Abstract Chromatin compartmentalization and epigenomic modification are crucial factors in cell differentiation and diseases development. However, mapping precise chromatin compartmental patterns across multiple cell types requires Hi-C or Micro-C data at high sequencing depth. Exploring the systematic relationship between epigenomic modifications and compartmental patterns remains a challenge. To address these issues, we present COCOA, a deep neural network framework that uses convolution and attention mechanisms to infer reliable fine-scale chromatin compartment patterns from six representative histone modification signals. COCOA achieves this by extracting 1-D track features through bi-directional feature reconstruction after resolution-specific binning epigenomic signals. These track features are then cross-fused with contact features using an attention mechanism. Subsequently, the contact features are transformed into chromatin compartment patterns through residual feature reduction. COCOA demonstrates accurate inference of chromatin compartmentalization at a fine-scale resolution and exhibits stable performance on test sets. In addition, we explored the impact of histone modifications on the chromatin compartmentalization through in silico epigenomic perturbation experiments. When using 1kb resolution high-depth experimental data, obscure compartments are observed, whereas COCOA can generate clear and detailed compartmental patterns. Finally, we demonstrated that COCOA enables cell-type-specific prediction of unrevealed chromatin compartment patterns in various biological processes. Thus, COCOA is an effective tool for gaining chromatin compartmentalization insights from epigenomics in a wide range of biological scenarios.

Abstract Neuroimaging studies of hemodynamic fluctuations have shown specific network-based organization of the brain at rest, yet the neurophysiological underpinning of these networks in human brain remain unclear. Here, we recorded resting-state activities of neuronal populations in the key regions of default mode network (DMN, posterior cingulate cortex and medial prefrontal cortex), frontoparietal network (FPN, dorsolateral prefrontal cortex and inferior parietal lobule), and salience network (SN, anterior insula and dorsal anterior cingulate cortex) from 42 human participants using intracranial electroencephalogram (iEEG). We observed stronger within-network connectivity of the DMN, FPN and SN in broadband iEEG power, stronger phase synchronization within the DMN across theta and alpha bands, and weaker phase synchronization within the FPN in delta, theta and alpha band. We also found positive power correlations in high frequency band (70-170Hz) and negative power correlations in alpha and beta band for FPN-DMN and FPN-SN. Robust negative correlations in DMN-SN were found in alpha, beta and gamma band. These findings provide intracranial electrophysiological evidence in support of the network model for intrinsic organization of human brain and shed light on the way how the brain networks communicate at rest.