 3National Institute for Aging, National Institutes of Health, Baltimore, MD, USA 4Centre for Eye Research Australia, Melbourne, Vic., Australia 5Ophthalmology, Department of Surgery, University of Melbourne, Melbourne, Vic., Australia 6Jinan University, Guangzhou, China 7The University of Sydney, Faculty of Medicine, Save Sight Institute, Sydney, NSW, Australia 8Garvan-Weizmann Centre for Cellular Genomics, Garvan Institute of Medical Research, Sydney, NSW, Australia 9Australian Genome Research Facility, Melbourne, Vic., Australia 10Stem Cells and Regenerative Medicine Section, NIHR Great Ormond Street Hospital Biomedical Research Centre, UCL Great Ormond Street Institute of Child Health, London, UK 11Lions Eye Donation Services, Melbourne, Vic., Australia 12John Curtin School of Medical Research, The Australian National University, Canberra, ACT, Australia 13Department of Chemistry and Biotechnology, Swinburne University of Technology, Melbourne, Vic., Australia 14Center for Human Tissues and Organs Degeneration, Institute of Biomedicine and Biotechnology, Shenzhen Institute of Advanced Technology, Chinese Academy of Science, Shenzhen, China 15Menzies Institute for Medical Research, University of Tasmania, Hobart, Tas., Australia 16UNSW Cellular Genomics Futures Institute, University of New South Wales, Sydney, NSW, Australia 17Shenzhen Eye Hospital, Shenzhen University School of Medicine, Shenzhen, China ‡These authors contributed equally to this work as first authors ‡These authors contributed equally to this work as senior authors *Corresponding author. Tel: +613 85321962; E-mail: [email protected] EMBO J (2019)38:e100811https://doi.org/10.15252/embj.2018100811 PDFDownload PDF of article text and main figures. Peer ReviewDownload a summary of the editorial decision process including editorial decision letters, reviewer comments and author responses to feedback. ToolsAdd to favoritesDownload CitationsTrack CitationsPermissions ShareFacebookTwitterLinked InMendeleyWechatReddit Figures & Info Abstract The retina is a specialized neural tissue that senses light and initiates image processing. Although the functional organization of specific retina cells has been well studied, the molecular profile of many cell types remains unclear in humans. To comprehensively profile the human retina, we performed single-cell RNA sequencing on 20,009 cells from three donors and compiled a reference transcriptome atlas. Using unsupervised clustering analysis, we identified 18 transcriptionally distinct cell populations representing all known neural retinal cells: rod photoreceptors, cone photoreceptors, Müller glia, bipolar cells, amacrine cells, retinal ganglion cells, horizontal cells, astrocytes, and microglia. Our data captured molecular profiles for healthy and putative early degenerating rod photoreceptors, and revealed the loss of MALAT1 expression with longer post-mortem time, which potentially suggested a novel role of MALAT1 in rod photoreceptor degeneration. We have demonstrated the use of this retina transcriptome atlas to benchmark pluripotent stem cell-derived cone photoreceptors and an adult Müller glia cell line. This work provides an important reference with unprecedented insights into the transcriptional landscape of human retinal cells, which is fundamental to understanding retinal biology and disease. Synopsis The transcriptome of human neural retina at a single-cell level defines the gene expression profile in major cell types in the neural retina and can be used as a benchmark to assess the quality of stem cell-derived cells or primary retinal cells. The presented transcriptome atlas of human neural retina comprises single-cell RNA-sequencing data from 20,009 human retinal cells. Unsupervised cell clustering analysis allows identification of 18 transcriptionally distinct cell populations that represent all known neural retinal cell types. Reduced expression of the long non-coding RNA MALAT1 correlates with longer post-mortem time in putative early degenerating rod photoreceptors. The retina transcriptome atlas can be used to benchmark pluripotent stem cell-derived cone photoreceptors and an adult Müller glia cell line. Introduction The eye is a highly specialized sensory organ in the human body. Sight is initiated by the conversion of light into an electrical signal in the photoreceptors of the neurosensory retina. The rod photoreceptors are responsible for light detection at extremely low luminance, while the cone photoreceptors are responsible for color detection and operate at moderate and higher levels. Following preprocessing, by horizontal, bipolar, and amacrine cells, the resultant signal is transferred via ganglion cells to the brain. Neurotransmitter support is provided by Müller glia, retinal astrocytes, and microglial cells. Inherited retinal diseases are becoming the leading cause of blindness in working-age adults, with loci in over 200 genes associated with retinal diseases (RetNet: https://sph.uth.edu/retnet/), often involving specific retinal cell types. Knowledge of the transcriptome profile of individual retinal cell types in humans is important to understand the cellular diversity in the retina, as well as the study of retinal genes that contribute to disease in individual retinal cell types (Hornan et al, 2007; Farkas et al, 2013; Whitmore et al, 2014; Mustafi et al, 2016; Pinelli et al, 2016). The transcriptome profiles of whole human retina from adults (Hornan et al, 2007; Farkas et al, 2013; Whitmore et al, 2014; Mustafi et al, 2016; Pinelli et al, 2016) and during fetal development (Kozulin et al, 2009; Hoshino et al, 2017) have been previously described. However, these studies only assayed the averaged transcriptional signatures across all cell types, meaning that information on the cellular heterogeneity in the retina is lost. As such, the transcriptional pathways that underlie the highly specialized function of many human retinal cell types remain unclear, including the rod and cone photoreceptors, Müller glial cells, horizontal cells, and amacrine cells. Recent advances in RNA sequencing and microfluidic platforms have dramatically improved the accessibility of single-cell transcriptomics, with increased throughput at a lower cost. Critically, single-cell microfluidics and low-abundance RNA library chemistries allow accurate profiling of the transcriptome of individual cell types. This has been demonstrated in the mouse, where transcriptome profiles of the mouse retina (Macosko et al, 2015) and retinal bipolar cells (Shekhar et al, 2016) have been described at the single-cell level using the Drop-seq method (Macosko et al, 2015). These studies provided a molecular classification of the mouse retina and identified novel markers