Abstract Single-cell RNA-sequencing (scRNA-seq) offers unparalleled insight into the transcriptional programs of different cellular states by measuring the transcriptome of thousands of individual cells. An emerging problem in the analysis of scRNA-seq is the inference of transcriptional gene regulatory networks and a number of methods with different learning frameworks have been developed to address this problem. Here, we present an expanded benchmarking study of eleven recent network inference methods on six published scRNA-seq datasets in human, mouse, and yeast considering different types of gold standard networks and evaluation metrics. We evaluate methods based on their computing requirements as well as on their ability to recover the network structure. We find that, while most methods have a modest recovery of experimentally derived interactions based on global metrics such as Area Under the Precision Recall curve, methods are able to capture targets of regulators that are relevant to the system under study. Among the top performing methods that use only expression were SCENIC, PIDC, MERLIN or Correlation. Addition of prior biological knowledge and the estimation of transcription factor activities resulted in the best overall performance with the Inferelator and MERLIN methods that use prior knowledge outperforming methods that use expression alone. We found little to no benefit from imputation for network inference, which is further dataset-dependent. Comparisons of inferred networks for comparable bulk conditions showed that the networks inferred from scRNA-seq datasets are often better or at par with the networks inferred from bulk datasets. Our analysis should be beneficial in selecting methods for network inference. At the same time, this highlights the need for improved methods and better gold standards for regulatory network inference from scRNAseq datasets.

Abstract Cell type-specific gene expression patterns are outputs of transcriptional gene regulatory networks (GRNs) that connect transcription factors and signaling proteins to target genes. Single-cell technologies such as single cell RNA-sequencing (scRNA-seq) and single cell Assay for Transposase-Accessible Chromatin using sequencing (scATAC-seq), can examine cell-type specific gene regulation at unprecedented detail. However, current approaches to infer cell type-specific GRNs are limited in their ability to integrate scRNA-seq and scATAC-seq measurements and to model network dynamics on a cell lineage. To address this challenge, we have developed single-cell Multi-Task Network Inference (scMTNI), a multi-task learning framework to infer the GRN for each cell type on a lineage from scRNA-seq and scATAC-seq data. Using simulated and real datasets, we show that scMTNI is a broadly applicable framework for linear and branching lineages that accurately infers GRN dynamics and identifies key regulators of fate transitions for diverse processes such as cellular reprogramming and differentiation.

Abstract Multi-omic datasets with parallel transcriptomic and epigenomic measurements across time or cell types are becoming increasingly common. However, integrating these data to infer regulatory network dynamics is a major challenge. We present Dynamic Regulatory Module Networks (DRMNs), a novel approach that uses multi-task learning to infer cell type-specific cis-regulatory networks dynamics. Compared to existing approaches, DRMN integrates expression, chromatin state and accessibility, accurately predicts cis-regulators of context-specific expression and models network dynamics across linearly and hierarchically related contexts. We apply DRMN to three dynamic processes of different experimental designs and predict known and novel regulators driving cell type-specific expression patterns.

Recent advances in consortium-scale genome-wide association studies (GWAS) have highlighted the involvement of common genetic variants in autism spectrum disorder (ASD), but our understanding of their etiologic roles, especially the interplay with rare variants, is incomplete. In this work, we introduce an analytical framework to quantify the transmission disequilibrium of genetically regulated gene expression from parents to offspring. We applied this framework to conduct a transcriptome-wide association study (TWAS) on 7,805 ASD proband-parent trios, and replicated our findings using 35,740 independent samples. We identified 31 associations at the transcriptome-wide significance level. In particular, we identified POU3F2 (p=2.1e-7), a transcription factor (TF) mainly expressed in developmental brain. TF targets regulated by POU3F2 showed a 2.1-fold enrichment for known ASD genes (p=4.6e-5) and a 2.7-fold enrichment for loss-of-function de novo mutations in ASD probands (p=7.1e-5). These results provide a clear example of the connection between ASD genes affected by very rare mutations and an unlinked key regulator affected by common genetic variations.

Elucidating the mechanism of reprogramming is confounded by heterogeneity due to the low efficiency and differential kinetics of obtaining induced pluripotent stem cells (iPSCs) from somatic cells. Therefore, we increased the efficiency with a novel combination of epigenetic and signaling molecules and profiled the transcriptomes of individual reprogramming cells. Contrary to the established temporal order, somatic gene inactivation and upregulation of cell cycle, epithelial, and early pluripotency genes can be triggered independently such that any combination of these events can occur in single cells. Sustained co-expression of Epcam, Nanog, and Sox2 with other genes is required to progress towards iPSCs. Ehf, Phlda2, and translation initiation factor Eif4a1 play novel functional roles in robust iPSC generation. Using regulatory network analysis, we identify a critical role for signaling inhibition by 2i in repressing somatic expression and synergy between the epigenetic modifiers ascorbic acid and a Dot1L inhibitor for pluripotency gene activation.

Dominantly inherited disorders are not typically considered therapeutic candidates for gene augmentation. Here, we utilized patient-specific induced pluripotent stem cell-derived retinal pigment epithelium (iPSC-RPE) to test the potential of gene augmentation to treat Best disease, a dominant macular dystrophy caused by over 200 missense mutations in BEST1 . Gene augmentation in iPSC-RPE fully restored BEST1 calcium-activated chloride channel activity and improved rhodopsin degradation in iPSC-RPE models of recessive bestrophinopathy and dominant Best disease caused by two different ion binding domain mutations. A dominant Best disease iPSC-RPE model that did not respond to gene augmentation showed normalization of BEST1 channel activity following CRISPR-Cas9 editing of the mutant allele. We then tested gene editing in all three dominant Best disease iPSC-RPE models, which produced premature stop codons exclusively within the mutant BEST1 alleles. Single-cell profiling demonstrated no adverse perturbation of RPE transcriptional programs in any model, although off-target analysis detected a silent genomic alteration in one model. These results suggest that gene augmentation is a viable first-line approach for some dominant Best disease patients and that non-responders are candidates for alternate approaches such as genome editing. However, testing genome editing strategies for on-target efficiency and off-target events using patient-matched iPSC-RPE model systems is warranted. In summary, personalized iPSC-RPE models can be used to select among a growing list of gene therapy options to maximize safety and efficacy while minimizing time and cost. Similar scenarios likely exist for other genotypically diverse channelopathies, expanding the therapeutic landscape for affected patients.Significance Dominantly inherited disorders pose distinct challenges for gene therapies, particularly in the face of extreme mutational diversity. We tested whether a broad gene replacement strategy could reverse the cellular phenotype of Best disease, a dominant blinding condition that targets retinal pigment epithelium (RPE). Using RPE generated from patient-specific induced pluripotent stem cells (iPSCs), we show that gene replacement functionally overcomes some, but not all, of the tested mutations. In comparison, all dominant Best disease models tested were phenotypically corrected after mutation-specific genome editing, although one off-target genomic alteration was discovered. Our results support a two-tiered approach to gene therapy for Best disease, guided by safety and efficacy testing in iPSC-RPE models to maximize personal and public health value.