Depression is a debilitating condition with a profound impact on quality of life for millions of people worldwide. Physical exercise is used as a treatment strategy for many patients, but the mechanisms that underlie its beneficial effects remain unknown. Here, we describe a mechanism by which skeletal muscle PGC-1α1 induced by exercise training changes kynurenine metabolism and protects from stress-induced depression. Activation of the PGC-1α1-PPARα/δ pathway increases skeletal muscle expression of kynurenine aminotransferases, thus enhancing the conversion of kynurenine into kynurenic acid, a metabolite unable to cross the blood-brain barrier. Reducing plasma kynurenine protects the brain from stress-induced changes associated with depression and renders skeletal muscle-specific PGC-1α1 transgenic mice resistant to depression induced by chronic mild stress or direct kynurenine administration. This study opens therapeutic avenues for the treatment of depression by targeting the PGC-1α1-PPAR axis in skeletal muscle, without the need to cross the blood-brain barrier.

Abstract Ischemic heart disease is globally the leading cause of death. It plays a central role in the electrical and structural remodeling of the right atrium, predisposing to arrhythmias, heart failure, and sudden death. Here, we provide the first dissection of the gene expression changes in the live right atrial tissue, using single-nuclei RNA-seq and spatial transcriptomics. We investigate matched samples of the tissue and pericardial fluid and reveal substantial differences in disease- associated gene expression in all cell types, leading to inflammatory microvascular dysfunction and changes in the tissue composition. Our study demonstrates the importance of creating high- resolution cellular maps and partitioning disease signals beyond epicardial coronary arteries and ischemic left ventricle to identify candidate mechanisms leading to more severe types of human cardiovascular disease. One-Sentence Summary Single-cell dissection of ex vivo heart biopsies and pericardial fluid in ischemic heart disease and heart failure

Abstract Regular physical exercise has long been recognized to reverse the effects of diet-induced obesity, but the molecular mechanisms mediating these multi-tissue beneficial effects remain uncharacterized. Here, we address this challenge by studying the opposing effects of exercise training and high-fat diet at single-cell, deconvolution and tissue-level resolutions across 3 metabolic tissues. We profile scRNA-seq in 204,883 cells, grouped into 53 distinct cell subtypes/states in 22 major cell types, from subcuta-neous and visceral white adipose tissue (WAT), and skeletal muscle (SkM) in mice with diet and exercise training interventions. With a great number of mesenchymal stem cells (MSCs) profiled, we compared depot-specific adipose stem cell (ASC) states, and defined 7 distinct fibro-adipogenic progenitor (FAP) states in SkM including discovering and validating a novel CD140+/CD34+/SCA1-FAP population. Exercise- and obesity-regulated proportion, transcriptional and cell-cell interaction changes were most strongly pronounced in and centered around ASCs, FAPs, macrophages and T-cells. These changes reflected thermogenesis-vs-lipogenesis and hyperplasia-vs-hypertrophy shifts, clustered in pathways including extracellular matrix remodeling and circadian rhythm, and implicated complex single- and multi-tissue communication including training-associated shift of a cytokine from binding to its decoy receptor on ASCs to true receptor on M2 macrophages in vWAT. Overall, our work provides new insights on the metabolic protective effects of exercise training, uncovers a previously-underappreciated role of MSCs in mediating tissue-specific and multi-tissue effects, and serves as a model for multitissue single-cell analyses in physiologically complex and multifactorial traits exemplified by obesity and exercise training.

