The sequence of the mouse genome is a key informational tool for understanding the contents of the human genome and a key experimental tool for biomedical research. Here, we report the results of an international collaboration to produce a high-quality draft sequence of the mouse genome. We also present an initial comparative analysis of the mouse and human genomes, describing some of the insights that can be gleaned from the two sequences. We discuss topics including the analysis of the evolutionary forces shaping the size, structure and sequence of the genomes; the conservation of large-scale synteny across most of the genomes; the much lower extent of sequence orthology covering less than half of the genomes; the proportions of the genomes under selection; the number of protein-coding genes; the expansion of gene families related to reproduction and immunity; the evolution of proteins; and the identification of intraspecies polymorphism.

SUMMARY Isolates of Cryptococcus neoformans , a fungal pathogen that kills over 120,000 people each year, differ from a 19-megabase reference genome at a few thousand up to almost a million DNA sequence positions. We used bulked segregant analysis and association analysis, genetic methods that require no prior knowledge of sequence function, to address the key question of which naturally occurring sequence variants influence fungal virulence. We identified a region containing such variants, prioritized them, and engineered strains to test our findings in a mouse model of infection. At one locus we identified a 4-nt variant in the PDE2 gene, which severely truncates its phosphodiesterase product and significantly alters virulence. Our studies demonstrate a powerful and unbiased strategy for identifying key genomic regions in the absence of prior information, suggest revisions to current assumptions about cAMP levels and about common laboratory strains, and provide significant sequence and strain resources to the community.

Cryptococcus neoformans is an opportunistic fungal pathogen with a polysaccharide capsule that becomes greatly enlarged in the mammalian host and during in vitro growth in response to host-like conditions. To understand how individual host-like signals affect capsule size and gene expression, we grew cells with and without all combinations of 5 signals suspected of affecting capsule size and systematically measured cell and capsule sizes of 47,458 cells. We also collected samples for RNA-Seq at 30, 90, 180, and 1440 minutes and carried out RNA-Seq in quadruplicate, yielding 881 RNA-Seq samples. This massive, uniformly collected dataset will be a significant resource for the research community. Analysis revealed that capsule induction requires both tissue culture medium and either CO 2 or exogenous cyclic AMP, a second messenger. Rich medium (YPD) blocks capsule growth completely, DMEM permits it, and RPMI yields the largest capsules. Medium has the biggest impact on overall gene expression, followed by CO 2 , mammalian body temperature (37° compared to 30°), and then cAMP. Surprisingly, adding CO 2 or cAMP pushes overall gene expression in the opposite direction from tissue culture media, even though both tissue culture medium and CO 2 or cAMP are required for capsule development. By modeling the relationship between gene expression and capsule size, we identified novel genes whose deletion affects capsule size.

Glycated hemoglobin (HbA1c) indicates average glucose levels over three months and is associated with insulin resistance and type 2 diabetes (T2D). Longitudinal changes in HbA1c (ΔHbA1c) are also associated with aging processes, cognitive performance, and mortality. We analyzed ΔHbA1c in 1,886 non-diabetic Europeans from the Long Life Family Study to uncover gene variants influencing ΔHbA1c. Using growth curve modeling adjusted for multiple covariates, we derived ΔHbA1c and conducted linkage-guided sequence analysis. Our genome-wide linkage scan identified a significant locus on 17p12. In-depth analysis of this locus revealed a variant rs56340929 (explaining 27% of the linkage peak) in the ARHGAP44 gene that was significantly associated with ΔHbA1c. RNA transcription of ARHGAP44 was associated with ΔHbA1c. The Framingham Offspring Study data further supported these findings on the gene level. Together, we found a novel gene ARHGAP44 for ΔHbA1c in family members without T2D. Follow-up studies using longitudinal omics data in large independent cohorts are warranted.

Background: A transcription-factor (TF) network map indicates the direct, functional targets of each TF -- the genes it regulates by binding to their cis-regulatory DNA. Data on the genomic binding locations of each TF and the transcriptional responses to perturbations of its activity, such as overexpressing it, could support TF network mapping. Systematic data sets of both types exist for yeast and for human K562 and HEK293 cells. Results: In previous data, most TF binding sites appear to be non-functional, so one cannot take the genes in whose promoters a TF binds as its direct, functional (DF) targets. Taking the genes that are both bound by a TF and responsive to a perturbation of it as its DF targets (intersection algorithm) is also not safe, as we show by deriving a new lower bound on the expected false discovery rate of the intersection algorithm. When there are many non-functional binding sites and many indirect targets, non-functional sites are expected to occur in the promoters of indirect targets by chance. Dual threshold optimization, a new method for setting significance thresholds on binding and response data, improves the intersection algorithm, as does post-processing perturbation-response data with NetProphet 2.0. A comprehensive new data set measuring the transcriptional response shortly after inducing overexpression of a TF also helps, as does transposon calling cards, a new method for identifying TF binding locations. Conclusions: The combination of dual threshold optimization and NetProphet greatly expands the high-confidence TF network map in both yeast and human. In yeast, measuring the response shortly after inducing TF overexpression and measuring binding locations by using transposon calling cards improve the network synergistically.

ABSTRACT Background The activity of a transcription factor (TF) in a sample of cells is the extent to which it is exerting its regulatory potential. Many methods of inferring TF activity from gene expression data have been described, but due to the lack of appropriate large-scale datasets, systematic and objective validation has not been possible until now. Results Using a new dataset, we systematically evaluate and optimize the approach to TF activity inference in which a gene expression matrix is factored into a condition-independent matrix of control strengths and a condition-dependent matrix of TF activity levels. These approaches require a TF network map, which specifies the target genes of each TF, as input. We evaluate different approaches to building the network map and deriving constraints on the matrices. We find that such constraints are essential for good performance. Constraints can be obtained from expression data in which the activities of individual TFs have been perturbed, and we find that such data are both necessary and sufficient for obtaining good performance. Remaining uncertainty about whether a TF activates or represses a target is a major source of error. To a considerable extent, control strengths inferred using expression data from one growth condition carry over to other conditions. As a result, the control strength matrices derived here can be used for other applications. Finally, we apply these methods to gain insight into the upstream factors that regulate the activities of four yeast TFs: Gcr2, Gln3, Gcn4, and Msn2. Evaluation code and data available at https://github.com/BrentLab/TFA-evaluation Conclusions When a high-quality network map, constraints, and perturbation-response data are available, inferring TF activity levels by factoring gene expression matrices is effective. Furthermore, it provides insight into regulators of TF activity.

Abstract Injury to the cytoskeleton enhances the regenerative potential of axons. This response requires dual leucine zipper kinase (DLK), a neuronal stress sensor that is a central regulator of axon regeneration and degeneration. The damage and repair aspects of this response are reminiscent of other cellular homeostatic systems, suggesting that a cytoskeletal homeostatic system may exist. In this study, we propose a framework for understanding DLK mediated neuronal cytoskeletal homeostasis. We demonstrate that a) cytoskeletal perturbation activates DLK signaling and b) DLK signaling mitigates the microtubule damage caused by the cytoskeletal perturbation. We also perform RNA-seq to discover a DLK-dependent transcriptional signature. This signature includes genes likely to attenuate DLK signaling while simultaneously inducing actin regulating genes and promoting actin-based morphological changes to the axon. These results are consistent with the model that cytoskeletal disruption in the neuron induces a DLK-dependent homeostatic mechanism, which we term the Cytoskeletal Stress Response (CSR) pathway.