The Common Workflow Language (CWL) is an informal, multi-vendor working group consisting of various organizations and individuals that have an interest in portability of data analysis workflows. Our goal is to create specifications that enable data scientists to describe analysis tools and workflows that are powerful, easy to use, portable, and support reproducibility.CWL builds on technologies such as JSON-LD and Avro for data modeling and Docker for portable runtime environments. CWL is designed to express workflows for data-intensive science, such as Bioinformatics, Medical Imaging, Chemistry, Physics, and Astronomy.This is v1.0 of the CWL tool and workflow specification, released on 2016-07-08.

Abstract Background Massive growth in the amount of research data and computational analysis has led to increased utilization of pipeline managers in biomedical computational research. However, each of more than 100 such managers uses its own way to describe pipelines, leading to difficulty porting workflows to different environments and therefore poor reproducibility of computational studies. For this reason, the Common Workflow Language (CWL) was recently introduced as a specification for platform-independent workflow description, and work began to transition existing pipelines and workflow managers to CWL. Findings Here, we present CWL-Airflow, an extension for the Apache Airflow pipeline manager supporting CWL. CWL-Airflow utilizes CWL v1.0 specification and can be used to run workflows on standalone MacOS/Linux servers, on clusters, or on a variety of cloud platforms. A sample CWL pipeline for processing of ChIP-Seq data is provided. Conclusions CWL-Airflow will provide users with the features of a fully-fledged pipeline manager and an ability to execute CWL workflows anywhere Airflow can run—from a laptop to cluster or cloud environment. Availability CWL-Airflow is available under Apache license v.2 and can be downloaded from https://barski-lab.github.io/cwl-airflow , http://doi.org/10.5281/zenodo.2669582 , RRID: SCR_017196.

Abstract Single-cell (sc) RNA, ATAC and Multiome sequencing became powerful tools for uncovering biological and disease mechanisms. Unfortunately, manual analysis of sc data presents multiple challenges due to large data volumes and complexity of configuration parameters. This complexity, as well as not being able to reproduce a computational environment, affects the reproducibility of analysis results. The Scientific Data Analysis Platform ( https://SciDAP.com ) allows biologists without computational expertise to analyze sequencing-based data using portable and reproducible pipelines written in Common Workflow Language (CWL). Our suite of computational pipelines addresses the most common needs in scRNA-Seq, scATAC-Seq and scMultiome data analysis. When executed on SciDAP, it offers a user-friendly alternative to manual data processing, eliminating the need for coding expertise. In this protocol, we describe the use of SciDAP to analyze scMultiome data. Similar approaches can be used for analysis of scRNA-Seq, scATAC-Seq and scVDJ-Seq datasets.

Activation of T cells is dependent on organized and timely opening and closing of chromatin. Herein, we identify AP-1 as the transcription factor that directs most of this remodeling. Chromatin accessibility profiling showed quick opening of closed chromatin in naive T cells within 5 hours of activation. These newly open regions were strongly enriched for the AP-1 motif, and indeed, ChIP-seq demonstrated AP-1 binding at more than 70% of them. Broad inhibition of AP-1 activity prevented chromatin opening at AP-1 sites and reduced expression of nearby genes. Similarly, induction of anergy in the absence of co-stimulation during activation, was associated with reduced induction of AP-1 and a failure of proper chromatin remodeling. The translational relevance of these findings was highlighted by the substantial overlap of AP-1 dependent elements with risk loci for multiple immune diseases, including multiple sclerosis, inflammatory bowel disease and allergic disease. Our findings define AP-1 as the key link between T cell activation and chromatin remodeling.

Development of next-generation sequencing has revolutionized molecular biology by enhancing the ability to perform genome-wide studies. However, due to the need for bioinformatic expertise and the size of resulting datasets, use of these technologies is still beyond the capabilities of many laboratories. Herein, we present the Wardrobe Experiment Management System, which allows users to store, visualize and analyze epigenomic and transcriptomic next-generation sequencing data using a biologist-friendly, web-based graphical user interface without the need for programming expertize. Wardrobe can be installed on consumer-class hardware within an institutional local network. Analysis capabilities include predefined pipelines that allow the user to download data from either institutional core facilities or public databases, perform quality control, map reads and visualize data on a built-in mirror of the University of California, Santa Cruz (UCSC) genome browser. Reads per kilobase of transcript per million reads mapped (RPKMs) are calculated for RNA sequencing (RNA-Seq), and islands of enrichment are identified for chromatin immunoprecipitation sequencing (ChIP-Seq) and similar datasets. Advanced analysis capabilities include analyzing differential gene expression and binding and creating average tag density profiles and heatmaps. The Wardrobe package and documentation is available at https://biowardrobe.com. A limited functionality demo-version is available at http://demo.biowardrobe.com