SUMMARY This study establishes the homeodomain only protein, HOPX, as a determinant controlling the molecular switch between cardiomyocyte progenitor and maturation gene programs. Time-course single-cell gene expression with genome-wide footprinting reveal that HOPX interacts with and controls core cardiac networks by regulating the activity of mutually exclusive developmental gene programs. Upstream hypertrophy and proliferation pathways compete to regulate HOPX transcription. Mitogenic signals override hypertrophic growth signals to suppress HOPX and maintain cardiomyocyte progenitor gene programs. Physiological studies show HOPX directly governs genetic control of cardiomyocyte cell stress responses, electro-mechanical coupling, proliferation, and contractility. We use human genome-wide association studies (GWAS) to show that genetic variation in the HOPX-regulome is significantly associated with complex traits affecting cardiac structure and function. Collectively, this study provides a mechanistic link situating HOPX between competing upstream pathways where HOPX acts as a molecular switch controlling gene regulatory programs underpinning metabolic, signaling, and functional maturation of cardiomyocytes.

Abstract Methods for cell clustering and gene expression from single-cell RNA sequencing (scRNA-seq) data are essential for biological interpretation of cell processes. Here we present TRIAGE-Cluster which uses genome-wide epigenetic data from diverse bio-samples to identify genes demarcating cell diversity in scRNA-seq data. TRIAGE-Cluster integrates patterns of repressive chromatin deposited across diverse cell types with weighted density estimation to determine cell type clusters in a 2D UMAP space. We then present TRIAGE-ParseR, a machine learning method that evaluates gene expression rank lists to define gene groups governing the identity and function of cell types. We demonstrate the utility of this two-step approach using atlases of in vivo and in vitro cell diversification and organogenesis. We also provide a web accessible dashboard for analysis and download of data and software. Collectively, genome-wide epigenetic repression provides a versatile strategy to define cell diversity and study gene regulation of scRNA-seq data.

ABSTRACT Genome wide association studies provide statistical measures of gene-trait associations that reveal how genetic variation influences phenotypes. This study develops an unsupervised dimensionality reduction method called UnTANGLeD (Unsupervised Trait Analysis of Networks from Gene Level Data) which organises 16,849 genes into discrete gene programs by measuring the statistical association between genetic variants and 1,393 diverse complex traits. UnTANGLeD reveals 173 gene clusters enriched for protein-protein interactions and highly distinct biological processes governing development, signalling, disease, and homeostasis. We identify diverse gene networks with robust interactions but not associated with known biological processes. Analysis of independent disease traits shows that UnTANGLeD gene clusters are conserved across all complex traits, providing a simple and powerful framework to predict novel gene candidates and programs influencing orthogonal disease phenotypes. Collectively, this study demonstrates that gene programs co-ordinately orchestrating cell functions can be identified without reliance on prior knowledge, providing a method for use in functional annotation, hypothesis generation, machine learning and prediction algorithms, and the interpretation of diverse genomic data.

High-throughput analysis methods have emerged as central technologies to accelerate discovery through scalable generation of large-scale data. Analysis of these datasets remains challenging due to limitations in computational approaches for dimensionality reduction. Here, we present UnTANGLeD, a versatile computational pipeline that prioritises biologically robust and meaningful information to guide actionable strategies from input screening data which we demonstrate using results from image-based drug screening. By providing a robust framework for analysing high dimensional biological data, UnTANGLeD offers a powerful tool for analysis of theoretically any data type from any screening platform.