We report coherent optical control of a biexciton (two electron-hole pairs), confined in a single quantum dot, that shows coherent oscillations similar to the excited-state Rabi flopping in an isolated atom. The pulse control of the biexciton dynamics, combined with previously demonstrated control of the single-exciton Rabi rotation, serves as the physical basis for a two-bit conditional quantum logic gate. The truth table of the gate shows the features of an all-optical quantum gate with interacting yet distinguishable excitons as qubits. Evaluation of the fidelity yields a value of 0.7 for the gate operation. Such experimental capability is essential to a scheme for scalable quantum computation by means of the optical control of spin qubits in dots.

Transient nonlinear optical spectroscopy, performed on excitons confined to single GaAs quantum dots, shows oscillations that are analogous to Rabi oscillations in two-level atomic systems. This demonstration corresponds to a one-qubit rotation in a single quantum dot which is important for proposals using quantum dot excitons for quantum computing. The dipole moment inferred from the data is consistent with that directly obtained from linear absorption studies. The measurement extends the artificial atom model of quantum dot excitonic transitions into the strong-field limit, and makes possible full coherent optical control of the quantum state of single excitons using optical pi pulses.

A study of the elastic exciton-exciton Coulomb scattering in a semiconductor quantum well is presented, including the interexciton exchange of carriers and the spin degrees of freedom. The theoretical results show that electron-electron and hole-hole exchanges are the dominant mechanisms of interaction, while the classical direct term is negligible. The density-dependent homogeneous linewidth is calculated within the Born approximation and good agreement with the existing experimental data is obtained. Owing to the interexciton exchange of carriers, collisions lead to spin relaxation as actually observed in recent time-resolved photoluminescence experiments.

Abstract Background Single cell RNA sequencing (scRNA-seq) brings unprecedented opportunities for mapping the heterogeneity of complex cellular environments such as bone marrow, and provides insight into many cellular processes. Single cell RNA-seq, however, has a far larger fraction of missing data reported as zeros (dropouts) than traditional bulk RNA-seq. This makes difficult not only the clustering of cells, but also the assignment of the resulting clusters into predefined cell types based on known molecular signatures, such as the expression of characteristic cell surface markers. Results We present a computational tool for processing single cell RNA-seq data that uses a voting algorithm to identify cells based on approval votes received by known molecular markers. Using a stochastic procedure that accounts for biases due to dropout errors and imbalances in the number of known molecular signatures for different cell types, the method computes the statistical significance of the final approval score and automatically assigns a cell type to clusters without an expert curator. We demonstrate the utility of the tool in the analysis of eight samples of bone marrow from the Human Cell Atlas. The tool provides a systematic identification of cell types in bone marrow based on a recently-published manually-curated cell marker database [1], and incorporates a suite of visualization tools that can be overlaid on a t-SNE representation. The software is freely available as a python package at https://github.com/sdomanskyi/DigitalCellSorter Conclusions This methodology assures that extensive marker to cell type matching information is taken into account in a systematic way when assigning cell clusters to cell types. Moreover, the method allows for a high throughput processing of multiple scRNA-seq datasets, since it does not involve an expert curator, and it can be applied recursively to obtain cell sub-types. The software is designed to allow the user to substitute the marker to cell type matching information and apply the methodology to different cellular environments.

Abstract Deconvolution methods infer levels of immune and stromal infiltration from bulk expression of tumor samples. These methods allow projection of characteristics of the tumor microenvironment, known to affect patient outcome and therapeutic response, onto the millions of bulk transcriptional profiles in public databases, many focused on uniquely valuable and clinically-annotated cohorts. Despite the wide development of such methods, a standardized dataset with ground truth to evaluate their performance has been lacking. We generated and sequenced in vitro and in silico admixtures of tumor, immune, and stromal cells and used them as ground truth in a community-wide DREAM Challenge that provided an objective, unbiased assessment of six widely-used published deconvolution methods and of 22 new analytical approaches developed by international teams. Our results demonstrate that existing methods predict many cell types well, while team-contributed methods highlight the potential to resolve functional states of T cells that were either not covered by published reference signatures or estimated poorly by some published methods. Our assessment and the open-source implementations of top-performing methods will allow researchers to apply the deconvolution approach most appropriate to querying their cell type of interest. Further, our publicly-available admixed and purified expression profiles will be a valuable resource to those developing deconvolution methods, including in non-malignant settings involving immune cells.

