Tumor evolution is driven by the progressive acquisition of genetic and epigenetic alterations that enable uncontrolled growth and expansion to neighboring and distal tissues. The study of phylogenetic relationships between cancer cells provides key insights into these processes. Here, we introduced an evolving lineage-tracing system with a single-cell RNA-seq readout into a mouse model of Kras;Trp53(KP)-driven lung adenocarcinoma and tracked tumor evolution from single-transformed cells to metastatic tumors at unprecedented resolution. We found that the loss of the initial, stable alveolar-type2-like state was accompanied by a transient increase in plasticity. This was followed by the adoption of distinct transcriptional programs that enable rapid expansion and, ultimately, clonal sweep of stable subclones capable of metastasizing. Finally, tumors develop through stereotypical evolutionary trajectories, and perturbing additional tumor suppressors accelerates progression by creating novel trajectories. Our study elucidates the hierarchical nature of tumor evolution and, more broadly, enables in-depth studies of tumor progression.

Single-cell RNA-seq, together with RNA velocity and metabolic labeling, reveals cellular states and transitions at unprecedented resolution. Fully exploiting these data, however, requires dynamical models capable of predicting cell fate and unveiling the governing regulatory mechanisms. Here, we introduce dynamo , an analytical framework that reconciles intrinsic splicing and labeling kinetics to estimate absolute RNA velocities, reconstructs velocity vector fields that predict future cell fates, and finally employs differential geometry analyses to elucidate the underlying regulatory networks. We applied dynamo to a wide range of disparate biological processes including prediction of future states of differentiating hematopoietic stem cell lineages, deconvolution of glucocorticoid responses from orthogonal cell-cycle progression, characterization of regulatory networks driving zebrafish pigmentation, and identification of possible routes of resistance to SARS-CoV-2 infection. Our work thus represents an important step in going from qualitative, metaphorical conceptualizations of differentiation, as exemplified by Waddington’s epigenetic landscape, to quantitative and predictive theories.

Cells do not live in a vacuum, but in a milieu defined by cell–cell communication that can be measured via emerging high-resolution spatial transcriptomics approaches. However, analytical tools that fully leverage such data for kinetic modeling remain lacking. Here we present Spateo ( aristoteleo/spateo-release ), a general framework for quantitative spatiotemporal modeling of single-cell resolution spatial transcriptomics. Spateo delivers novel methods for digitizing spatial layers/columns to identify spatially-polar genes, and develops a comprehensive framework of cell-cell interaction to reveal spatial effects of niche factors and cell type-specific ligand-receptor interactions. Furthermore, Spateo reconstructs 3D models of whole embryos, and performs 3D morphometric analyses. Lastly, Spateo introduces the concept of “morphometric vector field” of cell migrations, and integrates spatial differential geometry to unveil regulatory programs underlying various organogenesis patterns of Drosophila. Thus, Spateo enables the study of the ecology of organs at a molecular level in 3D space, beyond isolated single cells.

SUMMARY Tumor evolution is driven by the progressive acquisition of genetic and epigenetic alterations that enable uncontrolled growth, expansion to neighboring and distal tissues, and therapeutic resistance. The study of phylogenetic relationships between cancer cells provides key insights into these processes. Here, we introduced an evolving lineage-tracing system with a single-cell RNA-seq readout into a mouse model of Kras;Trp53 (KP)-driven lung adenocarcinoma which enabled us to track tumor evolution from single transformed cells to metastatic tumors at unprecedented resolution. We found that loss of the initial, stable alveolar-type2-like state was accompanied by transient increase in plasticity. This was followed by adoption of distinct fitness-associated transcriptional programs which enable rapid expansion and ultimately clonal sweep of rare, stable subclones capable of metastasizing to distant sites. Finally, we showed that tumors develop through stereotypical evolutionary trajectories, and perturbing additional tumor suppressors accelerates tumor progression by creating novel evolutionary paths. Overall, our study elucidates the hierarchical nature of tumor evolution, and more broadly enables the in-depth study of tumor progression.

Summary Spatiotemporal regulation of the cellular transcriptome is crucial for proper protein expression and cellular function 1 . However, the intricate subcellular dynamics of RNA synthesis, decay, export, and translocation remain obscured due to the limitations of existing transcriptomics methods 2–8 . Here, we report a spatiotemporally resolved RNA mapping method (TEMPOmap) to uncover subcellular RNA profiles across time and space at the single-cell level in heterogeneous cell populations. TEMPOmap integrates pulse-chase metabolic labeling of the transcriptome with highly multiplexed three-dimensional (3D) in situ sequencing to simultaneously profile the age and location of individual RNA molecules. Using TEMPOmap, we constructed the subcellular RNA kinetic landscape of 991 genes in human HeLa cells from upstream transcription to downstream subcellular translocation. Clustering analysis of critical RNA kinetic parameters across single cells revealed kinetic gene clusters whose expression patterns were shaped by multi-step kinetic sculpting. Importantly, these kinetic gene clusters are functionally segregated, suggesting that subcellular RNA kinetics are differentially regulated to serve molecular and cellular functions in cell-cycle dependent manner. Together, these single-cell spatiotemporally resolved transcriptomics measurements provide us the gateway to uncover new gene regulation principles and understand how kinetic strategies enable precise RNA expression in time and space.

