Microglia are increasingly recognized for their major contributions during brain development and neurodegenerative disease. It is currently unknown whether these functions are carried out by subsets of microglia during different stages of development and adulthood or within specific brain regions. Here, we performed deep single-cell RNA sequencing (scRNA-seq) of microglia and related myeloid cells sorted from various regions of embryonic, early postnatal, and adult mouse brains. We found that the majority of adult microglia expressing homeostatic genes are remarkably similar in transcriptomes, regardless of brain region. By contrast, early postnatal microglia are more heterogeneous. We discovered a proliferative-region-associated microglia (PAM) subset, mainly found in developing white matter, that shares a characteristic gene signature with degenerative disease-associated microglia (DAM). Such PAM have amoeboid morphology, are metabolically active, and phagocytose newly formed oligodendrocytes. This scRNA-seq atlas will be a valuable resource for dissecting innate immune functions in health and disease.

This study assesses the utility of a hybrid optical instrument for noninvasive transcranial monitoring in the neurointensive care unit. The instrument is based on diffuse correlation spectroscopy (DCS) for measurement of cerebral blood flow (CBF), and near-infrared spectroscopy (NIRS) for measurement of oxy- and deoxy-hemoglobin concentration. DCS/NIRS measurements of CBF and oxygenation from frontal lobes are compared with concurrent xenon-enhanced computed tomography (XeCT) in patients during induced blood pressure changes and carbon dioxide arterial partial pressure variation.Seven neurocritical care patients were included in the study. Relative CBF measured by DCS (rCBF(DCS)), and changes in oxy-hemoglobin (DeltaHbO(2)), deoxy-hemoglobin (DeltaHb), and total hemoglobin concentration (DeltaTHC), measured by NIRS, were continuously monitored throughout XeCT during a baseline scan and a scan after intervention. CBF from XeCT regions-of-interest (ROIs) under the optical probes were used to calculate relative XeCT CBF (rCBF(XeCT)) and were then compared to rCBF(DCS). Spearman's rank coefficients were employed to test for associations between rCBF(DCS) and rCBF(XeCT), as well as between rCBF from both modalities and NIRS parameters.rCBF(DCS) and rCBF(XeCT) showed good correlation (r (s) = 0.73, P = 0.010) across the patient cohort. Moderate correlations between rCBF(DCS) and DeltaHbO(2)/DeltaTHC were also observed. Both NIRS and DCS distinguished the effects of xenon inhalation on CBF, which varied among the patients.DCS measurements of CBF and NIRS measurements of tissue blood oxygenation were successfully obtained in neurocritical care patients. The potential for DCS to provide continuous, noninvasive bedside monitoring for the purpose of CBF management and individualized care is demonstrated.

Summary Microglia are increasingly recognized for their major contributions during brain development and neurodegenerative disease. It is currently unknown if these functions are carried out by subsets of microglia during different stages of development and adulthood or within specific brain regions. Here, we performed deep single-cell RNA sequencing (scRNA-seq) of microglia and related myeloid cells sorted from various regions of embryonic, postnatal, and adult mouse brains. We found that the majority of adult microglia with homeostatic signatures are remarkably similar in transcriptomes, regardless of brain region. By contrast, postnatal microglia represent a more heterogeneous population. We discovered that postnatal white matter-associated microglia (WAM) are strikingly different from microglia in other regions and express genes enriched in degenerative disease-associated microglia. These postnatal WAM have distinct amoeboid morphology, are metabolically active, and phagocytose newly formed oligodendrocytes. This scRNA-seq atlas will be a valuable resource for dissecting innate immune functions in health and disease. Highlights Myeloid scRNA-seq atlas across brain regions and developmental stages Limited transcriptomic heterogeneity of homeostatic microglia in the adult brain Phase-specific gene sets of proliferating microglia along cell cycle pseudotime Phagocytic postnatal white matter-associated microglia sharing DAM gene signatures

Abstract Motivation Identification of biological pathways plays a central role in understanding both human health and diseases. Although much work has previously been done to explore the biological pathways by using single omics data, little effort has been reported using multi-omics data integration, mainly due to methodological and technological limitations. Compared to single omics data, multi-omics data will help identifying disease specific functional pathways with both higher sensitivity and specificity, thus gaining more comprehensive insights into the molecular architecture of disease processes. Results In this paper, we propose two computational approaches that integrate multi-omics data and identify disease-specific biological pathways with high sensitivity and specificity. Applying our methods to an experimental multi-omics data dataset on muscular dystrophy subtypes, we identified disease-specific pathways of high biological plausibility. The developed methodology will likely have a broad impact on improving the molecular characterization of many common diseases. Contact yuewang@vt.edu Supplementary information Supplementary information attached.