for specific cell types, as well as novel candidate cell types in the retina. Recently, single-cell transcriptomics was used to analyze the human retina. Phillips et al (2018) have profiled a total of 139 cells from adult retina using the C1 Fluidigm platform, but the limited number of profiled cells presents challenges in the annotation and accurate identification of individual retinal cell types. Moreover, a flow cytometry approach was used to isolate 65 human fetal cone photoreceptors followed by scRNA-seq profiling (Welby et al, 2017). During the preparation of this manuscript, Voigt et al (2019) reported scRNA-seq profiling of 8,217 cells from human retina obtained from a mixed pool of donors that included a healthy patient, a patient with early glaucoma, and one with unknown ocular history. Herein, we report the generation of a human neural retina transcriptome atlas using 20,009 single cells collected from three healthy donors. Our data provide new insights into the transcriptome profile of major human retinal cell types and establish a high cellular-resolution reference of the human neural retina, which will have implications for identification of biomarkers and understanding retinal cell biology and diseases. Results Preparation of human neural retina samples and generation of single-cell transcriptome atlas We obtained post-mortem human adult eyes approved for research purposes following corneal transplantation. As the transcriptome profile of human retinal pigment epithelial cells has already been reported (Liao et al, 2010; Strunnikova et al, 2010), we focused solely on the neural retina layers. In this study, we extracted the neural retina from 12 donor eyes (Appendix Table S1). We observed consistent cell viability across retinal tissues retrieved within 15 h post-mortem (Appendix Fig S1A) and found that donor age does not impact negatively on cell viability in the extracted neural retina (Appendix Fig S1B). To minimize potential risk of mRNA degradation due to reduced cell viability, we selected three donor samples retrieved within 15 h post-mortem and analyzed them with single-cell RNA sequencing (scRNA-seq) using the 10X Genomics Chromium platform. Sequence data from five scRNA-seq libraries derived from the three neural retinal samples were pooled for processing and analysis. From 23,000 cells, we obtained an average of 40,232 reads per cell and 1,665 UMIs (unique transcripts) per cell. Following quality control and filtering using the Seurat package (Butler et al, 2018), our final dataset contained 20,009 cells, which were taken forward for further analysis. The scRNA-seq data were initially analyzed using an unsupervised graph clustering approach implemented in Seurat (version 2.2.1) to classify individual cells into cell populations according to similarities in their transcriptome profiles. Overall, the cells were classified into 18 transcriptionally distinct clusters (Appendix Fig S2). We first assessed the variation between donor samples (Appendix Table S2). Interestingly, although many of the identified clusters are well represented in all three donor retinal samples, we also observed several donor-specific clusters corresponding to rod photoreceptors (Appendix Fig S3A). In contrast, we observed minimal variation between two different libraries prepared from the same donor sample, supporting the quality of the scRNA-seq datasets in this study (Appendix Fig S3B). The average expression for all detected genes in each cluster is listed in Dataset EV1. Identification of major cell types in the human retina using scRNA-seq Based on known markers (Blackshaw et al, 2001; Imanishi et al, 2002; Corbo et al, 2007; Soto et al, 2008; Klimova et al, 2015; Macosko et al, 2015; Shekhar et al, 2016; Vecino et al, 2016), we were able to assign cell identities to 16 of the 18 clusters (Fig 1A–D), corresponding to rod photoreceptors (PDE6A, CNGA1, RHO), cone photoreceptors (ARR3, GNGT2, GUCA1C), Müller glia (RLBP1/CRALBP), retinal astrocytes (GFAP), microglia (HLA-DPA1, HLA-DPB1, HLA-DRA), bipolar cells (VSX2, OTX2), retinal ganglion cells (NEFL, GAP43, SNCG), amacrine cells (GAD1, CALB1, CHAT), and horizontal cells (ONECUT1, ONECUT2). The expression of selected marker genes is displayed in t-SNE plots (Fig 1D). Two clusters (C5 and C14) express markers from multiple retinal cell types (Appendix Fig S4); thus, we were unable to assign cell identities to these two clusters and they were excluded from further analysis. Interestingly, our data demonstrated multiple transcriptionally distinct clusters within the rod photoreceptors (six clusters) and bipolar cells (three clusters). In contrast, only one cluster was detected for cone photoreceptors, Müller glia, retinal ganglion cells, horizontal cells, amacrine cells, retinal astrocytes, and microglia, respectively. Correlation analysis confirmed the similarity between clusters within the same cell type (Fig 1E). As expected, we observed high correlations between the expression levels of transcripts within photoreceptor cell types (rod and cones), as well as glial cells (retinal astrocytes and Müller glia) and other retinal neurons (bipolar cells, retinal ganglion cells, amacrine cells, and horizontal cells). The composition of cell populations across our three donors shows that the majority of the cells in human neural retina were rod photoreceptors (~74%) followed by bipolar cells (~10%). These results are similar to those reported in mice, where rod photoreceptors and bipolar cells form the majority of cells in the retina (Jeon et al, 1998; Macosko et al, 2015). Figure 1. Single-cell transcriptome atlas for human neural retina A, B. t-SNE visualization of 20,009 human retinal cells colored by (A) annotation of 18 transcriptionally distinct clusters (C0-C17) and (B) their distribution in three donor retina samples. C. Feature expression heatmap showing expression patterns of major retinal class markers across 16 retinal cell clusters. The size of each circle depicts the percentage of cells expressing the marker within the cluster. Brown color indicates ≥ 10 nTrans (number of transcripts). D. t-SNE plots showing expression of a set of selected marker genes for major retinal classes. E. Correlation matrix for the identified 18 clusters. The upper triangle depicts the z-value for correlation, and the lower triangle depicts the correlation coefficient for gene expression in clusters. F. Heatmap of differentially expressed genes used to classify cell types for each cluster compared to all other clusters for the 18 retinal cell clusters. The rows correspond to the top 10 genes most selectively upregulated in individual clusters (P < 0.01, Benjamini–Hochberg correction), and the columns show individual cells ordered