To investigate the cell-intrinsic aging mechanisms that erode the function of somatic stem cells during aging, we have conducted a comprehensive integrated genomic analysis of young and aged cells. We profiled the transcriptome, DNA methylome, and histone modifications of young and old murine hematopoietic stem cells (HSCs). Transcriptome analysis indicated reduced TGF-β signaling and perturbation of genes involved in HSC proliferation and differentiation. Aged HSCs exhibited broader H3K4me3 peaks across HSC identity and self-renewal genes and showed increased DNA methylation at transcription factor binding sites associated with differentiation-promoting genes combined with a reduction at genes associated with HSC maintenance. Altogether, these changes reinforce HSC self-renewal and diminish differentiation, paralleling phenotypic HSC aging behavior. Ribosomal biogenesis emerged as a particular target of aging with increased transcription of ribosomal protein and RNA genes and hypomethylation of rRNA genes. This data set will serve as a reference for future epigenomic analysis of stem cell aging.

Providing therapies tailored to each patient is the vision of precision medicine, enabled by the increasing ability to capture extensive data about individual patients. In this position paper, we argue that the second enabling pillar towards this vision is the increasing power of computers and algorithms to learn, reason, and build the 'digital twin' of a patient. Computational models are boosting the capacity to draw diagnosis and prognosis, and future treatments will be tailored not only to current health status and data, but also to an accurate projection of the pathways to restore health by model predictions. The early steps of the digital twin in the area of cardiovascular medicine are reviewed in this article, together with a discussion of the challenges and opportunities ahead. We emphasize the synergies between mechanistic and statistical models in accelerating cardiovascular research and enabling the vision of precision medicine.

Epigenetic regulation of hematopoietic stem cells (HSCs) ensures lifelong production of blood and bone marrow. Recently, we reported that loss of de novo DNA methyltransferase Dnmt3a results in HSC expansion and impaired differentiation. Here, we report conditional inactivation of Dnmt3b in HSCs either alone or combined with Dnmt3a deletion. Combined loss of Dnmt3a and Dnmt3b was synergistic, resulting in enhanced HSC self-renewal and a more severe block in differentiation than in Dnmt3a-null cells, whereas loss of Dnmt3b resulted in a mild phenotype. Although the predominant Dnmt3b isoform in adult HSCs is catalytically inactive, its residual activity in Dnmt3a-null HSCs can drive some differentiation and generates paradoxical hypermethylation of CpG islands. Dnmt3a/Dnmt3b-null HSCs displayed activated β-catenin signaling, partly accounting for the differentiation block. These data demonstrate distinct roles for Dnmt3b in HSC differentiation and provide insights into complementary de novo methylation patterns governing regulation of HSC fate decisions.

Cellular and ionic causes of variability in the electrophysiological activity of hearts from individuals of the same species are unknown. However, improved understanding of this variability is key to enable prediction of the response of specific hearts to disease and therapies. Limitations of current mathematical modeling and experimental techniques hamper our ability to provide insight into variability. Here, we describe a methodology to unravel the ionic determinants of intersubject variability exhibited in experimental recordings, based on the construction and calibration of populations of models. We illustrate the methodology through its application to rabbit Purkinje preparations, because of their importance in arrhythmias and safety pharmacology assessment. We consider a set of equations describing the biophysical processes underlying rabbit Purkinje electrophysiology, and we construct a population of over 10,000 models by randomly assigning specific parameter values corresponding to ionic current conductances and kinetics. We calibrate the model population by closely comparing simulation output and experimental recordings at three pacing frequencies. We show that 213 of the 10,000 candidate models are fully consistent with the experimental dataset. Ionic properties in the 213 models cover a wide range of values, including differences up to ±100% in several conductances. Partial correlation analysis shows that particular combinations of ionic properties determine the precise shape, amplitude, and rate dependence of specific action potentials. Finally, we demonstrate that the population of models calibrated using data obtained under physiological conditions quantitatively predicts the action potential duration prolongation caused by exposure to four concentrations of the potassium channel blocker dofetilide.