Abstract Intelligence is usually associated with the ability to perceive, retain and use information to adapt to changes in one’s environment. In this context, systems of living cells can be thought of as intelligent entities. Here, we show that the concepts of non-equilibrium tuning and compartmentalization are sufficient to model manifestations of cellular intelligence such as specialization, division, fusion and communication using the language of operads. We implement our framework as an unsupervised learning algorithm, I nt C yt , which we show is able to memorize, organize and abstract reference machine-learning datasets through generative and self-supervised tasks. Overall, our learning framework captures emergent properties programmed in living systems, and provides a powerful new approach for data mining. Structured abstract Background Although intelligence has been given many definitions, we can associate it with the ability to perceive, retain, and use information to adapt to changes in one’s environment. In this context, systems of living cells can be thought of as intelligent entities. While one can reasonably describe their adaptive abilities within the realm of homeostatic mechanisms, it is challenging to comprehend the principles governing their metabolic intelligence. In each organism, cells have indeed developed as many ways to adapt as there are cell types, and elucidating the impetus of their evolutionary behaviors could be the key to understanding life processes and likely diseases. Advances The goal of this article is to propose principles for understanding cellular intelligence. Specifically, we show that the concepts of non-equilibrium tuning and compartmentalization are enough to recover cellular adaptive behaviors such as specialization, division, fusion, and communication. Our model has the advantage to encompass all scales of life, from organelles to organisms through systems of organs and cell assemblies. We achieve this flexibility using the language of operads, which provides an elegant framework for reasoning about nested systems and, as an emergent behavior, non-equilibrium compartmentalization. To demonstrate the validity and the practical utility of our model, we implement it in the form of an unsupervised learning algorithm, I nt C yt , and apply it to reference machine learning datasets through generative and self-supervised tasks. We find that I nt C yt ’s interpretability, plasticity and accuracy surpass that of a wide range of machine learning algorithms, thus providing a powerful approach for data mining. Outlook Our results indicate that the nested hierarchical language of operads captures the emergent properties of programmed cellular metabolism in the development of living systems, and provide a new biologically-inspired, yet practical and lightweight, computational paradigm for memorizing, organizing and abstracting datasets.

Abstract Metabolism plays a central role in evolution, as resource conservation is a selective pressure for fitness and survival. Resource-driven adaptations offer a good model to study evolutionary innovation more broadly. It remains unknown how resource-driven optimization of genome function integrates chromatin architecture with transcriptional phase transitions. Here we show that tuning of genome architecture and heterotypic transcriptional condensates mediate resilience to nutrient limitation. Network genomic integration of phenotypic, structural, and functional relationships reveals that fat tissue promotes organismal adaptations through metabolic acceleration chromatin domains and heterotypic PGC1A condensates. We find evolutionary adaptations in several dimensions; low conservation of amino acid residues within protein disorder regions, nonrandom chromatin location of metabolic acceleration domains, condensate-chromatin stability through cis-regulatory anchoring and encoding of genome plasticity in radial chromatin organization. We show that environmental tuning of these adaptations leads to fasting endurance, through efficient nuclear compartmentalization of lipid metabolic regions, and, locally, human-specific burst kinetics of lipid cycling genes. This process reduces oxidative stress, and fatty-acid mediated cellular acidification, enabling endurance of condensate chromatin conformations. Comparative genomics of genetic and diet perturbations reveal mammalian convergence of phenotype and structural relationships, along with loss of transcriptional control by diet-induced obesity. Further, we find that radial transcriptional organization is encoded in functional divergence of metabolic disease variant-hubs, heterotypic condensate composition, and protein residues sensing metabolic variation. During fuel restriction, these features license the formation of large heterotypic condensates that buffer proton excess, and shift viscoelasticity for condensate endurance. This mechanism maintains physiological pH, reduces pH-resilient inflammatory gene programs, and enables genome plasticity through transcriptionally driven cell-specific chromatin contacts. In vivo manipulation of this circuit promotes fasting-like adaptations with heterotypic nuclear compartments, metabolic and cell-specific homeostasis. In sum, we uncover here a general principle by which transcription uses environmental fluctuations for genome function, and demonstrate how resource conservation optimizes transcriptional self-organization through robust feedback integrators, highlighting obesity as an inhibitor of genome plasticity relevant for many diseases.