Elucidating the cellular architecture of the human cerebral cortex is central to understanding our cognitive abilities and susceptibility to disease. Here we used single-nucleus RNA-sequencing analysis to perform a comprehensive study of cell types in the middle temporal gyrus of human cortex. We identified a highly diverse set of excitatory and inhibitory neuron types that are mostly sparse, with excitatory types being less layer-restricted than expected. Comparison to similar mouse cortex single-cell RNA-sequencing datasets revealed a surprisingly well-conserved cellular architecture that enables matching of homologous types and predictions of properties of human cell types. Despite this general conservation, we also found extensive differences between homologous human and mouse cell types, including marked alterations in proportions, laminar distributions, gene expression and morphology. These species-specific features emphasize the importance of directly studying human brain. RNA-sequencing analysis of cells in the human cortex enabled identification of diverse cell types, revealing well-conserved architecture and homologous cell types as well as extensive differences when compared with datasets covering the analogous region of the mouse brain.

Abstract The primary motor cortex (M1) is essential for voluntary fine-motor control and is functionally conserved across mammals 1 . Here, using high-throughput transcriptomic and epigenomic profiling of more than 450,000 single nuclei in humans, marmoset monkeys and mice, we demonstrate a broadly conserved cellular makeup of this region, with similarities that mirror evolutionary distance and are consistent between the transcriptome and epigenome. The core conserved molecular identities of neuronal and non-neuronal cell types allow us to generate a cross-species consensus classification of cell types, and to infer conserved properties of cell types across species. Despite the overall conservation, however, many species-dependent specializations are apparent, including differences in cell-type proportions, gene expression, DNA methylation and chromatin state. Few cell-type marker genes are conserved across species, revealing a short list of candidate genes and regulatory mechanisms that are responsible for conserved features of homologous cell types, such as the GABAergic chandelier cells. This consensus transcriptomic classification allows us to use patch–seq (a combination of whole-cell patch-clamp recordings, RNA sequencing and morphological characterization) to identify corticospinal Betz cells from layer 5 in non-human primates and humans, and to characterize their highly specialized physiology and anatomy. These findings highlight the robust molecular underpinnings of cell-type diversity in M1 across mammals, and point to the genes and regulatory pathways responsible for the functional identity of cell types and their species-specific adaptations.

Abstract Humans have unique cognitive abilities among primates, including language, but their molecular, cellular, and circuit substrates are poorly understood. We used comparative single nucleus transcriptomics in adult humans, chimpanzees, gorillas, rhesus macaques, and common marmosets from the middle temporal gyrus (MTG) to understand human-specific features of cellular and molecular organization. Human, chimpanzee, and gorilla MTG showed highly similar cell type composition and laminar organization, and a large shift in proportions of deep layer intratelencephalic-projecting neurons compared to macaque and marmoset. Species differences in gene expression generally mirrored evolutionary distance and were seen in all cell types, although chimpanzees were more similar to gorillas than humans, consistent with faster divergence along the human lineage. Microglia, astrocytes, and oligodendrocytes showed accelerated gene expression changes compared to neurons or oligodendrocyte precursor cells, indicating either relaxed evolutionary constraints or positive selection in these cell types. Only a few hundred genes showed human-specific patterning in all or specific cell types, and were significantly enriched near human accelerated regions (HARs) and conserved deletions (hCONDELS) and in cell adhesion and intercellular signaling pathways. These results suggest that relatively few cellular and molecular changes uniquely define adult human cortical structure, particularly by affecting circuit connectivity and glial cell function.

Summary The ever-increasing number of analyzed cells in Single-cell RNA sequencing (scRNA-seq) experiments imposes several challenges on the data analysis. Current analysis methods lack scalability to large datasets hampering interactive visual exploration of the data. We present Cytosplore-Transcriptomics, a framework to analyze scRNA-seq data, including data preprocessing, visualization and downstream analysis. At its core, it uses a hierarchical, manifold preserving representation of the data that allows the inspection and annotation of scRNA-seq data at different levels of detail. Consequently, Cytosplore-Transcriptomics provides interactive analysis of the data using low-dimensional visualizations that scales to millions of cells. Availability Cytosplore-Transcriptomics can be freely downloaded from transcriptomics.cytosplore.org Contact b.p.f.lelieveldt@lumc.nl

Abstract Microglia have been identified as key players in Alzheimer’s disease pathogenesis, and other neurodegenerative diseases. Iba1, and more specifically TMEM119 and P2RY12 are gaining ground as presumedly more specific microglia markers, but comprehensive characterization of the expression of these three markers individually as well as combined is currently missing. Here we used a multispectral immunofluorescence dataset, in which over seventy thousand microglia from both aged controls and Alzheimer patients have been analysed for expression of Iba1, TMEM119 and P2RY12 on a single-cell level. For all markers, we studied the overlap and differences in expression patterns and the effect of proximity to β-amyloid plaques. We found no difference in absolute microglia numbers between control and Alzheimer subjects, but the prevalence of specific combinations of markers (phenotypes) differed greatly. In controls, the majority of microglia expressed all three markers. In Alzheimer patients, a significant loss of TMEM119 + -phenotypes was observed, independent of the presence of β-amyloid plaques in its proximity. Contrary, phenotypes showing loss of P2RY12, but consistent Iba1 expression were increasingly prevalent around β-amyloid plaques. No morphological features were conclusively associated with loss or gain of any of the markers or any of the identified phenotypes. All in all, none of the three markers were expressed by all microglia, nor can be wholly regarded as a pan- or homeostatic marker, and preferential phenotypes were observed depending on the surrounding pathological or homeostatic environment. This work could help select and interpret microglia markers in previous and future studies.

