The endocytic itineraries of lipid raft markers, such as glycosyl phosphatidylinositol (GPI)-anchored proteins and glycosphingolipids, are incompletely understood. Here we show that different GPI-anchored proteins have different intracellular distributions; some (such as the folate receptor) accumulate in transferrin-containing compartments, others (such as CD59 and GPI-linked green fluorescent protein [GFP]) accumulate in the Golgi apparatus. Selective photobleaching shows that the Golgi pool of both GPI-GFP and CD59-GFP constantly and rapidly exchanges with the pool of these proteins found on the plasma membrane (PM). We visualized intermediates carrying GPI-GFP from the Golgi apparatus to the PM and separate structures delivering GPI-GFP to the Golgi apparatus. GPI-GFP does not accumulate within endocytic compartments containing transferrin, although it is detected in intracellular structures which are endosomes by the criteria of accessibility to a fluid phase marker and to cholera and shiga toxin B subunits (CTxB and STxB, which are also found in rafts). GPI-GFP and a proportion of the total CTxB and STxB taken up into cells are endocytosed independently of clathrin-associated machinery and are delivered to the Golgi complex via indistinguishable mechanisms. Hence, they enter the Golgi complex in the same intermediates, get there independently of both clathrin and rab5 function, and are excluded from it at 20°C and under conditions of cholesterol sequestration. The PM–Golgi cycling pathway followed by GPI-GFP could serve to regulate lipid raft distribution and function within cells.

Genome structure and gene expression depend on a multitude of chromatin-binding proteins. The binding properties of these proteins to native chromatin in intact cells are largely unknown. Here, we describe an approach based on combined in vivo photobleaching microscopy and kinetic modeling to analyze globally the dynamics of binding of chromatin-associated proteins in living cells. We have quantitatively determined basic biophysical properties, such as off rate constants, residence time, and bound fraction, of a wide range of chromatin proteins of diverse functions in vivo. We demonstrate that most chromatin proteins have a high turnover on chromatin with a residence time on the order of seconds, that the major fraction of each protein is bound to chromatin at steady state, and that transient binding is a common property of chromatin-associated proteins. Our results indicate that chromatin-binding proteins find their binding sites by three-dimensional scanning of the genome space and our data are consistent with a model in which chromatin-associated proteins form dynamic interaction networks in vivo. We suggest that these properties are crucial for generating high plasticity in genome expression.

We have analyzed the kinetics of assembly and elongation of the mammalian RNA polymerase I complex on endogenous ribosomal genes in the nuclei of living cells with the use of in vivo microscopy. We show that components of the RNA polymerase I machinery are brought to ribosomal genes as distinct subunits and that assembly occurs via metastable intermediates. With the use of computational modeling of imaging data, we have determined the in vivo elongation time of the polymerase, and measurements of recruitment and incorporation frequencies show that incorporation of components into the assembling polymerase is inefficient. Our data provide a kinetic and mechanistic framework for the function of a mammalian RNA polymerase in living cells.

The "CTCF code" hypothesis posits that CTCF pleiotropic functions are driven by recognition of diverse sequences through combinatorial use of its 11 zinc fingers (ZFs). This model, however, is supported by in vitro binding studies of a limited number of sequences. To study CTCF multivalency in vivo, we define ZF binding requirements at ∼50,000 genomic sites in primary lymphocytes. We find that CTCF reads sequence diversity through ZF clustering. ZFs 4–7 anchor CTCF to ∼80% of targets containing the core motif. Nonconserved flanking sequences are recognized by ZFs 1–2 and ZFs 8–11 clusters, which also stabilize CTCF broadly. Alternatively, ZFs 9–11 associate with a second phylogenetically conserved upstream motif at ∼15% of its sites. Individually, ZFs increase overall binding and chromatin residence time. Unexpectedly, we also uncovered a conserved downstream DNA motif that destabilizes CTCF occupancy. Thus, CTCF associates with a wide array of DNA modules via combinatorial clustering of its 11 ZFs.

