Characterization of soluble oligomeric amyloid β (Aβ) species in the brains of Alzheimer's disease (AD) patients and transgenic models has raised the possibility that different conformations of Aβ may contribute to AD pathology via different mechanisms. To characterize the toxic effect of different Aβ conformations, we tested side by side the effect of well characterized Aβ oligomers (AβOs), Aβ-derived diffusible ligands (ADDLs), and fibrillar Aβ (Aβf) preparations in human cortical neurons (HCNs). Both AβOs and ADDLs bind rapidly and with high affinity to synaptic contacts and cellular membranes. AβOs (5 μ m ) induced rapid and massive neuronal death. Calcium influx accelerated, but was not required for, AβO toxicity. AβOs elicited a stereotyped succession of cellular changes consistent with the activation of a mitochondrial death apoptotic pathway. At low concentrations AβOs caused chronic and subtler mitochondrial alterations but minimal cell death. ADDLs induced similar toxic changes as AβOs but on a fivefold longer time scale. Higher concentrations of Aβf and longer incubation times were required to produce widespread neuritic dystrophy but modest HCN cell death. Thus various Aβ species may play relevant roles in AD, causing neurotoxicity by distinct non-overlapping mechanisms affecting neuronal function and viability over multiple time courses.

Alzheimer disease (AD) is a neurodegenerative disease which is characterized by the presence of extracellular senile plaques mainly composed of amyloid-β peptide (Aβ), intracellular neurofibrillary tangles, and selective synaptic and neuronal loss. AD brains revealed elevated levels of oxidative stress markers which have been implicated in Aβ-induced toxicity. In the present work we addressed the hypothesis that oxidative stress occurs early in the development of AD and evaluated the extension of the oxidative stress and the levels of antioxidants in an in vivo model of AD, the triple-transgenic mouse, which develops plaques, tangles, and cognitive impairments and thus mimics AD progression in humans. We have shown that in this model, levels of antioxidants, namely, reduced glutathione and vitamin E, are decreased and the extent of lipid peroxidation is increased. We have also observed increased activity of the antioxidant enzymes glutathione peroxidase and superoxide dismutase. These alterations are evident during the Aβ oligomerization period, before the appearance of Aβ plaques and neurofibrillary tangles, supporting the view that oxidative stress occurs early in the development of the disease.

Abstract Spatial transcriptomics (ST) is a powerful new approach to characterize the cellular and molecular architecture of the tumor microenvironment. Previous single-cell RNA-sequencing (scRNA-seq) studies of pancreatic ductal adenocarcinoma (PDAC) have revealed a complex immunosuppressive environment characterized by numerous cancer associated fibroblasts (CAFs) subtypes that contributes to poor outcomes. Nonetheless, the evolutionary processes yielding that microenvironment remain unknown. Pancreatic intraepithelial neoplasia (PanIN) is a premalignant lesion with potential to develop into PDAC, but the formalin-fixed and paraffin-embedded (FFPE) specimens required for PanIN diagnosis preclude scRNA-seq profiling. We developed a new experimental pipeline for FFPE ST analysis of PanINs that preserves clinical specimens for diagnosis. We further developed novel multi-omics analysis methods for threefold integration of imaging, ST, and scRNA-seq data to analyze the premalignant microenvironment. The integration of ST and imaging enables automated cell type annotation of ST spots at a single-cell resolution, enabling spot selection and deconvolution for unique cellular components of the tumor microenvironment (TME). Overall, this approach demonstrates that PanINs are surrounded by the same subtypes of CAFs present in invasive PDACs, and that the PanIN lesions are predominantly of the classical PDAC subtype. Moreover, this new experimental and computational protocol for ST analysis suggests a biological model in which CAF-PanIN interactions promote inflammatory signaling in neoplastic cells which transitions to proliferative signaling as PanINs progress to PDAC. Summary Pancreatic intraepithelial neoplasia (PanINs) are pre-malignant lesions that progress into pancreatic ductal adenocarcinoma (PDAC). Recent advances in single-cell technologies have allowed for detailed insights into the molecular and cellular processes of PDAC. However, human PanINs are stored as formalin-fixed and paraffin-embedded (FFPE) specimens limiting similar profiling of human carcinogenesis. Here, we describe a new analysis protocol that enables spatial transcriptomics (ST) analysis of PanINs while preserving the FFPE blocks required for clinical assessment. The matched H&E imaging for the ST data enables novel machine learning approaches to automate cell type annotations at a single-cell resolution and isolate neoplastic regions on the tissue. Transcriptional profiles of these annotated cells enable further refinement of imaging-based cellular annotations, showing that PanINs are predominatly of the classical subtype and surrounded by PDAC cancer associated fibroblast (CAF) subtypes. Applying transfer learning to integrate ST PanIN data with PDAC scRNA-seq data enables the analysis of cellular and molecular progression from PanINs to PDAC. This analysis identified a transition between inflammatory signaling induced by CAFs and proliferative signaling in PanIN cells as they become invasive cancers. Altogether, this integration of imaging, ST, and scRNA-seq data provides an experimental and computational approach for the analysis of cancer development and progression.

