Single-cell gene expression profiles of differentiating cells encode their intrinsic latent temporal order. We describe an efficient way to robustly estimate this order according to a diffusion pseudotime , which measures transitions on all length scales between cells using diffusion-like random walks. This allows us to identify cells that undergo branching decisions or are in metastable states, and thereby genes differentially regulated at these states.

Abstract We show that deep convolutional neural networks combined with non-linear dimension reduction enable reconstructing biological processes based on raw image data. We demonstrate this by recon-structing the cell cycle of Jurkat cells and disease progression in diabetic retinopathy. In further analysis of Jurkat cells, we detect and separate a subpopulation of dead cells in an unsupervised manner and, in classifying discrete cell cycle stages, we reach a 6-fold reduction in error rate compared to a recent approach based on boosting on image features. In contrast to previous methods, deep learning based predictions are fast enough for on-the-fly analysis in an imaging flow cytometer.

Assessing where wildlife populations are at risk from future habitat loss is particularly important for land-use planning and avoiding biodiversity declines. Combining projections of future deforestation with species density information provides an improved way to anticipate such declines. Using the critically endangered Bornean orangutan (Pongo pygmaeus) as a case study we applied a spatio-temporally explicit deforestation model to forest loss data from 2001 to 2017 and projected future impacts on orangutans to the 2030s. Our projections point to continued deforestation across the island, amounting to a potential loss of forest habitat for 26,200 orangutans. Populations currently persisting in forests gazetted for industrial timber and oil palm concessions, or unprotected forests outside of concessions, were projected to experience the worst losses within the next 15 years, amounting to 15,400 individuals. Our analysis indicates the importance of protecting orangutan habitat in plantation landscapes, maintaining protected areas and efforts to prevent the conversion of logged forests for the survival of highly vulnerable wildlife. The modeling framework could be expanded to other species with available density or occurrence data. Our findings highlight that species conservation should not only act on the current information, but also anticipate future changes to be effective.

Abstract Assessing where wildlife populations are at risk from future habitat loss is particularly important for land-use planning and avoiding biodiversity declines. Combining projections of future deforestation with species density information provides an improved way to anticipate such declines. Using the endemic and critically endangered Bornean orangutan ( Pongo pygmaeus ) as a case study we applied a spatio-temporally explicit deforestation model to forest loss data from 2001-2017 and projected future impacts on orangutans to the 2030s. Our projections point to continued deforestation across the island, amounting to a loss of forest habitat for 26,200 (CI: 19,500–34,000) orangutans. Populations currently persisting in forests gazetted for industrial timber and oil palm concessions, or unprotected forests outside of concessions, were projected to experience the worst losses within the next 15 years, amounting to 15,400 (CI: 12,000–20,500) individuals. Lowland forests with high orangutan densities in West and Central Kalimantan were also projected to be at high risk from deforestation, irrespective of land-use. In contrast, most protected areas and logging concessions currently harboring orangutans will continue to face low levels of deforestation. Our business-as-usual projections indicate the importance of protected areas, efforts to prevent the conversion of logged forests for the survival of highly vulnerable wildlife, and protecting orangutan habitat in plantation landscapes. The modeling framework could be expanded to other species with available density or occurrence data. Our findings highlight that species conservation should not only attempt to act on the current situation, but also be adapt to changes in drivers to be effective.

Motivation: The identification of heterogeneities in cell populations by utilizing single-cell technologies such as single-cell RNA-Seq, enables inference of cellular development and lineage trees. Several methods have been proposed for such inference from high-dimensional single-cell data. They typically assign each cell to a branch in a differentiation trajectory. However, they commonly assume specific geometries such as tree-like developmental hierarchies and lack statistically sound methods to decide on the number of branching events. Results: We present K-Branches, a solution to the above problem by locally fitting half-lines to single-cell data, introducing a clustering algorithm similar to K-Means. These halflines are proxies for branches in the differentiation trajectory of cells. We propose a modified version of the GAP statistic for model selection, in order to decide on the number of lines that best describe the data locally. In this manner, we identify the location and number of subgroups of cells that are associated with branching events and full differentiation, respectively. We evaluate the performance of our method on single-cell RNA-Seq data describing the differentiation of myeloid progenitors during hematopoiesis, single-cell qPCR data of mouse blastocyst development and artificial data.

