We propose an extension to quantile normalization that removes unwanted technical variation using control probes. We adapt our algorithm, functional normalization, to the Illumina 450k methylation array and address the open problem of normalizing methylation data with global epigenetic changes, such as human cancers. Using data sets from The Cancer Genome Atlas and a large case–control study, we show that our algorithm outperforms all existing normalization methods with respect to replication of results between experiments, and yields robust results even in the presence of batch effects. Functional normalization can be applied to any microarray platform, provided suitable control probes are available.

Precise temporal control of gene expression in neuronal progenitors is necessary for correct regulation of neurogenesis and cell fate specification. However, the cellular heterogeneity of the developing CNS has posed a major obstacle to identifying the gene regulatory networks that control these processes. To address this, we used single-cell RNA sequencing to profile ten developmental stages encompassing the full course of retinal neurogenesis. This allowed us to comprehensively characterize changes in gene expression that occur during initiation of neurogenesis, changes in developmental competence, and specification and differentiation of each major retinal cell type. We identify the NFI transcription factors (Nfia, Nfib, and Nfix) as selectively expressed in late retinal progenitor cells and show that they control bipolar interneuron and Müller glia cell fate specification and promote proliferative quiescence.

Purpose Although p16 protein expression, a surrogate marker of oncogenic human papillomavirus (HPV) infection, is recognized as a prognostic marker in oropharyngeal squamous cell carcinoma (OPSCC), its prevalence and significance have not been well established in cancer of the oral cavity, hypopharynx, or larynx, collectively referred as non-OPSCC, where HPV infection is less common than in the oropharynx. Patients and Methods p16 expression and high-risk HPV status in non-OPSCCs from RTOG 0129, 0234, and 0522 studies were determined by immunohistochemistry (IHC) and in situ hybridization (ISH). Hazard ratios from Cox models were expressed as positive or negative, stratified by trial, and adjusted for clinical characteristics. Results p16 expression was positive in 14.1% (12 of 85), 24.2% (23 of 95), and 19.0% (27 of 142) and HPV ISH was positive in 6.5% (six of 93), 14.6% (15 of 103), and 6.9% (seven of 101) of non-OPSCCs from RTOG 0129, 0234, and 0522 studies, respectively. Hazard ratios for p16 expression were 0.63 (95% CI, 0.42 to 0.95; P = .03) and 0.56 (95% CI, 0.35 to 0.89; P = .01) for progression-free (PFS) and overall survival (OS), respectively. Comparing OPSCC and non-OPSCC, patients with p16-positive OPSCC have better PFS and OS than patients with p16-positive non-OPSCC, but patients with p16-negative OPSCC and non-OPSCC have similar outcomes. Conclusion Similar to results in patients with OPSCC, patients with p16-negative non-OPSCC have worse outcomes than patients with p16-positive non-OPSCC, and HPV may also have a role in outcome in a subset of non-OPSCC. However, further development of a p16 IHC scoring system in non-OPSCC and improvement of HPV detection methods are warranted before broad application in the clinical setting.

The HPN-DREAM community challenge assessed the ability of computational methods to infer causal molecular networks, focusing specifically on the task of inferring causal protein signaling networks in cancer cell lines. It remains unclear whether causal, rather than merely correlational, relationships in molecular networks can be inferred in complex biological settings. Here we describe the HPN-DREAM network inference challenge, which focused on learning causal influences in signaling networks. We used phosphoprotein data from cancer cell lines as well as in silico data from a nonlinear dynamical model. Using the phosphoprotein data, we scored more than 2,000 networks submitted by challenge participants. The networks spanned 32 biological contexts and were scored in terms of causal validity with respect to unseen interventional data. A number of approaches were effective, and incorporating known biology was generally advantageous. Additional sub-challenges considered time-course prediction and visualization. Our results suggest that learning causal relationships may be feasible in complex settings such as disease states. Furthermore, our scoring approach provides a practical way to empirically assess inferred molecular networks in a causal sense.

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.

Biomaterials serve as the basis of implants, tissue engineering scaffolds, and multiple other biomedical therapeutics. New technologies, such as single cell RNA sequencing (scRNAseq), are enabling characterization of the biomaterial response to an unprecedented level of detail, facilitating new discoveries in the complex cellular environment surrounding materials. We performed scRNAseq and integrated data sets from multiple experiments to create a single cell atlas of the biomaterials response that contains 42,156 cells from biological extracellular matrix (ECM)-derived and synthetic polyester (polycaprolactone, PCL) scaffold biomaterials implanted in murine muscle wounds. We identified 18 clusters of cells, including natural killer (NK) cells, multiple subsets of fibroblasts, and myeloid cells, many of which were previously unknown in the biomaterial response. To determine intra and intercellular signaling occurring between the numerous cell subsets, including immune-stromal interactions in the biomaterial response, we developed Domino (github.com/chris-cherry/domino), a computational tool which allows for identification of condition specific intercellular signaling patterns connected to transcription factor activation from single cell data. The Domino networks self-assembled into signaling modules and cellular subsets involved in signaling independent of clustering, defining interactions between immune, fibroblast, and tissue-specific modules with biomaterials-specific communication patterns. Further compilation and integration of biomaterials single cell data sets will delineate the impact of materials chemical and physical properties and biological factors, such as anatomical placement, age, or systemic disease, that will direct biomaterials design.

Abstract Background Tumor response to therapy is affected by both the cell types and the cell states present in the tumor microenvironment. This is true for many cancer treatments, including notably immune checkpoint inhibitors (ICIs). While it is well-established that ICIs promote T cell activation, their broader impact on other intratumoral immune cells is unclear; this information is needed to identify new mechanisms of action and improve ICI efficacy. Many preclinical studies have begun to use single cell analysis to delineate therapeutic responses in individual immune cell types within tumors. One major limitation to this approach is that therapeutic mechanisms identified in preclinical models have failed to fully translate to human disease, restraining efforts to improve ICI efficacy in bench to bedside research. Method We previously developed a computational transfer learning approach to identify shared biology between independent high-throughput single-cell RNA sequencing (scRNA-seq) datasets. In the present study, we test this framework’s ability to identify conserved and clinically relevant transcriptional changes in complex tumor scRNA-seq data and further expand its application beyond comparison of scRNA-seq datasets into comparison of scRNA-seq datasets with additional data types such as bulk RNA-seq and mass cytometry. Results We found a conserved signature of NK cell activation in anti-CTLA-4 responsive mice and human tumors. In human melanoma, we found that the NK cell activation signature correlates with longer overall survival and is predictive of anti-CTLA-4 (ipilimumab) response. Additional molecular approaches to confirm the computational findings demonstrated that human NK cells express CTLA-4 and bind anti-CTLA-4 independent of the antibody binding receptor (FcR), and that similar to T cells, CTLA-4 expression by NK cells is modified by cytokine-mediated and target cell-mediated NK cell activation. Conclusions These data demonstrate the ability of our transfer learning approach to identify cell state transitions conserved in preclinical models and human tumors. This approach can be adapted to explore many immuno-oncology questions, enhancing bench to bedside research and enabling better understanding and treatment of disease. Graphical Abstract

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.

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 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.