Dynamically organized chromatin complexes often involve multiplex chromatin interactions and sometimes chromatin-associated RNA1-3. Chromatin complex compositions change during cellular differentiation and ageing, and are expected to be highly heterogeneous among terminally differentiated single cells4-7. Here we introduce the multinucleic acid interaction mapping in single cells (MUSIC) technique for concurrent profiling of multiplex chromatin interactions, gene expression and RNA-chromatin associations within individual nuclei. When applied to 14 human frontal cortex samples from older donors, MUSIC delineated diverse cortical cell types and states. We observed that nuclei exhibiting fewer short-range chromatin interactions were correlated with both an 'older' transcriptomic signature and Alzheimer's disease pathology. Furthermore, the cell type exhibiting chromatin contacts between cis expression quantitative trait loci and a promoter tends to be that in which these cis expression quantitative trait loci specifically affect the expression of their target gene. In addition, female cortical cells exhibit highly heterogeneous interactions between XIST non-coding RNA and chromosome X, along with diverse spatial organizations of the X chromosomes. MUSIC presents a potent tool for exploration of chromatin architecture and transcription at cellular resolution in complex tissues.

Abstract The interphase genome is dynamically organized in the nucleus and decorated with chromatin-associated RNA (caRNA). It remains unclear whether the genome architecture modulates the spatial distribution of caRNA and vice versa. Here, we generate a resource of genome-wide RNA-DNA and DNA-DNA contact maps in human cells. These maps reveal the chromosomal domains demarcated by locally transcribed RNA, hereafter termed RNA-defined chromosomal domains. Further, the spreading of caRNA is constrained by the boundaries of topologically associating domains (TADs), demonstrating the role of the 3D genome structure in modulating the spatial distribution of RNA. Conversely, stopping transcription or acute depletion of RNA induces thousands of chromatin loops genome-wide. Activation or suppression of the transcription of specific genes suppresses or creates chromatin loops straddling these genes. Deletion of a specific caRNA-producing genomic sequence promotes chromatin loops that straddle the interchromosomal target sequences of this caRNA. These data suggest a feedback loop where the 3D genome modulates the spatial distribution of RNA, which in turn affects the dynamic 3D genome organization.

Abstract Every human somatic cell inherits a maternal and a paternal genome, which work together to give rise to cellular phenotypes. However, the allele-specific relationship between gene expression and genome structure through the cell cycle is largely unknown. By integrating haplotype-resolved genome-wide chromosome conformation capture, mature and nascent mRNA, and protein binding data, we investigate this relationship both globally and locally. We introduce the maternal and paternal 4D Nucleome, enabling detailed analysis of the mechanisms and dynamics of genome structure and gene function for diploid organisms. Our analyses find significant coordination between allelic expression biases and local genome conformation, and notably absent expression bias in universally essential cell cycle and glycolysis genes. We propose a model in which coordinated biallelic expression reflects prioritized preservation of essential gene sets.

Abstract The advent of single-cell RNA sequencing has provided illuminating information on complex systems. However, large numbers of genes tend to be scarcely detected in common scRNAseq approaches due to technical dropout. Although bioinformatics approaches have been developed to approximate true expression profiles, assess the dropout events on single-cell transcriptomes is still consequently challenging. In this report, we present a new plate-based method for scRNAseq that relies on Tn5 transposase to tagment cDNA following second strand synthesis. By utilizing pre-amplification tagmentation step, scSTATseq libraries are insulated against technical dropout, allowing for detailed analysis of gene-gene co-expression relationships and mapping of pathway trajectories. The entire scSTATseq library construction workflow can be completed in 7 hours, and recover transcriptome information on up to 8,000 protein-coding genes. Investigation of osteoclast differentiation using this workflow allowed us to identify novel markers of interest such as Rab15. Overall, scSTATseq is an efficient and economical method for scRNAseq that compares favorably with existing workflows.

SUMMARY PARAGRAPH The dynamically organized chromatin complexes often involve multiplex chromatin interactions and sometimes chromatin-associated RNA (caRNA) 1–3 . Chromatin complex compositions change during cellular differentiation and aging, and are expected to be highly heterogeneous among terminally differentiated single cells 4–7 . Here we introduce the Mu lti-Nucleic Acid Interaction Mapping in Si ngle C ell (MUSIC) technique for concurrent profiling of multiplex chromatin interactions, gene expression, and RNA-chromatin associations within individual nuclei. Applied to 14 human frontal cortex samples from elderly donors, MUSIC delineates diverse cortical cell types and states. We observed the nuclei exhibiting fewer short-range chromatin interactions are correlated with an “older” transcriptomic signature and with Alzheimer’s pathology. Furthermore, the cell type exhibiting chromatin contacts between cis expression quantitative trait loci (cis eQTLs) and a promoter tends to be the cell type where these cis eQTLs specifically affect their target gene’s expression. Additionally, the female cortical cells exhibit highly heterogeneous interactions between the XIST non-coding RNA and Chromosome X, along with diverse spatial organizations of the X chromosomes. MUSIC presents a potent tool for exploring chromatin architecture and transcription at cellular resolution in complex tissues.