The introduction of RNA velocity in single cells has opened up new ways of studying cellular differentiation. The originally proposed framework obtains velocities as the deviation of the observed ratio of spliced and unspliced mRNA from an inferred steady state. Errors in velocity estimates arise if the central assumptions of a common splicing rate and the observation of the full splicing dynamics with steady-state mRNA levels are violated. With scVelo (https://scvelo.org), we address these restrictions by solving the full transcriptional dynamics of splicing kinetics using a likelihood-based dynamical model. This generalizes RNA velocity to a wide variety of systems comprising transient cell states, which are common in development and in response to perturbations. We infer gene-specific rates of transcription, splicing and degradation, and recover the latent time of the underlying cellular processes. This latent time represents the cell's internal clock and is based only on its transcriptional dynamics. Moreover, scVelo allows us to identify regimes of regulatory changes such as stages of cell fate commitment and, therein, systematically detects putative driver genes. We demonstrate that scVelo enables disentangling heterogeneous subpopulation kinetics with unprecedented resolution in hippocampal dentate gyrus neurogenesis and pancreatic endocrinogenesis. We anticipate that scVelo will greatly facilitate the study of lineage decisions, gene regulation, and pathway activity identification.

The evolutionary origin of metazoan cell types such as neurons, muscles, digestive, and immune cells, remains unsolved. Using whole-body single-cell RNA sequencing in a sponge, an animal without nervous system and musculature, we identify 18 distinct cell types comprising four major families. This includes nitric-oxide sensitive contractile cells, digestive cells active in macropinocytosis, and a family of amoeboid-neuroid cells involved in innate immunity. We uncover presynaptic genes in an amoeboid-neuroid cell type, and postsynaptic genes in digestive choanocytes, suggesting asymmetric and targeted communication. Corroborating this, long neurite-like extensions from neuroid cells directly contact and enwrap choanocyte microvillar collars. Our data indicate a link between neuroid and immune functions in sponges, and suggest that a primordial neuro-immune system cleared intruders and controlled ciliary beating for feeding.

Despite the scientific consensus on the extinction crisis and its anthropogenic origin, the quantification of historical trends and of future scenarios of biodiversity and ecosystem services has been limited, due to the lack of inter-model comparisons and harmonized scenarios. Here, we present a multi-model analysis to assess the impacts of land-use and climate change from 1900 to 2050. During the 20th century provisioning services increased, but biodiversity and regulating services decreased. Similar trade-offs are projected for the coming decades, but they may be attenuated in a sustainability scenario. Future biodiversity loss from land-use change is projected to keep up with historical rates or reduce slightly, whereas losses due to climate change are projected to increase greatly. Renewed efforts are needed by governments to meet the 2050 vision of the Convention on Biological Diversity.### Competing Interest StatementThe authors have declared no competing interest.

Single-cell transcriptomics is a versatile tool for exploring heterogeneous cell populations. As with all genomics experiments, batch effects can hamper data integration and interpretation. The success of batch effect correction is often evaluated by visual inspection of dimension reduced representations such as principal component analysis. This is inherently imprecise due to the high number of genes and non-normal distribution of gene expression. Here, we present a k-nearest neighbour batch effect test (kBET, https://github.com/theislab/kBET) to quantitatively measure batch effects. kBET is easier to interpret, more sensitive and more robust than visual evaluation and other measures of batch effects. We use kBET to assess commonly used batch regression and normalisation approaches, and quantify the extent to which they remove batch effects while preserving biological variability. Our results illustrate that batch correction based on log-transformation or scran pooling followed by ComBat reduced the batch effect while preserving structure across data sets. Finally we show that kBET can pinpoint successful data integration methods across multiple data sets, in this case from different publications all charting mouse embryonic development. This has important implications for future data integration efforts, which will be central to projects such as the Human Cell Atlas where data for the same tissue may be generated in multiple locations around the world.

Accurately modeling cellular response to perturbations is a central goal of computational biology. While such modeling has been proposed based on statistical, mechanistic and machine learning models in specific settings, no generalization of predictions to phenomena absent from training data ('out-of-sample') has yet been demonstrated. Here, we present scGen, a model combining variational autoencoders and latent space vector arithmetics for high-dimensional single-cell gene expression data. In benchmarks across a broad range of examples, we show that scGen accurately models dose and infection response of cells across cell types, studies and species. In particular, we demonstrate that scGen learns cell type and species specific response implying that it captures features that distinguish responding from non-responding genes and cells. With the upcoming availability of large-scale atlases of organs in healthy state, we envision scGen to become a tool for experimental design through in silico screening of perturbation response in the context of disease and drug treatment.