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 The design of RNA-targeting antivirals offers a potent means in controlling viral infections. An essential prerequisite to this design depends on identifying functional RNA structures in the viral genome, as well as those that are readily accessible to drugs in cells. Techniques that probe RNA structures in situ have been developed recently including SHAPE-MaP. In this study, we report on the application of SHAPE-MaP to the Porcine Epidemic Diarrhea Virus (PEDV) RNA genome to categorize RNAs that are well folded, dynamic, or in the single strands by the combination of two parameters, SHAPE reactivity and Shannon entropy. Dynamic RNAs have the potential to fold into specific structures, and stabilizing their structures with compounds could be a new idea for drug design, which is demonstrated by the example of the G-quadruplex forming sequence. siRNAs targeting stable single-stranded RNA regions presented higher antiviral success rates. Our results show that the RNAs in the single strands could be efficient antiviral targets, and that SHAPE-MaP is an effective method to identify targetable structures in the viral RNA genomes through analysis of folding features. GRAPHICAL ABSTRACT

Abstract Chromosome conformation capture-based experiments have shown that eukaryotic chromosomes are partitioned into A and B compartments conventionally identified by the first eigenvector (EV1) of dimension reduction methods. However, many genomic regions show marginal EV1 values, indicating the ambiguity of A/B compartment scheme on these regions. We develop MOSAIC (MOdularity and Singular vAlue decomposition-based Identification of Compartments), an accurate compartmental state detection scheme. MOSAIC reveals that those ambiguous regions segregate into two additional compartmental states, which typically correspond to small genomic regions flanked by large canonical A/B compartments with opposite activities. They are denoted as micro-compartments accordingly. In contrast to the canonical A/B compartments, micro-compartments cover ~30% of the genome and are highly dynamic between cell types. More importantly, distinguishing the micro-compartments underpins accurate characterization of chromatin structure-function relationship. By applying MOSAIC to GM12878 and K562 cells, we identify CD86 , ILDR1 and GATA2 which show concordance between gene expression and compartmental states beyond the scheme of A/B compartments. Taken together, MOSAIC uncovers fine-scale and dynamic structures underlying canonical A/B compartments. Our results suggest dynamic chromatin compartmentalization is underlying transcriptional regulation and disease.