Abstract β cells may participate and contribute to their own demise during Type 1 diabetes (T1D). We identified a novel role of Tet2 in regulating immune killing of β cells. Tet2 is induced in murine and human β cells with inflammation but its expression is reduced in surviving β cells. Tet2-KO mice that receive WT bone marrow transplants develop insulitis but not diabetes and islet infiltrates do not eliminate β cells even though immune cells from the mice can transfer diabetes to NOD/ scid recipients. Tet2-KO β cells show reduced expression of inflammatory genes, associated with closed transcription factor binding sites. Tet2-KO recipients are protected from transfer of disease by diabetogenic immune cells. We conclude that Tet2 regulates pathologic interactions between β cells and immune cells and controls intrinsic protective pathways. Modulating TET2 may enable survival of β cells or their replacements in the setting of pathologic immune cells.

Single-cell RNA-sequencing (scRNA-seq) is a powerful tool to quantify transcriptional states in thousands to millions of cells. It is increasingly common for scRNA-seq data to be collected in multiple experimental conditions, yet quantifying differences between scRNA-seq datasets remains an analytical challenge. Previous efforts at quantifying such differences focus on discrete regions of the transcriptional state space such as clusters of cells. Here, we describe a continuous measure of the effect of an experiment across the transcriptomic space. First, we use the manifold assumption to model the cellular state space as a graph (or network) with cells as nodes and edges connecting cells with similar transcriptomic profiles. Next, we create an Enhanced Experimental Signal (EES) that estimates the likelihood of observing cells from each condition at every point in the manifold. We show that the EES has useful properties and information that can be extracted. The EES can be used to identify how gene expression is affected by a given perturbation, including identifying non-monotonic changes from only two conditions. We also show that we can use both the magnitude and frequency of the EES, using an algorithm we call vertex frequency clustering, to derive subsets of cells at appropriate levels of granularity (tailored to areas that change) that are enriched in the experimental or control conditions or that are unaffected between conditions. We demonstrate both algorithms using a combination of biological and synthetic datasets. Implementations are provided in the MELD Python package, which is available at .

Abstract Inflammation, including reactive oxygen species and inflammatory cytokines in tissue microenvironments amplify the appearance of various post-translational modifications (PTMs) of self-proteins. Previously, a number of PTMs have been identified as autoimmune biomarkers in the initiation and progression of Type 1 diabetes (T1D). Herein, we have identified the citrullination of glucokinase (GK) as a result of inflammation, triggering autoimmunity and affecting its biological functions. Glucokinase is predominantly expressed in hepatocytes to regulate glycogen synthesis, and in pancreatic beta cells, where it acts as a glucose sensor to initiate glycolysis and insulin signaling. Herein, we demonstrate that glucokinase is citrullinated in inflamed non-obese diabetic (NOD) islets as well as in human GK. Autoantibodies against both native and citrullinated GK arise in both spontaneous human T1D and murine models. Likewise, autoreactive CD4 + T cells to both native and citrullinated glucokinase epitopes are present in the circulation of T1D patients. Finally, citrullination alters GK biologic activity and suppresses glucose-stimulated insulin secretion. Our studies define glucokinase as a T1D biomarker, providing new insights into altering glucose metabolism, creating neoautoantigens, and better define the broad impact of PTMs on the tissue pathology of T1D.