Topologically associating domains (TADs), CTCF loop domains, and A/B compartments have been identified as important structural and functional components of 3D chromatin organization, yet the relationship between these features is not well understood. Using high-resolution Hi-C and HiChIP, we show that Drosophila chromatin is organized into domains we term compartmental domains that correspond precisely with A/B compartments at high resolution. We find that transcriptional state is a major predictor of Hi-C contact maps in several eukaryotes tested, including C. elegans and A. thaliana. Architectural proteins insulate compartmental domains by reducing interaction frequencies between neighboring regions in Drosophila, but CTCF loops do not play a distinct role in this organism. In mammals, compartmental domains exist alongside CTCF loop domains to form topological domains. The results suggest that compartmental domains are responsible for domain structure in all eukaryotes, with CTCF playing an important role in domain formation in mammals.

ABSTRACT Single-cell RNAseq has allowed unprecedented insight into gene expression across different cell populations in normal tissue and disease states. However, almost all studies rely on annotated gene sets to capture gene expression levels and sequencing reads that do not align to known genes are discarded. Here, we discover thousands of long noncoding RNAs (lncRNAs) expressed in human mammary epithelial cells and analyze their expression in individual cells of the normal breast. We show that lncRNA expression alone can discriminate between luminal and basal cell types and define subpopulations of both compartments. Clustering cells based on lncRNA expression identified additional basal subpopulations, compared to clustering based on annotated gene expression, suggesting that lncRNAs can provide an additional layer of information to better distinguish breast cell subpopulations. In contrast, these breast-specific lncRNAs poorly distinguish brain cell populations, highlighting the need to annotate tissue-specific lncRNAs prior to expression analyses. We also identified a panel of 100 breast lncRNAs that could discern breast cancer subtypes better than protein-coding markers. Overall, our results suggest that lncRNAs are an unexplored resource for new biomarker and therapeutic target discovery in the normal breast and breast cancer subtypes.

Hormone-dependent cancers (HDCs) share several risk factors, suggesting a common aetiology. Using data from genome-wide association studies, we showed spatial clustering of risk variants across four HDCs (breast, endometrial, ovarian and prostate cancers), contrasting with genetically uncorrelated traits. We identified 44 multi-HDC risk regions across the genome, defined as overlapping risk regions for at least two HDCs: two regions contained risk variants for all four HDCs, 13 for three HDCs and 28 for two HDCs. Integrating GWAS data, epigenomic profiling and promoter capture HiC maps from diverse cell line models, we annotated 53 candidate risk genes at 22 multi-HDC risk regions. These targets were enriched for established genes from the COSMIC Cancer Gene Census, but many had no previously reported pleiotropic roles. Additionally, we pinpointed lncRNAs as potential HDC targets and identified risk alleles in several regions that altered transcription factors motifs, suggesting regulatory mechanisms. Known drug targets were over-represented among the candidate multi-HDC risk genes, implying that some may serve as targets for therapeutic development or facilitate the repurposing of existing treatments for HDC. Our approach provides a framework for identifying common target genes driving complex traits and enhances understanding of HDC susceptibility.