Abstract Recent advances in spatial transcriptomics (ST) enable gene expression measurements from a tissue sample while retaining its spatial context. This technology enables unprecedented in situ resolution of the regulatory pathways that underlie the heterogeneity in the tumor and its microenvironment (TME). The direct characterization of cellular co-localization with spatial technologies facilities quantification of the molecular changes resulting from direct cell-cell interaction, as occurs in tumor-immune interactions. We present SpaceMarkers, a novel bioinformatics algorithm to infer molecular changes from cell-cell interaction from latent space analysis of ST data. We apply this approach to infer molecular changes from tumor-immune interactions in Visium spatial transcriptomics data of metastasis, invasive and precursor lesions, and immunotherapy treatment. Further transfer learning in matched scRNA-seq data enabled further quantification of the specific cell types in which SpaceMarkers are enriched. Altogether, SpaceMarkers can identify the location and context-specific molecular interactions within the TME from ST data.

Human clinical trials are important tools to advance novel systemic therapies improve treatment outcomes for cancer patients. The few durable treatment options have led to a critical need to advance new therapeutics in hepatocellular carcinoma (HCC). Recent human clinical trials have shown that new combination immunotherapeutic regimens provide unprecedented clinical response in a subset of patients. Computational methods that can simulate tumors from mathematical equations describing cellular and molecular interactions are emerging as promising tools to simulate the impact of therapy entirely in silico. To facilitate designing dosing regimen and identifying potential biomarkers, we developed a new computational model to track tumor progression at organ scale while reflecting the spatial heterogeneity in the tumor at tissue scale in HCC. This computational model is called a spatial quantitative systems pharmacology (spQSP) platform and it is also designed to simulate the effects of combination immunotherapy. We then validate the results from the spQSP system by leveraging real-world spatial multi-omics data from a neoadjuvant HCC clinical trial combining anti-PD-1 immunotherapy and a multitargeted tyrosine kinase inhibitor (TKI) cabozantinib. The model output is compared with spatial data from Imaging Mass Cytometry (IMC). Both IMC data and simulation results suggest closer proximity between CD8 T cell and macrophages among non-responders while the reverse trend was observed for responders. The analyses also imply wider dispersion of immune cells and less scattered cancer cells in responders' samples. We also compared the model output with Visium spatial transcriptomics analyses of samples from post-treatment tumor resections in the original clinical trial. Both spatial transcriptomic data and simulation results identify the role of spatial patterns of tumor vasculature and TGFβ in tumor and immune cell interactions. To our knowledge, this is the first spatial tumor model for virtual clinical trials at a molecular scale that is grounded in high-throughput spatial multi-omics data from a human clinical trial.

Abstract Due to the lack of treatment options, there remains a need to advance new therapeutics in hepatocellular carcinoma (HCC). The traditional approach moves from initial molecular discovery through animal models to human trials to advance novel systemic therapies that improve treatment outcomes for patients with cancer. Computational methods that simulate tumors mathematically to describe cellular and molecular interactions are emerging as promising tools to simulate the impact of therapy entirely in silico, potentially greatly accelerating delivery of new therapeutics to patients. To facilitate the design of dosing regimens and identification of potential biomarkers for immunotherapy, we developed a new computational model to track tumor progression at the organ scale while capturing the spatial heterogeneity of the tumor in HCC. This computational model of spatial quantitative systems pharmacology was designed to simulate the effects of combination immunotherapy. The model was initiated using literature-derived parameter values and fitted to the specifics of HCC. Model validation was done through comparison with spatial multiomics data from a neoadjuvant HCC clinical trial combining anti-PD1 immunotherapy and a multitargeted tyrosine kinase inhibitor cabozantinib. Validation using spatial proteomics data from imaging mass cytometry demonstrated that closer proximity between CD8 T cells and macrophages correlated with nonresponse. We also compared the model output with Visium spatial transcriptomics profiling of samples from posttreatment tumor resections in the clinical trial and from another independent study of anti-PD1 monotherapy. Spatial transcriptomics data confirmed simulation results, suggesting the importance of spatial patterns of tumor vasculature and TGFβ in tumor and immune cell interactions. Our findings demonstrate that incorporating mathematical modeling and computer simulations with high-throughput spatial multiomics data provides a novel approach for patient outcome prediction and biomarker discovery. Significance: Incorporating mathematical modeling and computer simulations with high-throughput spatial multiomics data provides an effective approach for patient outcome prediction and biomarker discovery.

