The long noncoding MALAT1 RNA is upregulated in cancer tissues and its elevated expression is associated with hyper-proliferation, but the underlying mechanism is poorly understood. We demonstrate that MALAT1 levels are regulated during normal cell cycle progression. Genome-wide transcriptome analyses in normal human diploid fibroblasts reveal that MALAT1 modulates the expression of cell cycle genes and is required for G1/S and mitotic progression. Depletion of MALAT1 leads to activation of p53 and its target genes. The cell cycle defects observed in MALAT1-depleted cells are sensitive to p53 levels, indicating that p53 is a major downstream mediator of MALAT1 activity. Furthermore, MALAT1-depleted cells display reduced expression of B-MYB (Mybl2), an oncogenic transcription factor involved in G2/M progression, due to altered binding of splicing factors on B-MYB pre-mRNA and aberrant alternative splicing. In human cells, MALAT1 promotes cellular proliferation by modulating the expression and/or pre-mRNA processing of cell cycle–regulated transcription factors. These findings provide mechanistic insights on the role of MALAT1 in regulating cellular proliferation.

It is well known that DNA sequence contains a certain amount of transcription factors (TF) binding sites, and only part of them are identified through biological experiments. However, these experiments are expensive and time-consuming. To overcome these problems, some computational methods, based on k-mer features or convolutional neural networks, have been proposed to identify TF binding sites from DNA sequences. Although these methods have good performance, the context information that relates to TF binding sites is still lacking. Research indicates that standard recurrent neural networks (RNN) and its variants have better performance in time-series data compared with other models. In this study, we propose a model, named KEGRU, to identify TF binding sites by combining Bidirectional Gated Recurrent Unit (GRU) network with k-mer embedding. Firstly, DNA sequences are divided into k-mer sequences with a specified length and stride window. And then, we treat each k-mer as a word and pre-trained word representation model though word2vec algorithm. Thirdly, we construct a deep bidirectional GRU model for feature learning and classification. Experimental results have shown that our method has better performance compared with some state-of-the-art methods. Additional experiments about embedding strategy show that k-mer embedding will be helpful to enhance model performance. The robustness of KEGRU is proved by experiments with different k-mer length, stride window and embedding vector dimension.

Abstract AlphaMissense identifies 23 million human missense variants as likely pathogenic, but only 0.1% have been clinically classified. To experimentally validate these predictions, chemical mutagenesis presents a rapid, cost-effective method to produce billions of mutations in model organisms. However, the prohibitive costs and limitations in the throughput of whole-genome sequencing (WGS) technologies, crucial for variant identification, constrain its widespread application. Here, we introduce a Tn5 transposase-assisted tagmentation technique for conducting WGS in C. elegans , E. coli , S. cervisiae , and C. reinhardtii . This method, demands merely 20 minutes of hands-on time for a single worm or single-cell clones and incurs a cost below 10 US dollars. It effectively pinpoints causal mutations in mutants defective in cilia or neurotransmitter secretion and in mutants synthetically sterile with a variant analogous to the oncogenic BRAF(V600E) mutation. Integrated with chemical mutagenesis, our approach can generate and identify missense variants economically and efficiently, facilitating experimental investigations of missense variants in diverse species.