Abstract The eukaryotic transcription cycle consists of three main steps: initiation, elongation, and cleavage of the nascent RNA transcript. Although each of these steps can be regulated as well as coupled with each other, their in vivo dissection has remained challenging because available experimental readouts lack sufficient spatiotemporal resolution to separate the contributions from each of these steps. Here, we describe a novel application of Bayesian inference techniques to simultaneously infer the effective parameters of the transcription cycle in real time and at the single-cell level using a two-color MS2/PP7 reporter gene and the developing fruit fly embryo as a case study. Our method enables detailed investigations into cell-to-cell variability in transcription-cycle parameters as well as single-cell correlations between these parameters. These measurements, combined with theoretical modeling, suggest a substantial variability in the elongation rate of individual RNA polymerase molecules. We further illustrate the power of this technique by uncovering a novel mechanistic connection between RNA polymerase density and nascent RNA cleavage efficiency. Thus, our approach makes it possible to shed light on the regulatory mechanisms in play during each step of the transcription cycle in individual, living cells at high spatiotemporal resolution.

Transcriptional control is fundamental to cellular function. However, despite knowing that transcription factors can repress or activate specific genes, how these functions are implemented at the molecular level has remained elusive. Here we combine optogenetics, single-cell live-imaging, and mathematical modeling to study how a zinc-finger repressor, Knirps, induces switch-like transitions into long-lived quiescent states. Using optogenetics, we demonstrate that repression is rapidly reversible ( ∼ 1 minute) and memoryless. Furthermore, we show that the repressor acts by decreasing the frequency of transcriptional bursts in a manner consistent with an equilibrium binding model. Our results provide a quantitative framework for dissecting the in vivo biochemistry of eukaryotic transcriptional regulation.

ABSTRACT Ulcerative colitis (UC) is driven by immune and stromal subsets, culminating in epithelial injury. Vedolizumab (VDZ) is an anti-integrin antibody that is effective for treating UC. VDZ is known to inhibit lymphocyte trafficking to the intestine, but its broader effects on other cell subsets are less defined. To identify the inflammatory cells that contribute to colitis and are affected by VDZ, we performed single-cell transcriptomic and proteomic analyses of peripheral blood and colonic biopsies in healthy controls and patients with UC on VDZ or other therapies. Here we show that VDZ treatment is associated with alterations in circulating and tissue mononuclear phagocyte (MNP) subsets, along with modest shifts in lymphocytes. Spatial multi-omics of formalin-fixed biopsies demonstrates trends towards increased abundance and proximity of MNP and fibroblast subsets in active colitis. Spatial transcriptomics of archived specimens pre-treatment identifies epithelial-, MNP-, and fibroblast-enriched genes related to VDZ responsiveness, highlighting important roles for these subsets in UC.

Abstract Assigning cell identity to clusters of single cells is an essential step towards extracting biological insights from many genomics datasets. Although annotation workflows for datasets built with a single modality are well established, limitations exist in annotating cell types in datasets with multiple modalities due to the need for a framework to exploit them jointly. While, in principle, different modalities could convey complementary information about cell identity, it is unclear to what extent they can be combined to improve the accuracy and resolution of cell type annotations. Here, we present a conceptual framework to examine and jointly interrogate distinct modalities to identify cell types. We integrated our framework into a series of vignettes, using immune cells as a well-studied example, and demonstrate cell type annotation workflows ranging from using single-cell RNA-seq datasets alone, to using multiple modalities such as single-cell Multiome (RNA and chromatin accessibility), CITE-seq (RNA and surface proteins). In some cases, one or other single modality is superior to the other for identification of specific cell types, in others combining the two modalities improves resolution and the ability to identify finer subpopulations. Finally, we use interactive software from CZ CELLxGENE community tools to visualize and integrate histological and spatial transcriptomic data.

