Type 2 diabetes mellitus (T2D) is a growing health problem, but little is known about its early disease stages, its effects on biological processes or the transition to clinical T2D. To understand the earliest stages of T2D better, we obtained samples from 106 healthy individuals and individuals with prediabetes over approximately four years and performed deep profiling of transcriptomes, metabolomes, cytokines, and proteomes, as well as changes in the microbiome. This rich longitudinal data set revealed many insights: first, healthy profiles are distinct among individuals while displaying diverse patterns of intra- and/or inter-personal variability. Second, extensive host and microbial changes occur during respiratory viral infections and immunization, and immunization triggers potentially protective responses that are distinct from responses to respiratory viral infections. Moreover, during respiratory viral infections, insulin-resistant participants respond differently than insulin-sensitive participants. Third, global co-association analyses among the thousands of profiled molecules reveal specific host-microbe interactions that differ between insulin-resistant and insulin-sensitive individuals. Last, we identified early personal molecular signatures in one individual that preceded the onset of T2D, including the inflammation markers interleukin-1 receptor agonist (IL-1RA) and high-sensitivity C-reactive protein (CRP) paired with xenobiotic-induced immune signalling. Our study reveals insights into pathways and responses that differ between glucose-dysregulated and healthy individuals during health and disease and provides an open-access data resource to enable further research into healthy, prediabetic and T2D states.

Abstract The construction of synthetic cells from lifeless ensembles of molecules is expected to require integration of hundreds of genetically-encoded functions whose collective capacities enable self-reproduction in simple environments. To date the regenerative capacities of various life-essential functions tend to be evaluated on an ad hoc basis, with only a handful of functions tested at once and only successful results typically reported. Here, we develop a framework for systematically evaluating the capacity of a system to remake itself. Using the cell-free Protein synthesis Using Recombinant Elements (PURE) as a model system we apply our framework to evaluate the capacity of PURE, whose composition is completely known, to remake 36 life-essential functions. We find that only 23 of the components can be well tested and that only 19 of the 23 can be remade by the system itself; translation release factors remade by PURE are not fully functional. From both a qualitative and quantitative perspective PURE alone cannot remake PURE. We represent our findings via a standard visual form we call the Pureiodic Table that serves as a tool for tracking which life-essential functions can work together in remaking one another and what functions remain to be remade. We curate and represent all available data to create an expanded Pureiodic Table in support of collective coordination among ongoing but independent synthetic cell building efforts. The history of science and technology teaches us that how we organize ourselves will impact how we organize our cells, and vice versa.

SUMMARY Maternal drug exposure during pregnancy increases the risks of developmental cardiotoxicity, leading to congenital heart defects (CHDs). In this study, we used human stem cells as an in-vitro system to interrogate the mechanisms underlying drug-induced toxicity during cardiomyocyte differentiation, including anticancer tyrosine kinase inhibitor (TKI) drugs (imatinib, sunitinib, and vandetanib). H1-ESCs were treated with these drugs at sublethal levels during cardiomyocyte differentiation. We found that early exposure to TKIs during differentiation induced obvious toxic effects in differentiated cardiomyocytes, including disarranged sarcomere structure, interrupted Ca 2+ -handling, and impaired mitochondrial function. As sunitinib exposure showed the most significant developmental cardiotoxicity of all TKIs, we further examine its effect with in-vivo experiments. Maternal sunitinib exposure caused fetal death, bioaccumulation, and histopathologic changes in the neonatal mice. Integrative analysis of both transcriptomic and chromatin accessibility landscapes revealed that TKI-exposure altered GATA4-mediated regulatory network, which included key mitochondrial genes. Overexpression of GATA4 with CRISPR-activation restored morphologies, contraction, and mitochondria function in cardiomyocytes upon TKI exposure early during differentiation. Altogether, our study identified a novel crosstalk mechanism between GATA4 activity and mitochondrial function during cardiomyocyte differentiation, and revealed potential therapeutic approaches for reducing TKI-induced developmental cardiotoxicity for human health. Highlights Early-stage exposure to TKIs induced cardiotoxicity and mitochondrial dysfunction GATA4 transcriptional activity is inhibited by TKIs Network analysis reveals interactions between GATA4 and mitochondrial genes GATA4-overexpression rescues cardiomyocytes and mitochondria from TKI exposure