RNA-protein interactions are crucial for regulating gene expression and cellular functions, with their dysregulation potentially impacting disease progression. Systematically mapping these interactions is resource-intensive due to the vast number of potential RNA and protein interactions. Here, we introduce PRIM-seq ( P rotein- R NA Interaction M apping by sequencing), a method for the concurrent

RNA-chromatin interactions play crucial roles in gene regulation and genome organization, but the interaction landscape remains poorly understood. In this study, we conducted an in-depth analysis of a previously published dataset on RNase-treated in situ mapping of the RNA–genome interactome in human embryonic stem cells. This dataset globally profiles RNase-insensitive RNA-chromatin interactions. Our analysis revealed that RNase treatment selectively preserved long-range RNA-chromatin interactions while removing promiscuous interactions resulting from the local diffusion of nascent transcripts. RNase-insensitive chromatin-associated RNAs (RI-caRNAs) exhibited high sequence conservation and preferentially localized to functional genomic regions, including promoters, transcription factor binding sites, and regions with specific histone modifications. Interestingly, coding and non-coding RNA transcripts showed distinct sensitivities to RNase, with lncRNAs and disease-associated transcripts being enriched among RI-caRNAs. Furthermore, we identified specific caRNA classes associated with individual transcription factors and histone modifications. Altogether, our findings reveal a RNase-inaccessible regulatory RNA-chromatin interactome and provide a resource for understanding RNA-mediated chromatin regulation.

Background: Gene promoter methylation plays a critical role in a wide range of biological processes, such as transcriptional expression, gene imprinting, X chromosome inactivation, etc. Whole-genome bisulfite sequencing generates a comprehensive profiling of the gene methylation levels but is limited by a high cost. Recent studies have partitioned the genes into landmark genes and target genes and suggested that the landmark gene expression levels capture adequate information to reconstruct the target gene expression levels. Moreover, the methylation level of the promoter is usually negatively correlated with its corresponding gene expression. This result inspired us to propose that the methylation level of the promoters might be adequate to reconstruct the promoter methylation level of target genes, which would eventually reduce the cost of promoter methylation profiling. Results: Here, we developed a deep learning model (D-GPM) to predict the whole-genome promoter methylation level based on the methylation profile of the landmark genes. We benchmarked D-GPM against three machine learning methods, namely, linear regression (LR), regression tree (RT) and support vector machine (SVM), based on two criteria: the mean absolute deviation (MAE) and the Pearson correlation coefficient (PCC). After profiling the methylation beta value (MBV) dataset from the TCGA, with respect to MAE and PCC, we found that D-GPM outperforms LR by 9.59% and 4.34%, RT by 27.58% and 22.96% and SVM by 6.14% and 3.07% on average, respectively. For the number of better-predicted genes, D-GPM outperforms LR in 92.65% and 91.00%, RT in 95.66% and 98.25% and SVM in 85.49% and 81.56% of the target genes. Conclusions: D-GPM acquires the least overall MAE and the highest overall PCC on MBV-te compared to LR, RT, and SVM. For a genewise comparative analysis, D-GPM outperforms LR, RT, and SVM in an overwhelming majority of the target genes, with respect to the MAE and PCC. Most importantly, D-GPM predominates among the other models in predicting a majority of the target genes according to the model distribution of the least MAE and the highest PCC for the target genes.

Fusion transcripts are used as biomarkers in companion diagnoses. Although more than 15,000 fusion RNAs have been identified from diverse cancer types, few common features have been reported. Here, we compared 16,410 fusion transcripts detected in cancer (from a published cohort of 9,966 tumor samples of 33 cancer types) with genome-wide RNA-DNA interactions mapped in two normal, non-cancerous cell types (using iMARGI, an enhanced version of the MARGI [Mapping RNA-Genome Interactions assay]). Among the top 10 most significant RNA-DNA interactions in normal cells, 5 co-localized with the gene pairs that formed fusion RNAs in cancer. Furthermore, throughout the genome, the frequency of a gene pair to exhibit RNA-DNA interactions is positively correlated with the probability of this gene pair to present documented fusion transcripts in cancer. To test whether RNA-DNA interactions in normal cells are predictive of fusion RNAs, we analyzed these in a validation cohort of 96 lung cancer samples using RNA-seq. 37 out of 42 fusion transcripts in the validation cohort were found to exhibit RNA-DNA interactions in normal cells. Finally, by combining RNA-seq, single-molecule RNA FISH, and DNA FISH, we detected a cancer sample with EML4-ALK fusion RNA without forming the EML4-ALK fusion gene. Collectively, these data suggest a novel RNA-poise model, where spatial proximity of RNA and DNA could poise for the creation of fusion transcripts.

Plate-based single cell RNA-Seq (scRNA-seq) methods can detect a comprehensive profile for gene expression but suffers from high library cost of each single cell. Although cost can be reduced significantly by massively parallel scRNA-seq techniques, these approaches lose sensitivity for gene detection. Inspired by group testing and compressed sensing, here, we designed a computational framework to close the gap between sensitivity and library cost. In our framework, single cells were overlapped assigned into plenty of pools. Expression profile of each pool was then obtained by using plate-based sequence approach. The expression profile of all single cells was recovered based on the pool expression and the overlapped pooling design. The inferred expression profile showed highly consistency with the original data in both accuracy and cell types identification. A parallel computing scheme was designed to boost speed when processing the enormous single cells, and elastic net regression was combined with compressed sensing to auto-adapt for both sparsely and densely expressed genes.