Abstract A challenge in quantitative biology is to predict output patterns of gene expression from knowledge of input transcription factor patterns and from the arrangement of binding sites for these transcription factors on regulatory DNA. We tested whether widespread thermodynamic models could be used to infer parameters describing simple regulatory architectures that inform parameter-free predictions of more complex enhancers in the context of transcriptional repression by Runt in the early fruit 2y embryo. By modulating the number and placement of Runt binding sites within an enhancer, and quantifying the resulting transcriptional activity using live imaging, we discovered that thermodynamic models call for higher-order cooperativity between multiple molecular players. This higher-order cooperativity capture the combinatorial complexity underlying eukaryotic transcriptional regulation and cannot be determined from simpler regulatory architectures, highlighting the challenges in reaching a predictive understanding of transcriptional regulation in eukaryotes and calling for approaches that quantitatively dissect their molecular nature.

Hundreds of millions of single cells have been analyzed to date using high throughput transcriptomic methods, thanks to technological advances driving the increasingly rapid generation of single-cell data. This provides an exciting opportunity for unlocking new insights into health and disease, made possible by meta-analysis that span diverse datasets building on recent advances in large language models and other machine learning approaches. Despite the promise of these and emerging analytical tools for analyzing large amounts of data, a major challenge remains the sheer number of datasets and inconsistent format, data models and accessibility. Many datasets are available via unique portals platforms that often lack interoperability. Here, we present CZ CellxGene Discover (cellxgene.cziscience.com), a data platform that provides curated and interoperable data. This single-cell data resource, available via a free-to-use online data portal, hosts a growing corpus of community contributed data that spans more than 50 million unique cells. Curated, standardized, and associated with consistent cell-level metadata, this collection of interoperable single-cell transcriptomic data is the largest of its kind. A suite of tools and features enables accessibility and reusability of the data via both computational and visual interfaces to allow researchers to rapidly explore individual datasets and perform cross-corpus analysis. This functionality is enabling meta-analyses of tens of millions of cells across studies and tissues and providing global views of human cells at the resolution of single cells.

Abstract Spatial transcriptomics extends single cell RNA sequencing (scRNA-seq) by providing spatial context for cell type identification and analysis. Imaging-based spatial technologies such as Multiplexed Error-Robust Fluorescence In Situ Hybridization (MERFISH) can achieve single-cell resolution, directly mapping single cell identities to spatial positions. MERFISH produces an intrinsically different data type than scRNA-seq and a technical comparison between the two modalities is necessary to ascertain how to best integrate them. We performed MERFISH on mouse liver and kidney and compared the resulting bulk and single-cell RNA statistics with those from the Tabula Muris Senis cell atlas as well as from two Visium datasets. MERFISH quantitatively reproduced the bulk RNA-seq and scRNA-seq results with improvements in overall dropout rates and sensitivity. Finally, we found that MERFISH independently resolved distinct cell types and spatial structure in both liver and kidney. Computational integration with the Tabula Muris Senis atlas did not enhance these results. We conclude that compared to scRNA-seq, MERFISH provides a quantitatively comparable method for measuring single-cell gene expression and can robustly identify cell types without the need for computational integration with scRNA-seq reference atlases.

ABSTRACT Elucidating the developmental processes of organisms requires a comprehensive understanding of cellular lineages in the spatial, temporal, and molecular domains. In this study, we introduce Zebrahub, a dynamic atlas of zebrafish embryonic development that integrates single-cell sequencing time course data with lineage reconstructions facilitated by light-sheet microscopy. This atlas offers high-resolution and in-depth molecular insights into zebrafish development, achieved through the sequencing of individual embryos across ten developmental stages, complemented by trajectory reconstructions. Zebrahub also incorporates an interactive tool to navigate the complex cellular flows and lineages derived from light-sheet microscopy data, enabling in silico fate mapping experiments. To demonstrate the versatility of our multi-modal resource, we utilize Zebrahub to provide fresh insights into the pluripotency of Neuro-Mesodermal Progenitors (NMPs). Our publicly accessible web-based platform, Zebrahub, is a foundational resource for studying developmental processes at both transcriptional and spatiotemporal levels, providing researchers with an integrated approach to exploring and analyzing the complexities of cellular lineages during zebrafish embryogenesis.