by cluster (C0-C17). Download figure Download PowerPoint To identify genes whose expression was specific to a given cell type, we performed differential gene expression analysis to identify marker genes for each cluster (Fig 1F). We subsequently extracted membrane-related proteins from gene ontology annotations to identify potential surface markers, which can be used to develop immuno-based methods to isolate primary culture of individual retinal cell types. Appendix Table S3 lists the identified markers for individual retinal cell types. We also assessed the gene expression of a panel of commonly known markers in amacrine cells and bipolar cells (Figs EV1 and EV2), as well as a panel of markers for subtype identification recently identified in mouse scRNA-seq studies (Macosko et al, 2015; Shekhar et al, 2016). In particular, the bipolar clusters can be classified as OFF-bipolar cells (GRIK1+: C6) and ON-bipolar cells (ISL1+: C8, C11). Further analysis showed that C8 represents rod bipolar cells based on the marker PRKCA, while C11 expresses the marker TTR corresponding to a diffuse bipolar subtype DB4 (Fig EV1). In summary, we profiled the transcriptomes of all major cell types in the human retina in the presented dataset. Due to their abundance, for the subsequent analyses we focused on the photoreceptors and glial cells. Click here to expand this figure. Figure EV1. Bipolar marker gene expression in the compiled human neural retina transcriptome atlas (20,009 cells) Feature expression heatmap of VSX2 (pan-bipolar), ISL1 (ON-bipolar), GRIK1 (OFF-bipolar), PRKCA (rod bipolar cells), and TTR (DB4 bipolar). t-SNE plots showing gene expression for 14 new markers for individual bipolar subtypes identified in a previous mouse scRNA-seq study (Shekhar et al, 2016). Download figure Download PowerPoint Click here to expand this figure. Figure EV2. Amacrine marker gene expression in the compiled human neural retina transcriptome atlas (20,009 cells) A, B. t-SNE plots showing gene expression in the compiled human retina transcriptome atlas (20,009 cells). (A) 10 commonly used amacrine markers and (B) new markers for amacrine subtypes identified in a previous mouse scRNA-seq study (Macosko et al, 2015). Download figure Download PowerPoint Profiling healthy and degenerating human rod photoreceptor subpopulations We profiled 14,759 rod photoreceptors and showed that they can be classified into six populations with distinct gene expressions (C0, C1, C2, C3, C4, and C7). We assessed these six clusters with a panel of seven known rod or pan-photoreceptor markers (Fig 2A). Our results suggest differential expression patterns among the seven markers. All seven rod markers are highly abundant, consistent with previous scRNA-seq studies of mouse and human retina (Macosko et al, 2015; Phillips et al, 2018). The seven markers showed differential expression patterns in the six identified rod photoreceptor clusters. In particular, RHO, GNGT1, and SAG have the highest levels of rod marker detected, followed by NRL, ROM1, GNAT1, and CNGA1. We also noted that ROM1 is expressed in both rod and cone photoreceptors, which is consistent with previous studies (Boon et al, 2008). Importantly, many rod photoreceptor clusters consist of a majority of cells from a single donor (> 90% for C0, C2, and C4 and > 80% for C1 and C7; Fig 2B). It is possible that this observation is due to the systematic biases such as differences in tissue retrieval time, age of donors, or other sample preparation variation. The exception is cluster C3, which is well represented by all three donors. Figure 2. Identification of MALAT1-hi and MALAT1-lo subpopulations of rod photoreceptors Feature expression heatmap of a panel of known marker genes for rod photoreceptors across the identified 16 retinal cell clusters. Brown color indicates ≥ 100 nTrans (number of transcripts). Representation of the three donor retina samples in the six rod photoreceptor clusters. Violin plot showing high or low expression levels of MALAT1 in rod photoreceptor clusters. Distribution of rod photoreceptor populations with high MALAT1 expression (MALAT1-hi) or low MALAT1 expression (MALAT1-lo) in three donor retina samples. Fluorescent in situ hybridization analysis of human peripheral retina showing heterogeneous levels of MALAT1 expression in the rod photoreceptors located in the outer nuclear layer (ONL). INL, inner nuclear layer; OPL, outer plexiform layer. Scale bar = 20 μm. Download figure Download PowerPoint Next, we set out to further define and classify heterogeneity in rod photoreceptors. We observed that MALAT1, a long non-coding RNA that plays a role in retinal homeostasis and disease (Wan et al, 2017), was robustly expressed in ~66% of the identified rod photoreceptors (9,750 cells), while the rest had little to no expression (5,009 cells; Fig 2C). As such, we utilized MALAT1 expression as a discriminator and investigated differences between rod photoreceptors with high expression (MALAT1-hi; > 4.68 normalized transcripts per cell) or low expression (MALAT1-lo; < 4.68 normalized transcripts per cell). MALAT1-hi and MALAT1-lo rod photoreceptors were consistently found in each donor and library samples, with MALAT1-hi accounting for ~66, 90, and 36% of the rods in donors #1, #2, and #3, respectively (Fig 2D). To further validate this finding, we performed RNA in situ hybridization in another three donor retinal samples. We consistently observed the presence of MALAT1-hi and MALAT1-lo subpopulations of rod photoreceptors in all retinal samples (Figs 2E and EV3A). Together, these results showed the presence of heterogeneity within rod photoreceptors that can be distinguished by MALAT1 expression. Click here to expand this figure. Figure EV3. MALAT1 expression in human retina Fluorescent in situ hybridization showing expression of MALAT1 in three donor retina samples (Retina 4–6). Retina 5 from Fig 2E is also displayed here for easier comparison. Green arrows highlight rod photoreceptors with low levels of MALAT1 in Retina 4 and Retina 6, and white arrows highlight rod photoreceptors with high levels of MALAT1 in Retina 5. Scale bars = 20 μm. Correlation of proportion of MALAT1-hi rod populations with time of retina retrieval after death for Retina 1–3. Download figure Download PowerPoint To rule out the possibility that the presence of MALAT1 rod subpopulations was due to donor sample variations, we applied canonical correlation analysis (CCA) to correct for technical and batch artifacts. We found that CCA effectively corrected the donor-specific effect on rod photoreceptor clusters (Fig 3A and B). The average expression for all detected genes in each cluster is listed in Dataset EV2. Following CCA corr
0
Paper
Citation235
0
Save
0