Abstract BACKGROUND There is growing evidence that pathogenic mutations do not fully explain hypertrophic (HCM) or dilated (DCM) cardiomyopathy phenotypes. We hypothesized that if a patient’s genetic background was influencing cardiomyopathy this should be detectable as signatures in gene expression. We built a cardiomyopathy biobank resource for interrogating personalized genotype phenotype relationships in human cell lines. METHODS We recruited 308 diseased and control patients for our cardiomyopathy stem cell biobank. We successfully reprogrammed PBMCs (peripheral blood mononuclear cells) into induced pluripotent stem cells (iPSCs) for 300 donors. These iPSCs underwent whole genome sequencing and were differentiated into cardiomyocytes for RNA-seq. In addition to annotating pathogenic variants, mutation burden in a panel of cardiomyopathy genes was assessed for correlation with echocardiogram measurements. Line-specific co-expression networks were inferred to evaluate transcriptomic subtypes. Drug treatment targeted the sarcomere, either by activation with omecamtiv mecarbil or inhibition with mavacamten, to alter contractility. RESULTS We generated an iPSC biobank from 300 donors, which included 101 individuals with HCM and 88 with DCM. Whole genome sequencing of 299 iPSC lines identified 78 unique pathogenic or likely pathogenic mutations in the diseased lines. Notably, only DCM lines lacking a known pathogenic or likely pathogenic mutation replicated a finding in the literature for greater nonsynonymous SNV mutation burden in 102 cardiomyopathy genes to correlate with lower left ventricular ejection fraction in DCM. We analyzed RNA-sequencing data from iPSC-derived cardiomyocytes for 102 donors. Inferred personalized co-expression networks revealed two transcriptional subtypes of HCM. The first subtype exhibited concerted activation of the co-expression network, with the degree of activation reflective of the disease severity of the donor. In contrast, the second HCM subtype and the entire DCM cohort exhibited partial activation of the respective disease network, with the strength of specific gene by gene relationships dependent on the iPSC-derived cardiomyocyte line . ADCY5 was the largest hubnode in both the HCM and DCM networks and partially corrected in response to drug treatment. CONCLUSIONS We have a established a stem cell biobank for studying cardiomyopathy. Our analysis supports the hypothesis the genetic background influences pathologic gene expression programs and support a role for ADCY5 in cardiomyopathy.

ABSTRACT Background Genomes encode for organisms and thus genome synthesis implies the possibility of organismal synthesis, including the synthesis of organisms without constraint to lineage. Current genome-scale engineering projects are focused on minimization, refactoring, or recoding within the context of existing natural lineages. Minicells arise naturally as anucleate cells that are devoid of heritable genetic material but are capable of gene expression. Thus, minicells may serve as a useful starting point for developing lineage-agnostic organisms encoded by newly-designed synthetic genomes. However, the composition and expression capacity of minicells is fixed at the time of their formation. The possibility of reestablishing cellular growth and division starting from minicells and entirely heterologous synthetic genomes is unknown. Results We observed expression and segregation of functional proteins among mixed populations of reproducing cells and so-derived anucleate minicells via fluorescence microscopy. By adapting and integrating established methods of preparation and purification we were able to isolate minicells from a growing population of progenitor cells with a purity of at least 500 minicells per progenitor. We then used heterologous expression of plasmid-encoded green fluorescent protein to estimate the absolute expression capacity of minicells. We found that minicells can support the formation of 4.9 ± 4.6 × 10 8 peptide bonds prior to exhausting their initial intrinsic expression capacity. Conclusions Minicells can be produced in large numbers with high purity and can also harbor and express engineered plasmids. The observed variation in minicell gene expression capacity suggests that about 13% of gene-expressing minicells can support the formation of more than one-billion peptide bonds, an amount sufficient to replicate known prokaryotic proteomes. Stated differently, while most minicells would require a sophisticated genetic ‘boot’ program to first increase minicell-specific expression capacity sufficient to instantiate newly reproducing lineages, a subset of minicells may be able to directly support whole genome, lineage-agnostic organism engineering.

