Myocardial infarction is a leading cause of death worldwide1. Although advances have been made in acute treatment, an incomplete understanding of remodelling processes has limited the effectiveness of therapies to reduce late-stage mortality2. Here we generate an integrative high-resolution map of human cardiac remodelling after myocardial infarction using single-cell gene expression, chromatin accessibility and spatial transcriptomic profiling of multiple physiological zones at distinct time points in myocardium from patients with myocardial infarction and controls. Multi-modal data integration enabled us to evaluate cardiac cell-type compositions at increased resolution, yielding insights into changes of the cardiac transcriptome and epigenome through the identification of distinct tissue structures of injury, repair and remodelling. We identified and validated disease-specific cardiac cell states of major cell types and analysed them in their spatial context, evaluating their dependency on other cell types. Our data elucidate the molecular principles of human myocardial tissue organization, recapitulating a gradual cardiomyocyte and myeloid continuum following ischaemic injury. In sum, our study provides an integrative molecular map of human myocardial infarction, represents an essential reference for the field and paves the way for advanced mechanistic and therapeutic studies of cardiac disease.

Highlights•Performed detailed molecular and spatial analysis of the COVID-19 brain immune response•Pathognomonic microglial nodules and T cell infiltration are present in COVID-19 brains•Altered microglia-T-cell interactions correlate with systemic measures of inflammation•Vascular leakage is linked with immune activation, ACE2 expression, and viral antigenSummaryCOVID-19 can cause severe neurological symptoms, but the underlying pathophysiological mechanisms are unclear. Here, we interrogated the brain stems and olfactory bulbs in postmortem patients who had COVID-19 using imaging mass cytometry to understand the local immune response at a spatially resolved, high-dimensional, single-cell level and compared their immune map to non-COVID respiratory failure, multiple sclerosis, and control patients. We observed substantial immune activation in the central nervous system with pronounced neuropathology (astrocytosis, axonal damage, and blood-brain-barrier leakage) and detected viral antigen in ACE2-receptor-positive cells enriched in the vascular compartment. Microglial nodules and the perivascular compartment represented COVID-19-specific, microanatomic-immune niches with context-specific cellular interactions enriched for activated CD8+ T cells. Altered brain T-cell-microglial interactions were linked to clinical measures of systemic inflammation and disturbed hemostasis. This study identifies profound neuroinflammation with activation of innate and adaptive immune cells as correlates of COVID-19 neuropathology, with implications for potential therapeutic strategies.Graphical abstract

Abstract Background Many functional analysis tools have been developed to extract functional and mechanistic insight from bulk transcriptome data. With the advent of single-cell RNA sequencing (scRNA-seq), it is in principle possible to do such an analysis for single cells. However, scRNA-seq data has characteristics such as drop-out events and low library sizes. It is thus not clear if functional TF and pathway analysis tools established for bulk sequencing can be applied to scRNA-seq in a meaningful way. Results To address this question, we perform benchmark studies on simulated and real scRNA-seq data. We include the bulk-RNA tools PROGENy, GO enrichment, and DoRothEA that estimate pathway and transcription factor (TF) activities, respectively, and compare them against the tools SCENIC/AUCell and metaVIPER, designed for scRNA-seq. For the in silico study, we simulate single cells from TF/pathway perturbation bulk RNA-seq experiments. We complement the simulated data with real scRNA-seq data upon CRISPR-mediated knock-out. Our benchmarks on simulated and real data reveal comparable performance to the original bulk data. Additionally, we show that the TF and pathway activities preserve cell type-specific variability by analyzing a mixture sample sequenced with 13 scRNA-seq protocols. We also provide the benchmark data for further use by the community. Conclusions Our analyses suggest that bulk-based functional analysis tools that use manually curated footprint gene sets can be applied to scRNA-seq data, partially outperforming dedicated single-cell tools. Furthermore, we find that the performance of functional analysis tools is more sensitive to the gene sets than to the statistic used.

