Structural balance theory affirms that signed social networks (i.e., graphs whose signed edges represent friendly/hostile interactions among individuals) tend to be organized so as to avoid conflictual situations, corresponding to cycles of negative parity. Using an algorithm for ground-state calculation in large-scale Ising spin glasses, in this paper we compute the global level of balance of very large online social networks and verify that currently available networks are indeed extremely balanced. This property is explainable in terms of the high degree of skewness of the sign distributions on the nodes of the graph. In particular, individuals linked by a large majority of negative edges create mostly “apparent disorder,” rather than true “frustration.”

Abstract Single-cell transcriptomics allows the identification of cellular types, subtypes and states through cell clustering. In this process, similar cells are grouped before determining co-expressed marker genes for phenotype inference. The performance of computational tools is directly associated to their marker identification accuracy, but the lack of an optimal solution challenges a systematic method comparison. Moreover, phenotypes from different studies are challenging to integrate, due to varying resolution, methodology and experimental design. In this work we introduce matchSCore ( https://github.com/elimereu/matchSCore ) , an approach to match cell populations fast across tools, experiments and technologies. We compared 14 computational methods and evaluated their accuracy in clustering and gene marker identification in simulated data sets. We further used matchSCore to project cell type identities across mouse and human cell atlas projects. Despite originating from different technologies, cell populations could be matched across data sets, allowing the assignment of clusters to reference maps and their annotation.

Abstract Perturbation of the excitation/inhibition (E/I) balance leads to neurodevelopmental diseases including to autism spectrum disorders, intellectual disability, and epilepsy. Mutation in the DYRK1A gene located on human chromosome 21 (Hsa21) leads to an intellectual disability syndrome associated with microcephaly, epilepsy, and autistic troubles (MRD7). Overexpression of DYRK1A, on the other hand, has been linked with learning and memory defects observed in people with Down syndrome (DS). Dyrk1a is expressed in both glutamatergic and GABAergic neurons, but its impact on each neuronal population has not yet been elucidated. Here we investigated the impact of Dyrk1a gene copy number variation in glutamatergic neurons using a conditional knockout allele of Dyrk1a crossed with the Tg(Camk2-Cre)4Gsc transgenic mouse. We explored this genetic modification in homozygotes, heterozygotes and combined with the Dp(16 Lipi-Zbtb21 )1Yey trisomic mouse model to unravel the consequence of Dyrk1a dosage from 0 to 3, to understand its role in normal physiology, and in MRD7 and DS. Overall, Dyrk1a dosage in glutamatergic neurons did not impact locomotor activity, working memory or epileptic susceptibility, but revealed that Dyrk1a is involved in long-term explicit memory. Molecular analyses pointed at a deregulation of transcriptional activity through immediate early genes and a role of DYRK1A at the glutamatergic post-synapse by deregulating and interacting with key post-synaptic proteins implicated in mechanism leading to long-term enhanced synaptic plasticity. Altogether, our work gives important information to understand the action of DYRK1A inhibitors and have a better therapeutic approach. Author summary The Dual Specificity Tyrosine Phosphorylation Regulated Kinase 1A, DYRK1A, drives cognitive alterations with increased dose in Down syndrome (DS) or with reduced dose in mental retardation disease 7 (MRD7). Here we report that specific and complete loss of Dyrk1a in glutamatergic neurons induced a range of specific cognitive phenotypes and alter the expression of genes involved in neurotransmission in the hippocampus. We further explored the consequences of Dyrk1a dosage in glutamatergic neurons on the cognitive phenotypes observed respectively in MRD7 and DS mouse models and we found specific roles in long-term explicit memory with no impact on motor activity, short-term working memory, and susceptibility to epilepsy. Then we demonstrated that DYRK1A is a component of the glutamatergic post-synapse and interacts with several component such as NR2B and PSD95. Altogether our work describes a new role of DYRK1A at the glutamatergic synapse that must be considered to understand the consequence of treatment targeting DYRK1A in disease.

The expansion of the mammalian brain is associated with specific developmental processes; however, not much is known about how evolutionary changes participated in the acquisition of human brain traits during early developmental stages. Here we investigated whether enhancers active during the phylotypic stage show human-specific genomic divergence which could contribute to the evolutionary expansion of the forebrain. Notably, we identified an active enhancer containing a human accelerated region (HAR) located in the Chromosome 14q12, a region enriched with neurodevelopmental genes, such as Foxg1, Nkx2.1 and Nova1. Reporter analysis revealed that the human variant is active in the forebrain in transgenic mice and that it has stronger enhancer activity than the mouse or chimpanzee versions. Humanization of the mouse enhancer variant in transgenic mice and in mouse organoids resulted in an expansion of Foxg1 expressing domains in the forebrain early neural progenitors with a bias towards dorsal identities. Overall, our results suggest that human-specific mutations in critical regulatory elements controlling early brain development impact the expansion and patterning of the forebrain.