Illumina-based next generation sequencing (NGS) has accelerated biomedical discovery through its ability to generate thousands of gigabases of sequencing output per run at a fraction of the time and cost of conventional technologies. The process typically involves four basic steps: library preparation, cluster generation, sequencing, and data analysis. In 2015, a new chemistry of cluster generation was introduced in the newer Illumina machines (HiSeq 3000/4000/X Ten) called exclusion amplification (ExAmp), which was a fundamental shift from the earlier method of random cluster generation by bridge amplification on a non-patterned flow cell. The ExAmp chemistry, in conjunction with patterned flow cells containing nanowells at fixed locations, increases cluster density on the flow cell, thereby reducing the cost per run. It also increases sequence read quality, especially for longer read lengths (up to 150 base pairs). This advance has been widely adopted for genome sequencing because greater sequencing depth can be achieved for lower cost without compromising the quality of longer reads. We show that this promising chemistry is problematic, however, when multiplexing samples. We discovered that up to 5-10% of sequencing reads (or signals) are incorrectly assigned from a given sample to other samples in a multiplexed pool. We provide evidence that this “spreading-of-signals” arises from low levels of free index primers present in the pool. These index primers can prime pooled library fragments at random via complementary 3′ ends, and get extended by DNA polymerase, creating a new library molecule with a new index before binding to the patterned flow cell to generate a cluster for sequencing. This causes the resulting read from that cluster to be assigned to a different sample, causing the spread of signals within multiplexed samples. We show that low levels of free index primers persist after the most common library purification procedure recommended by Illumina, and that the amount of signal spreading among samples is proportional to the level of free index primer present in the library pool. This artifact causes homogenization and misclassification of cells in single cell RNA-seq experiments. Therefore, all data generated in this way must now be carefully re-examined to ensure that “spreading-of-signals” has not compromised data analysis and conclusions. Re-sequencing samples using an older technology that uses conventional bridge amplification for cluster generation, or improved library cleanup strategies to remove free index primers, can minimize or eliminate this signal spreading artifact.

Exercise testing is routinely used in clinical practice to assess fitness - a strong predictor of survival - as well as causes of exercise limitations. While these studies often focus on cardiopulmonary response and selected molecular pathways, the dynamic system-wide molecular response to exercise has not been fully characterized. We performed a longitudinal multi-omic profiling of plasma and peripheral blood mononuclear cells including transcriptome, immunome, proteome, metabolome and lipidome in 36 well-characterized volunteers before and after a controlled bout of acute exercise (2, 15, 30 min and 1 hour in recovery). Integrative analysis revealed an orchestrated choreography of biological processes across key tissues. Most of these processes were dampened in insulin resistant participants. Finally, we discovered biological pathways involved in exercise capacity and developed prediction models revealing potential resting blood-based biomarkers of fitness.

One in ten people are affected by rare diseases, and three out of ten children with rare diseases will not live past age five. However, the small market size of individual rare diseases, combined with the time and capital requirements of pharmaceutical R&D, have hindered the development of new drugs for these cases. A promising alternative is drug repurposing, whereby existing FDA-approved drugs might be used to treat diseases different from their original indications. In order to generate drug repurposing hypotheses in a systematic and comprehensive fashion, it is essential to integrate information from across the literature of pharmacology, genetics, and pathology. To this end, we leverage a newly developed knowledge graph, the Global Network of Biomedical Relationships (GNBR). GNBR is a large, heterogeneous knowledge graph comprising drug, disease, and gene (or protein) entities linked by a small set of semantic themes derived from the abstracts of biomedical literature. We apply a knowledge graph embedding method that explicitly models the uncertainty associated with literature-derived relationships and uses link prediction to generate drug repurposing hypotheses. This approach achieves high performance on a gold-standard test set of known drug indications (AUROC = 0.89) and is capable of generating novel repurposing hypotheses, which we independently validate using external literature sources and protein interaction networks. Finally, we demonstrate the ability of our model to produce explanations of its predictions.