AKT Promotes rRNA Synthesis and Cooperates with c-MYC to Stimulate Ribosome Biogenesis in Cancer

Joanna Chan et al.Aug 30, 2011
Precise regulation of ribosome biogenesis is fundamental to maintain normal cell growth and proliferation, and accelerated ribosome biogenesis is associated with malignant transformation. Here, we show that the kinase AKT regulates ribosome biogenesis at multiple levels to promote ribosomal RNA (rRNA) synthesis. Transcription elongation by RNA polymerase I, which synthesizes rRNA, required continuous AKT-dependent signaling, an effect independent of AKT's role in activating the translation-promoting complex mTORC1 (mammalian target of rapamycin complex 1). Sustained inhibition of AKT and mTORC1 cooperated to reduce rRNA synthesis and ribosome biogenesis by additionally limiting RNA polymerase I loading and pre-rRNA processing. In the absence of growth factors, constitutively active AKT increased synthesis of rRNA, ribosome biogenesis, and cell growth. Furthermore, AKT cooperated with the transcription factor c-MYC to synergistically activate rRNA synthesis and ribosome biogenesis, defining a network involving AKT, mTORC1, and c-MYC as a master controller of cell growth. Maximal activation of c-MYC-dependent rRNA synthesis in lymphoma cells required AKT activity. Moreover, inhibition of AKT-dependent rRNA transcription was associated with increased lymphoma cell death by apoptosis. These data indicate that decreased ribosome biogenesis is likely to be a fundamental component of the therapeutic response to AKT inhibitors in cancer.
0

