Asthma exacerbations are a serious public health concern due to high healthcare resource utilization, work/school productivity loss, impact on quality of life, and risk of mortality. The genetic basis of asthma exacerbations has been studied in several populations, but no prior study has performed a multi-ancestry meta-analysis of genome-wide association studies (meta-GWAS) for this trait. We aimed to identify common genetic loci associated with asthma exacerbations across diverse populations and to assess their functional role in regulating DNA methylation and gene expression.A meta-GWAS of asthma exacerbations in 4989 Europeans, 2181 Hispanics/Latinos, 1250 Singaporean Chinese, and 972 African Americans analyzed 9.6 million genetic variants. Suggestively associated variants (p ≤ 5 × 10-5 ) were assessed for replication in 36,477 European and 1078 non-European asthma patients. Functional effects on DNA methylation were assessed in 595 Hispanic/Latino and African American asthma patients and in publicly available databases. The effect on gene expression was evaluated in silico.One hundred and twenty-six independent variants were suggestively associated with asthma exacerbations in the discovery phase. Two variants independently replicated: rs12091010 located at vascular cell adhesion molecule-1/exostosin like glycosyltransferase-2 (VCAM1/EXTL2) (discovery: odds ratio (ORT allele ) = 0.82, p = 9.05 × 10-6 and replication: ORT allele = 0.89, p = 5.35 × 10-3 ) and rs943126 from pantothenate kinase 1 (PANK1) (discovery: ORC allele = 0.85, p = 3.10 × 10-5 and replication: ORC allele = 0.89, p = 1.30 × 10-2 ). Both variants regulate gene expression of genes where they locate and DNA methylation levels of nearby genes in whole blood.This multi-ancestry study revealed novel suggestive regulatory loci for asthma exacerbations located in genomic regions participating in inflammation and host defense.

Abstract Summary Convolutional neural networks (CNNs) have been shown to perform exceptionally well in a variety of tasks, including biological sequence classification. Available implementations, however, are usually optimized for a particular task and difficult to reuse. To enable researchers to utilize these networks more easily we implemented pysster, a Python package for training CNNs on biological sequence data. Sequences are classified by learning sequence and structure motifs and the package offers an automated hyper-parameter optimization procedure and options to visualize learned motifs along with information about their positional and class enrichment. The package runs seamlessly on CPU and GPU and provides a simple interface to train and evaluate a network with a handful lines of code. Using an RNA A-to-I editing data set and CLIP-seq binding site sequences we demonstrate that pysster classifies sequences with higher accuracy than other methods and is able to recover known sequence and structure motifs. Availability pysster is freely available at https://github.com/budach/pysster . Contact budach@molgen.mpg.de , marsico@molgen.mpg.de

A bstract Unraveling sequence determinants which drive protein-RNA interaction is crucial for studying binding mechanisms and the impact of genomic variants. While CLIP-seq allows for transcriptome-wide profiling of in vivo protein-RNA interactions, it is limited to expressed transcripts, requiring computational imputation of missing binding information. Existing classification-based methods predict binding with low resolution and depend on prior labeling of transcriptome regions for training. We present RBPNet, a novel deep learning method, which predicts CLIP crosslink count distribution from RNA sequence at single-nucleotide resolution. By training on up to a million regions, RBPNet achieves high generalization on eCLIP, iCLIP and miCLIP assays, outperforming state-of-the-art classifiers. CLIP-seq suffers from various technical biases, complicating downstream interpretation. RBPNet performs bias correction by modeling the raw signal as a mixture of the protein-specific and background signal. Through model interrogation via Integrated Gradients, RBPNet identifies predictive sub-sequences corresponding to known binding motifs and enables variant-impact scoring via in silico mutagenesis. Together, RBPNet improves inference of protein-RNA interaction, as well as mechanistic interpretation of predictions.

Abstract Developmental genes such as Xist , the master regulator of X-chromosome inactivation (XCI), are controlled by complex cis -regulatory landscapes, which decode multiple signals to establish specific spatio-temporal expression patterns. Xist integrates information on X-chromosomal dosage and developmental stage to trigger XCI at the primed pluripotent state in females only. Through a pooled CRISPR interference screen in differentiating mouse embryonic stem cells, we identify functional enhancer elements of Xist during the onset of random XCI. By quantifying how enhancer activity is modulated by X-dosage and differentiation, we find that X-dosage controls the promoter-proximal region in a binary switch-like manner. By contrast, differentiation cues activate a series of distal elements and bring them into closer spatial proximity of the Xist promoter. The strongest distal element is part of an enhancer cluster ∼200 kb upstream of the Xist gene which is associated with a previously unannotated Xist -enhancing regulatory transcript, we named Xert . Developmental cues and X-dosage are thus decoded by distinct regulatory regions, which cooperate to ensure female-specific Xist upregulation at the correct developmental time. Our study is the first step to disentangle how multiple, functionally distinct regulatory regions interact to generate complex expression patterns in mammals.

ABSTRACT Strong evidence suggests that human human RNA-binding proteins (RBPs) are critical factors for viral infection, yet there is no feasible experimental approach to map exact binding sites of RBPs across the SARS-CoV-2 genome systematically at a large scale. We investigated the role of RBPs in the context of SARS-CoV-2 by constructing the first in silico map of human RBP / viral RNA interactions at nucleotide-resolution using two deep learning methods (pysster and DeepRiPe) trained on data from CLIP-seq experiments. We evaluated conservation of RBP binding between 6 other human pathogenic coronaviruses and identified sites of conserved and differential binding in the UTRs of SARS-CoV-1, SARS-CoV-2 and MERS. We scored the impact of variants from 11 viral strains on protein-RNA interaction, identifying a set of gain-and loss of binding events. Lastly, we linked RBPs to functional data and OMICs from other studies, and identified MBNL1, FTO and FXR2 as potential clinical biomarkers. Our results contribute towards a deeper understanding of how viruses hijack host cellular pathways and are available through a comprehensive online resource ( https://sc2rbpmap.helmholtz-muenchen.de ).

