The International Stem Cell Initiative compares 125 ethnically diverse human embryonic stem cell lines at early and late passage. Data on karotype, single-nucleotide polymorphisms and methylation shed light on how the cells adapt to long-term culture. The International Stem Cell Initiative analyzed 125 human embryonic stem (ES) cell lines and 11 induced pluripotent stem (iPS) cell lines, from 38 laboratories worldwide, for genetic changes occurring during culture. Most lines were analyzed at an early and late passage. Single-nucleotide polymorphism (SNP) analysis revealed that they included representatives of most major ethnic groups. Most lines remained karyotypically normal, but there was a progressive tendency to acquire changes on prolonged culture, commonly affecting chromosomes 1, 12, 17 and 20. DNA methylation patterns changed haphazardly with no link to time in culture. Structural variants, determined from the SNP arrays, also appeared sporadically. No common variants related to culture were observed on chromosomes 1, 12 and 17, but a minimal amplicon in chromosome 20q11.21, including three genes expressed in human ES cells, ID1, BCL2L1 and HM13, occurred in >20% of the lines. Of these genes, BCL2L1 is a strong candidate for driving culture adaptation of ES cells.

We aim at constructing a high performance model for defect detection that detects unknown anomalous patterns of an image without anomalous data. To this end, we propose a two-stage framework for building anomaly detectors using normal training data only. We first learn self-supervised deep representations and then build a generative one-class classifier on learned representations. We learn representations by classifying normal data from the CutPaste, a simple data augmentation strategy that cuts an image patch and pastes at a random location of a large image. Our empirical study on MVTec anomaly detection dataset demonstrates the proposed algorithm is general to be able to detect various types of real-world defects. We bring the improvement upon previous arts by 3.1 AUCs when learning representations from scratch. By transfer learning on pretrained representations on ImageNet, we achieve a new state-of-the-art 96.6 AUC. Lastly, we extend the framework to learn and extract representations from patches to allow localizing defective areas without annotations during training.

While deep learning methods have achieved state-of-theart performance in many challenging inverse problems like image inpainting and super-resolution, they invariably involve problem-specific training of the networks. Under this approach, each inverse problem requires its own dedicated network. In scenarios where we need to solve a wide variety of problems, e.g., on a mobile camera, it is inefficient and expensive to use these problem-specific networks. On the other hand, traditional methods using analytic signal priors can be used to solve any linear inverse problem; this often comes with a performance that is worse than learning-based methods. In this work, we provide a middle ground between the two kinds of methods - we propose a general framework to train a single deep neural network that solves arbitrary linear inverse problems. We achieve this by training a network that acts as a quasi-projection operator for the set of natural images and show that any linear inverse problem involving natural images can be solved using iterative methods. We empirically show that the proposed framework demonstrates superior performance over traditional methods using wavelet sparsity prior while achieving performance comparable to specially-trained networks on tasks including compressive sensing and pixel-wise inpainting.

Nuclear factor Foxp3 determines regulatory T (Treg) cell fate and function via mechanisms that remain unclear. Here, we investigate the nature of Foxp3-mediated gene regulation in suppressing autoimmunity and antitumor immune response. Contrasting with previous models, we find that Foxp3-chromatin binding is regulated by Treg activation states, tumor microenvironment, and antigen and cytokine stimulations. Proteomics studies uncover dynamic proteins within Foxp3 proximity upon TCR or IL-2 receptor signaling in vitro, reflecting intricate interactions among Foxp3, signal transducers, and chromatin. Pharmacological inhibition and genetic knockdown experiments indicate that NFAT and AP-1 protein Batf are required for enhanced Foxp3-chromatin binding in activated Treg cells and tumor-infiltrating Treg cells to modulate target gene expression. Furthermore, mutations at the Foxp3 DNA-binding domain destabilize the Foxp3-chromatin association. These representative settings delineate context-dependent Foxp3-chromatin interaction, suggesting that Foxp3 associates with chromatin by hijacking DNA-binding proteins resulting from Treg activation or differentiation, which is stabilized by direct Foxp3-DNA binding, to dynamically regulate Treg cell function according to immunological contexts.

Abstract Although genome-wide DNA methylomes have demonstrated their clinical value as reliable biomarkers for tumor detection, subtyping, and classification, their direct biological impacts at the individual gene level remain elusive. Here we present MethylationToActivity (M2A), a machine learning framework that uses convolutional neural networks to infer promoter activities (H3K4me3 and H3K27ac enrichment) from DNA methylation patterns for individual genes. Using publicly available datasets in real-world test scenarios, we demonstrate that M2A is highly accurate and robust in revealing promoter activity landscapes in various pediatric and adult cancers, including both solid and hematologic malignant neoplasms.

MiDAC is a recently identified histone deacetylase (HDAC) complex. While other HDAC complexes have been implicated in neurogenesis, the physiological role of MiDAC remains unknown. Here, we show that MiDAC constitutes an important regulator of neural differentiation. We demonstrate that MiDAC functions as a modulator of a neurodevelopmental gene expression program and binds to important regulators of neurite outgrowth. MiDAC upregulates gene expression by mediating the removal of H4K20ac on the promoters and enhancers of pro-neural genes such as those encoding the secreted ligands SLIT3 and NETRIN1 (NTN1). Conversely, MiDAC inhibits gene expression by reducing H3K27ac on promoter-proximal and -distal elements of negative regulators of neurogenesis. Furthermore, loss of MiDAC results in neurite outgrowth defects that can be rescued by supplementation with SLIT3 and/or NTN1 indicating a crucial role for MiDAC in regulating the ligands of the SLIT3 and NTN1 signaling axes to ensure the proper integrity of neurite development.

Aberrant HOXA9 expression is a hallmark of most aggressive acute leukemias, including human acute myeloid leukemia (AML) and subtypes of acute lymphoblastic leukemia (ALL). HOXA9 overexpression not only predicts poor diagnosis and outcome but also plays a critical role in leukemia transformation and maintenance. However, our current understanding of HOXA9 regulation in leukemia is limited, hindering development of therapeutic strategies to treat HOXA9-driven leukemia. To mitigate these challenges, we generated the first HOXA9-mCherry knock-in reporter in an MLL-rearranged (MLLr) B-ALL cell line to dissect HOXA9 regulation. By utilizing the reporter and CRISPR/Cas9 mediated screens, we identified transcription factors controlling HOXA9 expression, including a novel regulator, USF2 and its homolog USF1. USF1/USF2 depletion significantly down-regulated HOXA9 expression and impaired MLLr leukemia cell proliferation. Ectopic expression of HOXA9-MEIS1 fusion protein rescued the impaired leukemia cell proliferation upon USF2 loss. Cut&Run analysis revealed the direct occupancy of USF2 onto HOXA9 promoter in MLLr leukemia cells. Collectively, the HOXA9 reporter facilitated the functional interrogation of the HOXA9 regulome and has advanced our understanding of the molecular regulation network in HOXA9-driven leukemia.### Competing Interest StatementThe authors have declared no competing interest.