Efficacy and dynamics of self-targeting CRISPR/Cas constructs for gene editing in the retina

Ли Фан et al.Jan 5, 2018
ABSTRACT Safe delivery of CRISPR/Cas endonucleases remains one of the major barriers to the widespread application of in vivo genome editing including the anticipatory treatment of monogenic retinal diseases. We previously reported the utility of adeno-associated virus (AAV)-mediated CRISPR/Cas genome editing in the retina; however, with this type of viral delivery system, active endonucleases will remain in the retina for an extended period, making genotoxicity a significant consideration in clinical applications. To address this issue, we have designed a self-destructing “kamikaze” CRISPR/Cas system that disrupts the Cas enzyme itself following expression. Four guide RNAs (sgRNAs) were designed to target Streptococcus pyogenes Cas9 (SpCas9), after in situ validation, the selected sgRNAs were cloned into a dual AAV vector. One construct was used to deliver SpCas9 and the other delivered sgRNAs directed against SpCas9 and the target locus (yellow fluorescent protein, YFP), in the presence of mCherry. Both constructs were packaged into AAV2 vector and intravitreally administered in C57BL/6 and Thy1-YFP transgenic mice. After 8 weeks the expression of SpCas9, the efficacy of YFP gene disruption was quantified. A reduction of SpCas9 mRNA was found in retinas treated with AAV2-mediated-YFP/SpCas9 targeting CRISPR/Cas compared to those treated with YFP targeting CRISPR/Cas alone. We also show that AAV2-mediated delivery of YFP/SpCas9 targeting CRISPR/Cas significantly reduced the number of YFP fluorescent cells among mCherry-expressing cells (~85.5% reduction compared to LacZ/SpCas9 targeting CRISPR/Cas) in transfected retina of Thy1-YFP transgenic mice. In conclusion, our data suggest that a self-destructive “kamikaze” CRISPR/Cas system can be used as a robust tool for refined genome editing in the retina, without compromising on-target efficiency.
0
Citation1
0
Save
3

