RNA-guided epigenome editing with Cas9 fused to an acetyltransferase domain activates gene expression through modification of promoters and enhancers. Technologies that enable targeted manipulation of epigenetic marks could be used to precisely control cell phenotype or interrogate the relationship between the epigenome and transcriptional control. Here we describe a programmable, CRISPR-Cas9-based acetyltransferase consisting of the nuclease-null dCas9 protein fused to the catalytic core of the human acetyltransferase p300. The fusion protein catalyzes acetylation of histone H3 lysine 27 at its target sites, leading to robust transcriptional activation of target genes from promoters and both proximal and distal enhancers. Gene activation by the targeted acetyltransferase was highly specific across the genome. In contrast to previous dCas9-based activators, the acetyltransferase activates genes from enhancer regions and with an individual guide RNA. We also show that the core p300 domain can be fused to other programmable DNA-binding proteins. These results support targeted acetylation as a causal mechanism of transactivation and provide a robust tool for manipulating gene regulation.

Synthetic transcription factors based on the RNA-guided CRISPR-Cas9 system are used to activate specific endogenous genes in human cells. Also online, Joung and colleagues report similar developments at two other loci. Technologies for engineering synthetic transcription factors have enabled many advances in medical and scientific research. In contrast to existing methods based on engineering of DNA-binding proteins, we created a Cas9-based transactivator that is targeted to DNA sequences by guide RNA molecules. Coexpression of this transactivator and combinations of guide RNAs in human cells induced specific expression of endogenous target genes, demonstrating a simple and versatile approach for RNA-guided gene activation.

Identifying the causal variants and mechanisms that drive complex traits and diseases remains a core problem in human genetics. The majority of these variants have individually weak effects and lie in non-coding gene-regulatory elements where we lack a complete understanding of how single nucleotide alterations modulate transcriptional processes to affect human phenotypes. To address this, we measured the activity of 221,412 trait-associated variants that had been statistically fine-mapped using a Massively Parallel Reporter Assay (MPRA) in 5 diverse cell-types. We show that MPRA is able to discriminate between likely causal variants and controls, identifying 12,025 regulatory variants with high precision. Although the effects of these variants largely agree with orthogonal measures of function, only 69% can plausibly be explained by the disruption of a known transcription factor (TF) binding motif. We dissect the mechanisms of 136 variants using saturation mutagenesis and assign impacted TFs for 91% of variants without a clear canonical mechanism. Finally, we provide evidence that epistasis is prevalent for variants in close proximity and identify multiple functional variants on the same haplotype at a small, but important, subset of trait-associated loci. Overall, our study provides a systematic functional characterization of likely causal common variants underlying complex and molecular human traits, enabling new insights into the regulatory grammar underlying disease risk.

Long intergenic non-coding RNAs (lincRNA) are members of a class of non-protein-coding RNA transcript that has recently been shown to contribute to gene regulatory processes and disease etiology. It has been hypothesized that lincRNAs influence disease risk through the regulation of mRNA transcription, possibly by interacting with regulatory proteins such as chromatin-modifying complexes. The hypothesis of the regulation of mRNA by lincRNAs is based on a small number of specific lincRNAs analyses; the cellular roles of lincRNAs regulation have not been catalogued genome-wide. Relative to mRNAs, lincRNAs tend to be expressed at lower levels and in more tissue-specific patterns, making genome-wide studies of their regulatory capabilities difficult. Here we develop a method for Mendelian randomization leveraging expression quantitative trait loci (eQTLs) that regulate the expression levels of lincRNAs (linc-eQTLs) to perform such a study across four primary tissues. We find that linc-eQTLs are largely similar to protein-coding eQTLs (pc-eQTLs) in cis-regulatory element enrichment, which supports the hypothesis that lincRNAs are regulated by the same transcriptional machinery as protein-coding RNAs and validates our linc-eQTLs. We catalog 74 lincRNAs with linc-eQTLs that are in linkage disequilibrium with TASs and are in protein-coding gene deserts; the putative lincRNA-regulated traits are highly enriched for adipose-related traits relative to mRNA-regulated traits.

ABSTRACT A major goal in evolutionary biology and biomedicine is to understand the complex interactions between genetic variants, the epigenome, and gene expression. However, the causal relationships between these factors remain poorly understood. mSTARR-seq, a methylation-sensitive massively parallel reporter assay, is capable of identifying methylation-dependent regulatory activity at many thousands of genomic regions simultaneously, and allows for the testing of causal relationships between DNA methylation and gene expression on a region-by-region basis. Here, we developed a multiplexed mSTARR-seq protocol to assay naturally occurring human genetic variation from 25 individuals sampled from 10 localities in Europe and Africa. We identified 6,957 regulatory elements in either the unmethylated or methylated state, and this set was enriched for enhancer and promoter annotations, as expected. The expression of 58% of these regulatory elements was modulated by methylation, which was generally associated with decreased RNA expression. Within our set of regulatory elements, we used allele-specific expression analyses to identify 8,020 sites with genetic effects on gene regulation; further, we found that 42.3% of these genetic effects varied between methylated and unmethylated states. Sites exhibiting methylation-dependent genetic effects were enriched for GWAS and EWAS annotations, implicating them in human disease. Compared to datasets that assay DNA from a single European individual, our multiplexed assay uncovers dramatically more genetic effects and methylation-dependent genetic effects, highlighting the importance of including diverse individuals in assays which aim to understand gene regulatory processes.

Transcriptome-wide time series expression profiling is used to characterize the cellular response to environmental perturbations. The first step to analyzing transcriptional response data is often to cluster genes with similar responses. Here, we present a nonparametric model-based method, Dirichlet process Gaussian process mixture model (DPGP), which jointly models cluster number with a Dirichlet process and temporal dependencies with Gaussian processes. We demonstrate the accuracy of DPGP in comparison with state-of-the-art approaches using hundreds of simulated data sets. To further test our method, we apply DPGP to published microarray data from a microbial model organism exposed to stress and to novel RNA-seq data from a human cell line exposed to the glucocorticoid dexamethasone. We validate our clusters by examining local transcription factor binding and histone modifications. Our results demonstrate that jointly modeling cluster number and temporal dependencies can reveal novel regulatory mechanisms. DPGP software is freely available online at https://github.com/PrincetonUniversity/DP_GP_cluster.

Changes in DNA methylation are important in development and disease, but not all regulatory elements act in a methylation-dependent (MD) manner. Here, we developed mSTARR-seq, a high-throughput approach to quantify the effects of DNA methylation on regulatory element function. We assay MD activity in 14% of the euchromatic human genome, identify 2,143 MD regulatory elements, and predict MD activity using sequence and chromatin state information. We identify transcription factors associated with higher activity in unmethylated or methylated states, including an association between pioneer transcription factors and methylated DNA. Finally, we use mSTARR-seq to predict DNA methylation-gene expression correlations in primary cells. Our findings provide a map of MD regulatory activity across the human genome, facilitating interpretation of the many emerging associations between methylation and trait variation.