ABSTRACT Mouse lemurs are the smallest, fastest reproducing, and among the most abundant primates, and an emerging model organism for primate biology, behavior, health and conservation. Although much has been learned about their physiology and their Madagascar ecology and phylogeny, little is known about their cellular and molecular biology. Here we used droplet- and plate-based single cell RNA-sequencing to profile 226,000 cells from 27 mouse lemur organs and tissues opportunistically procured from four donors clinically and histologically characterized. Using computational cell clustering, integration, and expert cell annotation, we defined and biologically organized over 750 mouse lemur molecular cell types and their full gene expression profiles. These include cognates of most classical human cell types, including stem and progenitor cells, and the developmental programs for spermatogenesis, hematopoiesis, and other adult tissues. We also described dozens of previously unidentified or sparsely characterized cell types and subtypes. We globally compared cell type expression profiles to define the molecular relationships of cell types across the body, and explored primate cell and gene expression evolution by comparing mouse lemur cell transcriptomes to those of human, mouse, and macaque. This revealed cell type specific patterns of primate specialization, as well as many cell types and genes for which lemur provides a better human model than mouse. The atlas provides a cellular and molecular foundation for studying this primate model organism, and establishes a general approach for other emerging model organisms.

Abstract Comparing single-cell transcriptomic atlases from diverse organisms can elucidate the origins of cellular diversity and assist the annotation of new cell atlases. Yet, comparison between distant relatives is hindered by complex gene histories and diversifications in expression programs. Previously, we introduced the self-assembling manifold (SAM) algorithm to robustly reconstruct manifolds from single-cell data (Tarashansky et al., 2019). Here, we build on SAM to map cell atlas manifolds across species. This new method, SAMap, identifies homologous cell types with shared expression programs across distant species within phyla, even in complex examples where homologous tissues emerge from distinct germ layers. SAMap also finds many genes with more similar expression to their paralogs than their orthologs, suggesting paralog substitution may be more common in evolution than previously appreciated. Lastly, comparing species across animal phyla, spanning mouse to sponge, reveals ancient contractile and stem cell families, which may have arisen early in animal evolution.

SUMMARY Like humans, insects rely on precise regulation of their internal environments to survive. The insect renal system consists of Malpighian tubules and nephrocytes that share similarities to the mammalian kidney. Studies of the Drosophila Malpighian tubules and nephrocytes have provided many insights into our understanding of the excretion of waste products, stem cell regeneration, protein reabsorption, and as human kidney disease models. Here, we analyzed single-nucleus RNA sequencing (snRNA-seq) data sets to characterize the cell types of the adult fly kidney. We identified 11 distinct clusters representing renal stem cells (RSCs), stellate cells (SCs), regionally specific principal cells (PCs), garland nephrocyte cells (GCs) and pericardial nephrocytes (PNs). Analyses of these clusters revealed many new interesting features. For example, we found a new, previously unrecognized cell cluster: lower segment PCs that express Esyt2 . In addition, we find that the SC marker genes RhoGEF64c , Frq2 , Prip and CG10939 regulate their unusual cell shape. Further, we identified transcription factors specific to each cluster and built a network of signaling pathways that are potentially involved in mediating cell-cell communication between Malpighian tubule cell types. Finally, cross-species analysis allowed us to match the fly kidney cell types to mouse kidney cell types and planarian protonephridia - knowledge that will help the generation of kidney disease models. To visualize this dataset, we provide a web-based resource for gene expression in single cells ( https://www.flyrnai.org/scRNA/kidney/ ). Altogether, our study provides a comprehensive resource for addressing gene function in the fly kidney and future disease studies.

ABSTRACT Mouse lemurs ( Microcebus spp.) are an emerging model organism for primate biology, behavior, health, and conservation. Although little has been known about their cellular and molecular biology, in the accompanying paper we used large-scale single cell RNA-sequencing of 27 organs and tissues to identify over 750 molecular cell types and their full transcriptomic profiles. Here we use this extensive transcriptomic dataset to uncover thousands of previously unidentified genes and hundreds of thousands of new splice junctions in the reference genome that globally define lemur gene structures and cell-type selective expression and splicing and to investigate gene expression evolution. We use the atlas to explore the biology and function of the lemur immune system, including the expression profiles across the organism of all MHC genes and chemokines in health and disease, and the mapping of neutrophil and macrophage development, trafficking, and activation, their local and global responses to infection, and primate-specific aspects of the program. We characterize other examples of primate-specific physiology and disease such as unique features of lemur adipocytes that may underlie their dramatic seasonal rhythms, and spontaneous metastatic endometrial cancer that models the human gynecological malignancy. We identify and describe the organism-wide expression profiles of over 400 primate genes missing in mice, some implicated in human disease. Thus, an organism-wide molecular cell atlas and molecular cell autopsies can enhance gene discovery, structure definition, and annotation in a new model organism, and can identify and elucidate primate-specific genes, physiology, diseases, and evolution.

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.

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 Schistosomes are parasitic flatworms causing one of the most prevalent infectious diseases from which millions of people are currently suffering. Their germline outputs many fertilized eggs, which are both the transmissible agents and the cause of the infection-associated pathology. Given its significance, the schistosome germline has been a research focus for more than a century. Nonetheless, little is known about the molecular mechanisms that regulate its development. Here, we construct a transcriptomic cell type atlas of juvenile schistosomes. This allows us to capture germline stem cells (GSCs) during de novo gonadal development. We identify a genetic program that balances the fate of GSC between proliferation and differentiation. This program is controlled by onecut , a homeobox transcription factor, and boule , an mRNA binding protein. Evaluating this genetic program in schistosome’s free-living evolutionary cousin, the planarian, shows that this germline-specific regulatory program is conserved but its function has changed significantly during evolution.

Single-cell RNA sequencing has spurred the development of computational methods that enable researchers to classify cell types, delineate developmental trajectories, and measure molecular responses to external perturbations. Many of these technologies rely on their ability to detect genes whose cell-to-cell variations arise from the biological processes of interest rather than transcriptional or technical noise. However, for datasets in which the biologically relevant differences between cells are subtle, identifying these genes is a challenging task. We present the self-assembling manifold (SAM) algorithm, an iterative soft feature selection strategy to quantify gene relevance and improve dimensionality reduction. We demonstrate its advantages over other state-of-the-art methods with experimental validation in identifying novel stem cell populations of Schistosoma , a prevalent parasite that infects hundreds of millions of people. Extending our analysis to a total of 56 datasets, we show that SAM is generalizable and consistently outperforms other methods in a variety of biological and quantitative benchmarks.