Deep Learning-based Identification of Intraocular Pressure-Associated Genes Influencing Trabecular Meshwork Cell and Organelle Morphology

Connor Greatbatch et al.Feb 2, 2023
ABSTRACT PURPOSE The exact pathogenesis of primary open-angle glaucoma (POAG) is poorly understood. Genome-wide association studies (GWAS) have recently uncovered many loci associated with variation in intraocular pressure (IOP); a crucial risk factor for POAG. Artificial intelligence (AI) can be used to interrogate the effect of specific genetic knockouts on the morphology of trabecular meshwork cells (TMCs), the regulatory cells of IOP. METHODS Sixty-two genes at fifty-five loci associated with IOP variation were knocked out in primary TMC lines. All cells underwent high-throughput microscopy imaging after being stained with a five-channel fluorescent cell staining protocol. A convolutional neural network (CNN) was trained to distinguish between gene knockout and normal control cell images. The area under the receiver operator curve (AUC) metric was used to quantify morphological variation in gene knockouts to identify potential pathological perturbations. RESULTS Cells where RALGPS1 had been perturbed demonstrated the greatest morphological variation from normal TMCs (AUC 0.851, SD 0.030), followed by LTBP2 (AUC 0.846, SD 0.029) and BCAS3 (AUC 0.845, SD 0.020). Of seven multi-gene loci, five had statistically significant differences in AUC (p<0.05) between genes, allowing for pathological gene prioritisation. The mitochondrial channel most frequently showed the greatest degree of morphological variation (33.9% of cell lines). CONCLUSIONS We demonstrate a robust method for functionally interrogating genome-wide association signals using high-throughput microscopy and AI. Genetic variations inducing marked morphological variation can be readily identified, allowing for the gene-based dissection of loci associated with complex traits.
3
Citation1
0
Save
1

Oncogenic reactivation of young L1s is a hallmark of colon cancer

Devin Neu et al.May 21, 2023
Abstract Transposable elements become increasingly active in both cancerous and aging cells, driven by loss of DNA methylation as cells divide. Here we leverage the epigenomes of colon cancers with matched adjacent tissue, in addition to non-cancerous normals and cell line models, to assess the role of transposable elements as drivers or passengers in cancer development. Using the baseline of activity from normal and adjacent tissue, we show that the youngest subfamilies of the LINE1 (L1) family exhibit a degree of activity and recurrence across patients that goes beyond what is expected from hypomethylation and cell division, suggesting an additional mechanism of oncogenic reactivation. We characterize this mechanism and find that the loss of the tumor suppressor PLZF drives young L1 reactivation in a cell-division-independent manner. PLZF de-repression exposes abundant motifs for tumor core factors in the L1 5’UTR. Active young L1s act as oncogenic enhancers, interacting with oncogenes via gained chromatin loops. We uncover oncogenic L1 reactivation as a hallmark of colon cancer, where young L1s activate universally in our cohort at high levels of recurrence, act as enhancers to oncogenes, and become wired into the core regulatory circuitry of colon cancer.
0

AAV-mediated CRISPR/Cas gene editing of retinal cells in vivo.

Sandy Hung et al.Feb 9, 2016
PURPOSE: CRISPR/Cas has recently been adapted to enable efficient editing of the mammalian genome, opening novel avenues for therapeutic intervention of inherited diseases. In seeking to disrupt Yellow Fluorescent Protein (YFP) in a Thy1-YFP transgenic mouse, we assessed the feasibility of utilising the adeno-associated virus 2 (AAV2) to deliver CRISPR/Cas for genome modification of retinal cells in vivo. METHODS: sgRNA plasmids were designed to target YFP and after in vitro validation, selected guides were cloned into a dual AAV system. One AAV2 construct was used to deliver SpCas9 and the other delivered sgRNA against YFP or LacZ (control) in the presence of mCherry. Five weeks after intravitreal injection, retinal function was determined using electroretinography and CRISPR/Cas-mediated gene modifications were quantified in retinal flat mounts. RESULTS: AAV2-mediated in vivo delivery of SpCas9 with sgRNA targeting YFP, significantly reduced the number of YFP fluorescent cells of the inner retina of our transgenic mouse model. Overall, we found an 84.0% (95% CI: 81.8-86.9) reduction of YFP-positive cells in YFP-sgRNA infected retinal cells compared to eyes treated with LacZ-sgRNA. Electroretinography profiling found no significant alteration in retinal function following AAV2-mediated delivery of CRISPR/Cas components compared to contralateral untreated eyes. CONCLUSIONS: Thy1-YFP transgenic mice were used as a rapid quantifiable means to assess the efficacy of CRISPR/Cas-based retinal gene modification in vivo. We demonstrate that genomic modification of cells in the adult retina can be readily achieved by viral mediated delivery of CRISPR/Cas.
0