Abstract Imaging mass cytometry (IMC) allows the detection of multiple antigens (approximately 40 markers) combined with spatial information, making it a unique tool for the evaluation of complex biological systems. Due to its widespread availability and retained tissue morphology, formalin-fixed, paraffin-embedded (FFPE) tissues are often a material of choice for IMC studies. However, antibody performance and signal-to-noise ratio can differ considerably between FFPE tissues as a consequence of variations in tissue processing, including fixation. We investigated the effect of immunodetection-related signal intensity fluctuations on IMC analysis and phenotype identification in a cohort of twelve colorectal cancer tissues. Furthermore, we explored different normalisation strategies and propose a workflow to normalise IMC data by semi-automated background removal, using publicly available tools. This workflow can be directly applied to previously obtained datasets and considerably improves the quality of IMC data, thereby supporting the analysis and comparison of multiple samples.

Gene co-expression provides crucial insights into biological functions, however, there is a lack of exploratory analysis tools for localized gene co-expression in large-scale datasets. We present GeneSurfer, an interactive interface designed to explore localized transcriptome-wide gene co-expression patterns in the 3D spatial domain. Key features of GeneSurfer include transcriptome-wide gene filtering and gene clustering based on spatial local co-expression within transcriptomically similar cells, multi-slice 3D rendering of average expression of gene clusters, and on-the-fly Gene Ontology term annotation of co-expressed gene sets. Additionally, GeneSurfer offers multiple linked views for investigating individual genes or gene co-expression in the spatial domain at each exploration stage. Demonstrating its utility with both spatial transcriptomics and single-cell RNA sequencing data from the Allen Brain Cell Atlas, GeneSurfer effectively identifies and annotates localized transcriptome-wide co-expression, providing biological insights and facilitating hypothesis generation and validation.

Abstract Brain iron accumulation has been found to accelerate disease progression in Amyloid β-positive Alzheimer patients, though the mechanism is still unknown. Microglia have been identified as key-players in the disease pathogenesis, and are highly reactive cells responding to aberrations such as increased iron levels. Therefore, using histological methods, multispectral immunofluorescence and an automated in-house developed microglia segmentation and analysis pipeline, we studied the occurrence of iron-accumulating microglia and the effect on its activation state in human Alzheimer brains. We identified a subset of microglia with increased expression of the iron storage protein ferritin light chain (FTL), together with increased Iba1 expression, decreased TMEM119 and P2RY12 expression. This activated microglia subset represented iron-accumulating microglia and appeared morphologically dystrophic. Multispectral immunofluorescence allowed for spatial analysis of FTL + Iba1 + -microglia, which were found to be the predominant Aβ-plaque infiltrating microglia. Finally, an increase of FTL + Iba1 + -microglia was seen in patients with high Amyloid-β load and Tau load. These findings suggest iron to be taken up by microglia and to influence the functional phenotype of these cells, especially in conjunction with Aβ.

Mass cytometry allows high-resolution dissection of the cellular composition of the immune system. However, the high-dimensionality, large size, and non-linear structure of the data poses considerable challenges for data analysis. In particular, dimensionality reduction-based techniques like t-SNE offer single-cell resolution but are limited in the number of cells that can be analysed. Here we introduce Hierarchical Stochastic Neighbor Embedding (HSNE) for the analysis of mass cytometry datasets. HSNE constructs a hierarchy of non-linear similarities that can be interactively explored with a stepwise increase in detail up to the single-cell level. We applied HSNE to a study on gastrointestinal disorders and three other available mass cytometry datasets. We found that HSNE efficiently replicates previous observations and identifies rare cell populations that were previously missed due to downsampling. Thus, HSNE removes the scalability limit of conventional t-SNE analysis, a feature that makes it highly suitable for the analysis of massive high-dimensional datasets.

Mass cytometry (CyTOF) is a valuable technology for high-dimensional analysis at the single cell level. Identification of different cell populations is an important task during the data analysis. Many clustering tools can perform this task, however, they are time consuming, often involve a manual step, and lack reproducibility when new data is included in the analysis. Learning cell types from an annotated set of cells solves these problems. However, currently available mass cytometry classifiers are either complex, dependent on prior knowledge of the cell type markers during the learning process, or can only identify canonical cell types. We propose to use a Linear Discriminant Analysis (LDA) classifier to automatically identify cell populations in CyTOF data. LDA shows comparable results with two state-of-the-art algorithms on four benchmark datasets and also outperforms a non-linear classifier such as the k-nearest neighbour clas-sifier. To illustrate its scalability to large datasets with deeply annotated cell subtypes, we apply LDA to a dataset of ~3.5 million cells representing 57 cell types. LDA has high performance on abundant cell types as well as the majority of rare cell types, and provides accurate estimates of cell type frequen-cies. Further incorporating a rejection option, based on the estimated posterior probabilities, allows LDA to identify cell types that were not encountered during training. Altogether, reproducible prediction of cell type compositions using LDA opens up possibilities to analyse large cohort studies based on mass cytometry data.