SUMMARY Neurodegenerative diseases are characterized by neuronal death and regenerative failure. However, gene regulatory programs governing how initial neuronal injuries lead to neuronal death remain poorly understood. In adult mice, optic nerve crush (ONC) injury, which severs all axons of retinal ganglion cells (RGCs), results in massive death of axotomized RGCs and regenerative failure of survivors. We performed an in vivo CRISPR/Cas9-based genome-wide screen of 1893 transcription factors (TFs) to seek repressors of RGC survival and axon regeneration following ONC. In parallel, we profiled the epigenetic and transcriptional landscapes of injured RGCs by ATAC-seq and RNA-seq to identify critical injury responsive TFs and their targets. Remarkably, these independent analyses converged on a set of four ATF/CEBP transcription factors – ATF3, ATF4, C/EBPγ and CHOP (Ddit3) – as critical regulators of survival. Further studies indicate that these TFs contribute to two pro-death transcriptional programs: ATF3/CHOP preferentially regulate pathways activated by cytokines and innate immunity, whereas ATF4/C/EBPγ regulate pathways engaged by intrinsic neuronal stressors. Manipulation of these TFs also protects RGCs in an experimental model of glaucoma, a prevalent disease in which RGCs die. Together, our results reveal core transcription programs that transform an initial axonal insult into a degenerative result and suggest novel strategies for treating neurodegenerative diseases.

Spatial barcoding-based transcriptomic (ST) data require cell type deconvolution for cellular-level downstream analysis. Here we present SDePER, a hybrid machine learning and regression method, to deconvolve ST data using reference single-cell RNA sequencing (scRNA-seq) data. SDePER uses a machine learning approach to remove the systematic difference between ST and scRNA-seq data (platform effects) explicitly and efficiently to ensure the linear relationship between ST data and cell type-specific expression profile. It also considers sparsity of cell types per capture spot and across-spots spatial correlation in cell type compositions. Based on the estimated cell type proportions, SDePER imputes cell type compositions and gene expression at unmeasured locations in a tissue map with enhanced resolution. Applications to coarse-grained simulated data and four real datasets showed that SDePER achieved more accurate and robust results than existing methods, suggesting the importance of considering platform effects, sparsity and spatial correlation in cell type deconvolution.

Abstract Objective To investigate the value of Dixon magnetic resonance imaging (MRI)-based quantitative parameters of extraocular muscles (EOMs), intraorbital fat (IF), and lacrimal glands (LGs) in staging patients with thyroid-associated ophthalmopathy (TAO). Methods Two hundred patients with TAO (211 active and 189 inactive eyes) who underwent Dixon MRI for pretreatment evaluation were retrospectively enrolled and divided into training (169 active and 151 inactive eyes) and validation (42 active and 38 inactive eyes) cohorts. The maximum, mean, and minimum values of the signal intensity ratio (SIR), fat fraction (FF), and water fraction (WF) of EOMs, IF, and LGs were measured and compared between the active and inactive groups in the training cohort. Binary logistic regression analysis, receiver operating characteristic curve analysis, and the Delong test were used for further statistical analyses, as appropriate. Results Compared with inactive TAOs, active TAOs demonstrated significantly greater EOM-SIR max , EOM-SIR mean , EOM-SIR min , IF-SIR max , IF-SIR mean , LG-SIR max , LG-SIR mean , EOM-WF mean , EOM-WF min , IF-WF max , IF-WF mean , and LG-WF mean and lower EOM-FF max , EOM-FF mean , IF-FF mean , IF-FF min , and LG-FF mean values (all p < 0.05). The EOM-SIR mean , LG-SIR mean , and LG-FF mean values were independently associated with active TAO (all p < 0.05). The combination of the EOM-SIR mean , LG-SIR mean , and LG-FF mean values showed better performance than the EOM-SIR mean value alone in staging TAO in both the training (AUC, 0.820 vs 0.793; p = 0.016) and validation (AUC, 0.751 vs 0.733, p = 0.341) cohorts. Conclusion Dixon MRI-based parameters of EOMs, LGs, and IF are useful for differentiating active from inactive TAO. The integration of multiple parameters can further improve staging performance. Critical relevance statement In this study, the authors explored the combined value of quantitative parameters of EOMs, IF, and LGs derived from Dixon MRI in staging TAO patients, which can support the establishment of a proper therapeutic plan. Key Points The quantitative parameters of EOMs, LGs, and IF are useful for staging TAO. The EOM-SIR mean , LG-SIR mean , and LG-FF mean values were found to independently correlate with active TAO. Joint evaluation of orbital tissue improved the ability to assess TAO activity. Graphical Abstract