Positively Selected Enhancer Elements Endow Tumor Cells with Metastatic Competence

James Morrow et al.Jun 25, 2017
Metastasis results from a complex set of traits acquired by tumor cells, distinct from those necessary for tumorigenesis. Here, we investigate the contribution of enhancer elements to the metastatic phenotype of osteosarcoma. Through epigenomic profiling, we identify substantial differences in enhancer activity between primary and metastatic tumors in human patients as well as near isogenic pairs of high and low lung-metastatic osteosarcoma cells. We term these regions Metastatic Variant Enhancer Loci (Met-VELs). We demonstrate that these Met-VELs drive coordinated waves of gene expression during metastatic colonization of the lung. Met-VELs cluster non-randomly, indicating that activity of these enhancers and their associated gene targets are positively selected. As evidence of this causal association, osteosarcoma lung metastasis is inhibited by global interruptions of Met-VEL-associated gene expression via pharmacologic BET inhibition, by knockdown of AP-1 transcription factors that occupy Met-VELs, and by knockdown or functional inhibition of individual genes activated by Met-VELs, such as F3. We further show that genetic deletion of a single Met-VEL at the F3 locus blocks metastatic cell outgrowth in the lung. These findings indicate that Met-VELs and the genes they regulate play a functional role in metastasis and may be suitable targets for anti-metastatic therapies.
1

High throughput functional profiling of genes at intraocular pressure loci reveals distinct networks for glaucoma

Connor Greatbatch et al.Jul 10, 2023
ABSTRACT INTRODUCTION Primary open angle glaucoma (POAG) is a leading cause of blindness globally. Characterised by progressive retinal ganglion cell degeneration, the precise pathogenesis remains unknown. Genome-wide association studies (GWAS) have uncovered many genetic variants associated with elevated intraocular pressure (IOP), one of the key risk factors for POAG. This study sought to investigate the morphological and transcriptional consequences of perturbation of key genes at IOP loci in trabecular meshwork cell (TMC); the cellular regulators of IOP. We aimed to identify genetic and morphological variation that can be attributed to TMC dysfunction and raised IOP in POAG. METHODS 62 genes across 55 loci were knocked-out in a primary human TMC line. Each knockout group, including five non-targeting control groups, underwent single-cell RNA-sequencing (scRNA-seq) for differentially-expressed gene (DEG) analysis. Multiplexed fluorescent staining of key organelles, was coupled with high-throughput microscopy for single-cell morphological analysis using CellProfiler image analysis. RESULTS Across many of the individual gene knockouts scRNA-seq highlighted genes relating to matrix metalloproteinases and interferon-induced proteins. Our work has prioritised genes at four loci of interest to identify gene knockouts that may contribute to the pathogenesis of POAG, including ANGPTL2, LMX1B, CAV1, and KREMEN1 . Three genetic networks of gene knockouts with similar transcriptomic profiles were identified ( ABO / CAV1 / MYOC , ANGPT2 / PKHD1 / TNS1 / TXNRD2 , and CAPZA1 / KALRN / LMO7 / PLEKHA7 / GNB1L / TEX41 ), suggesting a synergistic function in trabecular meshwork cell physiology. TEK knockout caused significant upregulation of nuclear granularity on morphological analysis, whilst knockout of TRIOBP, TMCO1 and PLEKHA7 increased granularity and intensity of actin and the cell-membrane. CONCLUSION High throughput analysis of cellular structure and function through multiplex fluorescent single-cell analysis and scRNA-seq assays enabled the direct study of genetic perturbations at the single-cell resolution. This work provides a framework for investigating the role of genes in the pathogenesis of glaucoma and heterogenous diseases with a strong genetic basis.
0

Longitudinal expression profiling of CD4+ and CD8+ cells in patients with active to quiescent Giant Cell Arteritis

