Abstract Recent advances in spatially resolved transcriptomics technologies enable both the measurement of genome-wide gene expression profiles and their mapping to spatial locations within a tissue. A first step in spatial transcriptomics data analysis is identifying genes with expression that varies spatially, and robust statistical methods exist to address this challenge. While useful, these methods do not detect spatial changes in the coordinated expression within a group of genes. To this end, we present SpatialCorr, a method for identifying sets of genes with spatially varying correlation structure. Given a collection of gene sets pre-defined by a user, SpatialCorr tests for spatially induced differences in the correlation of each gene set within tissue regions, as well as between and among regions. An application to cutaneous squamous cell carcinoma demonstrates the power of the approach for revealing biological insights not identified using existing methods.

BCL6, an oncogenic transcription factor (TF), forms polymers in the presence of a small-molecule molecular glue that stabilizes a complementary interface between homodimers of BCL6's broad-complex, tramtrack, and bric-à-brac (BTB) domain. The BTB domains of other proteins, including a large class of TFs, have similar architectures and symmetries, raising the possibility that additional BTB proteins self-assemble into higher-order structures. Here, we surveyed 189 human BTB proteins with a cellular fluorescent reporter assay and identified 18 ZBTB TFs that show evidence of polymerization. Through biochemical and cryoelectron microscopy (cryo-EM) studies, we demonstrate that these ZBTB TFs polymerize into filaments. We found that BTB-domain-mediated polymerization of ZBTB TFs enhances chromatin occupancy within regions containing homotypic clusters of TF binding sites, leading to repression of target genes. Our results reveal a role of higher-order structures in regulating ZBTB TFs and suggest an underappreciated role for TF polymerization in modulating gene expression.

An important challenge in pre-processing data from the 10x Genomics Chromium platform is distinguishing barcodes associated with real cells from those binding background reads. Existing methods test barcodes individually, and consequently do not leverage the strong cell-to-cell correlation present in most datasets. To improve the power to identify real cells and rare subpopulations, we introduce CB2, a cluster-based approach for distinguishing real cells from background barcodes.

ABSTRACT Human pluripotent stem cells hold significant promise for regenerative medicine. However, long differentiation protocols and immature characteristics of stem cell-derived cell types remain challenges to the development of many therapeutic applications. In contrast to the slow differentiation of human stem cells in vitro that mirrors a nine-month gestation period, mouse stem cells develop according to a much faster three-week gestation timeline. Here, we tested if co-differentiation with mouse pluripotent stem cells could accelerate the differentiation speed of human embryonic stem cells. Following a six-week RNA-sequencing time course of neural differentiation, we identified 929 human genes that were upregulated earlier and 535 genes that exhibited earlier peaked expression profiles in chimeric cell cultures than in human cell cultures alone. Genes with accelerated upregulation were significantly enriched in Gene Ontology terms associated with neurogenesis, neuron differentiation and maturation, and synapse signaling. Moreover, chimeric mixed samples correlated with in utero human embryonic samples earlier than human cells alone, and acceleration was dose-dependent on human-mouse co-culture ratios. Differences in the timing and expression levels of genes corresponding to neuron cell types and brain region identity under chimeric conditions were also observed. The altered developmental rates and lineage outcomes described in this report have implications for accelerating human stem cell differentiation and the use of interspecies chimeric embryos in developing human organs for transplantation. Author Summary Human pluripotent stem cells often require long in vitro protocols to form mature cell types of clinical relevance for potential regenerative therapies, a ramification of a nine-month developmental clock in utero that also runs ex utero . What controls species-specific developmental time and whether the timer is amenable to acceleration is unknown. Further, interspecies chimeric embryos are increasingly being created to study early human development or explore the potential growth of human organs for transplantation. How the conflicting developmental speeds of cells from different species co-differentiating together affect each other is not understood. Here, using genome-wide transcriptional analysis of RNA-sequencing time courses, we show that 1) co-differentiating human embryonic stem cells intermixed with mouse stem cells accelerated elements of human developmental programs, 2) the acceleration was dose-dependent on the proportion of mouse cells, and 3) human cells in chimeric samples correlated to in utero samples earlier than human only samples. Our results provide evidence that some components of species-specific developmental clocks may be susceptible to acceleration.

Abstract Motivation Normalization to remove technical or experimental artifacts is critical in the analysis of single-cell RNA-sequencing experiments, even those for which unique molecular identifiers (UMIs) are available. The majority of methods for normalizing single-cell RNA-sequencing data adjust average expression in sequencing depth, but allow the variance and other properties of the gene-specific expression distribution to be non-constant in depth, which often results in reduced power and increased false discoveries in downstream analyses. This problem is exacerbated by the high proportion of zeros present in most datasets. Results To address this, we present Dino, a normalization method based on a flexible negative-binomial mixture model of gene expression. As demonstrated in both simulated and case study datasets, by normalizing the entire gene expression distribution, Dino is robust to shallow sequencing depth, sample heterogeneity, and varying zero proportions, leading to improved performance in downstream analyses in a number of settings. Availability and implementation The R package, Dino, is available on GitHub at https://github.com/JBrownBiostat/Dino . Contact brownj@biostat.wisc.edu , kendzior@biostat.wisc.edu

Abstract Loss of mature β cell function and identity, or β cell dedifferentiation, is seen in all types of diabetes mellitus. Two competing models explain β cell dedifferentiation in diabetes. In the first model, β cells dedifferentiate in the reverse order of their developmental ontogeny. This model predicts that dedifferentiated β cells resemble β cell progenitors. In the second model, β cell dedifferentiation depends on the type of diabetogenic stress. This model, which we call the “Anna Karenina” model, predicts that in each type of diabetes, β cells dedifferentiate in their own way, depending on how their mature identity is disrupted by any particular diabetogenic stress. We directly tested the two models using a β cell-specific lineage-tracing system coupled with RNA-sequencing in mice. We constructed a multidimensional map of β cell transcriptional trajectories during the normal course of β cell postnatal development and during their dedifferentiation in models of both type 1 diabetes (NOD) and type 2 diabetes ( BTBR-Lep ob/ob ). Using this unbiased approach, we show here that despite some similarities between immature and dedifferentiated β cells, β cells dedifferentiation in the two mouse models is not a reversal of developmental ontogeny and is different between different types of diabetes.