Tumor-associated macrophages (TAMs) are a heterogeneous population of cells whose phenotypes and functions are shaped by factors that are incompletely understood. Herein, we asked when and where TAMs arise from blood monocytes and how they evolve during tumor development. We initiated pancreatic ductal adenocarcinoma (PDAC) in inducible monocyte fate-mapping mice and combined single-cell transcriptomics and high-dimensional flow cytometry to profile the monocyte-to-TAM transition. We revealed that monocytes differentiate first into a transient intermediate population of TAMs that generates two longer-lived lineages of terminally differentiated TAMs with distinct gene expression profiles, phenotypes, and intratumoral localization. Transcriptome datasets and tumor samples from patients with PDAC evidenced parallel TAM populations in humans and their prognostic associations. These insights will support the design of new therapeutic strategies targeting TAMs in PDAC.

Abstract Spatial omics data allow in-depth analysis of tissue architectures, opening new opportunities for biological discovery. In particular, imaging techniques offer single-cell resolutions, providing essential insights into cellular organizations and dynamics. Yet, the complexity of such data presents analytical challenges and demands substantial computing resources. Moreover, the proliferation of diverse spatial omics technologies, such as Xenium, MERSCOPE, CosMX in spatial-transcriptomics, and MACSima and PhenoCycler in multiplex imaging, hinders the generality of existing tools. We introduce Sopa ( https://github.com/gustaveroussy/sopa ), a technology-invariant, memory-efficient pipeline with a unified visualizer for all image-based spatial omics. Built upon the universal SpatialData framework, Sopa optimizes tasks like segmentation, transcript/channel aggregation, annotation, and geometric/spatial analysis. Its output includes user-friendly web reports and visualizer files, as well as comprehensive data files for in-depth analysis. Overall, Sopa represents a significant step toward unifying spatial data analysis, enabling a more comprehensive understanding of cellular interactions and tissue organization in biological systems.

Abstract Objective Gastric cancer (GC) tumors are highly heterogenous with different subpopulations of epithelial cells. We employed single cell RNA sequencing (scRNA-seq) to dissect the heterogeneity and identified subpopulations of cancer cells with stem-like properties. We further investigated their resistance to oxaliplatin chemotherapy and their contribution to gastric cancer outcome. Design We performed scRNA-seq on FACS sorted epithelial and immune cells from paired samples of GC tumors and normal adjacent tissues. We identified two epithelial subpopulations (STMN1 + IQGAP3 + and STMN1 + IQGAP3 − ) with stem-like properties. We characterized and compared them to known healthy gastric stem cell populations. We also cultivated GC derived organoids to study the chemoresistance of similarly marked populations. Lastly, we employed immunohistochemistry (IHC) staining to ascertain the predicted immunosuppressive interactions. Results The STMN1 + IQGAP3 + subpopulation showed a higher tumor mutation burden, upregulated proliferative pathways and transcriptomically resembled proliferative healthy gastric isthmus stem cells. The STMN1 + IQGAP3 − subpopulation were comparatively quiescent and transcriptomically resembled enteroendocrine cells. Both transcriptomic signatures were associated with worse mortality than other epithelial subpopulations with the quiescent being associated with the poorest patient survival. GC tissue derived organoids were dominated by STMN1 + IQGAP3 + cells but the STMN1 + IQGAP3 − compartment was more resistant to chemotherapy. We also verified the likely suppression of CD8 T cell cytotoxicity by STMN1 + IQGAP3 + cells through the NECTIN2/TIGIT interaction. Conclusions Cancer cells with stem-like characteristics are associated with poor survival through chemoresistance and immunosuppression. Reactivating the immune system through checkpoint blockade is an opportunity to eliminate these cells. What is already known on this topic Multiple gastric stem cell populations have been identified and linked to tumor initiation in rodent-based studies. However, none of them have been conclusively proven in human tumors. Isolating and characterizing tumor cells with stem-like properties will help shed light on their possible origin and possible mitigation strategies. What this study adds Here we identified two sets of stem-like gastric cancer cells that are associated with poorer patient prognosis. One set is highly proliferative and exhibits oxaliplatin susceptibility. It also engages in immunosuppressive interactions such as NECTIN2/TIGIT. The other set is quiescent and highly resistant to oxaliplatin. How this study might affect research, practice or policy The transcriptome signatures of the identified stem-like cells can aid in patient prognosis and identify patients who can benefit from checkpoint blockade therapy to reactivate their immune response towards gastric cancer cells.

Uniform Manifold Approximation and Projection (UMAP) is a recently-published non-linear dimensionality reduction technique. Another such algorithm, t-SNE, has been the default method for such task in the past years. Herein we comment on the usefulness of UMAP high-dimensional cytometry and single-cell RNA sequencing, notably highlighting faster runtime and consistency, meaningful organization of cell clusters and preservation of continuums in UMAP compared to t-SNE.

Abstract Modern immunologic research increasingly requires high-dimensional analyses in order to understand the complex milieu of cell-types that comprise the tissue microenvironments of disease. To achieve this, we developed Infinity Flow combining hundreds of overlapping flow cytometry panels using machine learning to enable the simultaneous analysis of the co-expression patterns of 100s of surface-expressed proteins across millions of individual cells. In this study, we demonstrate that this approach allows the comprehensive analysis of the cellular constituency of the steady-state murine lung and to identify novel cellular heterogeneity in the lungs of melanoma metastasis bearing mice. We show that by using supervised machine learning, Infinity Flow enhances the accuracy and depth of clustering or dimensionality reduction algorithms. Infinity Flow is a highly scalable, low-cost and accessible solution to single cell proteomics in complex tissues.

Single-cell genomic techniques are opening new avenues to understand the basic units of life. Large international efforts, such as those to derive a Human Cell Atlas, are driving progress in this area; here, cellular map generation is key. To expedite the inevitable iterations of these underlying maps, we have developed a rule-based data-informed approach to build next generation cellular consensus maps. Using the human dendritic-cell and monocyte compartment in peripheral blood as an example, we performed computational integration of previous, partially overlapping maps using an approach we termed "backmapping", combined with multi-color flow-cytometry and index sorting-based single-cell RNA-sequencing. Our general strategy can be applied to any atlas generation for humans and other species.

Spatial-omics data allow in-depth analysis of tissue architectures, opening new opportunities for biological discovery. In particular, imaging techniques offer single-cell resolutions, providing essential insights into cellular organizations and dynamics. Yet, the complexity of such data presents analytical challenges and demands substantial computing resources. Moreover, the proliferation of diverse spatial-omics technologies, such as Xenium, MERSCOPE, CosMX in spatial-transcriptomics, and MACSima and PhenoCycler in multiplex imaging, hinders the generality of existing tools. We introduce Sopa ( https://github.com/gustaveroussy/sopa ), a technology-invariant, memory-efficient pipeline with a unified visualizer for all image-based spatial omics. Built upon the universal SpatialData framework, Sopa optimizes tasks like segmentation, transcript/channel aggregation, annotation, and geometric/spatial analysis. Its output includes user-friendly web reports and visualizer files, as well as comprehensive data files for in-depth analysis. Overall, Sopa represents a significant step toward unifying spatial data analysis, enabling a more comprehensive understanding of cellular interactions and tissue organization in biological systems.