Abstract Bisulfite sequencing (BS-seq) is the gold standard for studying genome-wide DNA methylation. We developed MOABS to increase the speed, accuracy, statistical power and biological relevance of BS-seq data analysis. MOABS detects differential methylation with 10-fold coverage at single-CpG resolution based on a Beta-Binomial hierarchical model and is capable of processing two billion reads in 24 CPU hours. Here, using simulated and real BS-seq data, we demonstrate that MOABS outperforms other leading algorithms, such as Fisher’s exact test and BSmooth. Furthermore, MOABS analysis can be easily extended to differential 5hmC analysis using RRBS and oxBS-seq. MOABS is available at http://code.google.com/p/moabs/ .

Early prediction of cardiotoxicity is critical for drug development. Current animal models raise ethical and translational questions, and have limited accuracy in clinical risk prediction. Human-based computer models constitute a fast, cheap and potentially effective alternative to experimental assays, also facilitating translation to human. Key challenges include consideration of inter-cellular variability in drug responses and integration of computational and experimental methods in safety pharmacology. Our aim is to evaluate the ability of in silico drug trials in populations of human action potential (AP) models to predict clinical risk of drug-induced arrhythmias based on ion channel information, and to compare simulation results against experimental assays commonly used for drug testing. A control population of 1,213 human ventricular AP models in agreement with experimental recordings was constructed. In silico drug trials were performed for 62 reference compounds at multiple concentrations, using pore-block drug models (IC50/Hill coefficient). Drug-induced changes in AP biomarkers were quantified, together with occurrence of repolarisation/depolarisation abnormalities. Simulation results were used to predict clinical risk based on reports of Torsade de Pointes arrhythmias, and further evaluated in a subset of compounds through comparison with electrocardiograms from rabbit wedge preparations and Ca2+-transient recordings in human induced pluripotent stem cell-derived cardiomyocytes (hiPS-CMs). Drug-induced changes in silico vary in magnitude depending on the specific ionic profile of each model in the population, thus allowing to identify cell sub-populations at higher risk of developing abnormal AP phenotypes. Models with low repolarisation reserve (increased Ca2+/late Na+ currents and Na+/Ca2+-exchanger, reduced Na+/K+-pump) are highly vulnerable to drug-induced repolarisation abnormalities, while those with reduced inward current density (fast/late Na+ and Ca2+ currents) exhibit high susceptibility to depolarisation abnormalities. Repolarisation abnormalities in silico predict clinical risk for all compounds with 89% accuracy. Drug-induced changes in biomarkers are in overall agreement across different assays: in silico AP duration changes reflect the ones observed in rabbit QT interval and hiPS-CMs Ca2+-transient, and simulated upstroke velocity captures variations in rabbit QRS complex. Our results demonstrate that human in silico drug trials constitute a powerful methodology for prediction of clinical pro-arrhythmic cardiotoxicity, ready for integration in the existing drug safety assessment pipelines.

Historically, the evidences of safety and efficacy that companies provide to regulatory agencies as support to the request for marketing authorization of a new medical product have been produced experimentally, either in vitro or in vivo. More recently, regulatory agencies started receiving and accepting evidences obtained in silico, i.e. through modelling and simulation. However, before any method (experimental or computational) can be acceptable for regulatory submission, the method itself must be considered "qualified" by the regulatory agency. This involves the assessment of the overall "credibility" that such a method has in providing specific evidence for a given regulatory procedure. In this paper, we describe a methodological framework for the credibility assessment of computational models built using mechanistic knowledge of physical and chemical phenomena, in addition to available biological and physiological knowledge; these are sometimes referred to as "biophysical" models. Using guiding examples, we explore the definition of the context of use, the risk analysis for the definition of the acceptability thresholds, and the various steps of a comprehensive verification, validation and uncertainty quantification process, to conclude with considerations on the credibility of a prediction for a specific context of use. While this paper does not provide a guideline for the formal qualification process, which only the regulatory agencies can provide, we expect it to help researchers to better appreciate the extent of scrutiny required, which should be considered early on in the development/use of any (new) in silico evidence.