Summary

 Knowledge of immune cell phenotypes in the tumor microenvironment is essential for understanding mechanisms of cancer progression and immunotherapy response. We profiled 45,000 immune cells from eight breast carcinomas, as well as matched normal breast tissue, blood, and lymph nodes, using single-cell RNA-seq. We developed a preprocessing pipeline, SEQC, and a Bayesian clustering and normalization method, Biscuit, to address computational challenges inherent to single-cell data. Despite significant similarity between normal and tumor tissue-resident immune cells, we observed continuous phenotypic expansions specific to the tumor microenvironment. Analysis of paired single-cell RNA and T cell receptor (TCR) sequencing data from 27,000 additional T cells revealed the combinatorial impact of TCR utilization on phenotypic diversity. Our results support a model of continuous activation in T cells and do not comport with the macrophage polarization model in cancer. Our results have important implications for characterizing tumor-infiltrating immune cells.

Single-cell RNA sequencing technologies suffer from many sources of technical noise, including under-sampling of mRNA molecules, often termed "dropout," which can severely obscure important gene-gene relationships. To address this, we developed MAGIC (Markov affinity-based graph imputation of cells), a method that shares information across similar cells, via data diffusion, to denoise the cell count matrix and fill in missing transcripts. We validate MAGIC on several biological systems and find it effective at recovering gene-gene relationships and additional structures. Applied to the epithilial to mesenchymal transition, MAGIC reveals a phenotypic continuum, with the majority of cells residing in intermediate states that display stem-like signatures, and infers known and previously uncharacterized regulatory interactions, demonstrating that our approach can successfully uncover regulatory relations without perturbations.

Clear cell renal cell carcinoma (ccRCC) is the most prevalent form of renal cancer, accounting for over 75% of cases. The asymptomatic nature of the disease contributes to late-stage diagnoses and poor survival. Highly vascularized and immune infiltrated microenvironment are prominent features of ccRCC, yet the interplay between vasculature and immune cells, disease progression and response to therapy remains poorly understood. Using droplet-based single-cell RNA sequencing we profile 50,236 transcriptomes from paired tumor and healthy adjacent kidney tissues. Our analysis reveals significant heterogeneity and inter-patient variability of the tumor microenvironment. Notably, we discover a previously uncharacterized vasculature subpopulation associated with epithelial-mesenchymal transition. The cell-cell communication analysis reveals multiple modes of immunosuppressive interactions within the tumor microenvironment, including clinically relevant interactions between tumor vasculature and stromal cells with immune cells. The upregulation of the genes involved in these interactions is associated with worse survival in the TCGA KIRC cohort. Our findings demonstrate the role of tumor vasculature and stromal cell populations in shaping the ccRCC microenvironment and uncover a subpopulation of cells within the tumor vasculature that is associated with an angiogenic phenotype.

ABSTRACT Clear cell renal cell carcinoma (ccRCC) is the most prevalent form of renal cancer, accounting for over 75% of cases. The asymptomatic nature of the disease contributes to late-stage diagnoses and poor survival. Highly vascularized and immune infiltrated microenvironment are prominent features of ccRCC, yet the interplay between vasculature and immune cells, disease progression and response to therapy remains poorly understood. Using droplet-based single-cell RNA sequencing we profiled 50,236 transcriptomes from paired tumor and healthy adjacent kidney tissues. Our analysis revealed significant heterogeneity and inter-patient variability of the tumor microenvironment. Notably, we discovered a previously uncharacterized vasculature subpopulation associated with epithelial-mesenchymal transition. The cell-cell communication analysis revealed multiple modes of immunosuppressive interactions within the tumor microenvironment, including clinically relevant interactions between tumor vasculature and stromal cells with immune cells. The upregulation of the genes involved in these interactions was associated with worse survival in the TCGA KIRC cohort. Our findings demonstrate the role of tumor vasculature and stromal cell populations in shaping the ccRCC microenvironment and uncover a subpopulation of cells within the tumor vasculature that is associated with an invasive phenotype.

The development of a large variety of single-cell analytical methods has empowered researchers to explore diverse biological questions at the level of individual cells. Among these, droplet-based single-cell RNA sequencing (scRNA-seq) methods have been particularly prevalent owning to their high-throughput capabilities and reduced reaction volumes. While commercial systems have contributed to the widespread adoption of droplet-based scRNA-seq, the relatively high cost impose limitations for profiling large numbers of samples. Moreover, as the scope and scale of single cell sequencing methods keeps expanding, the possibility to accommodate diverse molecular biology workflows and inexpensively profile multiple biospecimens simultaneously, becomes highly relevant. Herein, we present inDrops-2: an open-source scRNA-seq platform designed to profile fresh or preserved clinical samples with a sensitivity matching that of state-of-the-art commercial systems, yet at the few folds lower cost. Using inDrops-2, we conducted a comparative analysis of two prominent scRNA-seq protocols - those based on exponential and linear amplification of cDNA - and provide new insights about the technical biases inherited to each approach. Finally, we applied inDrops-2 to simultaneously profile 18 lung carcinoma samples, all in one run following cell dehydration, long-term storage and multiplexing, to obtain a multiregional cellular profile of tumor microenvironment; thus, inDrops-2 offers researchers a possibility to perform large scale transcriptomics studies in a cost-effective manner.

Knowledge of immune cell phenotypes in the tumor microenvironment is essential for understanding mechanisms of cancer progression and immunotherapy response. We created an immune map of breast cancer using single-cell RNA-seq data from 45,000 immune cells from eight breast carcinomas, as well as matched normal breast tissue, blood, and lymph node. We developed a preprocessing pipeline, SEQC, and a Bayesian clustering and normalization method, Biscuit, to address computational challenges inherent to single-cell data. Despite significant similarity between normal and tumor tissue-resident immune cells, we observed continuous tumor-specific phenotypic expansions driven by environmental cues. Analysis of paired single-cell RNA and T cell receptor (TCR) sequencing data from 27,000 additional T cells revealed the combinatorial impact of TCR utilization on phenotypic diversity. Our results support a model of continuous activation in T cells and do not comport with the macrophage polarization model in cancer, with important implications for characterizing tumor-infiltrating immune cells.

Single-cell RNA-sequencing is fast becoming a major technology that is revolutionizing biological discovery in fields such as development, immunology and cancer. The ability to simultaneously measure thousands of genes at single cell resolution allows, among other prospects, for the possibility of learning gene regulatory networks at large scales. However, scRNA-seq technologies suffer from many sources of significant technical noise, the most prominent of which is dropout due to inefficient mRNA capture. This results in data that has a high degree of sparsity, with typically only 10% non-zero values. To address this, we developed MAGIC (Markov Affinity-based Graph Imputation of Cells), a method for imputing missing values, and restoring the structure of the data. After MAGIC, we find that two- and three-dimensional gene interactions are restored and that MAGIC is able to impute complex and non-linear shapes of interactions. MAGIC also retains cluster structure, enhances cluster-specific gene interactions and restores trajectories, as demonstrated in mouse retinal bipolar cells, hematopoiesis, and our newly generated epithelial-to-mesenchymal transition dataset.