This study introduces a new imaging, spatial transcriptomics (ST), and single-cell RNA-sequencing integration pipeline to characterize neoplastic cell state transitions during tumorigenesis. We applied a semi-supervised analysis pipeline to examine premalignant pancreatic intraepithelial neoplasias (PanINs) that can develop into pancreatic ductal adenocarcinoma (PDAC). Their strict diagnosis on formalin-fixed and paraffin-embedded (FFPE) samples limited the single-cell characterization of human PanINs within their microenvironment. We leverage whole transcriptome FFPE ST to enable the study of a rare cohort of matched low-grade (LG) and high-grade (HG) PanIN lesions to track progression and map cellular phenotypes relative to single-cell PDAC datasets. We demonstrate that cancer-associated fibroblasts (CAFs), including antigen-presenting CAFs, are located close to PanINs. We further observed a transition from CAF-related inflammatory signaling to cellular proliferation during PanIN progression. We validate these findings with single-cell high-dimensional imaging proteomics and transcriptomics technologies. Altogether, our semi-supervised learning framework for spatial multi-omics has broad applicability across cancer types to decipher the spatiotemporal dynamics of carcinogenesis.

Advances in single-cell transcriptomics enable measuring the gene expression of individual cells, allowing cells to be ordered by their state in a dynamic biological process. Many algorithms assign 'pseudotimes' to each cell, representing the progress along the biological process. Ordering the expression data according to such pseudotimes can be valuable for understanding the underlying regulator-gene interactions in a biological process, such as differentiation. However, the distribution of cells sampled along a transitional process, and hence that of the pseudotimes assigned to them, is not uniform. This prevents using many standard mathematical methods for analyzing the ordered gene expression states. We present Single-Cell Inference of Networks using Granger Ensembles (SCINGE), an algorithm for gene regulatory network inference from single-cell gene expression data. Given ordered single-cell data, SCINGE uses kernel-based Granger Causality regression, which smooths the irregular pseudotimes and missing expression values. It then aggregates the predictions from an ensemble of regression analyses with a modified Borda method to compile a ranked list of candidate interactions between transcriptional regulators and their target genes. In two mouse embryonic stem cell differentiation case studies, SCINGE outperforms other contemporary algorithms for gene network reconstruction. However, a more detailed examination reveals caveats about transcriptional network reconstruction with single-cell RNA-seq data. Network inference methods, including SCINGE, may have near random performance for predicting the targets of many individual regulators even if the aggregate performance is good. In addition, in some cases including cells' pseudotime values can hurt the performance of network reconstruction methods. A MATLAB implementation of SCINGE is available at https://github.com/gitter-lab/SCINGE.

Novel immunotherapy combination therapies have improved outcomes for patients with hepatocellular carcinoma (HCC), but responses are limited to a subset of patients and recurrence can also occur. Little is known about the inter- and intra-tumor heterogeneity in cellular signaling networks within the HCC tumor microenvironment (TME) that underlie responses to modern systemic therapy. We applied spatial transcriptomics (ST) profiling to characterize the tumor microenvironment in HCC resection specimens from a clinical trial of neoadjuvant cabozantinib, a multi-tyrosine kinase inhibitor that primarily blocks VEGF, and nivolumab, a PD-1 inhibitor in which 5 out of 15 patients were found to have a pathologic response. ST profiling demonstrated that the TME of responding tumors was enriched for immune cells and cancer associated fibroblasts (CAF) with pro-inflammatory signaling relative to the non-responders. The enriched cancer-immune interactions in responding tumors are characterized by activation of the PAX5 module, a known regulator of B cell maturation, which colocalized with spots with increased B cell markers expression suggesting strong activity of these cells. Cancer-CAF interactions were also enriched in the responding tumors and were associated with extracellular matrix (ECM) remodeling as there was high activation of FOS and JUN in CAFs adjacent to tumor. The ECM remodeling is consistent with proliferative fibrosis in association with immune-mediated tumor regression. Among the patients with major pathologic response, a single patient experienced early HCC recurrence. ST analysis of this clinical outlier demonstrated marked tumor heterogeneity, with a distinctive immune-poor tumor region that resembles the non-responding TME across patients and was characterized by cancer-CAF interactions and expression of cancer stem cell markers, potentially mediating early tumor immune escape and recurrence in this patient. These data show that responses to modern systemic therapy in HCC are associated with distinctive molecular and cellular landscapes and provide new targets to enhance and prolong responses to systemic therapy in HCC.