Abstract Summary: High-throughput RNA sequencing (RNA-seq) is rapidly emerging as a major quantitative transcriptome profiling platform. Here, we present DEGseq, an R package to identify differentially expressed genes or isoforms for RNA-seq data from different samples. In this package, we integrated three existing methods, and introduced two novel methods based on MA-plot to detect and visualize gene expression difference. Availability: The R package and a quick-start vignette is available at http://bioinfo.au.tsinghua.edu.cn/software/degseq Contact: xwwang@tsinghua.edu.cn; zhangxg@tsinghua.edu.cn Supplementary information: Supplementary data are available at Bioinformatics online.

Sequence-specific control of gene expression on a genome-wide scale is an important approach for understanding gene functions and for engineering genetic regulatory systems. We have recently described an RNA-based method, CRISPR interference (CRISPRi), for targeted silencing of transcription in bacteria and human cells. The CRISPRi system is derived from the Streptococcus pyogenes CRISPR (clustered regularly interspaced palindromic repeats) pathway, requiring only the coexpression of a catalytically inactive Cas9 protein and a customizable single guide RNA (sgRNA). The Cas9-sgRNA complex binds to DNA elements complementary to the sgRNA and causes a steric block that halts transcript elongation by RNA polymerase, resulting in the repression of the target gene. Here we provide a protocol for the design, construction and expression of customized sgRNAs for transcriptional repression of any gene of interest. We also provide details for testing the repression activity of CRISPRi using quantitative fluorescence assays and native elongating transcript sequencing. CRISPRi provides a simplified approach for rapid gene repression within 1–2 weeks. The method can also be adapted for high-throughput interrogation of genome-wide gene functions and genetic interactions, thus providing a complementary approach to RNA interference, which can be used in a wider variety of organisms.

Cellular senescence acts as a potent barrier to tumorigenesis and contributes to the anti-tumor activity of certain chemotherapeutic agents. Senescent cells undergo a stable cell cycle arrest controlled by RB and p53 and, in addition, display a senescence-associated secretory phenotype (SASP) involving the production of factors that reinforce the senescence arrest, alter the microenvironment, and trigger immune surveillance of the senescent cells. Through a proteomics analysis of senescent chromatin, we identified the nuclear factor-κB (NF-κB) subunit p65 as a major transcription factor that accumulates on chromatin of senescent cells. We found that NF-κB acts as a master regulator of the SASP, influencing the expression of more genes than RB and p53 combined. In cultured fibroblasts, NF-κB suppression causes escape from immune recognition by natural killer (NK) cells and cooperates with p53 inactivation to bypass senescence. In a mouse lymphoma model, NF-κB inhibition bypasses treatment-induced senescence, producing drug resistance, early relapse, and reduced survival. Our results demonstrate that NF-κB controls both cell-autonomous and non-cell-autonomous aspects of the senescence program and identify a tumor-suppressive function of NF-κB that contributes to the outcome of cancer therapy.

The RB protein family (RB, p107, and p130) has overlapping and compensatory functions in cell-cycle control. However, cancer-associated mutations are almost exclusively found in RB, implying that RB has a nonredundant role in tumor suppression. We demonstrate that RB preferentially associates with E2F target genes involved in DNA replication and is uniquely required to repress these genes during senescence but not other growth states. Consequently, RB loss leads to inappropriate DNA synthesis following a senescence trigger and, together with disruption of a p21-mediated cell-cycle checkpoint, enables extensive proliferation and rampant genomic instability. Our results identify a nonredundant RB effector function that may contribute to tumor suppression and reveal how loss of RB and p53 cooperate to bypass senescence.

ABSTRACT Synthetic promoters are commonly applied elements in circuit design for fine-tuning the protein expression levels. Promoter engineering was mostly focused on the random mutation or combination of regulation elements such as transcription factor binding sites. However, the size of promoter sequence space is still overwhelming and better navigation method is required. On the other hand, the generative adversarial network (GAN) is known for its great ability to reduce the searching space by learning to generate new data on the similar manifold of original data. Here, we applied WGAN-GP model into de novo promoter sequence design to generate entirely new promoter sequences. In total, 83 of model-generated promoter sequences were tested in promoter activity screening by regulating the expression of sfGFP gene in Escherichia coli . As a result, 26 out of 83 newly designed promoters were found functional and successfully expressed with varying activities, with similarity score to natural promoters all less than 0.7. Moreover, 3 of them showed higher promoter strength than the wild type promoters and their highly expression mutants. The much higher successful rate and promoter activity with much lower similarity score in our model-designed novel promoters confirmed the effectiveness of promoter sequence learning. Our work provides insights into an area of navigation of novel functional promoter sequence space automatically, as well as speeding up evolution process of naturally existing promoters, indicating the potential ability for deep generative models to be applied into genetic element designing in the future.

