Aging is a universal biological process that increases the risk of multiple diseases including cancer. Growing evidence shows that alterations in the genome and epigenome, driven by similar mechanisms, are found in both aged cells and cancer cells. In this review, we detail the genetic and epigenetic changes associated with normal aging and the mechanisms responsible for these changes. By highlighting genetic and epigenetic alterations in the context of tumorigenesis, cancer progression, and the aging tumor microenvironment, we examine the possible impacts of the normal aging process on malignant transformation. Finally, we examine the implications of age-related genetic and epigenetic alterations in both tumors and patients for the treatment of cancer.

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 Pancreatic ductal adenocarcinoma (PDAC) is an aggressive malignancy characterized by a heterogeneous tumor microenvironment (TME) that is enriched with cancer associated fibroblasts (CAFs) 1 . Cell-cell interactions involving these CAFs promote an immunosuppressive phenotype with altered inflammatory gene expression. While single-cell transcriptomics provides a tool to dissect the complex intercellular pathways that regulate cancer-associated inflammation in human tumors, complementary experimental systems for mechanistic validation remain limited. This study integrated single-cell data from human tumors and novel organoid co-cultures to study the PDAC TME. We derived a comprehensive atlas of PDAC gene expression from six published human single-cell RNA sequencing (scRNA-seq) datasets 2–7 to characterize intercellular signaling pathways between epithelial tumor cells and CAFs that regulate the inflammatory TME. Analysis of the epithelial cell compartment identified global gene expression pathways that modulate inflammatory signaling and are correlated with CAF composition. We then generated patient-derived organoid-CAF co-cultures to serve as a biological model of the cellular interactions learned from human tissue in the atlas. Transfer learning analysis to additional scRNA-seq data of this co-culture system and mechanistic experiments confirmed the epithelial response to fibroblast signaling. This bidirectional approach of complementary computational and in vitro applications provides a framework for future studies identifying important mechanisms of intercellular interactions in PDAC.

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 Advanced age is strongly correlated with both increased cancer incidence and general immune decline. The immune tumor microenvironment (ITME) has been established as an important prognostic of both therapeutic efficacy and overall patient survival. Thus, age-related immune decline is an important consideration for the treatment of a large subset of cancer patients. Current studies of aging-related immune alterations are predominantly performed on non-cancerous tissue, requiring additional study into the effects of age on tumor immune infiltration. We leverage large scale transcriptional data sets from The Cancer Genome Atlas and the Genotype-Tissue Expression project to distinguish normal age-related immune alterations from age-related changes in tumor immune infiltration. We demonstrate that while there is overlap between the normal immune aging phenotype and that of the ITME, there are several changes in immune cell abundance that are specific to the ITME, particularly in T cell, NK cell, and Macrophage populations. These results suggest that aged immune cells are more susceptible to tumor suppression of cytotoxic immune cell infiltration and activity than normal tissues, which creates an unfavorable ITME in older patients in excess of normal immune decline with age and may inform the application of existing and emerging immunotherapies for this large population of patients. We additionally identify that age-related increases in tumor mutational burden are associated with decreased DNA methylation and increased expression of the immune checkpoint genes PDL1, CD80, and LAG3 which may have implications for therapeutic application of immune checkpoint blockade in older patients.

Abstract Non-negative matrix factorization (NMF) is an unsupervised learning method well suited to high-throughput biology. Still, inferring biological processes requires additional post hoc statistics and annotation for interpretation of features learned from software packages developed for NMF implementation. Here, we aim to introduce a suite of computational tools that implement NMF and provide methods for accurate, clear biological interpretation and analysis. A generalized discussion of NMF covering its benefits, limitations, and open questions in the field is followed by three vignettes for the Bayesian NMF algorithm CoGAPS (Coordinated Gene Activity across Pattern Subsets). Each vignette will demonstrate NMF analysis to quantify cell state transitions in public domain single-cell RNA-sequencing (scRNA-seq) data of malignant epithelial cells in 25 pancreatic ductal adenocarcinoma (PDAC) tumors and 11 control samples. The first uses PyCoGAPS, our new Python interface for CoGAPS that we developed to enhance runtime of Bayesian NMF for large datasets. The second vignette steps through the same analysis using our R CoGAPS interface, and the third introduces two new cloud-based, plug-and-play options for running CoGAPS using GenePattern Notebook and Docker. By providing Python support, cloud-based computing options, and relevant example workflows, we facilitate user-friendly interpretation and implementation of NMF for single-cell analyses.

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.

Abstract 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 the 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 (spQSP) 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 to spatial multi-omics data from a neoadjuvant HCC clinical trial combining anti-PD-1 immunotherapy and a multitargeted tyrosine kinase inhibitor (TKI) cabozantinib. Validation using spatial proteomics data from Imaging Mass Cytometry (IMC) demonstrated that closer proximity between CD8 T cells and macrophages correlated with non-response. We also compared the model output with Visium spatial transcriptomics (ST) profiling of samples from post-treatment tumor resections in the clinical trial and from another independent study of anti-PD1 monotherapy. ST 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 multi-omics data provides a novel 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.

Metastatic disease is often characterized by altered cellular contractility and deformability, lending cells and groups of cells the flexibility to navigate through different microenvironments. This ability to change cell shape is driven in large part by the structural elements of the mechanobiome, which includes cytoskeletal proteins that sense and respond to mechanical stimuli. Here, we demonstrate that key mechanoresponsive proteins (those which accumulate in response to mechanical stress), specifically nonmuscle myosin IIA and IIC, α-actinin 4, and filamin B, are highly upregulated in pancreatic ductal adenocarcinoma cancer (PDAC) and in patient-derived pancreatic cancer cell lines. Their less responsive sister paralogs (myosin IIB, α-actinin 1, and filamin A) show a smaller dynamic range or disappear with PDAC progression. We demonstrate that these mechanoresponsive proteins directly impact cell mechanics using knock-down and overexpression cell lines. We further quantify the nonmuscle myosin II family members in patient-derived cell lines and identify a role for myosin IIC in the formation of transverse actin arcs in single cells and cortical actin belts in tissue spheroids. We harness the upregulation of myosin IIC and its impact of cytoskeletal architecture through the use of the mechanical modulator 4-hydroxyacetophenone (4-HAP), which increases myosin IIC assembly and stiffens cells. Here, 4-HAP decreases dissemination, induces cortical actin belts, and slows retrograde actin flow in spheroids. Finally, mice having undergone hemi-splenectomies with PDAC cells and then treated with 4-HAP have a reduction in liver metastases. Thus, increasing the activity of these mechanoresponsive proteins (in this case, by increasing myosin IIC assembly) to overwhelm the ability of cells to polarize and invade may be an effective strategy to improve the five-year survival rate of pancreatic cancer patients, currently hovering around 6%.