ABSTRACT The hemizygous R47H variant of TREM2 , a microglia-specific gene in the brain, increases risk for late-onset Alzheimer’s disease (AD). In this study, we identified a subpopulation of microglia with disease-enhancing proinflammatory signatures associated with the R47H mutation in human AD brains and tauopathy mouse brains. Using transcriptomic analysis at the single-nuclei level from AD patients with the R47H or the common variant (CV )-TREM2 with matched sex, pathology and APOE status, we found that the R47H mutation was associated with cell type- and sex-specific transcriptional changes in human AD brains, with microglia exhibiting the most robust alterations. Further characterization revealed that R47H-associated microglial subpopulations had enhanced inflammatory signatures including hyperactivation of Akt, one of the signaling pathways downstream of TREM2. In a newly-generated tauopathy knock-in mouse model expressing one allele of human TREM2 ( hTREM2) with either the R47H mutation or CV, R47H induced and exacerbated tau-mediated spatial memory deficits in female mice. Single-cell transcriptomic analysis of microglia from these mice also revealed transcriptomic changes induced by R47H that had significant overlaps with R47H microglia in human AD brains, including robust increases in proinflammatory cytokines, activation of Syk-Akt-signaling, and elevation of a subset of disease-associated microglial signatures. Strikingly, pharmacological Akt inhibition largely reversed the enhanced inflammatory signatures induced by R47H in primary microglia treated with tau fibrils. By unraveling the disease-enhancing properties of the R47H mutation in mouse and human, our findings shed light on an immune-linked AD subtype and provide new directions for modulating microglial immune responses to treat AD.

Recent single-cell RNA sequencing studies have revealed distinct microglial states in development and disease. These include proliferative-region-associated microglia (PAMs) in developing white matter and disease-associated microglia (DAMs) prevalent in various neurodegenerative conditions. PAMs and DAMs share a similar core gene signature. However, the extent of the dynamism and plasticity of these microglial states, as well as their functional significance, remains elusive, partly due to the lack of specific tools. Here, we generated an inducible Cre driver line, Clec7a-CreER

Abstract Genome-wide association studies (GWAS) of schizophrenia (SCZ) have revealed over 100 risk loci. We investigated whether these SCZ-associated variants regulate gene expression by cell type. Using a fully unsupervised deconvolution method, we calculated gene expression by clusters of estimated cell types (cell-groups, CGs). Five CGs emerged in the dorsolateral prefrontal cortices (DLPFC) of 341 donors with and without SCZ. By mapping expression quantitative trait loci (eQTL) per CG, we partitioned the heritability of SCZ risk in GWAS by CGs. CG-specific expressions and eQTLs were replicated in both a deconvoluted bulk tissue data set with a different method and also in sorted-cell expression data. Further, we characterized CG-specific gene differential expression and cell proportion changes in SCZ brains. We found upper-layer neurons in the DLPFC to be associated with SCZ based on enrichment of SCZ heritability in eQTLs, disease-related transcriptional signatures, and decreased cell proportion. Our study suggests that neurons and related anomalous circuits in the upper layers of the DLPFC may have a major contribution to SCZ risk.