Abstract Modern time series gene expression and other omics data sets have enabled unprecedented resolution of the dynamics of cellular processes such as cell cycle and response to pharmaceutical compounds. In anticipation of the proliferation of time series data sets in the near future, we use the Hopfield model, a recurrent neural network based on spin glasses, to model the dynamics of cell cycle in HeLa (human cervical cancer) and S. cerevisiae cells. We study some of the rich dynamical properties of these cyclic Hopfield systems, including the ability of populations of simulated cells to recreate experimental expression data and the effects of noise on the dynamics. Next, we use a genetic algorithm to identify sets of genes which, when selectively inhibited by local external fields representing gene silencing compounds such as kinase inhibitors, disrupt the encoded cell cycle. We find, for example, that inhibiting the set of four kinases BRD4 , MAPK1 , NEK7 , and YES1 in HeLa cells causes simulated cells to accumulate in the M phase. Finally, we suggest possible improvements and extensions to our model. Author Summary Cell cycle – the process in which a parent cell replicates its DNA and divides into two daughter cells – is an upregulated process in many forms of cancer. Identifying gene inhibition targets to regulate cell cycle is important to the development of effective therapies. Although modern high throughput techniques offer unprecedented resolution of the molecular details of biological processes like cell cycle, analyzing the vast quantities of the resulting experimental data and extracting actionable information remains a formidable task. Here, we create a dynamical model of the process of cell cycle using the Hopfield model (a type of recurrent neural network) and gene expression data from human cervical cancer cells and yeast cells. We find that the model recreates the oscillations observed in experimental data. Tuning the level of noise (representing the inherent randomness in gene expression and regulation) to the “edge of chaos” is crucial for the proper behavior of the system. We then use this model to identify potential gene targets for disrupting the process of cell cycle. This method could be applied to other time series data sets and used to predict the effects of untested targeted perturbations.

Abstract We evaluate deconvolution methods, which infer levels of immune infiltration from bulk expression of tumor samples, through a community-wide DREAM Challenge. We assess six published and 22 community-contributed methods using in vitro and in silico transcriptional profiles of admixed cancer and healthy immune cells. Several published methods predict most cell types well, though they either were not trained to evaluate all functional CD8+ T cell states or do so with low accuracy. Several community-contributed methods address this gap, including a deep learning-based approach, whose strong performance establishes the applicability of this paradigm to deconvolution. Despite being developed largely using immune cells from healthy tissues, deconvolution methods predict levels of tumor-derived immune cells well. Our admixed and purified transcriptional profiles will be a valuable resource for developing deconvolution methods, including in response to common challenges we observe across methods, such as sensitive identification of functional CD4+ T cell states.

ABSTRACT VEGF inhibitor drugs have been successful, especially in ophthalmology, but not all patients respond to them. Combinations of drugs are likely to be needed for more effective therapies of angiogenesis-related diseases. In this paper we describe naturally occurring combinations of receptors in endothelial cells that might help to understand how cells communicate and to identify targets for drug combinations. We also develop and share a new software tool called DECNEO to identify them. Single-cell gene expression data are used to identify a set of co-expressed endothelial cell receptors, conserved among species (mice and humans) and enriched, within a network, of connections to up-regulated genes. This set includes several receptors previously shown to play a role in angiogenesis. Multiple statistical tests from large datasets, including an independent validation set, support the reproducibility, evolutionary conservation and role in angiogenesis of these naturally occurring combinations of receptors. We also show tissue-specific combinations and, in the case of choroid endothelial cells, consistency with both well-established and recent experimental findings, presented in a separate paper. The results and methods presented here advance the understanding of signaling to endothelial cells. The methods are generally applicable to the decoding of intercellular combinations of signals.

Abstract From the early days of spaceflight to current missions, astronauts continue to be exposed to multiple hazards that affect human health, including low gravity, high radiation, isolation during long-duration missions, a closed environment and distance from Earth. Their effects can lead to adverse physiological changes and necessitate countermeasure development and/or longitudinal monitoring. A time-resolved analysis of biological signals can detect and better characterize potential adverse events during spaceflight, ideally preventing them and maintaining astronauts’ wellness. Here we provide a time-resolved assessment of the impact of spaceflight on multiple astronauts (n=27) by studying multiple biochemical and immune measurements before, during, and after long-duration orbital spaceflight. We reveal space-associated changes of astronauts’ physiology on both the individual level and across astronauts, including associations with bone resorption and kidney function, as well as immune-system dysregulation.

Abstract Understanding changes in gene expression under the effects of a perturbation is a key goal of systems biology. A powerful approach to address this goal uses gene networks and describes the perturbation’s effects as a rewiring of each gene’s connections. This approach is known as differential network (DN) analysis. Here, we used DNs to analyze RNA-sequencing time series datasets, focusing on expression changes: (i) In the saliva of a human subject after vaccination with a pneumococcal vaccine (PPSV23), and (ii) in B cells treated ex vivo with a monoclonal antibody drug (Rituximab). Using network community detection, we revealed the collective behavior of clusters of genes, and detected communities of genes based on their longitudinal behavior, and corresponding pathway activations. We identified biological pathways consistent with the mechanism of action of the vaccine and with Rituximab’s targets. The approach may be useful in drug development by providing an effective analysis of expressing changes in response to a drug.