The genomes of individuals from the same species vary in sequence as a result of different evolutionary processes. To examine the patterns of, and the forces shaping, sequence variation in Arabidopsis thaliana , we performed high-density array resequencing of 20 diverse strains (accessions). More than 1 million nonredundant single-nucleotide polymorphisms (SNPs) were identified at moderate false discovery rates (FDRs), and ∼4% of the genome was identified as being highly dissimilar or deleted relative to the reference genome sequence. Patterns of polymorphism are highly nonrandom among gene families, with genes mediating interaction with the biotic environment having exceptional polymorphism levels. At the chromosomal scale, regional variation in polymorphism was readily apparent. A scan for recent selective sweeps revealed several candidate regions, including a notable example in which almost all variation was removed in a 500-kilobase window. Analyzing the polymorphisms we describe in larger sets of accessions will enable a detailed understanding of forces shaping population-wide sequence variation in A. thaliana .

Abstract Epigenetic modifications are dynamic control mechanisms involved in the regulation of gene expression. Unlike the DNA sequence itself, they vary not only between individuals but also between different cell types of the same individual. Exposure to environmental factors, somatic mutations, and ageing contribute to epigenomic changes over time, which may constitute early hallmarks or causal factors of disease. Epigenetic changes are reversible and, therefore, promising therapeutic targets. However, mapping efforts to determine an individual’s cell-type-specific epigenome are constrained by experimental costs. We developed eDICE, an attention-based deep learning model, to impute epigenomic tracks. eDICE achieves improved overall performance compared to previous models on the reference Roadmap epigenomes. Furthermore, we present a proof of concept for the imputation of personalised epigenomic measurements on the ENTEx dataset, where eDICE correctly predicts individual- and cell-type-specific epigenetic patterns. This case study constitutes an important step towards robustly employing machine-learning-based approaches for personalised epigenomics.

Abstract Functional genomics experiments are invaluable for understanding mechanisms of gene regulation. However, comprehensively performing all such experiments, even across a fixed set of sample and assay types, is often infeasible in practice. A promising alternative to performing experiments exhaustively is to, instead, perform a core set of experiments and subsequently use machine learning methods to impute the remaining experiments. However, questions remain as to the quality of the imputations, the best approaches for performing imputations, and even what performance measures meaningfully evaluate performance of such models. In this work, we address these questions by comprehensively analyzing imputations from 23 imputation models submitted to the ENCODE Imputation Challenge. We find that measuring the quality of imputations is significantly more challenging than reported in the literature, and is confounded by three factors: major distributional shifts that arise because of differences in data collection and processing over time, the amount of available data per cell type, and redundancy among performance measures. Our systematic analyses suggest several steps that are necessary, but also simple, for fairly evaluating the performance of such models, as well as promising directions for more robust research in this area.

Abstract Patient-derived organoid (PDO) cancer models are generated from epithelial tumor cells. Although they reflect the molecular tumor characteristics, they lack the complexity of the tumor microenvironment, which is a key driver of tumorigenesis and therapy response. Here, we present a colorectal cancer (CRC) organoid model that incorporates epithelial cells and stromal fibroblasts from the same patient. Molecular characterization of primary cancer associated fibroblasts (CAFs) and matched normal fibroblasts (NF) revealed proteomic, secretome and gene expression differences in pathways associated with tumor related fibroblast function. Further, CAFs retained higher motility compared to NFs in vitro . Importantly, both CAFs and NFs supported cancer cell proliferation in 3D co-cultures, without the addition of classical niche factors. PDOs grown together with fibroblasts displayed a larger cellular heterogeneity of tumor cells compared to mono-cultures, and closely resembled the in vivo tumor morphology. This was also confirmed by the calculation of cellular proportions of epithelial cell subtypes in organoid mono-versus co-cultures, which were inferred through bioinformatics deconvolution of bulk RNA sequencing data using published single cell RNA sequencing datasets from CRC tissues. Additionally, we observed a mutual crosstalk between tumor cells and fibroblasts in the co-cultures. This was manifested by majorly deregulated pathways such as cell-cell communication and extracellular matrix remodeling in the organoids. For the fibroblasts, we observed enhanced expression of tumor induced marker genes and cytokines characteristic for myo- and immunogenic fibroblasts. This model will be vital as a physiological personalized tumor model to study disease mechanisms and therapy response in CRC. One Sentence Summary Patient matched fibroblasts support tumor organoid growth in 3D co-culture and maintain intratumoral cellular heterogeneity and histo-morphology.

