Abstract Zebrafish, a popular model for embryonic development and for modelling human diseases, has so far lacked a systematic functional annotation programme akin to those in other animal models. To address this, we formed the international DANIO-CODE consortium and created the first central repository to store and process zebrafish developmental functional genomic data. Our Data Coordination Center ( https://danio-code.zfin.org ) combines a total of 1,802 sets of unpublished and reanalysed published genomics data, which we used to improve existing annotations and show its utility in experimental design. We identified over 140,000 cis-regulatory elements in development, including novel classes with distinct features dependent on their activity in time and space. We delineated the distinction between regulatory elements active during zygotic genome activation and those active during organogenesis, identifying new aspects of how they relate to each other. Finally, we matched regulatory elements and epigenomic landscapes between zebrafish and mouse and predict functional relationships between them beyond sequence similarity, extending the utility of zebrafish developmental genomics to mammals.

Abstract Detecting epistatic drivers of human phenotypes is a considerable challenge. Traditional approaches use regression to sequentially test multiplicative interaction terms involving pairs of genetic variants. For higher-order interactions and genome-wide large-scale data, this strategy is computationally intractable. Moreover, multiplicative terms used in regression modeling may not capture the form of biological interactions. Building on the Predictability, Computability, Stability (PCS) framework, we introduce the epiTree pipeline to extract higher-order interactions from genomic data using tree-based models. The epiTree pipeline first selects a set of variants derived from tissue-specific estimates of gene expression. Next, it uses iterative random forests (iRF) to search training data for candidate Boolean interactions (pairwise and higher-order). We derive significance tests for interactions, based on a stabilized likelihood ratio test, by simulating Boolean tree-structured null (no epistasis) and alternative (epistasis) distributions on hold-out test data. Finally, our pipeline computes PCS epistasis p-values that probabilisticly quantify improvement in prediction accuracy via bootstrap sampling on the test set. We validate the epiTree pipeline in two case studies using data from the UK Biobank: predicting red hair and multiple sclerosis (MS). In the case of predicting red hair, epiTree recovers known epistatic interactions surrounding MC1R and novel interactions, representing non-linearities not captured by logistic regression models. In the case of predicting MS, a more complex phenotype than red hair, epiTree rankings prioritize novel interactions surrounding HLA-DRB1 , a variant previously associated with MS in several populations. Taken together, these results highlight the potential for epiTree rankings to help reduce the design space for follow up experiments.

Abstract The prerequisite of therapeutic drug design is to identify novel molecules with desired biophysical and biochemical properties. Deep generative models have demonstrated their ability to find such molecules by exploring a huge chemical space efficiently. An effective way to obtain molecules with desired target properties is the preservation of critical scaffolds in the generation process. To this end, we propose a domain aware generative framework called 3D-Scaffold that takes 3D coordinates of the desired scaffold as an input and generates 3D coordinates of novel therapeutic candidates as an output while always preserving the desired scaffolds in generated structures. We show that our framework generates predominantly valid, unique, novel, and experimentally synthesizable molecules that have drug-like properties similar to the molecules in the training set. Using domain specific datasets, we generate covalent and non-covalent antiviral inhibitors. To measure the success of our framework in generating therapeutic candidates, generated structures were subjected to high throughput virtual screening via docking simulations, which shows favorable interaction against SARS-CoV-2 main protease and non-structural protein endoribonuclease (NSP15) targets. Most importantly, our model performs well with relatively small volumes of training data and generalizes to new scaffolds, making it applicable to other domains.

3009 Background: Plasma cell-free DNA (cfDNA) tests have emerged as a promising approach for cancer management. cfDNA methylome approaches are well-suited for molecular residual disease (MRD) detection. Here we present data using a tissue-agnostic, genome-wide methylome enrichment platform based on cell-free methylated DNA immunoprecipitation and high throughput sequencing (cfMEDIP-seq) in head and neck cancer (HNC) to predict relapse for purposes of guiding adjuvant therapy after completion of curative-intent treatment and to detect early relapse. Methods: The cohort is comprised of biobanked samples from individuals diagnosed with stage I-IVB human papillomavirus (HPV)-negative and HPV-positive HNC with longitudinal data collection and sampling. The full cohort includes 325 unique patients with 1,155 samples. Samples were split into distinct sets to train and test a classifier consisting of differentially methylated regions. Blood collection time points include at diagnosis, and approximately 3 (landmark), 12 and 24 months after curative intent treatment. 5-10 ng of cfDNA isolated from each plasma sample was used for cfMEDIP-seq. MRD signals were quantified from average normalized counts across informative methylated regions and binarized into a positive (above the threshold) and negative groups. Recurrence-free survival (RFS) was compared for patients who tested positive to those who tested negative at 3 months post-curative treatment (i.e., landmark timepoint) and longitudinally. Results: A total of 196 post-treatment samples from 80 unique patients [stage I (35%), II (15%), III (24%), IV (26%)] were analyzed and correlated with recurrence, in this interim training result. At the landmark timepoint, patients who tested positive showed significantly worse RFS than those who tested negative (Hazard ratio (HR) 9.69; 95% CI, 4.39-21.4, P<0.001). Incorporating serial longitudinal samples, recurrence-free survival was worse in patients who tested positive compared to those that tested negative (HR 14.52; 95% CI, 5.78-36.46, P<0.001). Conclusions: Interim analysis demonstrates that MRD detection with a tissue-agnostic, genome-wide methylome enrichment platform in HNC patients after curative intent treatment correlates strongly with RFS with hazard ratios consistent with tumor-informed assays previously described. Updated analyses from the cohort will be presented at the meeting.

Abstract The rhizosphere microbiome (rhizobiome) plays a critical role in plant health and development. However the processes by which the constituent microbes interact to form and maintain a community are not well understood. To investigate these molecular processes, we examined pairwise interactions between 11 different microbial isolates under selected nutrient-rich and nutrient-limited conditions. We observed that when grown with media supplemented with 56 mM glucose, 2 microbial isolates were able to inhibit the growth of 6 out of 11 other microbes tested. The interaction between microbes persisted even after the antagonistic microbe was removed, upon exposure to spent media. To probe the genetic basis for these antagonistic interactions, we used a barcoded transposon library in a proxy bacterium, Pseudomonas putida , to identify genes which showed enhanced sensitivity to the antagonistic factor(s) secreted by Acinetobacter sp. 02. Iron metabolism-related gene clusters in P. putida were implicated by this systems-level analysis. The supplementation of iron prevented the antagonistic interaction in the original microbial pair supporting the hypothesis that iron limitation drives antagonistic microbial interactions between rhizobionts. We conclude that rhizobiome community composition is influenced by competition for limiting nutrients with implications for growth and development of the plant.

Summary Naturally produced peptides (<100 amino acids) are important regulators of physiology, development, and metabolism. Recent studies have predicted that thousands of peptides may be translated from transcripts containing small open reading frames (smORFs). Here, we describe two peptides in Drosophila encoded by conserved smORFs, Sloth1 and Sloth2. These peptides are translated from the same bicistronic transcript and share sequence similarities, suggesting that they encode paralogs. Yet, Sloth1 and Sloth2 are not functionally redundant, and loss of either peptide causes animal lethality, reduced neuronal function, impaired mitochondrial function, and neurodegeneration. We provide evidence that Sloth1/2 are highly expressed in neurons, imported to mitochondria, and regulate mitochondrial complex III assembly. These results suggest that phenotypic analysis of smORF genes in Drosophila can provide a wealth of information on the biological functions of this poorly characterized class of genes.