The human genome is generally organized into stable chromosomes, and only tumor cells are known to accumulate kilobase (kb)-sized extrachromosomal circular DNA elements (eccDNAs). However, it must be expected that kb eccDNAs exist in normal cells as a result of mutations. Here, we purify and sequence eccDNAs from muscle and blood samples from 16 healthy men, detecting ~100,000 unique eccDNA types from 16 million nuclei. Half of these structures carry genes or gene fragments and the majority are smaller than 25 kb. Transcription from eccDNAs suggests that eccDNAs reside in nuclei and recurrence of certain eccDNAs in several individuals implies DNA circularization hotspots. Gene-rich chromosomes contribute to more eccDNAs per megabase and the most transcribed protein-coding gene in muscle, TTN (titin), provides the most eccDNAs per gene. Thus, somatic genomes are rich in chromosome-derived eccDNAs that may influence phenotypes through altered gene copy numbers and transcription of full-length or truncated genes.

Abstract Circular DNA has recently been identified across different species including human normal and cancerous tissue, but short-read mappers are unable to align many of the reads crossing circle junctions and hence limits their detection from short-read sequencing data. Here, we propose a new method, Circle-Map, that guides the realignment of partially aligned reads using information from discordantly mapped reads. We demonstrate how this approach dramatically increases sensitivity for detection of circular DNA on both simulated and real data while retaining high precision.

Circular DNA of chromosomal origin form from all parts of eukaryotic genomes. In yeast, circular rDNA accumulates as cells divide, contributing to replicative aging. However, little is known about how other chromosome-derived circles segregate and contribute to genetic variation as cells age. We identified circular DNA across the genome of young S. cerevisiae populations and their aged descendants. Young cells had highly diverse circular DNA populations, but lost 94% of the different circular DNA after 20 divisions. Circles present in both young and old cells were characterized by replication origins and included circles from unique regions of the genome, rDNA circles and telomeric Y' circles. The loss in genetic heterogeneity in aged cells was accompanied by massive accumulation of rDNA circles >95% of all circular DNA. We discovered circles had flexible inherence patterns. Glucose limited conditions selected for cells with glucose-transporter gene circles, [HXT6/7circle], and up to 50% of cells in a population carried them. [HXT6/7circle] cells were eventually substituted by cells carrying stable chromosomal HXT6 HXT6/7 HXT7 amplifications, suggesting circular DNA were intermediates in chromosomal amplifications. In conclusion, DNA circles can offer a flexible adaptive solution but cells lose genetic heterogeneity from circular DNA as they undergo replicative aging.

Abstract Differential gene expression analysis of bulk RNA sequencing data plays a major role in the diagnosis, prognosis, and understanding of disease. Such analyses are often challenging due to a lack of good controls and the heterogeneous nature of the samples. Here, we present a deep generative model that can replace control samples. The model is trained on RNA-seq data from healthy tissues and learns a low-dimensional representation that clusters tissues very well without supervision. When applied to cancer samples, the model accurately identifies representations close to the tissue of origin. We interpret these inferred representations as the closest normal to the disease samples and use the resulting count distributions to perform differential expression analysis of single cancer samples without control samples. In a detailed analysis of breast cancer, we demonstrate how our approach finds subtype-specific cancer driver and marker genes with high specificity and greatly outperforms the state-of-the-art method in detecting differentially expressed genes, DESeq2. We further show that the significant genes found using the model are highly enriched within cancer-specific driver genes across different cancer types. Our results show that the in silico closest normal provides a more favorable comparison than control samples.