Recent advances in single-cell technologies have enabled high-throughput molecular profiling of cells across modalities and locations. Single-cell transcriptomics data can now be complemented by chromatin accessibility, surface protein expression, adaptive immune receptor repertoire profiling and spatial information. The increasing availability of single-cell data across modalities has motivated the development of novel computational methods to help analysts derive biological insights. As the field grows, it becomes increasingly difficult to navigate the vast landscape of tools and analysis steps. Here, we summarize independent benchmarking studies of unimodal and multimodal single-cell analysis across modalities to suggest comprehensive best-practice workflows for the most common analysis steps. Where independent benchmarks are not available, we review and contrast popular methods. Our article serves as an entry point for novices in the field of single-cell (multi-)omic analysis and guides advanced users to the most recent best practices.

Abstract The advancement of technologies to measure highly multiplexed spatial data requires the development of scalable methods that can leverage the spatial information. We present MISTy, a flexible, scalable and explainable machine learning framework for extracting interactions from any spatial omics data. MISTy builds multiple views focusing on different spatial or functional contexts to dissect different effects, such as those from direct neighbours versus those from distant cells. MISTy can be applied to different spatially resolved omics data with dozens to thousands of markers, without the need to perform cell-type annotation. We evaluate the performance of MISTy on an in silico dataset and demonstrate its applicability on three breast cancer datasets, two measured by imaging mass cytometry and one by Visium spatial transcriptomics. We show how we can estimate interactions coming from different spatial contexts that we can relate to tumor progression and clinical features. Our analysis also reveals that the estimated interactions in triple negative breast cancer are associated with clinical outcomes which could improve patient stratification. Finally, we demonstrate the flexibility of MISTy to integrate different kinds of views by modeling activities of pathways estimated from gene expression in a spatial context to analyse intercellular signaling.

Abstract Recent technological developments allow us to measure the status of dozens of proteins in individual cells. This opens the way to understand the heterogeneity of complex multi-signaling networks across cells and cell-types, with important implications to understand and treat diseases such as cancer. These technologies are however limited to proteins for which antibodies are available and are fairly costly, making predictions of new markers and of existing markers under new conditions a valuable alternative. To assess our capacity to make such predictions and boost further methodological development, we organised the Single Cell Signaling in Breast Cancer DREAM challenge. We used a mass cytometry data set, covering 36 markers in over 4,000 conditions totalling 80 million single cells across 67 breast cancer cell lines. Through four increasingly difficult subchallenges, the participants predicted missing markers, new conditions, and the time course response of single cells to stimuli in the presence and absence of kinase inhibitors. The challenge results show that despite the stochastic nature of signal transduction in single cells, the signaling events are tightly controlled and machine learning methods can accurately predict new experimental data. Graphical Abstract Key points Over 80 million single-cell multiplexed measurements across 67 cell lines, 54 conditions and 10 time points to benchmark predictive models of single cell signaling 73 approaches from 27 teams for predicting response to kinase inhibitors on single cell level, and dynamic response from unperturbed basal omics data Predictions of single marker models correlate with measurements with a correlation coefficient of 0.76 Top models of whole signaling response models perform almost as well as a biological replicate Cell-line specific variation in dynamics can be predicted from basal omics

Single-cell transcriptomics and spatially-resolved imaging/sequencing technologies have revolutionized biomedical research. However, they suffer from lack of spatial information and a trade-off of resolution and gene coverage, respectively. We propose DOT, a multi-objective optimization framework for transferring cellular features across these data modalities, thus integrating their complementary information. DOT uses genes beyond those common to the data modalities, exploits the local spatial context, transfers spatial features beyond cell-type information, and infers absolute/relative abundance of cell populations at tissue locations. Thus, DOT bridges single-cell transcriptomics data with both high- and low-resolution spatially-resolved data. Moreover, DOT combines practical aspects related to cell composition, heterogeneity, technical effects, and integration of prior knowledge. Our fast implementation based on the Frank-Wolfe algorithm achieves state-of-the-art or improved performance in localizing cell features in high- and low-resolution spatial data and estimating the expression of unmeasured genes in low-coverage spatial data.

