Abstract The worldwide sheep population comprises more than 1000 breeds. Together, these exhibit a considerable morphological diversity, which has not been extensively investigated at the molecular level. Here, we analyze whole-genome sequencing individuals of 1,098 domestic sheep from 154 breeds, and 69 wild sheep from seven Ovis species. On average, we detected 6.8%, 1.0% and 0.2% introgressed sequence in domestic sheep originating from Iranian mouflon, urial and argali, respectively, with rare introgressions from other wild species. Interestingly, several introgressed haplotypes contributed to the morphological differentiations across sheep breeds, such as a RXFP2 haplotype from Iranian mouflon conferring the spiral horn trait, a MSRB3 haplotype from argali strongly associated with ear morphology, and a VPS13B haplotype probably originating from urial and mouflon possibly associated with facial traits. Our results reveal that introgression events from wild Ovis species contributed to the high rate of morphological differentiation in sheep breeds, but also to individual variation within breeds. We propose that long divergent haplotypes are a ubiquitous source of phenotypic variation that allows adaptation to a variable environment, and that these remain intact in the receiving population due to reduced recombination.

Abstract The exceptionally-rich fossil record available for the equid family has provided textbook examples of macroevolutionary changes. Horses, asses and zebras represent three extant subgenus of Equus lineage, while the Sussemionus subgenus is another remarkable Equus lineage ranging from North America to Ethiopia in Pleistocene. We sequenced 26 archaeological specimens from northern China in Holocene showing morphological features reminiscent of Equus ovodovi , a species representative of Sussemionus , and further confirmed them as this species by genetic analyses. Thus, we present the first high-quality complete genome of the Sussemionus that we sequenced to 12.0× depth-of-coverage and demonstrate that it survived until ∼3,500 years ago, despite the continued demographic collapse during the Last Glacial Maximum and the great human expansion in East Asia. We also confirmed the Equus phylogenetic tree, and found Sussemionus diverged from the ancestor of non-caballine equids ∼2.3-2.7 Million years ago and admixture events could have taken place between them. Our works suggest the small genetic diversity but not the enhanced inbreeding mainly limited the chances of survival of the species, and illustrates how ancient DNA can inform on extinction dynamics and the long-term resilience of species surviving in cryptic population pockets.

Somatic variations arising during asexual reproduction can lead to the emergence of bud sports exhibiting advantageous traits, forming the basis for bud sport breeding in perennial plants. Here, we report a near-complete, fully phased genome assembly of 'Fuji' apple, enabling comprehensive identification of somatic variants across 74 clonally propagated 'Fuji' varieties. Phylogenetic analysis of 'Fuji' sport varieties indicates that the emergence of spur-type and early maturation traits results from multiple independent formation events. A number of putative functional somatic variants are identified, including one spur-type specific deletion located in the promoter of the TCP transcription factor gene MdTCP11. DNA methylation level of the deletion-associated miniature inverted-repeat transposable element is lower in the spur-type varieties compared to the standard-type varieties, while the expression of MdTCP11 is significantly higher. Overexpression of MdTCP11 in apple decreases the plant height, highlighting its important role in the development of spur-type apple varieties. This study sheds light on the 80-year cloning history of 'Fuji' and provides valuable candidate causative mutations for apple breeding.

Pigs (Sus scrofa) exhibit diverse phenotypes in different breeds shaped by the combined effects of virous local adaptation and artificial selection. To comprehensively characterize the genetic diversity of pigs, we constructed a pig pan-genome by comparing 11 representative pig breeds of genome assemblies with the reference genome. Approximately 72.5 Mb non-redundant sequences were identified as pan-sequences. On average, 41.7 kb of spurious heterozygous SNPs per individual were removed and 12.9 kb novel SNPs per individual were recovered using pan-genome, thereby providing enhanced resolution for genetic diversity of different pig populations. Analysis using Hi-C, RNA-seq data and homolog annotation indicates that these pan-sequences contain protein-coding exons and regulatory elements. Our supplied pan-sequences can further improve the interpretation of local 3D genomes. This pan-genome as well as the accompanied web-based repository will serve as a primary resource for genetic diversity exploration to promote agricultural production and biomedical research.

Abstract Deep learning has been increasingly used in protein tertiary structure prediction, a major goal in life science. However, all the algorithms developed so far mostly use protein sequences as input, whereas the vast amount of protein tertiary structure information available in the Protein Data Bank (PDB) database remains largely unused, because of the inherent complexity of 3D data computation. In this study, we propose Protein Structure Camera (PSC) as an approach to convert protein structures into images. As a case study, we developed a deep learning method incorporating PSC (DeepPSC) to reconstruct protein backbone structures from alpha carbon traces. DeepPSC outperformed all the methods currently available for this task. This PSC approach provides a useful tool for protein structure representation, and for the application of deep learning in protein structure prediction and protein engineering.

Goat domestication was critical for agriculture and civilization, but its underlying genetic changes and selection regimes remain unclear. Here we analyze the genomes of worldwide domestic goats, wild caprid species and historical remains, providing evidence of an ancient introgression event from a West Caucasian tur-like species to the ancestor of domestic goats. One introgressed locus with a strong signature of selection harbors the MUC6 gene which encodes a gastrointestinally secreted mucin. Experiments revealed that the nearly fixed introgressed haplotype confers enhanced immune resistance to gastrointestinal pathogens. Another locus with a strong signal of selection may be related to behavior. The selected alleles at these two loci emerged in domestic goats at least 7,200 and 8,100 years ago, respectively, and increased to high frequencies concurrent with the expansion of the ubiquitous modern mitochondrial haplogroup A. Tracking these archaeologically cryptic evolutionary transformations provides new insights into the mechanism of animal domestication.

Functions of proteins are in general related to their subcellular locations. To identify the functions of a protein, we first need know where this protein is located. Interacting proteins tend to locate in the same subcellular location. Thus, it is imperative to take the protein-protein interactions into account for computational identification of protein subcellular locations.In this study, we present a deep learning-based method, node2loc, to predict protein subcellular location. node2loc first learns distributed representations of proteins in a protein-protein network using node2vec, which acquires representations from unlabeled data for downstream tasks. Then the learned representations are further fed into a recurrent neural network (RNN) to predict subcellular locations. Considering the severe class imbalance of different subcellular locations, Synthetic Minority Over-sampling Technique (SMOTE) is applied to artificially boost subcellular locations with few proteins.We construct a benchmark dataset with 16 subcellular locations and evaluate node2loc on this dataset. node2loc yields a Matthews correlation coefficient (MCC) value of 0.812, which outperforms other baseline methods. The results demonstrate that the learned presentations from a protein-protein network have strong discriminate ability for classifying protein subcellular locations and the RNN is a more powerful classifier than traditional machine learning models.