Abstract We describe a large-scale community effort to build an open-access, interoperable, and computable repository of COVID-19 molecular mechanisms - the COVID-19 Disease Map. We discuss the tools, platforms, and guidelines necessary for the distributed development of its contents by a multi-faceted community of biocurators, domain experts, bioinformaticians, and computational biologists. We highlight the role of relevant databases and text mining approaches in enrichment and validation of the curated mechanisms. We describe the contents of the Map and their relevance to the molecular pathophysiology of COVID-19 and the analytical and computational modelling approaches that can be applied for mechanistic data interpretation and predictions. We conclude by demonstrating concrete applications of our work through several use cases and highlight new testable hypotheses.

Abstract The COVID-19 Disease Map project is a large-scale community effort uniting 277 scientists from 130 Institutions around the globe. We use high-quality, mechanistic content describing SARS-CoV-2-host interactions and develop interoperable bioinformatic pipelines for novel target identification and drug repurposing. Community-driven and highly interdisciplinary, the project is collaborative and supports community standards, open access, and the FAIR data principles. The coordination of community work allowed for an impressive step forward in building interfaces between Systems Biology tools and platforms. Our framework links key molecules highlighted from broad omics data analysis and computational modeling to dysregulated pathways in a cell-, tissue- or patient-specific manner. We also employ text mining and AI-assisted analysis to identify potential drugs and drug targets and use topological analysis to reveal interesting structural features of the map. The proposed framework is versatile and expandable, offering a significant upgrade in the arsenal used to understand virus-host interactions and other complex pathologies.

Diagnosing complex illnesses like Myalgic Encephalomyelitis/Chronic Fatigue Syndrome (ME/CFS) is complicated due to the diverse symptomology and presence of comorbid conditions. ME/CFS patients often present with multiple health issues, therefore, incorporating comorbidities into research can provide a more accurate understanding of the condition's symptomatology and severity, to better reflect real-life patient experiences. We performed association studies and machine learning on 1194 ME/CFS individuals with blood plasma nuclear magnetic resonance (NMR) metabolomics profiles, and seven exclusive comorbid cohorts: hypertension (n = 13,559), depression (n = 2522), asthma (n = 6406), irritable bowel syndrome (n = 859), hay fever (n = 3025), hypothyroidism (n = 1226), migraine (n = 1551) and a non-diseased control group (n = 53,009). We present a lipoprotein perspective on ME/CFS pathophysiology, highlighting gender-specific differences and identifying overlapping associations with comorbid conditions, specifically surface lipids, and ketone bodies from 168 significant individual biomarker associations. Additionally, we searched for, trained, and optimised a machine learning algorithm, resulting in a predictive model using 19 baseline characteristics and nine NMR biomarkers which could identify ME/CFS with an AUC of 0.83 and recall of 0.70. A multi-variable score was subsequently derived from the same 28 features, which exhibited ~2.5 times greater association than the top individual biomarker. This study provides an end-to-end analytical workflow that explores the potential clinical utility that association scores may have for ME/CFS and other difficult to diagnose conditions. Myalgic Encephalomyelitis/Chronic Fatigue Syndrome (ME/CFS) is an illness with severe fatigue without a known cause. Further symptoms of ME/CFS often overlap with other medical problems making diagnosis difficult. We wanted to find a way to easily identify people with this condition, so we used data from the UK Biobank to compare people with and without ME/CFS who had other medical problems. We developed a mathematical calculation, using 19 basic health factors and nine blood markers, which could classify ME/CFS and non-ME/CFS individuals correctly 83% of the time, and recognise this condition in individuals 70% of the time. This research could lead to a better way to diagnose ME/CFS and serve as an example for diseases lacking definite laboratory testing. Huang et al. train and optimize a machine learning model using patient characteristics and NMR biomarkers to predict Myalgic Encephalomyelitis/Chronic Fatigue Syndrome cases in the UK Biobank. This works explores the heterogenous symptoms and comorbidities of this condition.