Abstract Transcriptomics is widely used to assess the state of biological systems. There are many tools for the different steps, such as normalization, differential expression, and enrichment. While numerous studies have examined the impact of method choices on differential expression results, little attention has been paid to their effects on further downstream functional analysis, which typically provides the basis for interpretation and follow-up experiments. To address this, we introduce FLOP, a comprehensive nextflow-based workflow combining methods to perform end-to-end analyses of transcriptomics data. We illustrate FLOP on datasets ranging from end-stage heart failure patients to cancer cell lines. We discovered effects not noticeable at the gene-level, and observed that not filtering the data had the highest impact on the correlation between pipelines in the gene set space. Moreover, we performed three benchmarks to evaluate the 12 pipelines included in FLOP, and confirmed that filtering is essential in scenarios of expected moderate-to-low biological signal. Overall, our results underscore the impact of carefully evaluating the consequences of the choice of preprocessing methods on downstream enrichment analyses. We envision FLOP as a valuable tool to measure the robustness of functional analyses, ultimately leading to more reliable and conclusive biological findings.

Many tools have been developed to extract functional and mechanistic insight from bulk transcriptome profiling data. With the advent of single-cell RNA sequencing (scRNA-seq), it is in principle possible to do such an analysis for single cells. However, scRNA-seq data has characteristics such as drop-out events, low library sizes and a comparatively large number of samples/cells. It is thus not clear if functional genomics tools established for bulk sequencing can be applied to scRNA-seq in a meaningful way. To address this question, we performed benchmark studies on in silico and in vitro single-cell RNA-seq data. We included the bulk-RNA tools PROGENy, GO enrichment and DoRothEA that estimate pathway and transcription factor (TF) activities, respectively, and compared them against the tools AUCell and metaVIPER, designed for scRNA-seq. For the in silico study we simulated single cells from TF/pathway perturbation bulk RNA-seq experiments. Our simulation strategy guarantees that the information of the original perturbation is preserved while resembling the characteristics of scRNA-seq data. We complemented the in silico data with in vitro scRNA-seq data upon CRISPR-mediated knock-out. Our benchmarks on both the simulated and real data revealed comparable performance to the original bulk data. Additionally, we showed that the TF and pathway activities preserve cell-type specific variability by analysing a mixture sample sequenced with 13 scRNA-seq different protocols. Our analyses suggest that bulk functional genomics tools can be applied to scRNA-seq data, outperforming dedicated single cell tools. Furthermore we provide a benchmark for further methods development by the community.

Abstract Transcriptomics, and in particular RNA-Seq, has become a widely used approach to assess the molecular state of biological systems. To facilitate its analysis, many tools have been developed for different steps, such as filtering lowly expressed genes, normalisation, differential expression, and enrichment. While numerous studies have examined the impact of method choices on differential expression results, little attention has been paid to their effects on further downstream functional analysis using enrichment of gene sets, such as pathways, which typically provides the basis for interpretation and follow-up experiments. To address this gap, we introduce FLOP (FunctionaL Omics Processing), a comprehensive nextflow-based workflow that combines various methods for preprocessing and downstream enrichment analysis, allowing users to perform end-to-end analyses of count level transcriptomic data. We illustrate FLOP capabilities on diverse datasets comprising samples from end-stage heart failure patients and cancer cell lines in both basal and drug-perturbed states. We found that the correlation between gene set enrichment analysis results can vary significantly for alternative pipelines. Additionally, we observed that not filtering the data had the highest impact on the correlation between pipelines in the gene set space, especially in settings with limited statistical power. Overall, our results underscore the impact of carefully evaluating the consequences of the choice of preprocessing methods on downstream enrichment analyses. We envision FLOP as a valuable tool to measure the robustness of functional analyses, ultimately leading to more reliable and conclusive biological findings. Graphical abstract