ABSTRACT Chromatin accessibility, as a powerful marker of active DNA regulatory elements, provides valuable information for understanding regulatory mechanisms. The revolution in high-throughput methods has accumulated massive chromatin accessibility profiles in public repositories. Nevertheless, utilization of these data is hampered by cumbersome collection, time-consuming processing, and manual chromatin accessibility (openness) annotation of genomic regions. To fill this gap, we developed OpenAnnotate ( http://health.tsinghua.edu.cn/openannotate/ ) as the first web server for efficiently annotating openness of massive genomic regions across various biosample types, tissues, and biological systems. In addition to the annotation resource from 2729 comprehensive profiles of 614 biosample types of human and mouse, OpenAnnotate provides user-friendly functionalities, ultra-efficient calculation, real-time browsing, intuitive visualization, and elaborate application notebooks. We show its unique advantages compared to existing databases and toolkits by effectively revealing cell type-specificity, identifying regulatory elements and 3D chromatin contacts, deciphering gene functional relationships, inferring functions of transcription factors, and unprecedentedly promoting single-cell data analyses. We anticipate OpenAnnotate will provide a promising avenue for researchers to construct a more holistic perspective to understand regulatory mechanisms.

ABSTRACT Detecting cancer signals in cell-free DNA (cfDNA) high-throughput sequencing data is emerging as a novel non-invasive cancer detection method. Due to the high cost of sequencing, it is crucial to make robust and precise prediction with low-depth cfDNA sequencing data. Here we propose a novel approach named DISMIR, which can provide ultrasensitive and robust cancer detection by integrating DNA sequence and methylation information in plasma cfDNA whole genome bisulfite sequencing (WGBS) data. DISMIR introduces a new feature termed as “ switching region ” to define cancer-specific differentially methylated regions, which can enrich the cancer-related signal at read-resolution. DISMIR applies a deep learning model to predict the source of every single read based on its DNA sequence and methylation state, and then predicts the risk that the plasma donor is suffering from cancer. DISMIR exhibited high accuracy and robustness on hepatocellular carcinoma detection by plasma cfDNA WGBS data even at ultra-low sequencing depths. Analysis showed that DISMIR tends to be insensitive to alterations of single CpG sites’ methylation states, which suggests DISMIR could resist to technical noise of WGBS. All these results showed DISMIR with the potential to be a precise and robust method for low-cost early cancer detection.

Abstract Discovering DNA regulatory sequence motifs and their relative positions are vital to understand the mechanisms of gene expression regulation. Such complicated motif grammars are difficult to be summarized from shallow models. Although Deep Convolutional Neural Network (DCNN) achieved great success in annotating cis-regulatory elements, few combinatorial motif grammars have been accurately interpreted due to the mixed signal in DCNN. To address this problem, we proposed NeuronMotif, a general backward decoupling algorithm, to reveal the homo-/hetero-typic motif combinations and arrangements embedded in convolutional neurons. We applied NeuronMotif on several widely-used DCNN models. Many uncovered motif grammars of deep convolutional neurons are supported by literature or ATAC-seq footprinting. We further diagnosed the sick neurons that are sensitive to adversarial noises, which can guide DCNN architecture optimization for better prediction performance and motif feature extraction. Overall, NeuronMotif enables decoding cis-regulatory codes from deep convolutional neurons and understanding DCNN from a novel perspective.

Quantifying the cell proportions, especially for rare cell types in some scenarios, is of great value to track signals related to certain phenotypes or diseases. Although some methods have been pro-posed to infer cell proportions from multi-component bulk data, they are substantially less effective for estimating rare cell type proportions since they are highly sensitive against feature outliers and collinearity. Here we proposed a new deconvolution algorithm named ARIC to estimate cell type proportions from bulk gene expression or DNA methylation data. ARIC utilizes a novel two-step marker selection strategy, including component-wise condition number-based feature collinearity elimination and adaptive outlier markers removal. This strategy can systematically obtain effective markers that ensure a robust and precise weighted υ-support vector regression-based proportion prediction. We showed that ARIC can estimate fractions accurately in both DNA methylation and gene expression data from different experiments. Taken together, ARIC is a promising tool to solve the deconvolution problem of bulk data where rare components are of vital importance.