Abstract The rich information contained in biological data is often distorted by multiple interacting intrinsic or extrinsic factors. Modeling the effects of these factors is necessary to uncover the underlying true signals. However, this is challenging in real applications, because biological data usually consist of tens of thousands or millions of factors, and no reliable prior knowledge is available on how these factors exert the effect, to what degree the effect is, as well as how they interact with each other. Thus, the existing approaches rely on excessive simplification or unrealistic assumptions such as the probabilistic independence among factors. In this paper, we report the finding that after reformulating the data as a contingency tensor the problem can be well addressed by a fundamental machine learning principle, Maximum Entropy, with an extra effort of designing an efficient algorithm to solve the large-scale optimization problem. Based on the principle of maximum entropy, and by constraining the marginals of the contingency tensor using the observed values, our Conditional Multifactorial Contingency (CMC) model imposes minimum but essential assumptions about the multifactorial joint effects and leads to a conceptually simple distribution, which informs how these factors exert the effects and interact with each other. By replacing hard constraints with expected values, CMC avoids the NP-hard problem and results in a theoretically solvable convex problem. However, due to the large scale of variables and constraints, the standard convex solvers do not work. Exploring the special properties of the CMC model we developed an efficient iterative optimizer, which reduces the running time from infeasible to minutes or from days to seconds. We applied CMC to quite a few cutting-edge biological applications, including the detection of driving transcription factor, scRNA-seq normalization, cancer-associated gene identification, GO-term activity transformation, and quantification of single-cell-level similarity. CMC gained much better performance than other methods with respect to various evaluation criteria. Our source code of CMC as well as its example applications can be found at https://github.com/yu-lab-vt/CMC . One-Sentence Summary CMC jointly learns intertwined effects of numerous factors in biologival data and outperform existing methods in multiple cutting-edge biological applications.

Tissue or cell subtype-specific and differentially-expressed genes (SDEGs) are defined as being differentially expressed in a particular tissue or cell subtype among multiple subtypes. Detecting SDEGs plays a critical rolse in molecularly characterizing and identifying tissue or cell subtypes, and facilitating supervised deconvolution of complex tissues. Unfortunately, classic differential analysis assumes a convenient null hypothesis and associated test statistic that is subtype-non-specific and thus, resulting in a high false positive rate and/or lower detection power with respect to particular subtypes. Here we introduce One-Versus-Everyone Fold Change (OVE-FC) test for detecting SDEGs. To assess the statistical significance of such test, we also propose the scaled test statistic OVE-sFC together with a mixture null distribution model and a tailored permutation scheme. Validated with realistic synthetic data sets on both type 1 error and detection power, OVE-FC/sFC test applied to two benchmark gene expression data sets detects many known and de novo SDEGs. Subsequent supervised deconvolution results, obtained using the SDEGs detected by OVE-FC/sFC test, showed superior performance in deconvolution accuracy when compared with popular peer methods.

Abstract Motivation Complex biological tissues are often a heterogeneous mixture of several molecularly distinct cell or tissue subtypes. Both subtype compositions and expressions in individual samples can vary across different biological states or conditions. Computational deconvolution aims to dissect patterns of bulk gene expression data into subtype compositions and subtype-specific expressions. Typically, existing deconvolution methods can only estimate averaged subtype-specific expressions in a population, while detecting differential expressions or co-expression networks in particular subtypes requires unique subtype expression estimates in individual samples. Different from population-level deconvolution, however, individual-level deconvolution is mathematically an underdetermined problem because there are more variables than observations. Results We report a sample-wise Convex Analysis of Mixtures (swCAM) method that can estimate subtype proportions and subtype-specific expressions in individual samples from bulk tissue transcriptomes. We extend our previous CAM framework to include a new term accounting for between-sample variations and formulate swCAM as a nuclear-norm and ℓ 2,1 -norm regularized matrix factorization problem. We determine hyperparameter values using a cross-validation scheme with random entry exclusion and obtain a swCAM solution using an efficient alternating direction method of multipliers. The swCAM is implemented in open-source R scripts. Experimental results on realistic simulation data show that swCAM can accurately estimate subtype-specific expressions in individual samples and successfully extract co-expression networks in particular subtypes that are otherwise unobtainable using bulk expression data. Application of swCAM to bulk-tissue data of 320 samples from bipolar disorder patients and controls identified changes in cell proportions, expression and coexpression modules in patient neurons. Mitochondria related genes showed significant changes suggesting an important role of energy dysregulation in bipolar disorder. Availability and implementation The R Scripts of swCAM is freely available at https://github.com/Lululuella/swCAM . A user’s guide and a vignette are provided. Contact yuewang@vt.edu Supplementary information Supplementary data are available at Bioinformatics online.