Abstract Plakophilin-2 (PKP2) is a component of the desmosome and known for its role in cell–cell adhesion. Mutations in human PKP2 associate with a life-threatening arrhythmogenic cardiomyopathy, often of right ventricular predominance. Here, we use a range of state-of-the-art methods and a cardiomyocyte-specific, tamoxifen-activated, PKP2 knockout mouse to demonstrate that in addition to its role in cell adhesion, PKP2 is necessary to maintain transcription of genes that control intracellular calcium cycling. Lack of PKP2 reduces expression of Ryr2 (coding for Ryanodine Receptor 2), Ank2 (coding for Ankyrin-B), Cacna1c (coding for Ca V 1.2) and Trdn (coding for triadin), and protein levels of calsequestrin-2 (Casq2). These factors combined lead to disruption of intracellular calcium homeostasis and isoproterenol-induced arrhythmias that are prevented by flecainide treatment. We propose a previously unrecognized arrhythmogenic mechanism related to PKP2 expression and suggest that mutations in PKP2 in humans may cause life-threatening arrhythmias even in the absence of structural disease.

Due to the complexity of the biological factors that may influence the binding of transcription factors to DNA sequences, prediction of the potential binding sites remains a difficult task in computational biology. The attention mechanism in deep learning has shown its capability to learn from input features with long-range dependencies. Until now, no study has applied this mechanism in deep neural network models with input data from massively parallel sequencing. In this study, we aim to build a model for binding site prediction with the combination of attention mechanism and traditional deep learning techniques, including convolutional neural networks and recurrent neural networks. The performance of our methods is evaluated on the ENCODE-DREAM in vivo Transcription Factor Binding Site Prediction Challenge datasets. The benchmark shows that our implementation with attention mechanism (called DeepGRN) improves the performance of the deep learning models. Our model achieves better performance in at least 9 of 13 targets than any of the methods participated in the DREAM challenge. Visualization of the attention weights extracted from the trained models reveals how those weights shift when binding signal peaks move along the genomic sequence, which can interpret how the predictions are made. Case studies show that the attention mechanism helps to extract useful features by focusing on regions that are critical to successful prediction while ignoring the irrelevant signals from the input.