Elisabeth Smit et al.Jan 5, 2018
BACKGROUND: Giant cell arteritis (GCA) is the most common form of vasculitis affecting elderly people. It is one of the few true ophthalmic emergencies. GCA is a heterogenous disease, symptoms and signs are variable thereby making it challenging to diagnose and often delaying diagnosis. A temporal artery biopsy is the gold standard to test for GCA, and there are currently no specific biochemical markers to categorize or aid diagnosis of the disease. We aimed to identify a less invasive method to confirm the diagnosis of GCA, as well as to ascertain clinically relevant predictive biomarkers by studying the transcriptome of purified peripheral CD4+ and CD8+ T lymphocytes in patients with GCA. METHODS AND FINDINGS: We recruited 16 patients with histological evidence of GCA at the Royal Victorian Eye and Ear Hospital (RVEEH), Melbourne, Australia, and aimed to collect blood samples at six time points: acute phase, 2-3 weeks, 6-8 weeks, 3 months, 6 months and 12 months after clinical diagnosis. CD4+ and CD8+ T-cells were positively selected at each time point through magnetic-assisted cell sorting (MACS). RNA was extracted from all 195 collected samples for subsequent RNA sequencing. The expression profiles of patients were compared to those of 16 age-matched controls. Over the 12-month study period, polynomial modelling analyses identified 179 and 4 statistically significant transcripts with altered expression profiles (FDR < 0.05) between cases and controls in CD4+ and CD8+ populations, respectively. In CD8+ cells, we identified two transcripts that remained differentially expressed after 12 months, namely SGTB, associated with neuronal apoptosis, and FCGR3A, which has been found in association with Takayasu arteritis (TA), another large vessel vasculitis. We detected genes that correlate with both symptoms and biochemical markers used in the acute setting for predicting long-term prognosis. 15 genes were shared across 3 phenotypes in CD4 and 16 across CD8 cells. In CD8, IL32 was common to 5 phenotypes: a history of Polymyalgia Rheumatica, both visual disturbance and raised neutrophils at the time of presentation, bilateral blindness and death within 12 months. Altered IL32 gene expression could provide risk evaluation of GCA diagnosis at the time of presentation and give an indication of prognosis, which may influence management. CONCLUSIONS: This is the first longitudinal gene expression study undertaken to identify robust transcriptomic biomarkers of GCA. Our results show cell type-specific transcript expression profiles, novel gene-phenotype associations, and uncover important biological pathways for this disease. These data significantly enhance the current knowledge of relevant biomarkers, their association with clinical prognostic markers, as well as potential candidates for detecting disease activity in whole blood samples. In the acute phase, the gene-phenotype relationships we have identified could provide insight to potential disease severity and as such guide us in initiating appropriate patient management.
6

Comparison of CRISPR/Cas endonucleases for in vivo retinal gene editing

Fan Li et al.Jun 9, 2020
ABSTRACT CRISPR/Cas has opened the prospect of direct gene correction therapy for some inherited retinal diseases. Previous work has demonstrated the utility of adeno-associated virus (AAV) mediated delivery to retinal cells in vivo ; however, with the expanding repertoire of CRISPR/Cas endonucleases, it is not clear which of these are most efficacious for retinal editing in vivo . We sought to compare CRISPR/Cas endonuclease activity using both single and dual AAV delivery strategies for gene editing in retinal cells. Plasmids of a dual vector system with SpCas9, SaCas9, Cas12a, CjCas9 and sgRNA targeting YFP and a single vector system with SaCas9/YFP sgRNA were generated and validated in YFP-expressing HEK293A cell by flow cytometry and T7E1 assay. Paired CRISPR/Cas endonuclease and its best performing sgRNA was then packaged into an AAV2 capsid derivative, AAV7m8, and injected intravitreally into CMV-Cre::Rosa26-YFP mice. SpCas9 and Cas12a achieved better knockout efficiency than SaCas9 and CjCas9. Moreover, no significant difference in YFP gene editing was found between single and dual CRISPR/SaCas9 vector systems. With a marked reduction of YFP-positive retinal cells, AAV7m8 delivered SpCas9 was found to have the highest knockout efficacy among all investigated endonucleases. We demonstrate that the AAV7m8-mediated delivery of CRISPR/SpCas9 construct achieves the most efficient gene modification in neurosensory retinal cells in vitro and in vivo .
Load More