Abstract Imaging based spatial transcriptomics (iST), such as MERFISH, CosMx SMI, and Xenium, quantify gene expression level across cells in space, but more importantly, they directly reveal the subcellular distribution of RNA transcripts at the single-molecule resolution. The subcellular localization of RNA molecules plays a crucial role in the compartmentalization-dependent regulation of genes within individual cells. Understanding the intracellular spatial distribution of RNA for a particular cell type thus not only improves the characterization of cell identity but also is of paramount importance in elucidating unique subcellular regulatory mechanisms specific to the cell type. However, current cell type annotation approaches of iST primarily utilize gene expression information while neglecting the spatial distribution of RNAs within cells. In this work, we introduce a semi-supervised graph contrastive learning method called Focus, the first method, to the best of our knowledge, that explicitly models RNA’s subcellular distribution and community to improve cell type annotation. Focus first constructs gene neighborhood networks based on the subcellular colocalization relationship of RNA transcripts. Next, the subcellular graph of each cell can be augmented by adding important edges and nodes or removing trivial edges and nodes. Focus then aims to maximize the similarity between positive pairs from two augmented views of the same cell and minimize the similarity between negative pairs from different cells within a common batch. Guided by a limited amount of labeled data, Focus is capable of assigning cell type identities for the entire datasets at high accuracy. Extensive experiments demonstrate the effectiveness of Focus compared to existing state-of-the-art approaches across a range of spatial transcriptomics platforms and biological systems. Furthermore, Focus enjoys the advantages of revealing intricate cell type-specific subcellular spatial gene patterns and providing interpretable subcellular gene analysis, such as defining the gene importance score. Importantly, with the importance score, Focus identifies genes harboring strong relevance to cell type-specific pathways, indicating its potential in uncovering novel regulatory programs across numerous biological systems. Focus is freely accessible at https://github.com/OmicsML/focus .

SUMMARY Spatially resolved transcriptomic technologies are promising tools to study cell fate decisions in a physical microenvironment, which is fundamental for enhancing our knowledge of mammalian development. However, the imbalance between resolution, transcript capture and field of view of current methodologies precludes their systematic application to analyze relatively large and three-dimensional mid- and late-gestation mammalian embryos. Here, we combined DNA nanoball (DNB) patterned arrays and tissue RNA capture to create SpaTial Enhanced REsolution Omics-sequencing (Stereo-seq). This approach allows transcriptomic profiling of large histological sections with high resolution and sensitivity. We have applied Stereo-seq to study the kinetics and directionality of transcriptional variation in a time course of mouse organogenesis. We used this information to gain insight into the molecular basis of regional specification, neuronal migration and differentiation in the developing brain. Furthermore, we mapped the expression of a panel of developmental disease-related loci on our global transcriptomic maps to define the spatiotemporal windows of tissue vulnerability. Our panoramic atlas constitutes an essential resource to investigate longstanding questions concerning normal and abnormal mammalian development.

Cellular reprogramming through manipulation of defined factors holds great promise for large-scale production of cell types needed for use in therapy, as well as for expanding our understanding of the general principles of gene regulation. MYOD-mediated myogenic reprogramming, which converts many cell types into contractile myotubes, remains one of the best characterized model system for direct conversion by defined factors. However, why MYOD can efficiently convert some cell types into myotubes but not others remains poorly understood. Here, we analyze MYOD-mediated reprogramming of human fibroblasts at pseudotemporal resolution using single-cell RNA-Seq. Successfully reprogrammed cells navigate a trajectory with two branches that correspond to two barriers to reprogramming, with cells that select incorrect branches terminating at aberrant or incomplete reprogramming outcomes. Differential analysis of the major branch points alongside alignment of the successful reprogramming path to a primary myoblast trajectory revealed Insulin and BMP signaling as crucial molecular determinants of an individual cell's reprogramming outcome, that when appropriately modulated, increased efficiency more than five-fold. Our single-cell analysis reveals that MYOD is sufficient to reprogram cells only when the extracellular milieu is favorable, supporting MYOD with upstream signaling pathways that drive normal myogenesis in development.

Genomic and proteomic screens have identified numerous host factors of SARS-CoV-2, but efficient delineation of their molecular roles during infection remains a challenge. Here we use Perturb-seq, combining genetic perturbations with a single-cell readout, to investigate how inactivation of host factors changes the course of SARS-CoV-2 infection and the host response in human lung epithelial cells. Our high-dimensional data resolve complex phenotypes such as shifts in the stages of infection and modulations of the interferon response. However, only a small percentage of host factors showed such phenotypes upon perturbation. We further identified the NF-κB inhibitor IκBα (NFKBIA), as well as the translation factors EIF4E2 and EIF4H as strong host dependency factors acting early in infection. Overall, our study provides massively parallel functional characterization of host factors of SARS-CoV-2 and quantitatively defines their roles both in virus-infected and bystander cells.