Haploinsufficiency of transcriptional regulators causes human congenital heart disease (CHD) [1][1]. This observation predicts gene regulatory network (GRN) imbalances [2][2], but the nature of dosage-vulnerable GRNs and their contribution to human cardiogenesis and CHDs are unknown. Here, we define transcriptional consequences of reduced dosage of the CHD transcription factor TBX5 during human cardiac differentiation from induced pluripotent stem (iPS) cells. Single cell RNAseq revealed that transcriptional responses to reduced TBX5 levels are not homogeneous, and instead, discrete sub-populations of cardiomyocytes exhibit dysregulation of distinct TBX5 dose-sensitive genes related to cellular phenotypes and CHD-associated genetics. Cellular trajectory inference revealed TBX5 dosage-dependent differentiation paths, with implications for cardiac developmental identity. GRN analysis of the single cell RNAseq data identified vulnerable nodes enriched for CHD genes, implicating a critical sensitivity to TBX5 dosage in cardiac network stability. A novel GRN-predicted genetic interaction between TBX5 and MEF2C was validated in mouse, revealing a highly dosage-sensitive pathway for CHD. Our results reveal unforeseen complexity and exquisite sensitivity to TBX5 dosage in discrete sub-populations of iPSC-derived cardiomyocytes, providing mechanistic insights into human CHDs and quantitative transcriptional regulation in disease. [1]: #ref-1 [2]: #ref-2

Single-cell RNA sequencing (scRNA-seq) plays a pivotal role in our understanding of cellular heterogeneity. Current analytical workflows are driven by categorizing principles that consider cells as individual entities and classify them into complex taxonomies. We have devised a conceptually different computational framework based on a holistic view, where single-cell datasets are used to infer global, large-scale regulatory networks. We developed correlation metrics that are specifically tailored to single-cell data, and then generated, validated and interpreted single-cell-derived regulatory networks from organs and perturbed systems, such as diabetes and Alzheimer's disease. Using advanced tools from graph theory, we computed an unbiased quantification of a gene's biological relevance, and accurately pinpointed key players in organ function and drivers of diseases. Our approach detected multiple latent regulatory changes that are invisible to single-cell workflows based on clustering or differential expression analysis. In summary, we have established the feasibility and value of regulatory network analysis using scRNA-seq datasets, which significantly broadens the biological insights that can be obtained with this leading technology.

Abstract A key step in the characterisation of bacterial strains used in the food and feed chain is the identification of antimicrobial resistance (AMR) genes in their genomes. The presence of acquired AMR genes influences important aspects of the risk assessment, such as the applicability of the qualified presumption of safety (QPS) approach, which can have a direct impact on the data requirements. Aiming to implement the EFSA approach to discriminate between ‘intrinsic’ and ‘acquired’ AMR genes, a bioinformatics pipeline was developed and applied to the species of the genus Bacillus that are most frequently subjects of applications for regulated products submitted to EFSA. The results are presented as a catalogue of genes indicating their abundance and distribution among complete and confirmed genomes publicly available for each species. The results of this work are aimed to support the evaluation of AMR genes in a consistent and harmonised way.

Single-cell RNA sequencing significantly deepened our insights into complex tissues and latest techniques are capable processing ten-thousands of cells simultaneously. Increasing cell numbers, however, generate extremely large datasets, extending processing time and challenging computing resources. Current scRNAseq analysis tools are not designed to analyze datasets larger than thousands of cells and often lack sensitivity to identify marker genes. With bigSCale, we provide an analytical framework being scalable to analyze millions of cells, addressing challenges of future large datasets. To handle the noise and sparsity of scRNAseq data, bigSCale uses large sample sizes to estimate an accurate numerical model of noise. The framework further includes modules for differential expression analysis, cell clustering and marker identification. A directed convolution strategy allows processing of extremely large datasets, while preserving transcript information from individual cells. We evaluated the performance of bigSCale using a biological model of aberrant gene expression in patient derived neuronal progenitor cells and simulated datasets, which underlined its speed and accuracy in differential expression analysis. To test its applicability for large datasets, we applied bigSCale to analyze 1.3 million cells from the mouse developing forebrain. Its directed down-sampling strategy accumulates information from single cells into index cell transcriptomes, thereby defining cellular clusters with improved resolution. Accordingly, index cell clusters identified rare populations, such as Reelin positive Cajal-Retzius neurons, for which we determined a previously not recognized heterogeneity associated to distinct differentiation stages, spatial organization and cellular function. Together, bigSCale presents a perfect solution to address future challenges of large single-cell datasets.

AbstractRobust protocols and automation now enable large-scale single-cell RNA and ATAC sequencing experiments and their application on biobank and clinical cohorts. However, technical biases introduced during sample acquisition can hinder solid, reproducible results and a systematic benchmarking is required before entering large-scale data production. Here, we report the existence and extent of gene expression and chromatin accessibility artifacts introduced during sampling and identify experimental and computational solutions for their prevention.