Abstract Unlike large animals, insects and other very small animals are so unsusceptible to impact-related injuries that they can use falling for dispersal and predator evasion. Reorienting to land upright can mitigate lost access to resources and predation risk. Such behaviors are critical for the spotted lanternfly (SLF) ( Lycorma delicatula ), an invasive, destructive insect pest spreading rapidly in the US. High-speed video of SLF nymphs released under different conditions showed that these insects self-right using both active midair righting motions previously reported for other insects, and novel post-impact mechanisms that take advantage of their ability to experience near-total energy loss on impact. Unlike during terrestrial self-righting, in which an animal initially at rest on its back uses appendage motions to flip over, SLF nymphs impacted the surface at varying angles and then self-righted during the rebound using coordinated body rotations, foot-substrate adhesion, and active leg motions. These previously-unreported strategies were found to promote disproportionately upright, secure landings on both hard, flat surfaces and tilted, compliant host plant leaves. Our results highlight the importance of examining biomechanical phenomena in ecologically-relevant contexts, and show that, for small animals, the post-impact bounce period can be critical for achieving an upright landing.

Non-negative Matrix Factorization (NMF) algorithms associate gene expression with biological processes (e.g., time-course dynamics or disease subtypes). Compared with univariate associations, the relative weights of NMF solutions can obscure biomarkers. Therefore, we developed a novel PatternMarkers statistic to extract genes for biological validation and enhanced visualization of NMF results. Finding novel and unbiased gene markers with PatternMarkers requires whole-genome data. However, NMF algorithms typically do not converge for the tens of thousands of genes in genome-wide profiling. Therefore, we also developed Genome-Wide CoGAPS Analysis in Parallel Sets (GWCoGAPS), the first robust whole genome Bayesian NMF using the sparse, MCMC algorithm, CoGAPS. This software contains analytic and visualization tools including a Shiny web application, patternMatcher, which are generalized for any NMF. Using these tools, we find granular brain-region and cell-type specific signatures with corresponding biomarkers in GTex data, illustrating GWCoGAPS and patternMarkers ascertainment of data-driven biomarkers from whole-genome data. Availability: PatternMarkers & GWCoGAPS are in the CoGAPS Bioconductor package (3.5) under the GPL license.

Omics data contains signal from the molecular, physical, and kinetic inter- and intra-cellular interactions that control biological systems. Matrix factorization techniques can reveal low-dimensional structure from high-dimensional data that reflect these interactions. These techniques can uncover new biological knowledge from diverse high-throughput omics data in topics ranging from pathway discovery to time course analysis. We review exemplary applications of matrix factorization for systems-level analyses. We discuss appropriate application of these methods, their limitations, and focus on analysis of results to facilitate optimal biological interpretation. The inference of biologically relevant features with matrix factorization enables discovery from high-throughput data beyond the limits of current biological knowledge-answering questions from high-dimensional data that we have not yet thought to ask.

Motivation: Current bioinformatics methods to detect changes in gene isoform usage in distinct phenotypes compare the relative expected isoform usage in phenotypes. These statistics model differences in isoform usage in normal tissues, which have stable regulation of gene splicing. Pathological conditions, such as cancer, can have broken regulation of splicing that increases the heterogeneity of the expression of splice variants. Inferring events with such differential heterogeneity in gene isoform usage requires new statistical approaches. Results: We introduce Splice Expression Variability Analysis (SEVA) to model increased heterogeneity of splice variant usage between conditions (e.g., tumor and normal samples). SEVA uses a rank-based multivariate statistic that compares the variability of junction expression profiles within one condition to the variability within another. Simulated data show that SEVA is unique in modeling heterogeneity of gene isoform usage, and benchmark SEVA's performance against EBSeq, DiffSplice, and rMATS that model differential isoform usage instead of heterogeneity. We confirm the accuracy of SEVA in identifying known splice variants in head and neck cancer and perform cross-study validation of novel splice variants. A novel comparison of splice variant heterogeneity between subtypes of head and neck cancer demonstrated unanticipated similarity between the heterogeneity of gene isoform usage in HPV-positive and HPV-negative subtypes and anticipated increased heterogeneity among HPV-negative samples with mutations in genes that regulate the splice variant machinery. Conclusion: These results show that SEVA accurately models differential heterogeneity of gene isoform usage from RNA-seq data. Availability: SEVA is implemented in the R/Bioconductor package GSReg.