Abstract Epigenetic mechanisms coordinate packaging, accessibility and read-out of the DNA sequence within the chromatin context. They significantly contribute to the regulation of gene expression. Thus, they play fundamental roles during differentiation on the one hand and maintenance and propagation of cell identity on the other. Epigenetic malfunctioning is associated with a large range of diseases, from neurodevelopmental disorders to cancer progression. In humans, hundreds of known epigenetic factors and complexes are involved in establishing covalent modifications on the DNA sequence itself and on associated histone proteins. Within the cellular context, the resulting combinatorial epigenomic patterns are neither established nor interpreted independently of each other and therefore exhibit high correlations in a region-specific manner. Post-translational modifications of histone proteins can be analysed using Chromatin Immunoprecipitation followed by sequencing (ChIP-Seq). Often, several assays for a number of different histone modifications are performed as part of the same experimental design. These measurements are, however, confounded by shared biases including chromatin accessibility and mappability. Existing computational methods analyse each histone modification separately. We introduce DecoDen, a new approach that leverages replicates and multi-histone ChIP-Seq experiments for a fixed cell type to learn and remove shared biases. DecoDen (Deconvolve and Denoise) consists of two major steps: We use non-negative matrix factorisation (NMF) to learn a joint cell-type specific background signal. Half-sibling regression (HSR) is then used to correct for these biases in the histone modification signals. We demonstrate that DecoDen is a robust and interpretable method that enables the unbiased discovery of subtle peaks, which are particularly important in an individual-specific context.

Malignant transformation depends on genetic and epigenetic events that result in a burst of deregulated gene expression and chromatin changes. To dissect the sequence of events in this process, we used a T cell-specific lymphoma model based on the human oncogenic NPM-ALK translocation. We find that transformation of T cells shifts thymic cell populations to an undifferentiated immunophenotype, which occurs only after a period of latency, accompanied by induction of the MYC-NOTCH1 axis and deregulation of key epigenetic enzymes. We discover aberrant DNA methylation patterns, overlapping with regulatory regions, plus a high degree of epigenetic heterogeneity between individual tumors. In addition, ALK positive tumors show a loss of collaborative methylation patterns of neighboring CpG sites. Notably, deletion of the maintenance DNA methyltransferase DNMT1 completely abrogates lymphomagenesis in this model, despite oncogenic signaling through NPM-ALK, suggesting that faithful maintenance of tumor-specific methylation through DNMT1 is essential for sustained proliferation and tumorigenesis.### Competing Interest StatementThe authors have declared no competing interest.

Abstracts Enhancers are genomic elements and contain all necessary cis-regulatory contexts. Such enhancers are convened to the appropriate promoter of target genes for gene regulations even though the enhancers and the promoters are apart a few mega-base pairs away from each other. In addition to physical distance, nucleotide mutations in enhancers influence a partial group of the target genes. Those make it more complicated to reveal the paired relationship between enhancer and promoter of target genes. Recently, advanced computational approaches are employed to predict such interactions. One approach requires a large number of different high-throughput datasets to predict such interactions; however, in practical aspects, all datasets for tissues and conditions of interest are not available. Whereas the alternative approach requires only genome sequences for particular predictions, their predictions are insufficient for practical applications. We address those issues by developing the digital Hi-C assay with a transformer-algorithm basis. This assay allows us to create models from simple/small/limited sequence-based datasets only. We apply the trained models to be able to identify long-distance interactions of genomic loci and three-dimensional (3D) genomic architectures in any other tissue/cell datasets; additionally, we demonstrated the predictions of genomic contexts by analysing the prediction patterns around the target locus in the three following genomic-context problems: enhancer-promoter interactions (i.e., promoter-capture Hi-C), the CTCF-enriched regions, and TAD-boundary regions. Because our approach adopted a sequence-based approach, we can predict the long-distance interactions of genomic loci by using the genomic sequences of the user’s interest (e.g., input sequences from high-throughput assay datasets such as ATAC-seq and ChIP-seq assays). Consequently, we provide an opportunity to predict interactions of genomic loci from a minimum dataset.

Mutations in the gene encoding the methyl-CG binding protein MeCP2 cause neurological disorders including Rett syndrome. The di-nucleotide methyl-CG (mCG) is the canonical MeCP2 DNA recognition sequence, but additional targets including non-methylated sequences have been reported. Here we use brain-specific depletion of DNA methyltransferase to show that DNA methylation is the primary determinant of MeCP2 binding in mouse brain. In vitro and in vivo analyses reveal that MeCP2 binding to non-CG methylated sites in brain is largely confined to the tri-nucleotide sequence mCAC. Structural modeling suggests that mCG and mCAC may be interchangeable as minimal structural perturbation of MeCP2 accompanies binding. MeCP2 binding to chromosomal DNA in mouse brain is proportional to mCG + mCAC density and defines domains within which transcription is sensitive to MeCP2 occupancy. The results suggest that MeCP2 interprets patterns of mCAC and mCG in the brain to negatively modulate transcription of genes critical for neuronal function.