SUMMARY Dormancy is a key feature of stem cell function in adult tissues as well as embryonic cells in the context of diapause. The establishment of dormancy is an active process that involves extensive transcriptional, epigenetic, and metabolic rewiring 1,2 . How these processes are coordinated to successfully transition cells to the resting dormant state remains unclear. Here we show that microRNA activity, which is otherwise dispensable for pre-implantation development, is essential for the adaptation of early mouse embryos to the dormant state of diapause. In particular, the pluripotent epiblast depends on miRNA activity, the absence of which results in loss of pluripotent cells. Through integration of high-sensitivity small RNA expression profiling of individual embryos and protein expression of miRNA targets with public data of protein-protein interactions, we constructed the miRNA-mediated regulatory network of mouse early embryos specific to diapause. We find that individual miRNAs contribute to the combinatorial regulation by the network and the perturbation of the network compromises embryo survival in diapause. Without miRNAs, nuclear and cytoplasmic bodies show aberrant expression, concurrent with splicing defects. We identified the nutrient-sensitive transcription factor TFE3 as an upstream regulator of diapause-specific miRNAs, linking cytoplasmic mTOR activity to nuclear miRNA biogenesis. Our results place miRNAs as a critical regulatory layer for the molecular rewiring of early embryos to establish dormancy.

Summary Long non-coding RNAs (lncRNAs) are involved in gene expression regulation in cis and trans . Although enriched in the chromatin cell fraction, to what degree this defines their broad range of functions remains unclear. In addition, the factors that contribute to lncRNA chromatin tethering, as well as the molecular basis of efficient lncRNA chromatin dissociation and its functional impact on enhancer activity and target gene expression, remain to be resolved. Here, we combine pulse-chase metabolic labeling of nascent RNA with chromatin fractionation and transient transcriptome sequencing to follow nascent RNA transcripts from their co-transcriptional state to their release into the nucleoplasm. By incorporating functional and physical characteristics in machine learning models, we find that parameters like co-transcriptional splicing contributes to efficient lncRNA chromatin dissociation. Intriguingly, lncRNAs transcribed from enhancer-like regions display reduced chromatin retention, suggesting that, in addition to splicing, lncRNA chromatin dissociation may contribute to enhancer activity and target gene expression. Highlights Chromatin (dis-)association of lncRNAs can be modeled using nascent RNA sequencing from pulse-chase chromatin fractionation Distinct physical and functional characteristics contribute to lncRNA chromatin (dis-)association lncRNAs transcribed from enhancers display increased degree of chromatin dissociation lncRNAs of distinct degrees of chromatin association display differential binding probabilities for RNA-binding proteins (RBPs)

Abstract Dysfunction of regulatory elements through genetic variants is a central mechanism in the pathogenesis of disease. To better understand disease etiology, there is consequently a need to understand how DNA encodes regulatory activity. Deep learning methods show great promise for modeling of biomolecular data from DNA sequence but are limited to large input data for training. Here, we develop ChromTransfer, a transfer learning method that uses a pre-trained, cell-type agnostic model of open chromatin regions as a basis for fine-tuning on regulatory sequences. We demonstrate superior performances with ChromTransfer for learning cell-type specific chromatin accessibility from sequence compared to models not informed by a pre-trained model. Importantly, ChromTransfer enables fine-tuning on small input data with minimal decrease in accuracy. We show that ChromTransfer uses sequence features matching binding site sequences of key transcription factors for prediction. Together, these results demonstrate ChromTransfer as a promising tool for learning the regulatory code.

A bstract RNA-binding proteins (RBPs) are central actors of RNA post-transcriptional regulation. Experiments to profile binding sites of RBPs in vivo are limited to transcripts expressed in the experimental cell type, creating the need for computational methods to infer missing binding information. While numerous machine-learning based methods have been developed for this task, their use of heterogeneous training and evaluation datasets across different sets of RBPs and CLIP-seq protocols makes a direct comparison of their performance difficult. Here, we compile a set of 37 machine learning (primarily deep learning) methods for in vivo RBP-RNA interaction prediction and systematically benchmark a subset of 11 representative methods across hundreds of CLIP-seq datasets and RBPs. Using homogenized sample pre-processing and two negative-class sample generation strategies, we evaluate methods in terms of predictive performance and assess the impact of neural network architectures and input modalities on model performance. We believe that this study will not only enable researchers to choose the optimal prediction method for their tasks at hand, but also aid method developers in developing novel, high-performing methods by introducing a standardized framework for their evaluation.

iCLIP and eCLIP techniques facilitate the detection of protein-RNA interaction sites at high resolution, based on diagnostic events at crosslink sites. However, previous methods do not explicitly model the specifics of iCLIP and eCLIP truncation patterns and possible biases. We developed PureCLIP, a hidden Markov model based approach, which simultaneously performs peak calling and individual crosslink site detection. It explicitly incorporates RNA abundances and, for the first time, non-specific sequence biases. On both simulated and real data, PureCLIP is more accurate in calling crosslink sites than other state-of-the-art methods and has a higher agreement across replicates. Link: https://github.com/skrakau/PureCLIP.